數(shù)學(xué)金融公司金融建模實(shí)習(xí)報(bào)告一、摘要

2023年7月1日至2023年8月31日，我在一家數(shù)學(xué)金融公司擔(dān)任金融建模實(shí)習(xí)生。核心工作成果包括完成10個(gè)期權(quán)定價(jià)模型的Python實(shí)現(xiàn)，準(zhǔn)確率達(dá)99.2%，通過蒙特卡洛模擬計(jì)算波動(dòng)率微笑數(shù)據(jù)集，誤差控制在2.5%以內(nèi)。應(yīng)用NumPy、Pandas和Scikitlearn處理金融時(shí)間序列數(shù)據(jù)，構(gòu)建了包含5000支股票的因子模型，年化預(yù)測(cè)誤差為8.7%。提煉的可復(fù)用方法論包括動(dòng)態(tài)網(wǎng)格法優(yōu)化定價(jià)效率、交叉驗(yàn)證調(diào)整模型參數(shù)，以及使用LSTM網(wǎng)絡(luò)預(yù)測(cè)短期收益率序列，驗(yàn)證了深度學(xué)習(xí)在高頻數(shù)據(jù)擬合中的有效性。

二、實(shí)習(xí)內(nèi)容及過程

2023年7月1日到8月31日，我在一家做量化交易模型的公司實(shí)習(xí)，崗位是金融建模助理。公司平時(shí)主要研究期權(quán)定價(jià)、波動(dòng)率微笑和因子投資。我跟著團(tuán)隊(duì)做了10個(gè)期權(quán)模型，用Python把歐式看漲看跌期權(quán)定價(jià)公式和二叉樹模型都實(shí)現(xiàn)了，測(cè)試集上對(duì)BlackScholes模型的模擬誤差低于0.8%。7月中旬參與了個(gè)小項(xiàng)目，用蒙特卡洛模擬做波動(dòng)率微笑估計(jì)，原始數(shù)據(jù)來自2022年Q4的1000支歐股，我跑了5000次路徑模擬，最終結(jié)果和市場(chǎng)報(bào)價(jià)的偏差沒超過2.5%。期間用了NumPy做向量化計(jì)算，Pandas處理日度數(shù)據(jù)，還用Scikitlearn跑了個(gè)單因素模型，選了規(guī)模因子做預(yù)測(cè)，年化誤差勉強(qiáng)控制在10%以下。

困難是初期對(duì)市場(chǎng)數(shù)據(jù)清洗特別慢，有些歷史數(shù)據(jù)格式很亂，花了兩周才弄通。后來發(fā)現(xiàn)用Pandas的`to_datetime`和`dropna`組合特別高效，效率直接翻倍。另一個(gè)問題是模型調(diào)參沒頭緒，看文獻(xiàn)學(xué)來學(xué)去還是不行，最后問帶我的學(xué)長(zhǎng)，他教我用交叉驗(yàn)證，分訓(xùn)練集測(cè)試集反復(fù)跑，這下因子模型預(yù)測(cè)準(zhǔn)確率從7%提到了8.7%。成果就是最后交的期權(quán)報(bào)告，10個(gè)模型代碼跑通，蒙特卡洛模擬結(jié)果跟Barclays提供的基準(zhǔn)數(shù)據(jù)誤差在允許范圍，這點(diǎn)挺讓人安心。這段經(jīng)歷讓我明白，做量化不光要懂模型，還得懂?dāng)?shù)據(jù)，現(xiàn)在看文獻(xiàn)都覺得簡(jiǎn)單了，但真動(dòng)手還是得摔跟頭。公司培訓(xùn)挺水的，就給個(gè)兩周新員工手冊(cè)，好多東西得自己找資源學(xué)。建議他們搞個(gè)代碼庫(kù)共享平臺(tái)，或者每周強(qiáng)制安排技術(shù)分享會(huì)，至少能少走我這樣的彎路。崗位匹配度還行，但感覺挺累的，每天對(duì)著屏幕算到晚上12點(diǎn)，壓力真不小。不過挺想多接觸些實(shí)戰(zhàn)模型的，比如做做高頻交易策略回測(cè)啥的，現(xiàn)在水平還差得遠(yuǎn)。

三、總結(jié)與體會(huì)

這8周，從7月1日到8月31日，感覺像是在真實(shí)世界里把課本知識(shí)給盤活了。最值的是那些期權(quán)模型，親手把公式轉(zhuǎn)成代碼，對(duì)著測(cè)試集反復(fù)調(diào)試，最終誤差控制在0.8%以下，那一刻覺得學(xué)校學(xué)的那些數(shù)學(xué)工具真不是白啃的。蒙特卡洛模擬那個(gè)項(xiàng)目也印象深，原始數(shù)據(jù)量5000支股票，一開始跑起來卡得要死，后來優(yōu)化了采樣方法和并行計(jì)算，結(jié)果跟市場(chǎng)報(bào)價(jià)誤差低于2.5%，雖然不算顛覆性成果，但對(duì)我這種新手來說已經(jīng)能打出手了。這段經(jīng)歷讓我清楚，做量化建模不是光會(huì)推導(dǎo)就行，數(shù)據(jù)處理能力、算法效率、還有跟人溝通模型邏輯同樣重要。

最大的變化是心態(tài)，以前覺得做研究就是寫論文，現(xiàn)在明白做模型要面對(duì)真實(shí)的市場(chǎng)約束和客戶需求，哪怕0.1%的誤差都可能影響收益，這種責(zé)任感是學(xué)校里體會(huì)不到的?？箟耗芰σ矎?qiáng)了點(diǎn)，以前遇到難題可能直接放棄，現(xiàn)在會(huì)想方設(shè)法找解決方案，比如那個(gè)數(shù)據(jù)清洗問題，硬是花了兩周時(shí)間試各種Pandas技巧，最后搞定，感覺挺有成就感的。

對(duì)職業(yè)規(guī)劃來說，這次實(shí)習(xí)讓我更堅(jiān)定了往量化方向發(fā)展，但同時(shí)也認(rèn)識(shí)到自己的不足，比如對(duì)市場(chǎng)微觀結(jié)構(gòu)理解太淺，高頻交易策略回測(cè)的細(xì)節(jié)還差得遠(yuǎn)。接下來打算系統(tǒng)補(bǔ)課，先把CFA一級(jí)考了，強(qiáng)化金融知識(shí)體系，同時(shí)多看些交易文獻(xiàn)，爭(zhēng)取下個(gè)實(shí)習(xí)能接觸更復(fù)雜的模型。行業(yè)趨勢(shì)看，現(xiàn)在AI在金融風(fēng)控、量化交易里應(yīng)用越來越廣，像LSTM預(yù)測(cè)短期收益率這種深度學(xué)習(xí)模型，感覺是未來方向，我得趕緊學(xué)起來，不然真要被時(shí)代拋下了。總之這次實(shí)習(xí)是寶貴的經(jīng)歷，把學(xué)生思維往職場(chǎng)思維上擰了擰，雖然累但收獲巨大，接下來就是持續(xù)努力，別辜負(fù)這段經(jīng)歷。

四、致謝

感謝實(shí)習(xí)期間給予指導(dǎo)的導(dǎo)師，在期權(quán)定價(jià)模型實(shí)現(xiàn)和蒙特卡洛模擬方法上給了我不少啟發(fā)。感謝團(tuán)隊(duì)里幾