金融工程金融集团投资实习报告

金融工程金融集团投资实习报告一、摘要

2023年7月1日至2023年8月31日，我在金融工程金融集团担任投资分析实习生，负责协助构建量化交易模型并优化风险对冲策略。通过8周实践，我参与开发并回测了3个基于机器学习的波动率预测模型，平均预测准确率达72%，相较于历史基准提升了8个百分点；完成12份行业研究报告，其中5份被投研团队采纳；运用Python和R语言处理超过500万条高频数据，构建的信用衍生品定价模型误差率控制在0.5%以内。核心工作涉及数据清洗、策略回测与压力测试。实习中掌握的因子分析法与蒙特卡洛模拟技术可直接应用于衍生品定价及投资组合管理，量化分析能力显著增强。

二、实习内容及过程

2023年7月1日入职后，我被分配到投资策略部门，主要任务是协助量化分析师优化波动率对冲模型。部门使用的是高频数据和机器学习框架，我负责处理来自交易所的秒级交易数据，用Python清洗异常值，确保数据质量达标。7月10日遇到第一个坎，回测结果总出错，模型参数设置和我导师的不一致。那段时间每天加班到9点，对着终端敲代码，查了十几个小时的文档，最后发现是正态分布假设失效了，换成t分布后误差直接降了35%。

8月2开始独立负责信用衍生品定价项目，需要整合财报和宏观数据。团队用的主要是Markov模型，但我发现内部风险曲线拟合度不高，就提议用GARCH结合因子分析，领导觉得可行就让我试。花了三周时间调试，最终模型对冲误差控制在0.5%以内，比原方案省了15%的保证金。期间还参与了三个行业简报的撰写，其中关于科技股的模型被投委会采纳了。

期间也发现不少问题。比如公司数据权限设置太死，我调取2019年的债券收益率序列要等两天审批，耽误过一次行业情绪指标的更新。另外新人培训就一周，很多风控流程靠师傅口头传，容易出偏差。我提过用共享文档记录操作手册，但没人响应，只能自己整理了厚厚一本笔记。

最直观的感受是，学校教的随机过程理论在实际应用中要考虑太多细节，比如交易所的T+1交收规则就会影响定价公式。但好在实习让我把因子分析法用熟了，现在看研报能直接拆解背后的因子暴露。这种把理论落地成代码的感觉挺棒的，虽然debug的过程真的让人头大。

职业规划上更清晰了，原来我既想搞定价又想做策略，现在觉得还是先专精一个方向吧，比如想深入量化，那CFA的衍生品那几门就得啃了。

三、总结与体会

这8周，从7月1日拿到第一份带注释的代码注释开始，到8月31日提交那份关于波动率套利的回测报告，感觉自己像块海绵，疯狂吸收着书本外的东西。最初写因子报告时手抖，数据跑不通就坐在工位上磨蹭，导师提醒我“看模型日志得像看天象”，现在日志堆在那儿我能扒拉出问题核心。这8周里，我参与构建的3个量化模型平均预测准确率72%，虽然比不上顶尖的对冲基金，但把老师给的基准提高了8个点，这种把理论变成盈利逻辑的感觉挺解压。

实习最大的收获是认清了自己想干嘛。学校教我期权定价理论时觉得抽象，但实习里帮导师调试希腊字母风险对冲模型，亲眼看到Delta对冲滑点把成本提高了0.2%，那一刻突然懂了市场摩擦有多重要。这让我想再啃两本衍生品定价的书，顺便考个FRM，感觉离那个“能看懂市场本质”的目标近了一步。

看着电脑屏幕上跳动的股指数据和自己的回测曲线，才体会到“投资不是靠直觉”这句话的分量。7月15号那个下午，我差点因为情绪化删掉一个跑了很久的模型，幸亏导师拦住我说“数据不会撒谎，但人会”，后来重跑时发现是交易手续费参数设低了。这种被现实教育的感觉，比期末考还让人长记性。

行业趋势这块，感觉AI驱动的量化投资越来越卷，我们组用的机器学习框架每周都在更新，但最实用的还是那些老方法，比如8月20号我们用因子分析拆解行业轮动时，传统RSI指标比神经网络提前3天捕捉到科技股的脉冲，这让我觉得经典模型的生命力还挺顽强。

从学生到“准职场人”的心态转变挺明显的。以前觉得写报告就是抄书，现在知道怎么把“市场中性”这个概念变成实操步骤；以前加班是熬时间，现在觉得那是“机会成本”。虽然这8周累到经常失眠，但每次看到自己的名字出现在报告的作者栏，心里还是挺踏实的。接下来打算把实习里写的那些bug笔记，整理成一份量化实习生存指南，也算给后来者留点念想。

四、致谢

在金融工程金融集团这8周的实习经历，对我帮助挺大的。特别感谢导师，7月到8月期间，在模型构建和数据处理上给了我不少指点，比如有一次调试GARCH模型参数时卡了很久，他直接给我看了他以前写的内部文档，帮我少走了不少弯路。还有部门里的几位同事，他们有时会分享一些市场动态，虽然我不太懂那些宏观的东西，但听他们聊觉