活动回顾 | 从高频交易到 AI 金融:SMU 经济学院带您看见量化职业新趋势

当 AI 开始参与数据处理、策略回测和交易监测，金融行业正在发生一个清晰变化：基础执行被加速，真正稀缺的是能理解市场、设计系统、判断风险的人。

近日，新加坡管理大学（Singapore Management University，简称“新大”）经济学院举办专题分享会“高频交易与算法交易：AI 时代的职业路径”（High Frequency & Algorithmic Trading: Career Pathways in the Age of AI），邀请 GenWealth Capital LLC 上海期权团队负责人 David Dai Wei，围绕高频交易、算法交易策略、量化金融职业路径，以及 AI 如何重塑金融岗位展开分享。

这场分享会不仅带领同学们走近量化金融一线，也让大家看到：在 AI 改写金融市场语言的今天，经济学、数据能力与判断力正在变得比以往更加重要。

现场回顾

从一线交易实践，看见金融职业新图景

分享现场，David Dai Wei 以一线交易实践为切入口，将高频交易的技术逻辑、策略机制与职业路径层层拆解。从市场微观结构，到算法策略的信号来源；从买方与卖方岗位差异，到 AI 如何改变量化研究流程，他用丰富的行业案例，把看似遥远的量化金融世界，转化为同学们可以理解、提问和思考的真实职业场景。对于正在关注金融、数据与 AI 交叉发展的同学而言，这不仅是一场行业讲座，更像是一堂面向未来职业选择的前沿课。

高频交易 (HFT) 的本质

不只是速度，更是系统能力

在金融市场中，高频交易通常依靠强大的计算机系统和交易算法，在极短时间内捕捉细微的市场机会。它并不是传统意义上的长期投资，而是在毫秒甚至纳秒之间完成交易判断。但高频交易的核心，并不只是“谁更快”。真正决定策略能否成立的，是一整套系统能力：如何理解订单簿和交易流，如何判断短期价格信号，如何控制库存风险、交易成本和市场冲击，如何在高速变化的环境中持续验证模型有效性。

换句话说，高频交易看似是技术竞赛，背后却是对市场结构、经济逻辑和风险判断的综合考验。

AI 正在改变金融岗位

但没有取代人的判断

AI 的出现，让量化研究和交易系统开发的效率大幅提升。过去，研究人员需要手动完成数据清洗、代码编写、策略回测和系统监测。如今，AI 可以帮助从业者更快地处理数据、生成特征、搭建原型、发现异常，并提高研究迭代速度。但 David Dai Wei 的分享也提醒同学们：AI 可以加速工作流，却无法完全替代人的市场直觉与压力判断。

在真实交易环境中，市场会受到政策、情绪、流动性和突发事件影响。模型可以执行，工具可以辅助，但策略设计、风险承担和最终判断，仍然需要人来负责。因此，未来的量化金融人才，正在从“代码执行者”走向“系统架构师”；从单纯完成任务，走向设计系统、验证结果并判断方向。

在 SMU 经济学院

课堂与行业前沿保持连接

SMU 经济学院持续将行业前沿议题带入学生的学习体验中。从高频交易、算法金融，到人工智能、数据科学与经济分析，学生不仅能够通过讲座和行业分享接触真实市场中的问题，也能在课程学习中建立与这些前沿议题相对应的分析能力。

例如，在“经济与金融中的机器学习”(Machine Learning in Economics and Finance) 课程中，学生可以学习机器学习理论与算法实践，并将其应用于经济与金融场景；在“金融计量经济学”(Financial Econometrics)、“时间序列分析与预测”(Time Series Analysis & Forecasting) 和“面板数据分析”(Panel Data Analysis) 等课程中，学生能够训练金融数据建模、预测分析和实证研究能力；而“连续时间金融经济学与计量经济学”(Continuous Time Financial Economics and Econometrics)、“固定收益与衍生证券数学”(Mathematics for Fixed Income and Derivative Securities) 等课程，则进一步连接金融市场、衍生品定价、风险管理与数量分析。