投行和算法

㈠ 投资银行佣金几种主要的计算方法

证监会规定：交易佣金不超过千3，交易佣金不足5元按5元收取。

2.手续费构成：交易手续费=净佣金+规费+过户费+印花税（单边）

①净佣金：即券商收取的费用，成本在万1左右。

②规费：即证管费和经手费的统称，证管费万0.2，经手费万0.487，由券商代交易所收取。

③过户费：即交易所收取的股票过户的费用，万0.2，目前大部分券商只收上交所的过户费。

④印花税：国家财政税收，千1，仅卖出单边收取。

3.券商佣金计算方式：一般说的佣金为净佣金+规费。由上面介绍可以看出，券商代收的费用为万0.887（不含印花税），这部分是雷打不动的，剩下的净佣金就是券商的毛利。券商总的成本在万1.5左右。这就不难看出，即便市面上佣金很低，绝大多数也就是万1.5，真正能万1全包的很少。
在中国A股市场上买卖股票需要收取的手续费有3种：印花税、过户费以及券商的佣金。

买进股票交易过程中会产生佣金和过户费，卖出股票交易过程中会产生佣金、过户费和印花税。需要提醒的是，我国仅上海证券交易所收取过户费，深圳证券交易所是没有此项费用的。

印花税

印花税为股票交易金额的千分之一（0.1%），只在股票卖出的时候收取。

过户费

过户费为股票交易金额的万分之二（0.002%），股票交易双向收取。目前只有上海交易所收取。每1000股收取1元，不足1000股按1元收取;

佣金

佣金按交易金额的一定比例收取，收取的比例从千分之三（01.%）到万分之一（0.001%）不等，具体的额度由个人与券商协商决定，现在大部分券商都能给客户万分之2.5的最低佣金，佣金不足5元时按5元收取。该费用在买卖的时候也是都要收取。

㈡ 基金交易员是做什么的

一、操作公司提供的资金交易账户，撰写报告并对行情走势进行分析研判；
二、按照公司要求，严格执行交易相关规则；
三、在基金经理的指导下，并结合自身的观点，完成每月盈利任务；
四、本岗位是属于技术岗位，沉着冷静，知识面较广的更佳。
任职要求：
一、年龄20-30岁，性别不限，大专及以上学历；
二、具备较强的心理承受能力，思维敏捷，头脑灵活，反应迅速；
三、熟悉K线与市场分析，了解行业宏观市场；
四、抗压能力强.对公司资金高度负责。
【拓展资料】
绝大多数的时间，交易员们在交易台前监控算法。10%的时间用于管理“正向选择投资组合”，这些一般都是多空仓位投资组合。
那些投资组合是他们希望做多和多空的股票、外汇等其他资产。他们自己建立起这些组合，然后自己管理交易。在极端环境下，这些投资组合的时间跨度是1-3个月。
举个例子：
如果你走进投行问交易员：你为XXX投行都做了什么交易？
“我做的是标普500指数里面排名靠前的100支股票。”
这位交易员所做的业务看起来就像上图一样。
在一个财年里，获得的佣金会是5000万美元，佣金留存率是70%。
自营交易账户风险敞口大小粗略来说，和佣金获得数是一致的。尝试在自营交易上赚到20%的回报。
如此，在佣金5000万美元的基础上，净损失率就是10%。最终年营收是4500万美元。这是非常好的业绩，算是很不错的一年。
这家投行会酌情付给该交易员奖金。这个奖金数是不固定的，甚至可以说是投行凭空给出的一个数据。
因此，当你初入投行签工作合同的时候，合同里面写的是：你的奖金由投行酌情自由决定。
年终时，你会参加一个奖金大会，那一天你将被告知获得的数目。这一天是所有人每年最期待的一天，当然对有些交易员来说，也是最恐惧的一天。
在投行，交易员的基本工资通常会低于你的奖金。如果你的奖金比基本工资还少，你就不该在投行业继续做下去了。
然后是一些间接成本，因为让你工作一年银行一共要花去100万美元。那么一个交易员一年内创造的总利润，可能看起来就像这张表一样。
从模仿投行的专业交易员的角度来说，你不是要去模仿专业交易员在市场中扮演的做市商的角色。
作为散户（个人交易者），目标是用自己的钱来赚钱。这和投行交易员的“正向选择投资组合”更为接近。
他们90%的工作都与你不相干。除非是你想进入一家投行工作，成为一名监控电子交易的人。
但最重要之一的事情是，你会看到投行的交易员是有基本工资的。我要做一个论断，请永远不要忘记这句话——“这个世界上每一个专业交易员都有基本工资”。如果拿不到基本薪资，那就是这家投行或公司在恶意压榨。
如果专业交易员在自营交易上没有盈利，就没有奖金，实现盈利方能拿到奖金。
那么对冲基金的专业交易员在做什么？
首要目的就是保护好投资人的钱。透过在同时上涨或下跌的市场中实现盈利。对冲基金专业交易员通常被叫做“PMs”，投资组合经理。
为什么叫PM？显然是因为他们管理投资组合。他们不会在下班的时候空仓，然后第二天进来大量做多；之后下午平仓几个头寸，出去喝上几杯。
他们运作的是投资组合，需要承担隔夜风险。通常他们交易的时间跨度可以是1-18个月中的任意数。不过常见的交易时间跨度是3个月。
对冲基金没有做市业务，但他们的交易职能与投行交易员自营交易极为相似，即“正向选择投资组合”。唯一的区别在于他们所开展业务的商业架构不同。交易方式、运作方式以及选择买卖的流程等完全一致。
为什么那么多世界顶级对冲基金经理是前高盛、前摩根士丹利的交易员？这并不是巧合。他们过去都曾在投行做过自营交易。然后他们以同样的职能继续去运作外部投资人的资金，而不是银行的。
投行交易员运作的是投行的资本，本质上说这是公众股东的钱，因为投行是上市公司。那么让我们来看下对冲基金的基本信息。
为什么叫做对冲基金？因为他们用的是可以对冲风险的交易策略。因此他们可以在市场无论涨跌的情况下赚钱。
对冲基金的结构是怎样的？应该说对冲基金只是一个投资媒介，为那些高净值个人或机构提供投资渠道。一般由一个境内管理公司和一个境外控股公司组成。
对冲基金管理公司对所管理的资金收取年率1%-2%的管理费，以及对“正向选择投资组合”所赚得年利润收取年绩效费用。
但关于对冲基金很有意思的一点是，当他们去向高净值机构推销自己的时，其中一个卖点，并且也是投资人答应投资的前提条件之一，就是在任一年的绩效费用中，至少有一半需要再投资回到基金中。
没有一家对冲基金是收了绩效费之后就全拿走的，他们不得不至少再投入其中的一半。

㈢ 算法与数据结构对于java程序员意味着什么

我觉得被采纳的答案有失偏颇,数据结构是非常重要的,而且不同的算法根本不会只产生0.01秒的优势.最简单的例子,排序,N^2的效率怎么可能跟N*logN比.在投行等地,有些程序即便是算法大量优化过后还要执行几个小时,可想而知如果不大量优化,恐怕要至少执行几天.另外很多API内部的数据结构搞不清楚,使用上也是稀里糊涂.只不过,真心想研究算法,应该至少会C/C++.java的优势不在这上面.当然了,算法,学了身价肯定会上升的.google,amazon面试都要考算法的

㈣ 金融工程专业和MORSE专业的具体区别以及就业方向的不同

都是为进投行的专业， 金融工程现在比较尴尬，因为基本上建模，算法设计轮不到金融工程的毕业生来做，大部分主要做的都是数学，统计，物理的博士。金融工程的学生只能做一些漏洞的修改。MORSE其实统计偏多一些，算法层面用的比较多。金融工程建模层面用的比较多。都是未来在投行back office里面工作的。为投行前段提供数据支持的专业。其实如果真的想在金融领域有所发展还是读一个类似数学，计算机PHD比较好.
金融工程，包括创新型金融工具与金融手段的设计、开发与实施，以及对金融问题给予创造性的解决。
金融工程的概念有狭义和广义两种。狭义的金融工程主要是指利用先进的数学及通讯工具，在各种现有基本金融产品的基础上，进行不同形式的组合分解，以设计出符合客户需要并具有特定P/L性的新的金融产品。而广义的金融工程则是指一切利用工程化手段来解决金融问题的技术开发，它不仅包括金融产品设计，还包括金融产品定价、交易策略设计、金融风险管理等各个方面。本文采用的是广义的金融工程概念。

㈤ 就职于Citadel是一种什么体验

2005年本科毕业时，权衡了美国PhD与国内工作后，我选择了后者；于是进入了贝尔实 验室（朗讯）。朗讯是一个好的起点平台，宽松的环境，严谨的流程，优厚的薪水与出 差补助，领先的技术，友好的氛围。近日，与昔日同事闲聊时，很多人都感叹在社会上 晃荡了许久，换了一些工作，最怀念的是朗讯清晰的工作流程与友善的管理氛围。 作为500强的朗讯，其技术的确是全球领先的。朗讯的服务器与对冲基金使用的大同小 异；朗讯的系统涉及到与第三方各种系统的集成，这恰好与对冲基金多服务器的结构形 成了对应。Citadel美国总部面试我时，听说我曾就职于朗讯，当时面试官的喜悦即溢 于言表。 2005-2007，在朗讯工作的两年里，我很开心，虽然只在北京停留了3个月，其余全部在 国外出差；但这种经历让我成长。朗讯**拓宽了我的视野，将我从一个没有出过国门 的大学毕业生塑造成有远见并思路清晰的社会人。 2007年，我做技术有些腻了，毕竟，技术领域里，重复性的劳动比较多。脑子有些木 了，于是想去学学数学，锻炼一下思维和头脑；反复斟酌之下，选择了一个数学与计算 机结合的专业——统计。于是，改行申请美国大学统计系的研究生。 进入UCLA，是我另一个幸运。UCLA的学术水平绝对可称一流，这在我毕业后更有着深刻 地体会。2009年末，我在香港大学金融系做研究员，在我第一个金融模型的实现中，全 部采用UCLA课堂上老师教授的Optimization方法以及编程语言，关键的部分也是源于我 UCLA同学硕士论文给我的提示。如果不是UCLA的学习，我至少还要多花一个月时间查阅 资料，编写算法。常有人抱怨，硕士期间没有学到东西，其实不然，这些收获，只有在 进入日后的工作中才能体会出来。

㈥ 在投行或券商当数据科学家是什么体验

Link资深数据科学家，在就职Link之前，他本科毕业于美国一流大学的数学系，研究生毕业于美国Top5的统计专业。作为一名数据科学家，你具体担当什么样的角色？Link的数据科学家主要有两种，一种是做模型，通过构建模型把数据运用到产品的“生产”。另一种做产品分析，通过对数据的分析推动精准高效的产品决策。我属于后者，致力于创造更好的数据驱动型产品。要理解我工作的内容，我们先来具体了解一下整个产品的流程。一个产品的开发周期会经历构想、设计、开发、测试、上线五个阶段。 上线之后在新的用户反馈基础上建立新的构想，继而形成一个产品升级的循环。数据科学家在每个环节都会参与并有不同的分工。比如在构想环节，要提出假设和问题。在设计环节要从全局的角度建立一套评价标准，例如产品从上线到推广要达到哪些要求。在产品研发阶段，要参与到数据追踪，获取、记录、存储、转化用户的数据，致力于怎样更好地反映各个指标。在测试的过程中，数据科学家的参与度更高，要及时从A/B test中提取有用的信息进行改进，保证用户满意度从各个指标来反映都能够达到预期。产品上线之后要持续关注产品的发展，以及用户的使用和满意度。在这个阶段可以产生许多新的改进的想法，进入到下一个循环。一个典型的Link产品团队的构成是怎样的？互联网行业的工作形式和传统行业很不一样。传统行业大多是分层的，比如CEO管理几个VP，VP管理几个总监，总监再管理手下的人。手下的人大多做的是流水线工作，并没有决定权，决定权都来自上层。而在互联网公司，由于做的都是针对用户的产品，一线工作岗位的人会对用户更了解，对用户的需求和反馈更明确。奋战在产品一线的小团队拥有充分的决定权，可以快速捕捉到产品需求的最新动向。

㈦ 在投行内部做量化交易与独立出去做量化交易有何不同

这里我们只说量化交易，不讨论量化研究和量化定价这一块的业务。
量化交易是分两个阶段的。第一个阶段是2008年以前，或者说Dodd-Frank法案以前，投行内部林立着各样的很多对冲基金或者类对冲基金的实体，比如Morgan Stanley的PDT（Process Driven Trading）和高盛的Global Alpha，而很多投资银行的自营交易业务也很像对冲基金。在这一阶段，这些类对冲基金的实体和外面的对冲基金是没有啥区别的，业务很类似——赌方向、做部分对冲（Partial Hedging）、跨市场套利，也非常敢于承担风险。
当时在投行内做对冲基金类型的量化交易有着非常大的优势，因为两点——第一是银行有着非常良好的融资渠道，融资成本显着地低于当时的对冲基金，如果你尝试去组建过一个基金，你就知道资金成本对于一个对冲基金的影响多么大——巴菲特这么多年的成功是离不开长期1.6倍的财务杠杆和其低于中央银行存款准备金率的资金渠道的（详细内容参见AQR的论文——Buffet's Alpha）。 炒股需要经常总结，积累，时间长了就什么都会了。为了提升自身炒股经验，新手前期可以私募风云网那个直播平台去学习一下股票知识、操作技巧，对在今后股市中的赢利有一定的帮助。
第二是银行有着一个灰色的信息流——客户的交易记录。这个交易信息，就是今天，也是非常有用的内部消息。几周前Bill Gross从PIMCO离开时，所有投行的Sales都疯了，不停地研究之前PIMCO在自己银行的仓位，然后分析那些债券最有可能最先被清盘，从而给其它客户交易建议。而当年文艺复兴多次更迭合作的投行，就是因为其大奖章基金的交易记录得不到妥善的保密，很多合作银行的自营交易桌跟着交易。
这两个优势造成了当时的自营交易极其暴利，而且管理层为了做大业绩，全力支持明星交易员放大杠杆——而实际上，金融危机期间很多的CEO都是靠着自营交易的暴利业绩从交易大厅升职到管理层的——比如Citi的前任CEO Pandit和摩根斯坦利的前任John Mack。
这也造成了，为什么很多高盛离职的自营交易员在金融危机后，当银行不能做自营交易后出来自立门户开设对冲基金，却完全无法复制当年的业绩——因为他们是因为整个组织的强大而获得超额收益，当失去了资金优势和信息优势后，一切都成为了浮云。
2008年，准确说是2009年后，一切都变了。
首先是政府明令规定自营交易不让干了，于是各种投行旗下的基金，放入资管部的放入资管部（比如Goldman Sachs Global Alpha进入GSAM），独立营业的独立营业（比如PDT从摩根斯坦利分离），要不直接就关门大吉了（比如UBS、德银）。
还有一些硕果仅存的，一般是在股票交易部门，打着对冲为名，通过会计手法，维持着极小的自营规模，这种类似的团队很多投行都有。但是不成气候了，也不会造成任何系统性的风险——当然，各种马路传奇故事也销声匿迹了。
银行内部还有没有量化交易了，其实还有——那就是随着计算机技术进步的自动化做市交易。做市在国内这个概念刚刚出现——因为期权做市商制度的引入。但是在美国这个是从华尔街开始就有的交易体系了。简单来说，就是假设你经营一家买可乐的小店，你有两个主要的交易——一是从总经销商那里拿货，用的价格是Bid，二是分销给街边下象棋和夕阳下奔跑的孩子们，这是Ask。Bid是你的进价，Ask是你的出货价格，Bid一般小于Ask（除非你是搞慈善的）。你持续的维持报出这两个价格，同时根据你的存货来调整报价或者对应报价的数量——比如你的存货太多，大爷不出来下象棋了，你就降低Bid，这样很难进到货了，而保持Ask，等待有人来消耗你的库存。
这个过程就是基本的做市商交易流程，在金融中，由于没有实际的总经销商供货，你的报价（Bid-Ask）是基于你对于对应资产的Fair Price的估计来决定的，通常是你算出来的均衡价格加减一个值构造成Bid-Ask组合。在很长的时间内，这个报价都是靠人来完成，这个过程是枯燥的，而且很容易出错——而对于期权类产品（非线性价格）也很难快速报价。我之前和期权交易员合作过很长时间，他们的工作不一定智力上很难，但是对于人得耐力绝对是一种挑战——因为在开市后他们要注意力高度集中的报价，一quote两quote，一quote两quote，似爪牙，似魔鬼的步伐，报价，报价，在这交易大厅报价... ...
于是，从简单的资产起，从交易所级别开始支持API交易了。什么是简单的资产，就是Vanilla类别的，比如个股、指数、外汇、国债等等。因此投行由于本来就是大量资产的做市商，开始把原来这套过程通过计算机来完成。后面大家发现计算机是完美胜任这项工作的，因为计算机能够高速计算库存来调整报价，还能报出很多复杂的单类型。因此从2000年开始个股、指数开始逐步被自动化做市来包揽，2005年后个股期权自动化做市大热，而2008年后外汇自动化做市也相当成熟了，2010年开始国债自动化做市也在美国兴起——这也是我目前在工作的内容。
那么对冲基金呢，除了传统的量化Alpha，他们难道不能也做这个业务吗？实际上，很多对冲基金的自动化做市业务比投行还要好——比如Citadel，比如KCG。但是区别何在？区别在于两点，第一是很多对冲基金不是专属做市商（Designated market maker）。DMM的特权是其有专属席位——在美国这样高度商业化的国家，DMM也是非常稀有的。原因在于，DMM是有责任的，那就是在各种大型金融危机中，当流动性极差的时候，DMM还是要持续的报价，一quote两quote，一quote两quote，似爪牙，似魔鬼的步伐... ... 在流动很差的时候这是非常危险的，因为大家丢给你的都是不好的资产，比如大跌的时候，都在卖，你的Bid反复被Hit，然后又没人来hit你的Ask，浮动亏损可以非常大。那么DMM的特权呢，DMM可以获得非常高比例的rebate，也就是说，佣金返点非常高。这是对于其承担的义务的回报。

第二就是绝大多是对冲基金不是Broker，也是你一般想买股票不会去找他们报价。在外汇和债券这类市场中，有两级市场，一个是B2C市场，也就是零售市场，里面基本都是Broker-Client，而第二级就是B2B市场，都是Broker-Broker。一般来说，B2B市场的Bid Ask Spread要低一些。一个形象的例子就是，我小时候去批发书的商店买书，一个商店有本习题集没有，于是老板去隔壁家拿了一本，卖给我，最后肯定这个老板要把一部分价格还给隔壁家，我付的价格和老板付给隔壁家的价格就是B2C到B2B市场的差价。
这里投行又耍流氓了，他们有着B2C市场的接入优势，因此只要客户量够大，基本都能把自动化做市实现盈利——因为根据大数法则，一定时间内，买卖双方的交易量应该是均衡的。
那么对冲基金靠什么——靠更好的策略。对冲基金如果要做高频做市的，基本在B2B市场参与，他们不是DMM，但是也自己去报价，然后靠着对于价格走向的准确判断，来调整报价，实现拿到多数对自己有利的单，或者持有更久符合预测方向的单，来达到盈利。这种不是DMM却自发去做做市商的行为，叫做Open Market Making。
Citadel是期权自动化做市的王者，顶峰时期一年的利润可以到1 Billion（2009），而整个市场那年的利润也就是7 Billion左右。因此如果策略逆天，没有客户流，也能靠做市赚钱的。
此外，做市业务之外，对冲基金还多了很多机会。因为很多业务银行做起来不划算——比如商品。考虑一个金融类公司，不能光讨论交易策略，宏观上你一定要思考资金成本等问题，这才是投资之道在投资之外。商品这些之前银行干了很多坏事的业务（详细参加高盛的铜交易和JP的风电交易）都被监管方克以了极高的资本罚金。这是Basel III里面的规定，也就是你拿着1元的股票和1元的监管资产过夜受到的处罚是完全不同的，具体算法参见Basel对于RWA（Risk Weighted Asset）计算的细则。这一系列监管，造成了对冲基金有了大量的新业务——因为投行退出。而大量银行的人才也流向了对冲基金。
现在门径这么清晰，那么投行和对冲基金做量化交易的工作差别就很明显了——投行主要以自动化做市为中心的高频信号、客户流分析、报价博弈论等研究为主。而对冲基金主要是传统的量化Alpha、量化资产配置为主——当然还有公开市场自动化做市了。
希望可以帮助到你，祝投资愉快！

㈧ 统计经济学就业方向

首先，经济统计学是一门什么样的学科。

统计学作为一门应用性学科，撇开纯粹的理论研究（一般都是在综合类大学的数学系开设），当统计学与医学相遇，就产生了医学统计（多为临床验证），当统计学与社会学相遇，就产生了社会学统计（多为社会调查），当统计学与经济学相遇，则产生了经济统计，除一些基本的统计学和经济学基础理论外，更偏重的是计量分析、回归预测。可以说是一门比较实用的学科。

其次，经济统计学的就业方向。
我想题主更关心的是就业。已我的经历来看，经济统计学的就业可以分为两个方向：
1、经济金融方向：通常金融机构招聘并不会限定特别明确的专业，一般只要是经济金融类的专业都属于招聘范围，特别是银行、券商、保险等大型机构，这些机构更多的看重的是你个人的素质能力，一般只要具备相应的经济金融知识即可（会计知识可能更为重要），统计方面的知识技能基本离开学校就不会用了，最多用用Excel的数据透视筛选足以应付。我就是在这样的机构，统计知识基本没用；

2、分析统计方向：目前数据统计方向多为互联网公司、量化投资公司、专业的咨询公司等机构，相对应的岗位专业性强，技术要求高，对数学和编程有一定要求。特别是热捧的“大数据”分析，一方面需要使用Sql调取海量数据并做数据清洗，然后需要使用统计软件（常用的是R）进行建模分析，常用方法也很多，神经网络、决策树什么的，发展前景不错，但比较辛苦。我女朋友就在互联网公司从事数据分析，累觉不爱啊；

3、其他：通常都是公务员或者其他与经济或统计不相关的行业岗位。公务员报考的时候有严格的专业限制，一般统计专业能包括的多为统计局、税务局等的一些岗位，一些简单的统计原理就足以应付。其他行业，招聘学统计的，一般就是做做报表，搞一些运营或绩效分析，非统计专业也可以胜任。

从我接触的本科研究生同学来看，75%以上的同学都在金融机构（大部分是银行）工作，基本都用不到统计方面的知识和技能，10%左右的同学在分析统计方向，多为互联网公司，10%左右的考上了公务员，还有个别读博深造的。

最后，给你一些建议：
1、一般来说，经济类院校的经济统计专业大部分走的都是大金融的职业发展路径，学好会计，掌握一定的经济金融知识，学会做人做事，才更为重要；
2、如果偏爱分析建模，想走技术路线，建议加强编程学习，包括算法、数据结构等，并考研读博深造，最好出国，这样能有更好的发展；
3、考公务员的话，建议报银监会、人行等机构的统计岗位，统计局性价比不高。

另纠正一些误区：
1、精算师，很多人以为精算与统计相关，其实精算只是应用的概率论的一些原理，更多的偏向数学，一般保险学院下属的精算专业更有优势；
2、四大，主要指德勤、毕马威、安永和普华永道，这些机构主业是做审计，兼职做咨询。学统计的对口的岗位应该是咨询里面的风险管理方向，会用到一些统计模型，其他审计、内控什么的，与统计无关；
3、投行，听起来感觉很牛X，其实很苦逼，不过待遇还是比较客观，学统计的进入投行，看重的不是你的专业知识，更多的是你的EQ、颜值和背景。

㈨ 华投行与大佬把比特币“吹上天了”，你怎么看待这件事

首先我们要了解什么是比特币，众所周知，比特币是这样，在很多年以前并不能成为交易货币，在很久之前，比特币卖披萨之后开始有人开始认同比特币之后比特币就有了价值，虽然比特币没有任何政府背书，但是价值是人们共同认为可以作为交换货币进行使用，格外是从区块链越来越被人了解，而比特币的底层架构就是以区块链进行构建，而中本聪本人从来都没有露过面，但是人们对于比特币总量2100万枚这个事情是表示认可的。

好了我们了解了比特币后我们再回来看，为什么我们的华投行和大佬把比特币吹上天：