衮雪量化

技术领域

量化交易优势

核心技术

高频交易基础设施

衮雪量化采用业界领先的硬件基础设施，支持纳秒级交易决策执行：

• 专用硬件：核心交易系统采用ASIC/FPGA定制芯片，专门针对订单簿解析和交易信号生成进行电路级优化
• 超低延迟网络：采用InfiniBand QDR网络基础设施，单向延迟低至400纳秒，自定义网络协议栈绕过TCP/IP层
• 高精度时钟：基于原子钟和GPS的PTP时钟同步系统，跨地域服务器时间精度达到±50纳秒
• 托管服务：核心交易系统部署在全球主要交易所的Co-location机房，物理距离优化至最短路径

分布式计算架构

我们的量化交易平台采用Lambda+Kappa混合架构，为不同频段的交易策略提供最优支持：

• 批处理层：基于Apache Spark和Dask的分布式计算集群，支持PB级历史数据处理，每日因子计算超过4亿次
• 流处理层：自研C++流处理引擎，采用Zero-Copy和Lock-free设计，端到端延迟低至3微秒
• KDB+/ClickHouse：高性能列式数据库集群，支持百亿级时间序列高效存储和亚秒级查询
• 分布式调度：基于Kubernetes的容器编排系统，支持策略的动态扩缩容和故障自动恢复

AI决策系统

自研的QUANTUM-AI深度学习框架，集成多种前沿算法：

• 深度时序模型：结合Temporal Convolutional Networks (TCN)、Multi-head Attention机制和Wavenet架构，捕捉多时间尺度市场模式
• 强化学习执行：基于Twin Delayed DDPG (TD3)和Proximal Policy Optimization (PPO)算法的智能执行系统，动态优化交易路径和执行策略
• 高维特征工程：自适应Shapley值计算引擎，实时评估上万维特征重要性，动态调整策略因子权重
• 市场异常检测：基于Variational Autoencoder (VAE)的异常检测系统，监控超过500个市场微观指标，提前预警极端风险事件

量化策略库

企业级策略开发和回测平台，支持端到端的策略生命周期管理：

• 微秒级回测：支持Level 2/3订单簿完全重建，包含订单优先级模拟和最真实的市场冲击模型
• 自动化因子挖掘：基于遗传算法和神经架构搜索(NAS)的Alpha因子生成系统，每日评估超过10,000个候选因子
• 多资产组合优化：专有的Hierarchical Risk Parity和Nested Cluster Optimization技术，在保持最优风险调整收益的同时实现高计算效率
• 实时风控监控：全资产98个风险指标实时监控系统，集成VaR、Expected Shortfall、Conditional Drawdown at Risk等多维度风险度量

技术演进路线

系统架构

衮雪QUANTUM交易系统架构

我们的量化交易系统采用微服务架构与事件驱动设计，实现极致性能与高度可靠性：

关键性能指标

系统性能

低延迟交易路径

衮雪量化的低延迟交易路径优化是业界领先水平：

• 硬件优化：定制Intel Xeon Platinum 8380处理器，所有关键交易线程绑定到单独核心，禁用超线程和动态频率调整
• 内存架构：采用NUMA感知的内存分配策略，确保关键数据结构位于本地内存节点；利用大页表(Huge Pages)减少TLB缺失
• 网络优化：基于DPDK的用户态网络栈，绕过内核网络协议栈，端到端延迟降低96%；专用网卡(Solarflare/Mellanox)支持内核旁路
• 编译优化：采用Profile-Guided Optimization和Link-Time Optimization，针对交易关键路径进行极致优化
• 极致调优：汇编级代码优化，消除分支预测失败和缓存抖动，指令高度流水线化，充分利用AVX-512指令集

延迟性能对比

策略效能指标

• 信号延迟：从市场事件检测到策略信号生成的端到端时间<320ns，实现极速反应
• 策略胜率：价格套利信号检测后的策略执行胜率达99.4%，行业领先水平
• 异常检测：市场异常事件提前预警平均达到8.7ms，为风险规避提供充足时间
• 多策略融合：64种独立策略实时组合优化，相关性低至0.06，最大化分散效应

计算性能

衮雪量化的高性能计算集群拥有业界领先的计算能力：

• GPU集群：总计1.9 PetaFLOPS的计算能力，用于深度学习模型训练和市场模拟
• CPU计算资源：4,00个CPU核心，专用于策略回测和实时交易
• 内存容量：14TB DRAM，其中4TB为低延迟Optane持久内存，提供系统崩溃时的瞬时恢复能力
• 网络基础设施：400Gbps主干网络，跨数据中心专线延迟<2ms，确保全球交易所数据的实时接入
• 存储系统：全闪存NVMe存储，顺序读取速度高达24GB/s，随机IO性能>4,000,000 IOPS

策略性能指标

交易体验

基于真实交易数据的性能指标：

• 订单处理：99.99%的订单在1.2ms内收到交易所确认
• 价格改善：38.7%的订单获得价格改善，平均每笔交易节省0.8个基点
• 流动性贡献：平均提供市场64%的二级深度，成为多个品种的主要流动性提供者
• 算法执行效率：相比VWAP基准，平均执行价格优化2.4个基点，超过95%的竞争对手

关于我们

    深圳市衮雪量化技术有限公司是以精研量化投资决策技术为导向，以证券期货领域全自动量化交易为核心业务，组建了一支高素质、专业化的投研团队。团队成员来自国内外知名高校和一线量化投资机构，由具备多学科知识且拥有丰富实战经验的资深专家构成。核心成员深耕量化投资领域二十余年，具备全球化视野和深厚的量化交易实战经验。公司专注于开发并部署高性能、低延迟的量化交易系统，凭借在量化投资决策技术方面的深厚积累，为机构投资者提供涵盖从策略研发到市场执行的全流程专业服务，助力投资者精准把握市场机遇。
    衮雪量化投资决策系统是业界领先的多资产量化交易平台，实现了从市场数据采集、因子提取、策略生成到交易执行的全自动化流程。系统已成功服务于全球多个主要金融市场的量化投资机构，每日处理交易金额超过60亿美元，为客户创造持续稳定的超额回报。
    多年实践证明，衮雪分布式全动态AI决策系统在美国及欧洲的股票、期货、外汇市场有着良好的普适性。系统在美国市场2020年和2022年两次极端市场波动中表现出色，策略组合保持盈利，体现了强大的韧性和适应能力。
    系统包含了全球主流股票市场、期货市场、外汇市场、数字资产市场的基础和衍生数据、行业与领域数据、从宏观到微观的多维度经济数据库与因子数据库，实现了多类型、差异化、高有效性的决策模型储备，能更好的识别国内外市场的投资机会。目前系统已积累超过45PB的历史市场数据，支持毫秒级的复杂查询和分析。

(非邀请勿访，任何咨询:support@gxquants.com)

科技园办公休闲区:

观澜高尔夫办公休闲区:

工作机会

• 

  工作地点：深圳市观澜高尔夫球会别墅区

  简历投递邮箱：support@gxquants.com

  投递材料要求：

  • 详细个人简历（包含学术背景、项目经历和技术专长）
  • 对于研究类岗位：请提供1-2篇代表性学术论文或研究报告
  • 对于工程类岗位：请提供GitHub/GitLab代码仓库链接或技术博客
  • 对于量子计算岗位：请附上量子算法实现案例或相关研究成果
  • 个人技术能力自评及期望发展方向（500字以内）

  绩效证明材料（如有可提供）：

  对于量化策略研究员	请提供过往策略的Sharpe比率、最大回撤、年化收益等量化指标，以及策略回测报告摘要（可匿名处理敏感信息）
  对于工程类岗位	系统性能优化成果、延迟降低百分比或吞吐量提升数据
  对于管理岗位	团队规模、关键项目交付指标、预算管理成效等

  筛选流程：简历筛选 → 技术测评 → 专业面试 → 团队融合性评估 → offer发放

  我们尤其重视候选人在实际问题解决和创新思维方面的能力，欢迎在邮件中展示您的与众不同之处。

💻

高性能计算科学家

职责：

• 设计和实现极低延迟的交易系统核心组件，优化关键性能路径至纳秒级
• 开发高性能数学库，支持复杂金融模型的实时计算
• 优化内存管理、线程调度和网络协议栈，最小化系统延迟和抖动
• 设计和实现低延迟消息传输系统，支持分布式交易策略的协同执行

技术要求：

• 计算机科学、电子工程或相关领域的硕士或博士学位
• 精通现代C++（C++17/20）及SIMD/AVX指令集优化
• 深入了解CPU微架构、内存系统和计算机系统性能优化
• 具备高性能网络编程经验，熟悉DPDK、Solarflare等低延迟网络技术
• 具有CUDA/OpenCL等异构计算或FPGA开发经验者优先
• 金融市场或高频交易系统开发经验是加分项

月薪范围：90K-120K

⚙️

量化策略研究员

职责：

• 开发创新的量化交易策略，覆盖高频、中频和低频时间尺度
• 研究市场微观结构，识别可交易的市场异常和套利机会
• 设计和实现复杂的统计模型和机器学习算法，提升策略预测能力
• 优化投资组合构建方法，平衡风险和回报，提高资金使用效率
• 与工程团队紧密合作，将研究成果转化为生产级策略

技术要求：

• 数学、物理、统计学、金融工程或计算机科学相关领域的硕士或博士学位
• 熟练掌握Python、R等数据分析语言，具备一定的C++开发能力
• 深入理解统计学习理论，精通时间序列分析和机器学习方法
• 具有使用大规模数据集进行模型开发和回测的经验
• 熟悉主要金融市场的结构和交易机制
• 量化对冲基金或专业交易机构工作经验是加分项

月薪范围：70K-100K

🧪

深度学习研究科学家

职责：

• 研究和开发金融市场预测的前沿深度学习模型
• 设计高效的特征提取和表示学习算法，从大规模金融数据中识别模式
• 开发自适应强化学习算法，优化交易执行和资产配置决策
• 构建NLP模型，从非结构化数据(新闻、财报、社交媒体)中提取交易信号
• 研究可解释AI技术，提高量化模型的可解释性和可靠性

技术要求：

• 计算机科学、人工智能或相关领域的博士学位
• 在顶级AI会议(NeurIPS、ICML、ICLR)发表过研究论文
• 精通深度学习框架(PyTorch、TensorFlow)，熟悉并行和分布式训练技术
• 具备设计和实现复杂深度学习架构的丰富经验
• 熟悉强化学习算法(DQN、PPO、SAC)及其在连续决策问题中的应用
• 金融市场经验是加分项，但不是必需

月薪范围：80K-150K

🌐

分布式系统工程师

职责：

• 设计和实现高可用、高性能的分布式交易系统
• 优化系统架构，确保在市场高波动期间的稳定性和响应性
• 开发分布式数据处理管道，支持TB级实时市场数据的高效处理
• 实现复杂的故障检测和恢复机制，保证系统7x24小时稳定运行
• 设计和实现高性能时序数据库，支持纳秒级时间精度和高频查询

技术要求：

• 计算机科学或相关领域的学士或硕士学位
• 5年以上分布式系统开发经验，具备扎实的系统架构设计能力
• 精通Java/Go/C++等一种或多种编程语言，熟悉Linux系统编程
• 熟悉Kafka、Redis、ClickHouse等分布式系统和高性能数据库
• 了解一致性协议(Paxos/Raft)和分布式事务处理
• 具有金融交易系统开发经验者优先

月薪范围：60K-90K

⚛️

量子算法研究科学家

职责：

• 研发基于量子计算的优化算法，用于解决量化投资中的复杂组合优化问题
• 设计量子机器学习模型，提高金融市场预测准确性和计算效率
• 开发混合量子-经典算法，在现有量子硬件条件下实现实际应用
• 构建量子风险评估模型，以突破传统计算在大规模蒙特卡洛模拟的限制
• 与量化策略团队合作，将量子计算优势转化为交易策略的竞争力

技术要求：

• 物理学、计算机科学或数学相关专业博士学位，专注于量子计算或量子信息
• 熟练掌握量子算法(Grover搜索、量子傅立叶变换、VQE、QAOA等)
• 具备使用Qiskit、Cirq或PennyLane等量子计算框架的实际经验
• 了解NISQ时代量子计算的局限性，能够设计适合当前量子硬件的实用算法
• 具有扎实的数学基础，特别是线性代数、概率论和优化理论
• 金融领域或量化交易经验是加分项，但不是必须

月薪范围：100K-180K

🔬

量子金融工程师

职责：

• 开发量子计算驱动的衍生品定价模型，突破传统蒙特卡洛方法的计算瓶颈
• 构建量子增强的投资组合优化系统，处理高维度约束条件下的资产配置问题
• 设计针对金融时间序列预测的量子机器学习架构
• 创建量子-经典混合系统，在实际交易环境中部署量子算法
• 研发量子安全的金融通信协议，为未来量子计算时代做准备

技术要求：

• 金融工程、量子物理、应用数学或相关领域硕士或博士学位
• 熟悉量子计算基础和主要量子算法，了解量子优势的适用场景
• 具备金融衍生品定价、风险管理或投资组合优化经验
• 精通Python及量子计算框架(Qiskit、Cirq、Forest等)，了解C++
• 熟悉金融机器学习模型和时间序列分析方法
• 能够在学术研究和实际业务应用之间建立联系

月薪范围：80K-150K