量化策略研究员的技能树是跨数理、编程、金融、实战等多领域的复合型知识体系，
同时需搭配策略研究核心思维与软技能


一. 底层核心基础
这是所有量化研究工作的基石，决定了对策略逻辑的理解深度和建模的严谨性，是入门的首要攻克模块。
技能类别/核心内容/应用场景
数理知识	
线性代数（矩阵运算、协方差矩阵求解），用于多因子模型构建；
微积分（导数、积分），支撑衍生品定价；
概率论与统计（概率分布、假设检验、时间序列分析），用于胜率评估、因子有效性检验；
优化理论，用于资产配置中收益最大化与风险最小化求解	;

多因子策略权重计算、期权定价模型推导、策略胜率与回撤测算

金融理论	
经典模型（CAPM、Black - Scholes、马科维茨投资组合理论）；
市场规则（A 股 T+1、涨跌幅限制，期货保证金制度等）；
产品特性（股票、期货、期权的定价逻辑与交易属性）;	

策略逻辑溯源、衍生品套利策略设计、规避交易规则风险


二. 核心技术能力
是将理论转化为可落地策略的工具，涵盖编程开发、数据处理等关键技能，是量化研究员的核心操作能力。
技能类别/核心内容/应用场景
编程语言	
Python（核心，熟练使用 Pandas、NumPy 做数据处理，Matplotlib 做可视化）；
C++（高频策略开发时用于提升效率，支持混合编程）；
SQL（管理与查询大规模历史数据）	;
策略原型开发、高频策略性能优化、Wind/Tushare 等数据源的批量数据提取

工具与框架	
回测平台（聚宽、JoinQuant、Backtrader）；
机器学习框架（Scikit - learn、TensorFlow）；
量化专用平台（Ptrade、QMT，熟悉云端与本地计算差异）	;
策略回测验证、基于机器学习的因子挖掘、实盘策略部署

数据处理	
数据获取（免费数据源 Tushare、Yahoo Finance，付费数据源 Wind 等）；
数据清洗（处理缺失值、异常值）；
特征工程（提取波动率、换手率等有效因子）;	

构建策略数据底座，筛选高质量数据支撑策略建模


三. 策略研发核心能力
这是量化策略研究员的核心工作内容，需掌握各类策略逻辑并能独立完成从设计到验证的全流程。
技能类别/核心内容/应用场景
经典策略掌握	
趋势跟踪（如移动平均线交叉策略）；
均值回归（布林带策略、配对交易）；
多因子策略（挖掘基本面因子 PE/PB、量价因子成交量突变等）；
统计套利与 CTA 策略	覆盖股票、期货等多市场的基础策略开发

策略开发流程	
因子挖掘与验证（通过 IC/IR 指标评价因子有效性）；
策略编码实现；回测优化（设置交易成本、滑点，防范过度拟合）；
绩效分析（关注年化收益率、夏普比率、最大回撤等指标）	
从因子想法到可验证策略的完整落地，筛选有效策略

前沿策略探索	
机器学习应用（决策树、LSTM 挖掘复杂数据模式）；
强化学习优化策略参数；
另类数据（舆情、卫星图像等）挖掘	
突破传统策略局限，开发差异化高收益策略

四. 实盘与风控能力
决定策略能否真正创造价值，需解决回测与实盘的差异问题，同时建立风险防线。
技能类别/核心内容/应用场景

实盘部署	
对接券商 API，实现策略自动化交易；
熟悉实盘与回测的差异，调整滑点、交易成本参数	
策略从模拟到实际交易的落地

风险管理	
仓位管理（用凯利公式计算最优仓位）；
止损止盈规则设计；
多策略组合对冲风险；
合规风控（适配程序化交易监管要求，设置熔断机制）	
避免极端行情下的大额亏损，保障策略持续运行

策略迭代	
实时监控策略运行状态；跟踪因子有效性变化；
根据市场变化调整策略参数或逻辑；
记录交易日志并复盘优化	
应对市场风格切换，延长策略生命周期


五. 辅助软技能与进阶能力
这类能力影响研究效率与策略上限，是从初级研究员向资深专家进阶的关键：
通用软技能：
逻辑思维与数据分析能力，能从海量数据中提炼有效信息；
沟通协作能力，可与技术团队、风控部门对接推动策略落地；
持续学习能力，跟踪 AI 算法、监管政策等前沿动态；
英文阅读能力，获取海外前沿量化理论与研究成果。


进阶加分能力：
参与量化竞赛（如世坤 Alphathon、Kaggle）并获奖；
在核心期刊发表量化研究论文；具备头部量化机构实盘策略运行经验；
掌握策略知识图谱构建，实现因子、场景与策略的关联复用。