P宗与Q宗之争在国内呈现出“P”强“Q”弱的局势，大部分的量化投资者都集中在买方机构，其中又以私募为主。相对而言，在买方机构，宽客可以更好地根据其职能的不同来分类：量化IT工程师、量化研究员和量化交易员。

1 量化IT工程师

量化IT工程师（Quant Developer）是金融领域的“码农”，隶属于IT团队，日常协助研究员、交易员解决编程技术难题，必须精通C++语言，并且运用C++语言搭建低延迟交易系统，对撮合机制、订单类型、交易接口、市场微观结构等有一定的理解。

相对于软件业和互联网行业的“码农”，量化IT工程师更加纯粹。一般意义上的“码农”，做的工作重复度高，很多时候是从一种语言换到另一种语言，从一个框架换到另一个框架。而且，抛去技术本身就具有挑战性，一个项目成败的关键点往往与技术能力无关，需要紧贴市场潮流。社交软件火了，扎堆于相关软件的研发，轮到手游火了，又加班加点赶项目。同理，编程语言潮流日新月异，可能刚刚学会了Java，就有人开始鼓吹PHP，等“扑”过去后，却发现已经是iOS的天下了。

量化IT工程师则仅依靠C++语言一路披荆斩棘就可以了，而且行业风向变化周期较长，有足够的时间专研，例如追求更高效地利用CPU多进程、更高速的算法、更低的网络延时等。而且，这种集金融学、数学、计算机科学等多种学科于一身的工作，对于沉迷于技术世界的人来说本身就有特别的吸引力。

自动化交易系统通常分三个模块：交易策略模块、事件驱动模块、周边支持模块（比如网络、操作系统、数据库等）。交易越高频，复杂度就往后两个模块倾斜；越低频，复杂度就往第一个模块加深。所以在高频交易机构，量化IT工程师的作用会越发显著。

2 量化研究员

量化研究员（Quant Researcher）会注重自动化交易系统的第一个模块，即交易策略模块。日常工作是维护已经运行的策略，并且开发新的策略。策略产生的交易信号容易失效，而且它的生命周期也是有限的，可能上半年是赚钱的，到了下半年却不赚钱，因此对于已在实盘“跑”的策略需要经常调整参数。

而另一项任务就是研发新的策略，首先需要经过样本内外的检验，一些关键指标，如夏普比率、年化收益和最大回撤都要达到要求，然后进行模拟盘测试，只有两者表现出色，才可以在实盘上“跑”：开始是小资金测试，表现出色后慢慢扩大资金容量。

根据交易策略的类型确定资金容量。原则上是交易越高频，资金容量越低。高频交易策略的夏普比率可以达到喜人的十几，但是其策略资金容量只有几亿元。虽然国债套利的年化收益较低，但其可管理的资金量是令人恐怖的。在相同交易频率的策略中，最看重夏普比率。高的夏普比率意味着可以运用杠杆来放大收益。

在追求高夏普比率的同时需要注意避免过拟合。过拟合就是在建模时把历史数据的噪声也拟合进去了，这会造成尽管在历史回测的时候效果很好，但是一上实盘就亏损。所以，有效地优化策略参数是判断研究员是否优秀的重要标准。当前行业共识是线性模型要优于非线性模型，精英因子要优于巨型因子。

基于编程语言易学性和数据分析的需求，量化研究员一般会主攻Python、R、MATLAB 等动态语言，并且需要一定的 SQL 基础，若想往高频交易方向发展，则要求懂C++语言。

3 量化交易员

国内绝大部分交易员只是接收客户或基金经理的指令，在一定时间内，尽可能低买高卖或者分批操作来降低冲击成本，因为只是执行，又叫执行交易员。根据证券品种不同，可以分为下面几种交易员。

● 股票交易员： 熟悉几百个股票代码，而且手要快，快速执行基金经理下达的指令。

● 债券基金交易员： 由于债券市场并不是竞价交易，能否成交、成交的价格更多地取决于交易员在银行界和投资界的社会资源。

● 期货交易员： 闻得出盘面的气味，一个建仓或平仓大单，十个人能做出十个价。

● 外汇宏观交易员： 具有深厚的经济学功底，能够以宏观、估值、资金流等看得见、摸得着的因素揣摩市场方向。

交易员若得到基金经理的赏识，有管理一部分资金的权力，可在承担一定风险的情况下通过主观判断或者量化策略得到超额收益。量化交易员（Quant trader）就属于这种具有主观决策权的交易员。量化交易员不仅要懂市场，而且需要有把交易思路转换成代码的能力，推荐语言也是Python语言。

一些策略的特性决定它只能半自动交易，如期货差价套利和期权波动性套利，需要综合考虑最新的信息，如新政策、基本面信息、历史均值回归数据等，在开盘前设置参数，盘中监视操作界面，当出现突发事件，也需要改成人工操作。

尽管从功能上看，量化交易员和量化研究员比较类似，但存在根本上的区别，量化交易员的本质是交易员，而量化研究员的本质是宽客。当然，他们的努力方向是相同的，都需要在统计学、数学、金融和编程多方面加深研究，通过多年水滴石穿的行业积累，逐渐把握住赚钱的本质。