金融分析师 → 量化研究员 具体怎么转

这一篇不讲「为什么转」（看 金融分析师职业页 + 金融 Lv2 篇），只讲怎么一步一步转。

核心提醒：这条路是 8 个传统职业转岗里最难的一条 — 不像销售 / 教师 12 周能见效。真实路径需要 6-12 个月深度学习，12 周只是「打地基 + 跑通第一个项目」的窗口。

但 ROI 极高：agent-hunt 数据显示金融分析师 + AI 中位 30k / p75 55k / max 98.7k — 量化研究员是国内 AI 岗位中位最高的几条线之一。

总览：12 周路径（第一阶段）

第 1-4 周：Python + 统计 + 时序基础（地基）
第 5-8 周：做 1 个完整因子模型 + 回测系统 side project
第 9-12 周：投头部量化私募 / 券商自营 / 银行风控
（第 13+ 周：继续深化，6-12 个月才算转岗成功）

不需要辞职，工作日晚上 + 周末 12-15h / 周（比其他 Lv3 多 50% 时间），总投入约 150h。

第 1-4 周：地基

金融分析师面试量化研究员最大的优势是「真懂金融市场 + 持证（CFA / FRM）」，最大的劣势是「Python + 统计建模 + 时序分析不熟」。这 4 周打地基。

Week 1：Python + 量化金融三件套

不是普通的 Python — 是「量化方向 Python」：

• pandas（处理时序金融数据 — 重点）
• numpy + scipy（数学计算）
• matplotlib + seaborn（数据可视化）

推荐资源：《Python for Finance》Yves Hilpisch（2 版以上）+ 跟着做完所有例子。1 周可以入门。

目标：能用 pandas 读股票分钟数据 → 算移动平均 / 波动率 / 收益率 → 画图分析。

Week 2：统计学 + 时序基础

3 件必学：

• 统计学基础：假设检验 / 回归分析 / 多元正态分布 / Bootstrap — Wooldridge 计量经济学前 8 章
• 时序分析：AR / MA / ARMA / ARIMA / GARCH — 知道每个模型用在什么场景
• 因子模型：Fama-French 3 因子 / 5 因子 / Barra 风险模型 — 量化研究员的基础语言

推荐资源：Hull《期权期货及其他衍生品》 + Bodie《投资学》 + arxiv q-fin 板块论文。

Week 3：写「我的金融业务方法论文档」

写下面 6 个 section（每个 500-1000 字）：

1. 我做过的最复杂的金融分析 / 风控 / 投研场景
2. 我对市场微观结构 + 交易行为的理解（订单簿 / 流动性 / 套利机会）
3. 我对「因子构造」的思考（哪些因子有逻辑 / 哪些是过拟合）
4. 我用过的所有金融工具（Wind / Bloomberg / 同花顺 iFind / Tushare）
5. 如果让 AI 介入投研 / 量化 / 风控，AI 应该用什么数据、产生什么 alpha
6. 我对「策略失效」的认知（哪些策略会失效、为什么、如何识别）

这份文档是面试核心素材。

Week 4：基础 ML + 因子挖掘工具链

3 件必学：

• scikit-learn：Lasso / Ridge / Random Forest / XGBoost / LightGBM
• PyTorch 入门：能跑一个时序预测模型（LSTM / Transformer）
• 回测框架：vnpy / RQAlpha / Backtrader 任选一个学会基本流程

目标：能用 XGBoost + 50 个因子做股票收益率预测 + 跑一个简单回测。

第 5-8 周：做完整 side project

Week 5：选场景 + 拉数据

2 个推荐场景（强烈建议第 1 个）：

场景	数据来源	难度	简历价值
A 股多因子选股策略（10-30 个因子 + 月度调仓 + IR / 夏普分析）	Tushare Pro / RiceQuant 免费数据	高	⭐⭐⭐⭐⭐
加密货币高频套利策略	Binance API（免费）	高	⭐⭐⭐⭐

第 1 个更值钱 — 量化私募面试官 80% 会让你讲 A 股策略，加密只在少数私募管用。

Week 6-7：做完一个真实策略

完整 5 步：

1. 数据准备：取 A 股全市场 5 年数据 + 财务数据 + 行业分类
2. 因子构造：10-30 个因子（量价 + 财务 + 技术 + 情绪），逐个测试 IC（信息系数）
3. 因子合成：用 IC 加权 / 等权 / 机器学习合成模型 (XGBoost / LightGBM)
4. 回测：考虑交易成本 + 滑点 + 月度调仓 + 持仓集中度限制
5. 分析：年化收益 / 年化波动 / 夏普 / 最大回撤 / IR — 每个数字都要能讲清楚

Week 8：写成研究报告 + GitHub

包含：

• 研究动机（为什么选这些因子）
• 数据处理（清洗 + 复权 + ST 剔除）
• 单因子 IC 分析（每个因子的 IC mean / IC std / IC IR）
• 策略回测结果 + 分年表现
• 失败 case 反思：哪些因子失效、为什么、怎么改

这份报告是面试核心 deliverable，比简历值钱 20 倍。

第 9-12 周：投简历 + 面试（注意：可能只能拿到「初面 + 笔试」，offer 看后续）

Week 9：改简历

把原来的「N 年金融分析师」升级成「N 年金融业务 + 量化研究 + 1 个完整 A 股多因子 side project」。

• 金融经历保留，但用「市场结构理解 / 因子构造 / 风控判断」这种量化语言重写
• side project 单独一段，附 GitHub + 研究报告 PDF
• CFA / FRM 持证作为简历亮点
• 简历放 Kaggle / 天池金融类比赛排名（如有）

Week 10-11：投这 3 类公司

优先级	公司类型	推荐岗位
⭐⭐⭐	头部量化私募	高毅 / 灵均 / 明汯 / 九坤 / 衍复 / 因诺 / 宽德 → 量化研究员（薪资国内 AI 顶档，但门槛极高）
⭐⭐⭐	头部券商自营 / 资管	中信 / 中金 / 华泰 / 国君 / 申万自营 → 量化分析师 / AI 投研
⭐⭐	银行 / 互联网金融	招商银行 / 平安银行 / 蚂蚁金服 / 京东数科 → AI 风控 / 反欺诈建模

Week 12：面试 + 谈 offer

量化私募面试常见环节：

• 笔试：概率统计 + 数学 + 编程题（LeetCode 中等以上）+ A 股策略基础
• 业务面：「你的因子怎么构造」「为什么 IC 0.05 算好」「夏普 1.5 在你测的环境下意味着什么」
• 算法面：写一个完整因子的 Python 实现 + 解释 IC 计算的统计意义
• 行为面：风险偏好 + 处理失败的心态

说真话：量化私募 90% 候选人在笔试就被刷。没有数学 / 统计真功底 + 没扎实跑过策略的人，12 周后只能拿到券商自营 / 银行风控的 offer，量化私募要 6-12 个月持续打磨。

谈薪：金融 → 量化研究员起薪范围：

• 头部量化私募初级：40-80k 月薪（国内 AI 岗顶档）
• 券商自营 / 资管初级：25-50k
• 银行 AI 风控：20-40k

不要犯的 3 个错

1. 不要去考 CFA 三级再转。CFA 一级 + 真实量化项目 > CFA 三级 + 0 项目。面试官看「能跑出 IC 的人」，不是看「能背完 CFA 教材的人」。

2. 不要去读《量化交易圣经》之类的科普书。这条线靠 paper（J. Financial Economics / Review of Financial Studies / 实证资产定价等顶刊）+ 真实策略，科普书的回报率几乎为 0。

3. 不要海投。量化私募只看 Top 学校 + 数学 / 物理 / CS 背景 + 真实策略。海投 100 家不如内推 1 家 — 找 LinkedIn / 雪球上的量化研究员内推。

12 周后你应该长什么样

• 一份金融业务方法论文档（4000-6000 字）
• 一份 A 股多因子 side project（含研究报告 + GitHub）
• Python + 统计 + 基础 ML 能力（不算量化研究员，但够「初级量化助理」起步）
• CFA / FRM 持证作为亮点（如有）
• 投了 15-30 家公司 + 拿到 5-8 个笔试 + 2-3 个面试 + 可能 1-2 个 offer

注意：这条路 12 周通常拿不到顶级量化私募 offer，更现实的预期是「拿到券商自营 / 银行风控 offer + 继续打磨策略」。

长期成长方向

• 第 1-2 年：在券商自营 / 银行风控做量化助理研究员，积累实盘经验
• 第 2-4 年：跳量化私募 / 头部券商自营 — 薪资跳一档（40-100k 月薪）
• 第 4-7 年：策略团队负责人 / 量化基金经理 — 顶档可达 200-500 万年包 + 业绩 carry
• 海外路径：英语过硬 + 国内策略业绩 → 投 Two Sigma / Citadel / Jane Street / Renaissance — 起薪 $200-400k

下一步

• 想看金融分析师完整 AI 转型 + pivot 数据 → 金融分析师职业页
• 想看「算法工程师」（量化研究员邻居线）→ 算法工程师 Lv2 篇
• 想看「数据分析」（量化研究员入门替代路径）→ 国内数据角色页