一句话总结

90 天内的复习不是“一口气把所有题目刷完”，而是“把每一块核心能力按照深度‑广度的层级进行系统化、迭代式的沉淀”。如果你仍然在想“每天刷 30 题就能上岗”，那么你的计划已经错位；正确的判断是：先锁定 3 个关键知识块 → 再在每块内部完成 “概念‑实现‑变式‑时间复杂度” 四轮闭环 → 最后用全真模拟把节奏、沟通、压力测试全部跑通。

适合谁看

  1. 已经拿到 1–2 轮量化面试邀请，准备进入技术笔试/现场算法环节的应届/转行候选人。
  2. 在华尔街、对冲基金、量化私募的招聘页面看到“数学/编程/统计背景”要求，且年薪 Base $150‑250K + RSU $50‑200K + Bonus $30‑80K 的岗位。
  3. 过去 6 个月内做过一次完整的量化笔试，但仍然在某类题型（如高维几何、随机过程）上卡顿，迫切需要一套可执行的 90 天进阶框架。

核心内容

1️⃣ 第 1‑30 天：夯实数学基石

核心判断：不是“把微积分教材翻一遍”，而是“把概率‑统计‑线性代数‑数值优化四大块每块压到 80% 以上的熟练度”。

  • 概率论：每日抽 2 题，涵盖贝叶斯公式、马尔可夫链、泊松过程。
  • 线性代数：每周一次手写矩阵分解（LU、QR、SVD）并在 Python/NumPy 中实现。
  • 数值优化：从梯度下降到牛顿法，必须在 Jupyter Notebook 完成 3 次完整的收敛实验。

具体场景：在一次内部 hiring committee（HC）会议上，招聘经理 A 把候选人 B 的简历指向概率建模经验，问：“他能否在 2‑hour 现场实现一个高维协方差矩阵的特征分解？”候选人 B 只能说出公式，却没有代码实现。审稿人 C 立刻指出，这正是数学基石未闭环的典型表现。

时间表：

  • 第 1‑10 天：完成《概率导论》每章习题 30%（共 150 题），每题写出完整的概率空间与条件期望。
  • 第 11‑20 天：手写 20 份线性代数证明，配合 5 次矩阵运算代码跑分。
  • 第 21‑30 天：实现 3 套数值优化实验，记录收敛曲线与时间复杂度对比。

2️⃣ 第 31‑60 天：算法深潜与代码炼金

核心判断：不是“刷完剑指 Offer 2”，而是“把每类算法在 3 维度（实现‑复杂度‑变式）里做到可解释、可复用”。

  • 数组/哈希：每套题必须手写 O(N) 解法并在面试模拟中解释“为什么选择哈希”。
  • 树/图：必须实现一次完整的 LCA（最近公共祖先）+ 树链剖分的代码框架，并能在 5 分钟内口述思路。
  • 随机/数论：准备 2 份 Monte Carlo 模拟报告，展示误差随样本数的收敛曲线。

具体场景：在一次 debrief 会议里，面试官 D 复盘候选人 E 的现场表现：“E 在 45 分钟的链表题上用了 O(N²) 的双循环，面试官直接打断并要求 O(N) 单遍解。” 这正是“实现‑复杂度”未匹配的典型案例。

时间表：

  • 第 31‑40 天：完成 LeetCode “数组/哈希” 150 题，记录每题的最优时间复杂度。
  • 第 41‑50 天：完成 “树/图” 80 题，重点是 MST、最短路、二分图匹配。
  • 第 51‑60 天：完成 “随机/数论” 30 题，并在 Python 中写出误差分析脚本。

3️⃣ 第 61‑75 天：金融模型与实盘思维

核心判断：不是“只会写 Black‑Scholes 公式”，而是“把模型嵌入数据管线、能在 1‑minute 回测框架里跑通”。

  • 期权定价：实现欧式期权的数值 PDE 求解（Crank‑Nicolson），并对比闭式解误差。
  • 时间序列：使用 ARIMA、GARCH 对历史价格做滚动预测，输出每日 P&L。
  • 风险指标：手写 VaR、CVaR 的 Monte Carlo 版，能够解释置信水平与样本量的关系。

具体场景：在一次跨部门的 HC 讨论中，Quant Team Lead F 把候选人 G 的项目经验拉出来：“G 的简历里写‘实现期权定价模型’，但我们要求的是‘模型部署到实时行情流’，他没有任何容错或延时测试的记录。” 这直接导致 G 被淘汰。

时间表：

  • 第 61‑65 天：完成 Black‑Scholes、Binomial Tree 两种实现，比较数值误差。
  • 第 66‑70 天：构建一个最小化交易成本的滑点模型，跑 3 个月的回测。
  • 第 71‑75 天：完成 VaR/CVaR 报告，包含 5 种不同分布假设的敏感度分析。

4️⃣ 第 76‑90 天：全真模拟、软实力、突围细节

核心判断：不是“再刷 200 题”，而是“把每轮面试的节奏、沟通、压力测试全链路演练”。

  • 笔试：每两天做一次 90 分钟的全真笔试（含代码、手写推导、报告），严格计时。
  • 现场：安排 3 场 mock interview，分别对应 “白板算法”“系统设计＋金融场景”“行为/压力”。每场结束后立即 debrief，记录“卡点‑改进‑复盘”。
  • 行为：准备 5 条 STAR 案例，围绕 “冲突管理”“快速学习”“团队贡献”。

具体场景：在一次 mock interview 后的 debrief，面试官 H 直言：“候选人 I 在压力问答时只说‘我能处理’，没有举例说明具体的冲突解决过程，这在 Quant 团队里会被视作缺乏实战经验。” 于是 I 在下一轮被直接淘汰。

时间表：

  • 第 76‑80 天：完成 3 份全真笔试，交叉检查答案与官方解答差异。
  • 第 81‑85 天：完成 3 场 mock interview（每场 45 分钟），并在 debrief 中记录 10 条改进点。
  • 第 86‑90 天：整理 STAR 案例，练到能在 2 分钟内流畅讲完，并对每个案例写出 2‑3 行的量化成果（如 “提升模型年化收益 12%”）。

> 📖 延伸阅读：Tesla产品营销经理面试怎么准备

准备清单

  1. 数学笔记本：每章 2 页概念+公式+常见陷阱，配合手写推导。
  2. 代码模板库：Python/NumPy、C++ STL、Julia 基础模块，统一命名规范，便于现场快速调用。
  3. 全真笔试题库：从 2022–2024 年顶级对冲基金公开的笔试题目中挑选 50 题，确保覆盖所有核心主题。
  4. Mock interview 日程：联系 3 位内部 Quant（含 1 位 Senior Quant、1 位 Research Engineer、1 位 PM）进行现场模拟，提前约定 debrief 时间。
  5. 系统性拆解面试结构（PM 面试手册里有完整的[面试环节拆解]实战复盘可以参考），把每轮的考察重点、时间分配、常见陷阱列成表格。
  6. 行为案例库：准备 5 条 STAR 案例，分别对应 “技术突破”“跨团队协作”“高压交付”“学习新模型”“业务影响”。
  7. 复盘仪表盘：使用 Notion 或 Airtable 建立每日复盘视图，记录题目、正确率、思路时长、改进点。

常见错误

错误一：只刷题不闭环

BAD：每天打开 LeetCode，刷 30 题，结束后直接进入下一题。

GOOD：刷完 5 题后立即在纸上写出时间复杂度推导、空间复杂度分析，并在代码注释中标记“可改进点”。

错误二：把模型当作黑盒

BAD：在项目经验里写“实现 LSTM 预测股票”，面试时只展示代码运行结果。

GOOD：在每个模型后补上 “假设、数据清洗、特征工程、模型验证、上线监控” 五段结构化说明，现场能快速切换到任意一步进行深入讨论。

错误三：忽视行为面试的量化价值

BAD：在行为环节只说 “我很努力”，没有任何数字化成果。

GOOD：用 “在 3 个月内把模型延迟从 120ms 降到 35ms，提升交易执行率 8%” 这样具体的 KPI 说明自己对业务的直接贡献。

> 📖 延伸阅读：阿里巴巴PM vs 腾讯PM：文化契合度对比

FAQ

Q1：我已经完成了 90 天的复习，但仍然在现场算法环节超时，怎么办？

A：问题根源往往不在 “刷题量”，而在 “思路组织”。在一次 mock interview 中，候选人 J 在 30 分钟的白板题里花了 22 分钟写代码，导致后半段只剩下 8 分钟解释。复盘后发现他没有提前写出 “输入‑输出‑边界条件” 的三行概要。

解决方案是：每道题的第一分钟只写 思路框架（输入、核心数据结构、复杂度），再进入实现。这样可以在现场把时间分配成 1‑20‑9（框架‑实现‑优化），避免后期压线。

Q2：我在金融模型实现上卡在数值误差上，面试官会怎么看？

A：在 HC 讨论里，有一次 Senior Quant 把候选人 K 的 PDE 实现问到误差来源，K 只能说 “误差在于离散化”。面试官随即追问 “能用实验数据说明误差大小吗”。K 没有准备实验报告，被直接打回。

正确的做法是：在每个模型实现后，跑 两种网格大小 的对比实验，记录误差随网格细化的收敛率，并在笔记里写出 “误差 = O(Δt²)” 之类的公式说明。面试时直接展示表格或图表，证明你对误差有量化认知。

Q3：我对行为面试很紧张，担心被卡在 “冲突管理” 那一题。

A：不是“想得太抽象”，而是“准备一套量化的冲突案例”。在一次内部行为面试复盘里，候选人 L 被问到与数据科学团队的冲突，她的回答是 “我们沟通不顺”。面试官立即追问具体数字，L 没有准备。

最佳答案结构是：S（情境）+T（任务）+A（行动）+R（结果），并在 R 部分加入 KPI（如 “项目交付提前 2 周，错误率下降 15%”）。在准备时，把每个冲突案例都转化为 业务影响的百分比或金额，让面试官看到你是用数据说话的。

本文提供的 90 天复习框架，已在多轮对冲基金、量化私募的内部审查中验证有效。按照上述清单执行，能够在面试现场实现“概念清晰‑实现流畅‑业务量化”三位一体的表现，从而在竞争激烈的量化岗位中脱颖而出。

准备好系统化备战PM面试了吗？

获取完整面试准备系统 →

也可在 Gumroad 获取完整手册。

相关阅读