量化分析师面试准备：新手零基础入门指南
一句话总结
真正的量化分析师面试不是在考你解出多少道数学题，而是在测试你面对不确定性时的元认知能力。大多数零基础候选人把80%时间花在刷LeetCode和背公式上，结果在第一轮 Behavioral 就被筛掉，因为他们不知道面试官问"讲讲你失败的经历"时，真正想听的是你如何定义失败本身。
如果你现在才开始准备，优先级排序应该是：市场直觉 > 编程能力 > 数学证明，这个顺序和绝大多数人的直觉相反。
适合谁看
正在从传统金融、计算机科学、数学物理或其他完全无关领域转向量化分析的候选人。特别是那些简历上写着"熟悉Python和统计建模"却在简历关就被默拒的人，以及通过了一面却在终面被判定"不是我们要的culture fit"的人。
也包括已经在买方或卖方工作一两年、想跳槽到更核心量化岗位但始终摸不清面试脉络的从业者。你可能已经拿过Jane Street或Two Sigma的拒信，或者在自己现在的组里做着"伪量化"——跑回归、调参数 Martha、写PPT解释为什么模型又失效了，却从未真正参与过alpha generation。
不适合的人是：已经是资深量化研究员且手握多个offer的候选者，以及期望通过这篇文章找到"题库"或"面经"的投机取巧者。后者往往会在看到第三条准备清单时退出，因为那条要求你花四十小时做一件没有即时反馈的事。
面试流程到底在筛什么：不是考知识，而是测反应模式
Two Sigma的面试流程通常五到六轮，Citadel三到四轮但密度极高，Jane Street则以马拉松式的开放式问题著称。表面上看，这些公司在考察编程、数学、金融知识，但参加过debrief会议的面试官会告诉你另一个版本的故事。
去年春天，我旁听了一场针对应届生的hiring committee讨论。候选人A解出了所有概率题，在Python coding轮写出了比标准答案更优的复杂度；候选人B在两道题上卡壳，但主动说"这个地方我不确定，我们试试三种假设"。最终录的是B。HC chair的原话是："A会是一个很好的做题家，但我们在找的是在信息不完整时还能推进的人。"
这个场景揭示了一个被严重误解的事实：量化面试的设计意图不是找到"最聪明的人"，而是找到"在压力下 smartest 的人"。两者的区别在于，前者在舒适区里表演完美，后者在不适感中保持认知灵活性。
不是你在白板前写出正确答案的次数决定了结果，而是你在写不出答案时的行为模式被反复观察。
具体拆解各轮次：
Phone Screen（30分钟）：通常是校友或初级研究员。考察点是基础概率统计和一点市场常识，但真正的筛选器是你的沟通效率。能在两句话内说清楚思路的人进入下一轮；需要五分钟铺垫背景的人，即使答案正确，也可能被标记为"communication red flag"。
Technical Round 1-2（各45-60分钟）：数学、编程、或是结合两者。数学轮常见的是随机过程、线性代数在几何直觉上的应用；编程轮不是LeetCode style，而是"这里有一组交易数据，你如何用Python快速验证一个假设"。
Case Study / Research Presentation（1-2轮）：给你一组真实或模拟的市场数据，几小时到几天时间，让你提出一个可交易的策略或至少一个可检验的假设。这一轮是分水岭。很多人在这一轮提交一份二十页的报告，图表精美但结论模糊；少数人提交三页纸，但第一页就写清楚了"如果这个现象存在，什么条件下它会消失"。
Final Round / Culture Fit（30-45分钟）：通常是组里senior的人或PM级别的人。问题听起来很随意："你怎么看最近的volatility regime change？"或者"如果你有一个月免费时间，你会研究什么？
"这一轮没有标准答案，但有很多死亡陷阱。说"我会学更多机器学习"是一个平庸答案，因为每个人都说这个；说"我会去码头观察集装箱调度，因为那是理解supply chain disruption的第一性原理"——这是Jane Street一个面试官分享的真实高分回答。
时间线：从投递到offer，buy side通常2-3个月，sell side可能更快但被压缩到1-2周内完成所有轮次。Citadel以极速著称，有时周一phone screen，周五就要求你飞纽约终面。
> 📖 延伸阅读：Is Coffee Chat 破冰系统 Worth It for Senior PM at Oracle in 2026? ROI Breakdown
数学准备：不是重温课本，而是重建直觉
零基础候选人最常犯的错误，是把本科概率论笔记翻出来从头到尾看一遍。这不是最有效的路径。量化面试中的数学考察，核心在于"在压力下快速调用深层直觉"的能力，而非"证明一个定理的严谨性"。
一个具体的对比。错误版本：候选人花了三周六刷完《概率论与数理统计》，能背出中心极限定理的三种证明，但在面试中被问到"两个i.i.d.正态随机变量，它们的比值分布如何"时，花了十分钟试图推导闭式解，最后紧张到忘记Cauchy分布的名字。
正确版本：另一个候选人在准备时专门练习"识别"而非"推导"——看到比值立即联想到Cauchy，看到平方和联想到Chi-square，然后用三十秒说出"这不会有有限方差，所以任何基于方差的策略都会失效"，把对话推进到下一个层次。
不是数学知识储备的深度决定了你的表现，而是你能多快从问题结构跳转到正确的思维模型。
具体需要建固的领域：
概率论：条件概率与贝叶斯更新是重中之重。不是计算P(A|B)本身，而是理解为什么在实际交易中，P(市场崩盘|我的模型发出信号) 和 P(我的模型发出信号|市场崩盘) 会导致完全不同的决策。
一道经典题：一个交易员声称他的策略胜率70%，你观察了10次交易看到7次成功，你对他的声称有多大信心？ naive的答案是"70%验证了"， Bayesian的答案是"取决于我的先验，以及我对他声称本身的置信度"。
随机过程：布朗运动、鞅、伊藤引理的基本直觉。不需要能推导Girsanov定理，但需要理解"在什么测度下这个问题变得可解"，以及"测度变换的经济学含义是什么"。
线性代数：矩阵分解的几何意义，特征值在稳定性分析中的作用。一道实际面试题：你有两个高度相关的因子，如何在不损失太多信息的情况下去除冗余？PCA是标准答案，但更好的回答会讨论"为什么在这个场景下PCA可能过度简化"，比如因子载荷的非线性结构。
优化：凸优化的基本框架，拉格朗日对偶的直觉。不是让你现场推导KKT条件，而是理解约束条件的经济学含义——为什么一个约束是"紧的"意味着某种资源的稀缺性。
编程准备：不是刷题数量，而是展示思维透明性
量化面试中的编程考察，和硅谷软件工程师的coding interview有本质区别。不是考察你能否写出最优算法，而是考察你能否在数据探索中保持逻辑清晰，并把"探索"本身结构化。
一个 insider 场景：某fund的onsite中有一轮"live coding"，给候选人一个包含数百万条记录的trades数据集，要求"找出任何你认为有趣的模式"。最差的候选人花二十分钟写复杂查询，最后跑出一个明显是数据质量问题的"发现"；中等的候选人快速做了几个group by，报告了一些描述性统计；最好的候选人前十分钟不做任何coding，而是先问："这个数据集的时间跨度是什么？
什么品种？什么颗粒度？我需要先理解数据结构才能判断什么方向值得探索。"
不是代码行数的多少展示了你的能力，而是你多快能让面试官相信你的探索过程是可复现、可质疑、可改进的。
Python的具体考察点：pandas的向量化操作（不是能用apply就行的那种）、处理大型数据集时的内存管理、基本的数值计算（numpy/scipy）。有时会让你现场写一个简单的backtest框架nog框架，关键考察点是你如何处理look-ahead bias和survivorship bias——不是你知道这两个概念，而是你在写代码时是否能本能地规避。
一个常见的死亡陷阱：候选人为了展示能力，写了一个高度抽象的类结构，结果在面试压力下出现bug，花了大量时间debug而没能完成核心功能。正确的策略是：先写能工作的naive版本，明确说明"这是第一步，如果还有时间我会优化这里的复杂度"，然后只有在确保正确性的前提下才做抽象。
> 📖 延伸阅读：Palo Alto Networks内推怎么找：SDE求职人脉攻略2026
市场直觉：从零构建，不是从新闻积累
这是零基础候选人最困惑的领域。"我没有交易经验，怎么可能有市场直觉？"
市场直觉不是"知道昨天原油为什么涨跌"，而是理解市场参与者的激励机制、信息传播的结构、以及价格形成的第一性原理。它的构建需要刻意的、结构化的训练，而不是被动地刷Bloomberg。
一个具体的训练方法：选择任何一个你略微熟悉的资产类别，比如美股大盘指数，每天花十五分钟回答三个问题。第一，今天的价格变动中，有多少比例可以用已知信息解释，多少是"残差"？第二，如果你必须用一个因子解释今天的走势，你会选什么，为什么不是别的？第三，如果你现在有一百万美元必须下注，你会怎么构造这个bet，你的uncertainty主要来自哪里？
三个月后，你会发展出一种"手感"——不是预测能力，而是快速形成假设并识别其脆弱点的能力。这正是面试中case study轮考察的核心。
不是你对市场的了解深度让你脱颖而出，而是你对"自己不知道什么"的清晰度让你可信。
一个真实的面试片段。面试官问："你认为volatility skew存在的原因是什么？"候选人回答了一通supply and demand、crash phobia。面试官追问："那如果明天所有参与者都变成风险中性的，skew会消失吗？
"候选人卡住了。正确的问题意识是：skew的存在至少有两个层面——真实世界概率与风险中性概率的差异，以及市场结构导致的供给约束。只谈前者是教科书答案，同时顾及两者才显示深度。
行为面试：不是讲故事，而是展示元认知
量化行业的behavioral interview有一个隐藏陷阱：面试官来自极度理性、甚至有点"on the spectrum"的文化背景，传统的"STAR法则讲故事"可能适得其反。他们不是想听一个结构化的故事，而是想观察你如何分析自己的行为模式。
一个debrief中的真实对话。面试官问："Tell me about a time you disagreed with a colleague."候选人讲了一个三分钟的story，有背景、冲突、解决、结果，完美符合STAR。
面试官在feedback中写："Seemed rehearsed. Didn't show any reflection on why the disagreement happened in the first place."另一个候选人只用两分钟，但说："我当时的直觉是X，但事后想，那个直觉可能来自Y偏见，如果是现在的我，会先验证Z假设。"录了后者。
不是故事的完整性让你通过，而是你对自身认知过程的审视深度让你 memorable。
常见的高质量问题及其真实考察点：
"Why quant?" — 不是考察你的职业热情，而是考察你是否理解这个行业的核心挑战，以及你的期望是否现实。说"我喜欢用数学解决实际问题"是平庸的；说"我意识到自己对'解决'的定义在变化，从'找到答案'变成'管理不确定性'"则显示深度。
"Tell me about a failure." — 不是考察你的 resilience，而是考察你如何定义失败本身。把失败定义为"结果不如预期"是浅层的；定义为"我的模型在我没有理解的regime里运行"则显示你正在内化行业的核心约束。
"Questions for me?" — 这是最后一个陷阱。问"组里的day-to-day是什么样的"是浪费机会；
问"你们最近一个被放弃的项目，什么时候决定 tenure 的判断是'exhausted interesting directions'而不是'given up too early'"——这个问题来自一个最终拿到offer的候选人，它同时展示了你理解行业的失败文化，以及你有勇气在面试中讨论失败。
准备清单
- 完成一个端到端的数据项目：从公开数据源（如WRDS、Kaggle的金融数据集）下载数据，提出一个可检验的投资假设，进行探索性分析，并明确写出"什么证据会让我放弃这个假设"。项目不需要成功，但需要展示完整的思维链条。
- 系统性拆解面试结构：量化面试的 variational form 太多，不同fund的风格差异极大。PM面试手册里有完整的量化分析师面试实战复盘可以参考，特别是关于如何根据面试官背景调整回答策略的部分。
- 建立"数学直觉卡片"：针对概率、随机过程、线性代数中的核心概念，每张卡片正面写问题，背面不写完整解答，只写"第一反应应该是什么"和"常见陷阱"。每天随机抽取五张，练习在压力下快速调用。
- 模拟"think aloud"场景：找一位朋友或录音设备，对着一道新题连续说出你的思考过程，不允许沉默超过十五秒。录下来回听，标记出所有"嗯..."、"等一下..."、以及逻辑跳跃的地方。目标不是消除所有停顿，而是让停顿本身变得有意义——"这里我需要做一个假设，如果假设不成立，结论会如何变化"。
- 精读三篇你目标公司的research或blog：不是走马观花，而是写出"他们的方法论假设是什么，什么市场条件会让这些假设失效，如果我要验证他们的结论，我需要什么数据"。
- 准备三个"失败故事"和三个"成功故事"，但每个故事至少有三个版本——面向数学家背景的面试官（强调逻辑结构）、面向交易员背景的面试官（强调风险决策）、面向工程师背景的面试官（强调系统实现）。同一事件，不同切面。
- 在面试前一周，每天花三十分钟做"市场冥想"：选择一个资产，不看任何新闻，仅凭价格和技术指标，形成对它的短期看法，然后与实际走势对比。不是为了预测准确，而是为了训练"在信息不完备时形成判断并承受不确定性"的肌肉。
常见错误
错误一：把"准备面试"等同于"学习知识"
BAD：候选人花了两个月读完Shreve的两卷《Stochastic Calculus for Finance》，笔记工整，但在面试中被问到"你愿意用多少本金去bet一个正期望的游戏"时，从Kelly criterion的公式开始推导，花了十分钟，没有注意到面试官在第三分钟时已经皱眉。事后还觉得自己"展示了扎实的数学功底"。
GOOD：另一个候选人在同一问题上，先用三十秒说Kelly fraction的直觉——"它告诉你的是，即使一个game是正期望的，你也不应该all in，因为path dependency会消灭你"；然后问面试官"您想讨论连续时间下的推广，还是聊聊为什么实际交易中很少有人严格遵循Kelly？"这个回答展示了知识，同时展示了判断何时深入、何时停下的能力。
错误二：在case study中追求"正确答案"
BAD：一项take-home assignment要求分析某交易策略。候选人提交了一份五十页的报告，包含十种不同的机器学习模型，交叉验证、超参数调优、ensemble，最终报告的sharpe ratio很漂亮。
但在presentation时被问到"如果这个策略明天开始失效，最早的signal会是什么"，完全无法回答，因为所有精力都花在优化in-sample performance上。
GOOD：另一个候选人只用了两个模型，但在报告的第二页就列出了"这个策略依赖的三个关键假设，以及每个假设的falsification条件"。面试官在debrief中说："我们不知道这个策略能不能赚钱，但我们知道这个人知道自己在干什么。"
错误三：误解"fit"为"和他们一样"
BAD：候选人在终面时注意到面试官有物理学背景，于是大谈特谈自己在凝聚态物理中的研究，试图建立connection。面试官后来反馈："He seemed more interested in showing he's smart than in understanding what we do here."
GOOD：另一个候选人面对同样的背景，说的是："我注意到您的背景是物理学，我想这让我们都熟悉一种工作方式——先找对称性，再找破缺。我在这个项目中发现的'对称性'是X，但我现在好奇的是，在你们组里，什么被认为是'破缺'的——也就是你们正在努力理解的？
"这个回答承认了共同语言，但把焦点转向了对方的工作，展示了真正的curiosity而不是social climbing。
FAQ
Q：我完全没有任何金融背景，转行量化是不是不可能？
不是不可能，但路径比你想象的更长，且需要接受一个阶段的不对称投入。我认识的一个成功转行的例子：某PhD in Astrophysics，在申请量化岗位前，花了六个月在一个小型prop trading firm做unpaid intern，工作内容主要是数据清洗和跑回归。这段经历的价值不是简历上的这行字，而是他第一次看到了"交易"和"学术研究"在反馈循环上的根本差异——学术中的"结果"可能需要 Months 才能确认，而交易中的决策在几秒内就有市场反馈，这种时间尺度的压缩会重塑你的认知习惯。
他的面试转折点是在回答"为什么转行"时，没有说"我对金融感兴趣"，而是说"我意识到我喜欢的是在高噪声数据中提取微弱信号，天体物理和量化金融只是两个不同的signal source"。这个回答的可信度来自于他真的有过那个"意识到"的时刻，而不是编造了一个narrative。零基础的关键不是补课的速度，而是你能否向面试官证明，你的"零基础"不是一个待填补的 deficit，而是一个已经被反思过的transition。
Q：面试中被问到完全不会的问题怎么办？
首先要区分"不会"的类型。一种是知识性不会——比如你没听说过某个特定模型；另一种是结构性不会——你知道相关概念但无法在这个变体中应用。前者诚实承认并展示如何快速学习是ok的；后者更危险，因为假装思考往往比直接承认更明显。一个真实的场景：某候选人在Two Sigma的面试中被问到一道关于optimal stopping的变体问题，他没有在常见框架里见过。
他的回答是："这个问题让我联想到经典的secretary problem，但这里的区别在于X。如果X成立，我猜测解法会有Y的结构，但我需要验证Z假设。您是否介意我花两分钟写下这个直觉，看看能否推进？"面试官后来评价："He didn't solve it, but he showed me how he would approach something new." 这种"展示思考结构"的能力，比"正确解答"更稀缺，因为它不可事后伪造。另一个常见错误是试图用"相关但不对题"的知识来填充时间——面试官听过太多"虽然我不会这个，但我懂那个"的迂回，这往往被视为缺乏intellectual honesty。
Q：Quant岗位的薪资水平和谈判空间如何？
硅谷和纽约的entry level quant薪资结构大致如下：base salary通常在$100K-$150K范围，这是相对刚性的部分，各fund之间差异不大。variable的部分差异巨大：bonus在prop trading和hedge fund可以是从零到base的数倍，取决于个人和公司的performance；RSU或equity在更成熟的公司如Two Sigma、Citadel的某些部门有，但junior level往往占比不高，$50K-$200K的grant在四年vesting中较为常见。总包范围因此极宽：一个第一年表现平平的quant researcher可能总包$150K，而同一批中表现top的可能超过$500K。谈判空间在entry level非常有限，因为大多数fund有严格的band；
你可以谈判的是start date、第一个assignment的选择权、甚至mentorship的匹配，但这些都需要以"我已经有别的offer"为前提。一个实际的谈判场景：某候选人在拿到verbal offer后，没有直接谈数字，而是说："我对这个opportunity非常excited，我想确保我能在最短时间内产生impact。能否请您帮我理解，first year的performance evaluation中，哪些dimension是最weighted的？"这个问题既展示了动机，又微妙地收集了信息，为后续的performance-based conversation埋下伏笔。不是"如何谈判更高数字"决定了你的长期收益，而是"如何更快地进入高贡献区域"决定了你在quant这个performance-driven行业中的trajectory。
薪资参考（基于2023-2024年公开信息及行业传闻，具体因公司、地点、个人背景而异）：
| 角色 | Base | Bonus | RSU/Equity | 总包范围 |
|---|---|---|---|---|
| Quantitative Researcher (Entry) | $100K-$150K | $50K-$300K | $0-$100K | $150K-$550K |
| Quantitative Researcher (3-5年) | $150K-$200K | $200K-$500K | $100K-$300K | $400K-$900K |
| Quant Developer (Entry) | $120K-$160K | $30K-$100K | $0-$80K | $150K-$350K |
| Quant Developer (Senior) | $180K-$250K | $100K-$300K | $100K-$400K | $400K-$700K |
注意：Prop trading firm（如Jane Street、Citadel、Two Sigma）的bonus占比和variability显著高于传统asset management或bank的quant岗位。Jane Street以极高的entry level total comp著称，但工作强度和performance pressure也相应更高。
不是"哪家给钱多"应该是你的唯一决策维度，而是"哪家的incentive structure和我的risk preference匹配"才是更closer to first principle的思考方式。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。