量化买方卖方差异多大

最简单的分法，也是面试里最容易被追问的分法：

·买方（Buy-side）：管钱——研究的终点是交易盈亏。你在帮基金/自营账户跑策略，因子好不好、夏普稳不稳、回撤小不小，直接反映在 PnL 上。

·卖方（Sell-side）：卖服务——研究的终点是客户下单。量化模型为交易台、衍生品定价、风控、做市服务而生，你帮客户做分析、出报告、跟销售一起见客户路演。

·买方看因子库能不能挖 alpha；卖方看模型能不能帮客户定价更快更准。

粗暴类比：买方像开餐厅的厨师，卖方像给餐厅写点评指南的人——都跟「吃」相关，但刀和笔完全不一样。

代码荧幕前的深夜 · 量化赛道不同，敲的代码目的也不同

·核心能力：统计建模（时间序列/截面）、因子挖掘与组合优化、回测框架搭建

·日常：读论文→写回测→挖因子→被组合经理 challenge→再读论文。循环。

·考核：策略实盘收益/风险调整后收益（Sharpe, drawdown, turnover cost）

·学历门槛：极度内卷——数学/物理/CS PhD 或顶尖 MFE 是常见入场券

·信息密度：内部分享少、研究保密——策略是饭碗，不会公开讨论

买方研究员不需要「写很多页报告」——需要的是可验证的超额收益和极快迭代速度。每周跑几十个因子的体力与耐受力，> 写漂亮 PPT 的动力。

数据仪表盘与图表分析 · 买方研究员在数字里找信号

·核心能力：衍生品定价（BSM/Heston/蒙特卡洛）、Python/C++ 模型实现、面向客户的表达与写作

·日常：维护定价模型→跑市场数据→写量化策略报告→跟销售给基金客户路演

·考核：模型准确度 + 报告产出速度 + 客户 feedback 与交易台收入间接贡献

·学历门槛：也高，但 MF/MFE/PhD 都有分布；沟通能力是隐性硬门槛

·信息密度：大部分研究成果会对外输出——是你积累公开 track record 的地方

卖方量化分析师更像「量化翻译官」：把复杂模型讲成客户能理解的策略建议。不适合讨厌沟通、只想写代码不动嘴皮的人。

金融图表与市场数据屏 · 卖方量化的产出，经常是一份份策略笔记

·买方：极少数头部 PM/研究员年终 bonus 可达数倍 base；但淘汰率极高，连续半年不达标就要重新找工作

·卖方：base 略低但更稳定；奖金结构更平滑，但天花板比买方头部明显低

·共同点：都在降本增效——买方裁不赚钱的策略组，卖方裁自动化能替代的建模岗

·时薪计算：买方高时薪的前提是你活过了试用期；卖方时长长但压力更分散

不要把量化当成「高薪无差别选项」——它更像一场高风险高回报 vs 中回报更持久的博弈。选了买方就要接受「可能一轮回撤就走人」的残酷。

协作办公空间 · 量化不是一个人的战斗，选边就是选生态

·从卖方到买方：最顺的路径是在卖方做到客户认可的量化策略负责人，带着 track record 跳——窗口约 3-5 年

·从买方到卖方：较少见，通常是被裁后降维过渡；买方经验在卖方估值/定价组反而不一定加分

·交叉地带：做市商、量化资管平台，介于两者之间——适合不确定赛道时练习基本功

·第一份工作定什么：能去买方当然好，但去不了也不必硬冲——卖方量化做扎实，3 年后带着模型+客户关系跳，成功率不低

一句话：量化不是只能二选一。先想清楚自己更耐受「只有结果没有功劳的 alpha 赛跑」，还是「高强度输出但更可见的对外表达」——选对赛道，比盲目冲买方更重要。

深夜城市灯火 · 量化不管哪条路，最终拼的都是持续输出能力