항상 buy-side, sell-side에 대해서 얘기는 많이 들어왔지만 정확한 뜻을 모른채 흘려 들어와서, 오늘은 quant 관점에서 두 side에서의 quant가 어떤 차이가 있는지 공부해보았습니다. 원글은 아래 링크이고, 필요한 부분만 번역을 하여 정리해두고자 합니다. 영어가 편하시면 원글 들어가 쭉 읽으시면 되고, 빠르게 캐치하고 싶으시면 이 글을 봐주세요.
https://www.qmr.ai/buy-side-vs-sell-side-quants-all-their-differences/
Buy-side vs. Sell-side Quants: All their differences! – Quantitative Methods Research
When talking about financial market institutions, it is common to make an artificial distinction between buy-side and sell-side companies. Although both sides of the industry heavily rely on quantitative analysts, the roles themselves have quite a few diff
www.qmr.ai
큰 관점에서 buy-side는 운용사, sell-side는 증권사를 생각하고 보면 좀 더 편한 것 같습니다.
In this article, I’ll try to compare buy-side and sell-side quants and go through the main differences.
이 글에서는 buy-side quant와 sell-side quant를 비교하고 주요 차이점에 대해 살펴볼 예정입니다.
Although both buy and sell-side quants require a deep understanding of mathematics, buy-side quants specialize in statistics, whereas sell-side quants focus on Itô calculus and numerical approximations and differential equations. When it comes to compensation, both types can expect similar starting salaries ranging from $ \$ $80,000 to $ \$ $120,000, but certain buy-side roles do have higher upside potential.
비록 양사이드 둘 다 깊은 수학적 이해를 필요로 하지만, buy-side quants는 통계에 특화되어 있는 반면, sell-side quants는 이토 미적분이나 수치근사, 미분방정식 등에 집중되어 있습니다. 보상 측면에서는 둘 다 시작 연봉은 8만 달러에서 12만 달러로 비슷하지만, buy-side가 더 높은 상방 잠재력을 가지고 있습니다.
$\Rightarrow$ sell-side는 당장의 계산에 초점이 맞춰져 있는 듯 하고, buy-side는 좀 더 이론적이고 구조적인 면을 요구하는 듯 합니다. 그런 의미에서 더 높은 수준의 insight 및 knowledge가 있어야 할테니 연봉 측면에서도 더 높은 상방 잠재력을 가지고 있는 것이겠죠.
Difference between Buy vs Sell Side Quants
Both quant categories require extensive mathematical training, but they tend to focus on different branches. In a general sense, sell-side institutions have a bias toward the more pure, formal, or rigorous mathematic fields, favoring physicists and mathematicians. On the other hand, it is common for buy-side quants to have a background in computer science, actuarial science, electronic engineering, and, to a lesser degree, economics with a focus on mathematical modeling.
두 quant 모두 강도 높은 수학적 훈련을 요구하지만, 다른 방향에 포커스를 두려 합니다. 일반적으로 sell-side 기관은 좀 더 순수하고, 형식적이고, 엄밀한 수학적 분야에 바이어스가 있어서 물리학자나 수학자들을 선호합니다. 반면에 buy-side quants는 보통 컴퓨터 과학, 보험 계리, 전자 공학의 백그라운드를 가지고 있고, 낮은 정도의 수학적 모델링을 하는 경제학도 있습니다.
$\Rightarrow$ sell-side에서도 순수 학문 측면에서의 전문가를 불러오고 싶어하는 것 같고, buy-side에서도 수학만 하는게 아니라 컴퓨터 과학 등의 practical한 영역의 지식도 요구하는 걸 알 수 있습니다. buy-side quants는 거의 만능이어야 하는 것 같네요.
Buy-Side vs Sell Side Qualifications
Both types of quants tend to require highly technical and math-intensive qualifications, like physics, mathematics, actuarial sciences, engineering, and computer science, among many others.
두 타입 quants 모두 높은 수준의 기술과 물리학, 수학, 보험 계리, 공학, 컴퓨터 과학 등의 수학적으로 심화된 자격요건을 갖춰야 합니다.
Additionally, some positions require higher qualifications than others. While quantitative traders can “only” hold undergrad or master’s degrees, quantitative researchers are normally expected to have a Ph.D.
추가적으로 몇몇 포지션은 다른 것들보다 더 높은 자격요건을 요구하는데, 정량(계량)적 트레이더들은 학부나 석사 수준만 보유할 수 있지만, 정량(계량)적 연구자들은 보통 박사학위를 가지길 바랍니다.
In short, sell-side quants are comfortable with stochastic processes (Itô calculus) and partial differential equations, and buy-side quants heavily rely on more empirical branches of mathematics, like machine learning and statistics.
요약하면, sell-side quants는 이토 미적분 등의 stochastic process와 편미분방정식에 익숙하고, buy-side quants는 기계학습과 통계학 같은 수학의 경험적 응용에 더 의존합니다.
$\Rightarrow$ 결국 buy-side quants 쪽은 깊은 수학적 지식을 가지고 있어야 하면서 동시에 practical하게 이를 응용할 수 있게 해주는 tool인 머신러닝이나 통계학을 추가로 필요로 하는 것 같습니다. sell-side는 주어져 있는 모델에 대한 해석을 할 수 있는 정도를 요구하는 것 같고요.
Math Required for Buy-Side and Sell-Side Quants
Buy-side quantitative roles tend to focus more on data science-related topics, and a deep understanding of statistical concepts is essential in order to test whether or not trading signals are statistically significant. Additionally, depending on the specialization of the quant, heavy use of econometric models, time-series analysis and big-data analysis can be required. For lower frequency strategies, quant developers are required to make heavy use of computer science theory to reduce latency as much as possible.
buy-side quants의 역할은 데이터 사이언스에 관련한 주제에 더 집중하는 경향이 있고, 그런 의미에서 통계적 개념에 대한 깊은 이해는 해당 트레이딩 시그널이 통계적으로 유의미한지 테스트하기 위해 필수적입니다. 추가로 quant의 전문성에 따라서 계량경제학 모델을 많이 쓰거나 시계열 분석 및 빅데이터 분석능력을 요구합니다. 저주파 전략에 대해서 quant developer는 가능한 한 많이 지연을 줄이기 위해 컴퓨터 과학이론을 많이 쓸 걸 요구합니다.
$\Rightarrow$ 저주파 전략이 뭔지는 모르겠지만 latency가 강조되는 영역인 것 같고, 이 때 컴퓨터 사이언스적인 지식을 요구하는 듯 합니다. 메모리 등을 생각하며 속도 최적화를 하는 쪽일 수도 있겠네요.
Sell-Side quant roles tend to heavily rely on the topics covered in Financial Engineering degrees, such as stochastic processes, partial differential equations, ordinary differential equations, numerical approximations of definite integrals, and Taylor series expansions, among other related topics.
sell-side quant의 역할은 stochastic process과 편미분방정식, 상미분방정식, 적분에 대한 수치근사, 테일러급수, 관련 다른 주제들과 같은 금융공학 전공에서 커버하는 토픽들에 강하게 의존하는 경향이 있습니다.
Math topics for buy-side quants
- Linear algebra
- Differential Calculus
- Probability and Discrete Mathematics
- Time-Series Analysis
- Machine Learning
Math topics for sell-side quants
- Ordinary Differential Equations (ODE)
- Partial Differential Equations (PDE)
- Numerical Approximations of Definite Integrals
- Montecarlo Simulations
$\Rightarrow$ 역시 이걸 보더라도 buy-side는 modeling을 하거나 이에 대한 분석을 깊은 수학적 지식과 함께 machine learning 등의 tool을 이용하여 하기를 원하고, sell-side는 이미 만들어져 있는 model을 잘 갖다 쓸 수 있도록 식을 보고 해석하는 능력을 요구하는 것처럼 보입니다.
Buy-Side vs Sell Side Working Hours
Both buy and sell-side quant positions are universally famous for having long working hours when compared to other jobs. Having said that, sell-side quantitative positions tend to feature more volatile working hours. Sell-side positions also have a higher probability of requiring long hours during the weekends, something that is less so for buy-side positions (especially for quantitative traders).
둘 다 일 많이 하기로 유명한데, sell-side quants는 불안정한 업무시간을 갖는 경향이 있는데, 예를 들면 주말 동안에 더 높은 확률로 일을 하는 것이고, 그에 반해 buy-side는 상대적으로 덜합니다.
Buy-Side Quants
In the most basic sense, the duties of buy-side institutions revolve around increasing the value of the portfolio and having more assets under management (AUM).
가장 기본적으로 buy-side 기관은 포트폴리오의 가치를 올리고 더 많은 자산들을 관리하에 두는 것을 중점에 둡니다.
These quants tend to have a general knowledge of data science, econometrics, time-series modeling, and machine learning. Additionally, depending on the type of trading developed, they are usually proficient in Python, Java, C++, or C (ordered from low to high-frequency trading).
buy-side quants는 데이터 사이언스, 계량경제, 시계열 모델링, 머신러닝에 대한 전반적 지식을 가지길 원하고, 트레이딩에 대해서는 보통 그들은 Python, Java, C++, C를 능숙히 사용합니다. (저주파부터 고주파 트레이딩에 대해)
$\Rightarrow$ buy-side quants는 데이터 분석 관련 지식 뿐만 아니라 유난히 개발 측면의 능력도 강조해서 요구하네요.
Quant Traders
Despite their name, quant traders don’t manually enter buy and sell orders. This position usually is in charge of responding to specific market dynamics during and adjusting the volatility curves of the shop’s portfolio.
quant traders는 사고 파는 것만 manually 하는 것은 아닙니다. 특정 시장 움직임에 대한 반응을 담당하고 있고, 포트폴리오의 변동성 곡선을 조정하는 역할을 합니다.
Depending on the specifics of the role, quantitative traders are usually comfortable in a higher-level programming language like Python in order to perform data science tasks on the fly during market hours. Also, depending on the size of the firms and the roles themselves, these roles range from being mostly trading related to being research-intensive.
역할의 특성에 따라 quant traders는 보통 Python과 같은 더 높은 수준의 프로그래밍 언어 사용에 능숙한데, 그 이유는 데이터 사이언스 업무를 장내에 실시간으로 수행해야 하기 때문입니다. 또한, 회사의 규모나 그들의 역할에 따라 연구 중심적인 트레이딩도 합니다.
Quantitative traders typically hold undergrad or master’s degrees in quantitative-oriented fields. The interviews for these positions usually focus on probability brainteasers, and math questions with the purpose of evaluating how the candidate reacts under pressure and how fast he can perform mental calculations.
전공으로써는 주로 계량화에 초점이 맞춰져 있는 전공의 학사나 석사 학위를 가지고 있고, 해당 포지션에 대한 인터뷰에서는 보통 확률 관련된 수수께끼 같은 문제나, 압박 하에서 얼마나 빠르게 계산을 수행할 수 있는지를 평가하는 목적의 수학 문제를 냅니다.
As with all quantitative positions, quantitative traders can expect to earn high salaries, with great upside potential due to the high correlation between bonuses and their performance.
quant traders는 높은 수준의 연봉을 받길 기대할 수 있고, 그보다 더 높은 수준의 연봉도 기대할 수 잇는데, 그 이유는 보너스와 그들의 성과가 높은 상관관계가 있기 때문입니다.
Quant Researchers
Quantitative researchers are the ones in charge of researching and coming up with the strategies that will create the signals that might eventually be used in live trading.
quant researcher는 연구를 주로 하고, 실시간 트레이딩에 쓰일지도 모르는 시그널을 생성할 전략을 만들어냅니다.
Unlike quantitative traders, these roles do not depend on market hours, since they mostly deal with historical data in order to develop models that are likely to yield above-market risk-adjusted returns.
트레이더와는 다르게, 그들은 장내 시간에 의존하지 않는데, 그 이유는 과거 데이터를 대게 다루기 때문입니다. 이런 데이터를 다루는 이유는 시장보다 높은 위험 조정 수익률을 얻을 수 있을 것 같은 모델을 개발하기 위해서입니다.
Due to the nature of their responsibilities, quant researchers tend to have the most impact on the performance of quantitative hedge funds or proprietary firms. As a consequence, quantitative researchers also tend to have very attractive salaries with large upside.
그들의 책임에 대한 본질 때문에 quant researcher는 계량적 헷지 펀드나 프랍 트레이딩을 하는 회사의 성과에 가장 큰 영향을 미치는 경향이 있습니다. (그만큼 중요하다는 뜻) 결과적으로 이들은 상방이 크게 열려있는 굉장히 높은 수준의 연봉을 받습니다.
Although they have more job stability than quantitative traders, these positions are still less secure when compared to quant developers.
비록 트레이더보다는 직업 안정성이 높지만, quant developer보다는 덜 안정적입니다.
It is most likely for these positions to be filled by PhDs from math-intensive fields. Interviews tend to cover a broad range of topics, from statistical modeling to probability brainteasers and coding challenges.
대체로 수학 집중적인 분야의 박사학위들로 구성되어 있고, 인터뷰도 통계적 모델링부터 코딩 챌린지까지 굉장히 광범위하게 묻는 경향이 있습니다.
Quant Developers
The daily duties of quant developers are oftentimes the same ones of regular software developers, although some roles require an understanding of the research of quant developers in order to translate it into highly performant code.
quant developer의 일상 업무는 보통 일반적인 소프트웨어 엔지니어와 같지만, quant developer의 연구를 고성능 코드로 바꾸기 위해서는 연구에 대한 이해가 필요합니다.
$\Rightarrow$ quant research에 맞는 코드 최적화를 하려면 그에 관련한 도메인 지식이 있어야 한다는 것으로 보입니다.
Depending on the type of shop they work for, their responsibilities range from developing low-latency algorithms in C++ (or even C) and implementing algorithms that optimize order fulfillment by reducing slippage, to creating tools for quantitative traders and implementing trading strategies created by quantitative researchers.
그들의 책임은 지연시간이 짧은 알고리즘을 개발하고 slippage를 줄여서 주문 집행을 최적화하는 알고리즘을 구현하는 것부터, quant trader를 위한 툴이나 quant researcher에 의해 만들어진 트레이딩 전략을 구현하는 것까지입니다.
$\Rightarrow$ 투자 최전선에 있는 trader가 사용할 수 있는 툴을 제공하고, 후방에서 모델을 만들어 제공하는 researcher의 모델에 생명을 불어넣어 주는 역할을 하는 것 같네요. 좀 더 구현에 초점이 맞춰져 있는 느낌인 것 같습니다.
Whereas low latency tasks and high-frequency trading algorithms require low-level programming languages such as C++ and C, mid to low-frequency algorithms are usually implemented in high-level programming languages such as Java and Python.
저지연 작업과 고빈도 트레이딩 알고리즘은 C나 C++과 같은 low-level의 프로그래밍 언어를 요구하지만, 중저주파 알고리즘은 보통 Python이나 Java와 같은 high-level의 프로그래밍 언어를 요구합니다.
Although quant developers can also expect to receive generous compensation, the upside potential is usually smaller when compared to other quantitative roles.
비록 quant developer도 넉넉한 보상을 기대할 수는 있지만, 상방 자재력이 다른 quant trader나 researcher에 비해서는 보통 작습니다.
Sell-Side Quants
Sell-Side Quants create tailor-made securities and hedge complex portfolios for their clients. The math required for these types of positions usually is the one to be found in the curriculum of a Masters’s in Financial Engineering. These programs cover Ordinary Differential Equations, Partial Differential Equations, Stochastic Calculus, and continuous-time modeling.
sell-side quant는 고객 맞춤형 증권을 만들고, 복잡한 포트폴리오를 헷지합니다. 여기에 필요한 수학은 금융공학 석사 커리큘럼에서 찾을 수 있습니다. 보통 ODE, PDE, Stochastic Calculus, 연속시계열 모델링을 커버합니다.
Due to the nature of sell-side institutions, some roles require to be client-facing and thus focus on creating relationships and attracting new clients.
sell-side 기관 특성상 새로운 고객을 유치하는데 더 초점을 두어야 합니다.
Buy-side에 초점이 맞춰져 있는 글이긴 하지만, 둘의 차이를 어느정도 이해할 수 있는 면에서 괜찮은 글이었습니다. 여러 전공 수준의 지식을 한번에 요구한다는 점에서 역시 쉬운 직업은 아닌 듯 합니다. 무엇이 됐든 금융 계열에서 살아남으려면 기본적인 수리통계적 지식 및 개발 노하우는 갖춰야겠다는 생각을 다시 한 번 하게 되는 글이었습니다.
이번 글은 이만 마치겠습니다.