量化交易员工作计划1
20__年上半年已经过去，虽然我们完成了上半年的任务，但是下半年的工作依然繁重。我们电工班组会继续努力工作、克服困难、一如既往。下半年我们班组要从以下几方面开展工作。
一、 业务技能学习
在以前基础上我们班会继续加强班组业务技能学习，以理论与实践相结合、组与组相互学习、人与人相互学习，把理论知识应用于实践中。学无止境，把学习到的技能应用与生产，服务与生产。
二、 设备保养维护
1） 对各车间动力设备维护、保养、润滑油料添加。
2） 对电气线路及电器元件进行安全排查，对有缺陷、有故障的元件进行维护、维修。
3） 对各配电柜定期进行灰尘清理，保证电器元件接触良好无粉尘现象。
4） 对各配电室、配电柜、变压器降温设施定期检查，保证通风降温良好。
三、 做好用电高峰时期应对措施
针对我们正常电压偏低的现象，做好应对措施，在内部提高无功补偿；对各车间启动大设备时安排调整启动顺序；
及时与上一级变电所进行沟通升压等工作；保证我们正常生产用电的供应。
四、 安全方面
通过三级安全教育是班组人员对安全认识的提高，通过班前、班后学习安全，对安全事故分析总结，提高安全意识，杜绝蛮干、违章作业。“三不伤害”要每一位班组成员牢记心中。
量化交易员工作计划2
毕业后在投行干了5年多（29岁），因为投行太忙了，照顾家庭的原因，5月份离职到了老家的地方高新区的国企上班，进来的职务是投融资部门的投资岗高级经理，干了4个月提拔了部门的副总，现在相当于小中层了，固定年薪制没有业绩压力，再也不用为奖金发愁。
工作内容主要是负责具体项目落地，工作事情不少，但是总体节奏和压力比投行舒适太多，大多数时间是朝9晚6，而且手下有人，对比以前非常轻松。
国企投资岗的工作内容主要分成两个部分：
第一个部分是要出席各种各样的立项会、投决会、退出会等会议，以及在对被投企业进行背调的过程中，我们会和对方的董监高进行一些交流以判断这个企业是否有投资潜力，会和他们开一些座谈会。
第二个部分部分是撰写报告。首先是平时的行业研究报告，对需要投资的行业、赛道，投资岗需要时刻保持了解。其次是在立项以及投决的时候会用到目标企业的可研性报告，借此会做出投资决定。
量化交易员工作计划3
工作时间早九晚五，几乎不加班。
量化交易员需求技能：python，机器学习，linux，了解C++更好。如果是期权交易员，需要在此基础上熟练掌握期权各类风险指标。量化交易员和传统交易员的不同之处在于：一定需要会写代码，尤其是python，越熟练越好。
另外，根据交易标的的不同，交易员的侧重点也不一样。如果是期货交易员，则更注重各类算法的实现能力，在执行层面更像是风控，其工作更偏向quant。如果是期权交易员，更注重个人的交易的决策水平，在瞬息万变的市场中管理头寸、切换观点，在风险可控的情况下积累优势，从而获取利润，更偏向trader。
量化交易员工作计划4
量化交易研究更多的是与科学的假设检验和学术精确联系在一起，而不是与投行交易员通常的感知和相关的冒险相联系。当将量化交易作为一个几乎处处自动化的过程来执行，将人能够自由决定的输入最小化。
科学的方法和假设检验在量化金融领域里是极为重要的过程，同样的，任何希望进入该领域的人将会需要接受过科学的训练。很多时候意味着拥有博士研究级别的训练，通常是通过获得博士学位或者是数量相关的硕士学位。尽管一个人可以通过工作上的训练进入金融量化交易领域，但这并不常见。
从事复杂的量化策略的研究员需要多种技能。一个广泛的数学，概率和统计的背景提供了建立量化交易的基础。理解量化交易的各个组成部分是必要的，包括预测，信号生成，回测，数据清理，投资组合管理和策略执行。掌握更进阶的知识也是必要的，包括时间序列，统计/机器学习（包括非线性的方法），优化，和交易所/市场的微观结构。除了这些还需要很好的编程知识，包括如何快速的实现学术模型并执行。
这是一个重要的学徒期并且不应该轻视。一个专业的公司做到持续的盈利通常需要5到10年的时间去学习足够的知识。当然回报是相当可观的。一个非常聪明的团队拥有一个充满智慧的环境，一个快节奏的环境下会面对持续不断的挑战。这提供了相当丰厚的回报和许多职业选择，包括在获得长期稳定的回报和记录后成立你自己的基金。
量化交易员工作计划5
计量经济学/时间序列分析
事实上，主要的量化交易策略是关于时间序列的。这主要包括作为时间函数的资产价格序列，也包括其他形式的衍生序列。时间序列是量化策略研究员需要掌握的一个重要的知识点。
这里推荐3个主要的书籍去开始学习计量经济学和时间序列分析：
· 金融计量经济学介绍-Brooks著
· 时间序列分析-Hamilton著
· 金融时间序列分析-Tsay著
在了解了这些基础的时间序列后，下一步是开始学习统计/机器学习技术，这些是当前量化金融领域的“行业前沿”。
中级统计/机器学习
当代量化交易研究基于大量的统计学技术。在计量经济学和时间序列预测技术之后，统计/机器学习的应用是合理的，尽管在这两个领域中有主要的重叠。
推荐通过下面这些书籍的学习开始了解统计/机器学习：
· 统计学习介绍：在R中的应用（An Introduction to Statistical Learning: With Application in R）-James, et al著。这本书提供了关于现代统计学习方法的丰富介绍。主要定位给从业者，而不是学术界的统计学家，所以对那些缺乏机器学习经验的金融背景从业者是有用的。所有的例子是通过R语言实现的，并且本身比较容易实现。建议在阅读其他书籍之前先阅读本书。
