Quants y científicos de datos tienen mucha superposición. Aquí hay, en mi perspectiva, algunas comparaciones:
- Los quants trabajan en problemas que son más especializados, pero posiblemente más libres. Los datos financieros tienen poca estructura y son muy complejos. Encontrar tendencias sistemáticamente es difícil e incluso un científico de datos generalista de primer nivel probablemente encuentre difícil la rentabilidad sin comprender las complejidades de los mercados financieros.
- Los científicos de datos tienen una caja de herramientas más amplia. Los quants a menudo trabajan en un lenguaje de nivel inferior y uno de nivel superior, es decir, C ++ y Python, mientras que los científicos de datos a menudo usan estos, R, Hadoop y probablemente otro lenguaje de distribución / producción / base de datos o dos.
- Esto depende en gran medida de la empresa / función, pero entiendo que un científico de datos probablemente hará más ingeniería de nivel de producción que una cuantitativa. Cada científico de datos que conozco (concedido, un tamaño de muestra limitado) tiene que impulsar el código de producción. Sin embargo, muchos quants que conozco principalmente investigan y dejan la ejecución / producción a desarrolladores especializados.
- Los científicos de datos son MUCHO más propensos a necesitar fuertes habilidades de comunicación / presentación. A menudo hablarán con muchos departamentos diferentes, como marketing, ingeniería y ejecutivos.
- Quants y científicos de datos tienen la misma probabilidad de “poseer” su trabajo. Las compañías financieras contratan cuarentenas para ser creativas y encontrar oportunidades comerciales, mientras que la industria contrata a científicos de datos para que sean creativas y encuentren formas de hacer que su producto sea más valioso al descubrir tendencias y variables importantes.
- Los quants tienen un día de pago promedio más alto. El promedio más alto se debe a que el conocimiento es especializado, no porque sean más inteligentes. Renuncia a la generalidad de un científico de datos para centrarse en matices financieros específicos. Aunque el pago esperado es mayor, también hay un mayor riesgo. Si decide abandonar las finanzas, es posible que no sea el principal candidato para un puesto similar de analista / ciencia de datos en otro lugar. Por otra parte, es probable que tenga el dinero y la experiencia para fundar su propia startup.
- Para abordar el lado positivo, un científico de datos podría tener suerte y trabajar, por ejemplo, para una startup como WhatsApp y ganar decenas de millones a través de adquisición / IPO. Por otra parte, algunos cuantos podrían tener grandes años donde sus estrategias hacen 500K / día y obtienen un gran pago. Llegaría a argumentar que los días de pago al alza para los quants son una función más fuerte de la habilidad bruta, mientras que para los científicos de datos será una función más fuerte de golpear el inicio correcto. Ambos requieren habilidad y suerte, pero no de la misma manera. Si tuviera que adivinar, es más probable que un científico de datos se convierta en multimillonario, pero menos probable en millonario a los 35 años.
En resumen, los cuantos son diferentes de los científicos de datos en el alcance de su visión / herramientas. No sería justo decir que uno es más inteligente que otro.
- Encuentre la cantidad de arreglos que se pueden hacer tomando 4 letras de la palabra ENTRADA.
- Cumpleaños: ¿Cuáles son las posibilidades de que conozca al menos una persona que no esté relacionada con usted y que comparta su fecha exacta de nacimiento (mismo mes, mismo día, mismo año) en el transcurso de su vida?
- Verificación de prueba (análisis): he escrito una prueba de una proposición sobre subsecuencias. ¿Puede verificar si es correcto o no?
- Si f (x) = 2016, ¿qué significa f (x + 2016) =?
- ¿Las matemáticas nos ayudan a entender nuestro sentido de la lógica o nuestro sentido lógico evolucionado nos ayudó a crear las matemáticas?
