К содержанию
Quantoros

Гайды

Как стать квант-исследователем: практический роадмап

· 12 мин чтения

Квант-исследователь ищет в рыночных данных повторяющиеся закономерности и превращает их в сигналы и портфели, которые выдерживают издержки и проверку вне выборки. Разбираем, в чём работа, что изучать и в каком порядке, и как выглядит убедительное портфолио джуна.

Чем на самом деле занимается квант-ресерчер

Quant researcher формулирует гипотезы о том, почему одни активы должны вести себя лучше других, проверяет их на данных и решает, реален ли сигнал или это шум и переобучение. Повседневная работа ближе к прикладной статистике и аккуратной инженерии, чем к киношному образу трейдинга.

Типичный результат — сигнал (число для каждого актива и даты), бэктест с реалистичными издержками, анализ риска и research-записка: что проверяли, что не сработало и почему результат должен сохраниться в будущем.

Quant research — не то же самое, что quant development (разработка торговых систем на C++ и других языках) и трейдинг (управление позициями и исполнением). Во многих командах роли пересекаются, но для исследователя основа — статистика.

Фундамент: вероятность, статистика и линейная алгебра

На этом держится всё остальное. Нужно владеть свободно, а не «когда-то проходил»:

  • Вероятность: условная вероятность, формула Байеса, матожидание и дисперсия, основные распределения, закон больших чисел и ЦПТ.
  • Статистика: оценки и их ошибки, проверка гипотез, доверительные интервалы, бутстреп, регрессия и её предпосылки, робастные к гетероскедастичности и автокорреляции ошибки.
  • Линейная алгебра: матрицы как преобразования, МНК, собственные векторы, PCA и SVD, ковариационные матрицы и почему их трудно оценить.
  • Оптимизация: градиенты, выпуклость, задачи с ограничениями вроде mean-variance портфеля.

Если вузовская математика забылась, восстанавливай её сначала через интуицию (у 3Blue1Brown отличные видео), потом через задачи. На собеседованиях проверяют скорость и точность именно в этих темах.

Программирование: сначала Python, всегда данные

Большая часть исследований идёт на Python: NumPy, pandas, statsmodels, scikit-learn, визуализация. Нужно писать векторизованный читаемый код, который корректно работает с датами, пропусками и survivorship bias. SQL пригодится для больших данных.

C++ обязателен для квант-разработчиков и полезен исследователям в высокочастотных командах, но карьеру ресерчера с него обычно не начинают. Сначала — чистый Python и воспроизводимые эксперименты.

Рынки и исследовательский цикл

Сначала освой процесс, а уже потом модные модели. Здоровый цикл исследования выглядит так:

  1. Начинай с экономической или поведенческой причины сигнала, а не с перебора тысяч признаков.
  2. Собери чистый point-in-time датасет: без заглядывания в будущее, без survivorship bias, с корректными корпоративными событиями.
  3. Измерь сигнал: information coefficient, затухание по горизонтам, оборот, экспозиция к известным факторам.
  4. Построй простой портфель и бэктест с издержками и реалистичным моментом исполнения.
  5. Проверь на ложные открытия: множественные сравнения, Deflated Sharpe, walk-forward и финальный нетронутый холдаут.
  6. Опиши результат: предпосылки, цифры, неудачи и что заставит тебя передумать.

Какие темы изучать и в каком порядке

  • Доходности, волатильность, корреляции и форма распределений доходностей.
  • Регрессия доходностей, Fama–MacBeth, факторные модели и бета-хедж.
  • Кросс-секционные сигналы и поиск альфы, ранжирование и нейтрализация.
  • Временные ряды: ARMA, стационарность, единичные корни, коинтеграция и парный трейдинг.
  • Построение портфеля: оценка ковариации, усадка, оптимизация с ограничениями, риск-модели.
  • Ловушки бэктеста и переобучение, включая множественные сравнения.
  • Основы микроструктуры рынка: стакан, спред, импакт.
  • ML для доходностей — осторожно: низкое отношение сигнал/шум и нестационарность ломают наивные модели.

Проекты для портфолио

У джуна обычно нет торговой истории, поэтому портфолио должно показывать суждение. Два-три хорошо описанных проекта лучше десяти ноутбуков:

  • Факторное исследование или поиск альфы на открытых данных по акциям с честным out-of-sample и издержками.
  • Парный трейдинг или стат-арб: зачем проверяли коинтеграцию и как стратегия деградирует после издержек.
  • Research-отчёт о стратегии, которая не сработала, и о том, как ты заметил переобучение.
  • Kaggle-соревнование по прогнозу рынка (например, от Jane Street или Optiver) с понятным описанием валидации.

Сделай репозиторий воспроизводимым: одна команда пересобирает данные, ключевые преобразования покрыты тестами, README читается за пять минут.

Образование и бэкграунд

Многие квант-ресерчеры — выпускники математики, физики, статистики, CS или инженерных направлений, а часть команд предпочитает кандидатов с PhD. Но диплом нужен не везде: сильная статистика, программирование и исследовательское мышление, показанные в проектах, приводят на собеседования, особенно на junior-позиции и в команды, где много данных.

Переход из ML-инженерии или разработки встречается часто. Обычно не хватает не кода, а статистической строгости в отношении шума, переобучения и издержек.

Сколько это занимает

С сильной математикой или опытом в ML собрать основные навыки и убедительное портфолио обычно получается за несколько месяцев регулярной работы. Если математика слабая, путь дольше: начни с вероятности и статистики. Регулярность важнее интенсивности.

Коротко о собеседованиях

Ждут задачи на вероятность и матожидание, статистику и регрессию, код на Python, иногда домашнее исследовательское задание и обсуждение твоего проекта. Будь готов объяснить каждую цифру своего бэктеста. Подробный разбор вопросов и план подготовки — в отдельном гайде.

Учиться с ментором

Самостоятельно учиться можно, но обычно не хватает обратной связи: кто-то должен сказать, что в бэктесте заглядывание в будущее или что Sharpe — результат сотни попыток. В Quantoros есть менторство по quant research 1:1 с практикующим квант-исследователем: трек из 28 спринтов от статистики до research-отчётов, еженедельные созвоны, ревью кода и mock-интервью. Первый созвон бесплатный.

Материалы

Вопросы

Нужен ли PhD, чтобы стать квант-ресерчером?

Не всегда. Часть команд предпочитает PhD, но сильная статистика, программирование и исследовательские проекты приводят на собеседования, особенно на junior-позиции.

Quant research — это то же самое, что data science?

Инструменты похожи, но в quant research данные очень шумные и нестационарные, а издержки и переобучение решают всё. Строгость валидации важнее сложности модели.

Нужно ли учить C++?

Для старта в исследованиях достаточно Python. C++ важен в квант-разработке и высокочастотных командах.

Можно перейти в quant research из ML-инженерии?

Да, это частый путь. Сфокусируйся на статистическом выводе, ловушках финансовых данных и дисциплине бэктеста.

Где взять опыт без работы в финансах?

Открытые данные, Kaggle-соревнования по рынкам и хорошо описанные исследования с честными результатами вне выборки.

Направления менторства