量化面试准备书籍对比：Heard on the Street与量化面试指南
一句话总结
买错书不会让你面试失败，但会让你多走三到六个月弯路——这不是关于哪本书更好，而是哪本书适合你现在的处境。
量化交易公司的面试不是标准化考试，没有标准答案，没有及格线。面试官在找的不是会做题的人，而是能在这个环境里活下去的人。这两本书代表了两种完全不同的准备路径：一个是题库思维，把面试当考试来准备；另一个是能力思维，把面试当真实工作的预演。选错了，你可能会在简历关就被人划掉，或者在第三轮技术面的时候突然发现自己的准备方向完全跑偏。
这不是一个简单的二选一。选择之前，你需要先问自己一个问题：我现在是在补充知识，还是在练习解题？如果是前者，任何一本书都能帮到你。如果是后者，你需要的是一本能模拟真实面试场景的书，而不是一本能让你在宿舍里刷题的习题册。
适合谁看
如果你正在准备Jane Street、Two Sigma、Citadel Securities、DE Shaw、Bridgewater这些顶级量化机构的面试，这篇文章是为你写的。如果你刚从投行或者咨询公司转过来，想试试量化这个方向，你需要看完这篇文章再决定买哪本书。如果你是计算机背景，第一次接触金融面试，也需要认真对比一下这两本书的侧重点。
反过来，如果你是本科生，第一次听到"quantitative interview"这个词，连面试流程都不清楚，你应该先搞清楚整个招聘季的时间线和各个环节的权重，再决定买什么书。如果你是MBA或者非金融背景，想转行做quant，这两本书可能都不够——你需要的是一本能把金融基础和面试技巧结合起来的综合指南，而不是一本纯粹的技术题库。
这里有一个具体的判断标准：打开两本书的任何一章，看前五道题。如果你看完题目需要超过十分钟才能理解它在问什么，这本书不适合你现在的水平。如果你看完题目就知道怎么入手，但做起来发现细节上有很多漏洞，这才是适合你的难度区间。
两本书的本质区别：不是题库对比，是思维模式对比
拿到这两本书的第一反应是什么？大多数人会先翻到目录，然后随便找几道题做做看。这是错的。
Heard on the Street的目录是按题型分的：概率题、数学题、brain teaser、期权定价、市场做市。每一章的标题都是一个知识领域，每一道题都是一个独立的问题。你翻开这本书的感觉，像是在翻一本高等数学的习题集——题目按知识点分类，难度逐渐递增，但题与题之间没有逻辑关联。
量化面试指南的目录是按场景分的：你可能会在第一轮面试遇到的题目类型、你需要在现场面试展示的能力结构、你需要在行为面里传递的个人叙事。两章之间的内容有关联，前一章的案例会在后一章被反复引用和深化。你翻开这本书的感觉，像是在读一本案例教学的教科书——每一个章节都在构建一个完整的框架，而不是在堆砌独立的知识点。
这不是谁好谁坏的问题，是你想把面试当成什么来准备的问题。
一个在DE Shaw工作了五年的资深quant告诉我，他们组面试新人有个不成文的规矩：前三道题如果发现候选人在背题库答案，会直接换题。他有一次面试一个MIT的PhD，前两道题答得飞快，他停下来问了一句："这道题你之前见过？"对方愣了一下，说"在Heard on the Street上做过"。
他笑了笑，后面的题目直接换成了现场出的变体。"我不是在考他记答案的能力，"他说，"我是在考他遇到没见过的问题时怎么思考。"
这本书的真正价值不在于它覆盖了多少原题，而在于它能不能帮你建立一种面对陌生问题的思维框架。如果你只是把Heard on the Street上的题目背下来，遇到变体会慌；如果你把量化面试指南上的框架内化了，遇到任何新题都能快速找到切入点。
> 📖 延伸阅读：A/B测试框架在Meta PM中的实战评测：数据驱动决策
不是在做题，而是在训练解题的节奏
面试不是考试，面试官不是在等你给出标准答案。
我见过太多候选人把面试当成限时考试来准备：给自己掐表，每道题必须在十分钟内做出来，做不出来就跳过。这种训练方式在技术面里可能有点用，但在现场面试里会害死你。
一个Two Sigma的 hiring manager 在一次内部分享里说过，他们观察到一个很有意思的现象：有些候选人解题能力很强，但会在面试官给出提示的时候突然卡住。"他们会把提示当成否定，而不是当成帮助。"这是因为他们在练习的时候从来没有被人提示过——他们只是一个人在房间里对着书做题，做不出来就翻答案。
量化面试指南这本书的一个核心设计理念是把"解题"和"对话"分开。你不只是在做题，你同时在和面试官交流。面试官问你一道概率题，不是想看你能不能在纸上算出来，而是想看你怎么把一个模糊的问题拆解成一个可以用数学语言描述的问题。你在白板上演示的时候，面试官在观察的不是你的计算能力，而是你的思维路径和沟通能力。
Heard on the Street的问题设计更接近"纯技术挑战"——给你一个设定，你来求解。这种设计在电话面试里没问题，因为电话面试本来就更偏技术能力考察。但到了现场面试环节，你需要的是一种完全不同的状态：边说边想，边写边解释，让面试官成为你解题过程的参与者，而不是旁观者。
概率与统计：两本书最核心的分水岭
量化面试里概率统计是最常考的题型，没有之一。在所有量化机构的面试里，至少有一半的技术问题会涉及到概率思维。但两本书对这块的处理方式完全不同。
Heard on the Street的概率章节有将近一百道题，从基础的贝叶斯定理到高级的随机过程，覆盖面很广。但它的缺点也很明显：题目之间的难度跳跃很大，一道基础的排列组合题后面可能直接跟一道需要用到鞅论的market making问题。对于自学者来说，很难判断自己现在应该做到哪个难度。
量化面试指南的概率章节是按场景设计的：骰子硬币的基础问题、彩票抽奖的期望值问题、信号检测里的贝叶斯推断、赌徒破产问题的高级变体。每一个场景下面有三四道题，每道题都有详细的解题思路和常见错误的分析。
一个在Citadel Securities做了三年面试官的quant告诉我，他们概率题最常考的三个场景是：贝叶斯推断、条件期望、和随机游走。"不是考你会不会套公式，是考你能不能把这三个东西放到具体的金融场景里。
"他举了一个例子："我们经常出一道关于高频交易里延迟的贝叶斯推断问题——候选人从来没有见过这道题，但他如果能把问题拆解成先验概率、似然函数、后验概率三个部分，这道题就能做出来。"
Heard on the Street上概率题的数量是量化面试指南的三倍，但如果你只把前者做三遍，你可能还是会在这种场景题面前发懵。
> 📖 延伸阅读：量化vs蒸馏：OpenAI应用AI工程师面试中的选择指南（针对亚马逊AI产品经理）
编程题：不是你想象的那么简单
两本书都有编程相关的章节，但侧重点完全不同。
Heard on the Street的编程题主要涉及算法和数据结构，难度集中在medium到hard之间，和LeetCode的风格很接近。如果你是在准备Two Sigma或者DE Shaw的纯技术岗，这部分内容很有用。
但如果你是在准备需要用到金融知识的quant researcher岗位，你会发现这本书的编程题和实际面试差距很大——面试官不会只考你一道二叉树的遍历，他们会让你写一个期权定价的蒙特卡洛模拟，或者让你优化一个组合优化的算法。
量化面试指南的编程题章节更偏向实用导向。它会告诉你，在量化面试里，编程题通常出现在哪个环节、面试官最看重的是什么、常见的时间分配是什么样的。它给的题目难度不如Heard on the Street，但每道题都配有完整的测试用例和边界条件分析，告诉你哪些地方最容易出错。
一个细节：在量化面试里，编程环节通常不会让你在白板上写完整的代码。面试官更看重的是你能不能在写代码之前先说清楚思路、能不能考虑到边界情况、能不能在写完之后快速检查自己的逻辑有没有漏洞。这种"说出来"的能力，是Heard on the Street训练不出来的。
行为面：两本书都处理得不够好，但原因不同
这是两本书最薄弱的地方。
Heard on the Street几乎没有行为面的内容，只有寥寥几页讲怎么准备"为什么想做quant"这类基础问题。对于一个第一次参加量化面试的人来说，这远远不够。
量化面试指南的行为面章节稍微详细一点，给了一些常见的behavioral questions和回答框架。但它的缺点是框架太通用——你把这些答案套到任何一家金融公司都行，面试官一听就知道是背的。
行为面在量化面试里到底有多重要？我听过两种截然不同的说法。一种说行为面是"pass/fail"的门槛，只要不犯大错就不会挂；另一种说行为面才是决定你能不能拿到offer的关键，因为技术面大家都差不多，能进终面的候选人技术都过关，差的就是culture fit。
真相是两者都有道理，但侧重点不同。在第一轮电话面试里，行为面的权重很低，面试官主要看的是你的技术背景适不适合这个岗位。但在终面环节，behavioral interview的权重会显著上升，因为这时候面试你的人往往是你未来的manager或者team lead，他们更关心的是你能不能在这个团队里活下去。
一个真实的场景：Bridgewater的终面里有一轮是"principles interview"，面试官会拿David Dalio的那本书里的内容来问你，看你能不能把书里的原则和自己的经历结合起来。
这种面试不是Heard on the Street能准备的，也不是量化面试指南能准备的——你需要的是真正理解这家公司和这个人的价值观，然后想清楚自己的哪些经历能体现这些价值观。
面试流程拆解：每一轮到底在考什么
以Jane Street为例，整个面试流程通常有四到五轮。
第一轮是电话技术面，持续四十五分钟到一个小时。内容主要是概率题和简单的编程题，难度在medium左右。这一轮的目的是快速筛选，面试官要在三十分钟内判断你值不值得进一步聊。Heard on the Street的题目难度够了，但数量太多，你不需要全部做完——你需要确保自己在概率和基础算法这两个领域能做到又快又准。
第二轮是现场技术面，通常是两到三道大题，每道题三十分钟左右。这一轮不是看你能不能做出来，而是看你怎么做出来的。面试官会在你解题的过程中不断提问："为什么你这么考虑？""如果把这个条件改一下，你的答案会怎么变？""你能不能给出一个直观的解释？"很多候选人在这一轮挂掉，不是因为不会做题，而是因为不会解释自己的思路。
第三轮是系统设计或者研究展示。对于quant researcher岗位，你可能需要准备一个十五分钟的research presentation，讲解你之前做过的项目。对于quant trader或者developer岗位，可能是现场出一道设计题，让你设计一个交易系统或者数据结构。这一轮量化面试指南的帮助更大，因为它更强调设计思维和沟通能力。
第四轮是行为面，也叫culture fit interview。这一轮的问题通常是STAR格式的：Situation、Task、Action、Result。你需要准备几个能体现你核心能力的故事，最好是能和量化工作扯上关系的。面试官会通过追问来测试你故事的真实性——如果你在背答案，追问会让你原形毕露。
第五轮是终面，和 hiring manager 的一对一谈话。这一轮的内容最不确定，可能是深入讨论你之前做过的项目，可能是聊职业规划，也可能是一些看起来闲聊但实际上在考察你价值观的问题。
薪资结构：量化岗位的真实数字
谈offer的时候，很多人只知道问base，不清楚RSU和bonus的结构。这是大忌。
以旧金山湾区的量化trader岗位为例。第一年total compensation的典型结构是：base salary在$150K到$200K之间，取决于你的背景和谈判能力；signing bonus在$30K到$80K之间，通常分两年发放；
RSU（限制性股票）第一年价值在$50K到$150K之间，分四年vest；performance bonus取决于团队和个人表现，旱涝保收的年份可能只有$20K，好的年份可能超过$200K。
对于quant researcher岗位，base通常更高，在$180K到$250K之间，但bonus的结构更复杂。很多公司的bonus不是按比例发放的，而是基于你研究的策略能贡献多少P&L。这意味着你的第一年total compensation可能在$250K到$500K之间，但波动很大。
一个具体的例子：Two Sigma的new grad quant researcher，base $200K，signing bonus $50K，RSU第一年grant $100K，target bonus $80K，total target compensation $430K。
但实际到手取决于公司整体P&L和你个人贡献的策略表现，好年份可能接近$600K，差年份可能只有$300K。
如果你是在纽约的量化岗位，base通常比湾区和伦敦低10%到15%，但bonus比例更高。如果你是在伦敦，base更低，但total compensation的弹性更大。
谈offer的时候，不要只盯着base。HR给你的第一份包往往不是最好的——他们预留了谈判空间。关键是你要知道自己的market value在哪里，你的BATNA（best alternative to negotiated agreement）是什么，以及你愿意为多少确定性放弃多少上行空间。
准备清单
第一，明确自己的定位。你是本科生、PhD、还是转行者？你之前有没有金融背景？这决定了你应该把多少时间花在技术准备上，多少时间花在理解行业上。量化面试指南的难度定位更偏向有技术背景但缺乏金融知识的人群；Heard on the Street的难度定位更偏向需要大量练习技术题目的候选人。
第二，制定分阶段的学习计划。不要试图在一个月内把两本书全部做完，这既不可能也没必要。建议把时间分成三个阶段：第一个阶段是基础扫盲，用两周时间把两本书的目录过一遍，了解面试会考哪些内容；第二个阶段是重点突破，用四周时间集中训练自己的薄弱环节；第三个阶段是模拟面试，用两周时间找同学或者mock interview平台练习。
第三，建立错题本。不是简单地把做错的题目抄下来，而是记录下自己做错的原因、卡住的关键点、以及下次遇到类似问题应该怎么入手。面试前一周只看错题本，不要再碰新题。
第四，准备一个行为面的故事库。至少准备五个能体现你核心能力的故事，每个故事都要有具体的数字和结果。不要用"我领导了一个团队完成了项目"这种模糊的表述，要用"我领导了一个六人团队在三个月内完成了一个量化因子研究项目，最终因子IC达到了3.2，夏普比率1.8"这种具体的表述。
第五，了解目标公司的面试风格。不同公司的面试差异很大：Jane Street喜欢考brain teaser和概率，Two Sigma偏重算法和系统设计，Citadel Securities更看重市场直觉和随机过程，DE Shaw的风格最接近学术研究。你需要针对不同的公司调整自己的准备重点。
第六，准备一个"电梯演讲"版本和"详细版本"的自我介绍。电梯演讲版本是一分钟以内，讲清楚你是谁、你做过什么、你想做什么。详细版本是三到五分钟，可以深入讲一两个项目经历。不同场合用不同版本。
第七，模拟真实的面试环境。找一个人扮演面试官，给你出题，然后在你解题的过程中故意打断你、质疑你、给你提示。这种压力训练是书本上学不到的。PM面试手册里有完整的面试结构拆解，包括每一轮面试官的真实关注点和常见的追问套路，可以参考一下——括号里的是同事随口提的，不是在打广告。
常见错误
第一个错误是把"做过"当成"会了"。很多候选人把Heard on the Street上的题目做了一遍又一遍，直到能闭着眼睛写出答案。但到了面试现场，面试官换了一个条件或者换了一个问法，立刻就慌了。
BAD版本是这样的：面试官问"一个骰子掷出1的概率是多少"，你立刻回答"六分之一"，然后等着下一题。面试官追问"如果我知道这个骰子掷出来的是偶数，现在概率是多少"，你愣了一下，说"还是六分之一吧"。面试官再追问"为什么你觉得还是六分之一"，你开始支支吾吾。
GOOD版本是这样的：面试官问"一个骰子掷出1的概率是多少"，你回答"在没有其他信息的情况下是六分之一"，然后等面试官追问。当面试官给出条件"骰子掷出来的是偶数"，你会主动说"这是条件概率问题，我需要用贝叶斯定理来算"，然后写出完整的推导过程，并且给出一个直观的解释"因为1是奇数，所以在偶数条件下掷出1的概率是0"。
第二个错误是忽视行为面的准备。很多理工科背景的候选人认为"behavioral interview就是走个过场，我技术够强就行"。这是一种致命的误判。
BAD版本：面试官问"讲一个你需要在团队里处理冲突的经历"，你说"我不太记得具体的例子了，但我一直很擅长团队合作"。面试官追问"能不能说一个具体的项目"，你说"我在学校做过一个group project，大家分工很明确，没什么冲突"。面试官在反馈表上写下"缺乏自我认知，无法提供具体例子"。
GOOD版本：面试官问同样的问题，你讲了一个具体的例子：你在上一个实习里和组里的senior quant在模型选择上有分歧，你用数据说服了他改变方向，最终策略的Sharpe ratio从1.2提高到了1.5。面试官追问"他最初为什么不同意"，你说"因为他担心新模型的过拟合风险，我用了交叉验证和out-of-sample测试来打消他的顾虑"。
面试官在反馈表上写下"有清晰的决策框架，能在压力下保持沟通"。
第三个错误是把面试当成考试而不是对话。面试官不是你的监考老师，是你的未来同事。他们想看到的是你能不能在团队环境里解决问题，而不是你能不能在孤立的环境里算出正确答案。
BAD版本：面试官问一道关于期权定价的题目，你在白板上一言不发地写了十分钟，面试官在旁边等着，不知道你在想什么。写完之后你说"答案是xx"，面试官问"你能解释一下你的思路吗"，你说"我刚才已经写得很清楚了"。面试官在反馈表上写下"沟通能力存疑，无法在压力下保持对话"。
GOOD版本：面试官问同一道题，你看完题目之后先说"我先确认一下我的理解——这是一个关于欧式看涨期权的定价问题，标的资产价格是S，无风险利率是r，到期日是T，对吗？"面试官点头，你继续说"我的思路是用Black-Scholes公式，但我想先推导一下公式背后的逻辑，这样如果条件有变化我能快速调整"。
面试官说"好，你继续"，你边写边说，写到关键步骤会停顿一下问"这个推导清楚吗，还是我需要再解释一下"。面试官在反馈表上写下"思路清晰，善于沟通，能把复杂问题拆解成简单步骤"。
FAQ
面试官问我"这道题你之前见过"，我应该怎么回答？
这个问题几乎在每一场量化面试里都会出现，尤其是当你答得太快或者太顺利的时候。面试官不是在质疑你作弊，而是在测试你到底是背了答案还是真的理解了这道题。诚实永远是最优策略，但诚实不等于简单地说"是"或"不是"。
BAD回答是直接说"没有"，然后不再解释。这种回答的问题在于，面试官会认为你在撒谎，或者你在回避进一步的追问。另一种BAD回答是直接承认"是的，我做过这道题"，然后尴尬地停下来等下一题。这两种回答都没有利用好这个机会展示你的思考过程。
GOOD回答是承认你见过这道题，但紧接着解释你当时的思考路径和现在的理解有什么不同。你可以说"这道题我在书上做过，但当时我是用代数方法做的。现在我想试试能不能给出一个更直观的解释"。这种回答展示了两点：第一，你足够诚实，不会为了面子撒谎；第二，你有meta-cognition的能力，能反思自己之前的学习方法并尝试改进。后者恰恰是面试官最想看到的能力。
我应该怎么判断自己准备好了没有？
准备充分和准备过度之间只有一线之隔。很多人会在某个节点突然发现，不管怎么练习都没有进步了——不是因为还没准备好，而是因为已经准备过度开始焦虑了。
一个具体的判断标准是：找一道你完全没见过的题目，给自己三十分钟，看能不能从完全不会到给出完整解答。如果能做到，说明你的临场反应能力已经训练出来了。如果做不到，分析一下卡住的是哪个环节——是理解题意？是思路拆解？是计算？还是最后的验证？针对卡住的环节专门训练，而不是从头再刷一遍书。
另一个判断标准是找一个人做mock interview。如果mock interview的反馈是你"看起来很自然，不像在背答案"，那你大概率准备好了。如果反馈是你"解题很流畅但停下来就不知道说什么"，说明你还需要练习"说出来"的能力。
我应该同时用两本书还是选一本？
这是一个很多人会纠结的问题。我的建议是：先用量化面试指南建立框架，再用Heard on the Street补充练习。
原因很简单：框架比题目重要。量化面试指南能帮你建立对整个面试流程的认知，告诉你每一轮在考什么、面试官的真实关注点是什么、你应该展示什么样的思维方式。在这个基础上，再用Heard on the Street做大量的题目练习，训练自己的速度和准确率。
反过来做的问题在于：你可能会在大量的题目里迷失方向，不知道哪些是重点哪些是次要。我见过太多候选人把Heard on the Street做了三遍，但到面试的时候还是不知道该怎么和面试官沟通——他们把面试当成了考试，而不是当成了对话。
选书不是选最优解，是选最适合你当前阶段的工具。如果你现在连面试流程都不清楚，先看量化面试指南；如果你已经有了基本框架，需要大量练习来巩固，用Heard on the Street；如果你两者都需要，先看前者再看后者，不要同时看两本书——那只会让你焦虑。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。