一句话总结
随机过程是量化面试的核心筛选关卡，不是考你会背几个公式，而是考你能不能在压力下用概率思维重建问题——大多数候选人输在第三个追问，不是因为不懂，而是因为他们的知识是碎片化的，没有形成可推导的体系。
这篇评测不是帮你“学习”随机过程，而是直接告诉你哪本指南的随机过程章节值得用、哪本在浪费你时间，以及你在面试现场到底会被问到什么层级的问题。读完之后，你应该能判断自己的准备缺口在哪里，以及如何在剩余时间内精准补齐。
核心判断：市面上主流的量化面试指南在随机过程这个章节上，80%的内容是同质化的，真正拉开差距的是对Ito Calculus推导链条的理解深度和对连续时间金融模型的直觉。选指南的第一标准不是名气，而是它有没有把“连续鞅”和“马尔可夫性”这两个核心概念讲出推导逻辑，而不是只给你背书的结论。
适合谁看
你应该是正在准备量化交易、量化研究、风险管理岗面试的候选人，已经有一定的数学或金工背景，但不确定自己的随机过程知识是否达到了面试的及格线。或者说，你已经刷过一遍教材，发现自己“好像懂了”，但面对面试官的追问时总是卡壳，不知道怎么组织答案。
你可能已经投了Jane Street、Citadel、Two Sigma、D.E. Shaw这些顶级shop的岗位，收到了面试邀请，但随机过程这个环节让你心里没底。你不是完全不懂，而是懂的不够深——具体来说，你可能知道Black-Scholes方程怎么写，但不知道Girsanov定理怎么用来做测度变换，也不知道为什么在风险中性测度下股票价格是一个鞅。
你也可能是研究生在读，方向是金融数学或应用数学，准备在秋招季冲击头部量化私募或外资行的量化岗位。你需要一个高密度的面试指南评测，告诉你哪本书的哪个章节值得精读，哪个部分可以略过，以及面试现场的真实难度比你想象的超出多少。
你不适合读这篇：如果你连概率论基础都没有（测度论、条件期望、随机变量收敛这些概念对你来说是全新的），你需要先补基础再来看这篇——这不是傲慢，而是对你时间的尊重。随机过程面试题默认你有这些基础，面试官不会给你补课的机会。
核心内容
随机过程面试到底在考什么
面试官出随机过程的题，不是为了测试你会不会背诵Ito's Lemma的公式。他们的真实目的是在短时间内判断你的数学直觉——你能不能在陌生的情境下，用已知的概率工具推导出正确的结论。
这不是在考你记住了多少结论，而是在考你面对一个问题时，能不能快速识别出它是哪种类型的问题，然后调用对应的分析框架。一个训练有素的量化候选人，在面对一道新的随机过程题时，应该能在30秒内给出解题思路，然后在黑板上把推导过程写出来。
具体来说，面试官会通过追问来判断你到底是“背了结论”还是“真的懂了”。比如你提到了Brownian Motion的二次变差性质，他们可能会追问：在什么条件下，两个Brownian Motion的乘积的二次变差是什么？这个时候如果你只能背出结果但不会推导，你在黑板上的停顿会出卖你。
面试官真正想筛选掉的，是那种“知道公式但不知道公式怎么来的”的候选人。随机过程在量化工作中的实际应用，要求你能够根据具体问题构建新的模型，而不是套用现成的框架。如果你对Ito Integral的理解只停留在“它是普通积分的推广”这个层面，你在实际工作中会遇到很大的瓶颈——而面试官知道这一点。
Brownian Motion的几何性质为什么重要
大多数候选人在面试中能正确写出Brownian Motion的定义：连续时间、连续路径、从零开始、增量独立且服从正态分布。但当面试官追问Brownian Motion的几何性质时，超过一半的人开始含糊。
这不是因为他们真的不懂，而是因为他们从来没有把这些几何性质和实际应用联系起来。在量化面试中，几何性质的核心是二次变差和Holder连续性。二次变差决定了Ito Calculus的基本规则：\[dW_t^2 = dt\]。这个看起来简单的等式，是整个Ito's Lemma的基石。
Holder连续性在面试中出现频率相对低一些，但如果你申请的是高频相关的岗位，面试官可能会问：Brownian Motion在任意区间上是否几乎处处可微？为什么？
答案是Brownian Motion几乎处处无处可微，这个结论和其Holder连续性指数α<1/2直接相关。你不需要记住Hölder不等式的完整证明，但你需要理解这个结论的金融含义——价格路径的不可预测性不是假设，而是数学性质。
还有一个容易被忽视的点：Brownian Motion的对称性。在面试中，一个经典的陷阱题是让你证明或解释：对于任意t>0，Bt和t-Bt同分布，但Bt和Bt-t不同分布。很多候选人能写出B_t的分布是正态的，但无法清晰解释“同分布”和“相等”之间的区别。在概率论的语言里，这是测度论基础是否扎实的直接体现。
Ito Calculus的正确打开方式
Ito's Lemma是随机过程面试中出现频率最高的内容，但也是错误理解最集中的地方。太多候选人的问题是：他们记住了Ito's Lemma的公式，但不理解它为什么长成这样。
标准的Ito's Lemma表述是：如果Xt是一个Ito过程，dXt = μt dt + σt dWt，那么对于任意二次可微函数f(t,x)，f(t,Xt)也是一个Ito过程，其微分为：
df = (∂f/∂t + μt ∂f/∂x + 1/2 σt² ∂²f/∂x²) dt + σt ∂f/∂x dWt
面试官真正想看到的是你能不能解释每一项的来源。为什么有∂f/∂t？为什么有二阶偏导项1/2 σ² ∂²f/∂x²？和一维微积分相比，Ito's Lemma多出来的项来自哪里？
正确的理解路径是：Taylor展开在随机环境下的形式。你先对f做二阶Taylor展开，然后把(dWt)² = dt这个性质代入。在普通微积分里，(dWt)²是高阶无穷小，可以忽略；但在随机微积分里，dWt的平方的期望是dt，标准差是O(dt)，所以(dWt)²这个项在极限意义下不会消失，而是一个确定性的量。
这不是一个纯理论的讨论。在实际工作中，如果你要写期权价格的Monte Carlo模拟器，你需要用Ito's Lemma来构造正确的离散化方案。
不同的离散化方案（比如Euler-Maruyama和Milstein scheme）正是基于你对Ito's Lemma不同阶次的截断理解。面试官可能会给你一个SDE，问你用Euler-Maruyama和Milstein分别模拟，结果会有什么区别——如果你只会背公式，你答不出来。
鞅理论在量化面试中的应用
鞅是随机过程面试中另一个高频考点，但很多候选人对鞅的理解过于表面。他们知道“鞅是公平游戏”，知道E[X{n+1}|Fn] = X_n，但这只是定义，不是应用。
真正有价值的鞅知识是你能不能快速判断一个过程是不是鞅，以及如何利用鞅的性质简化问题。在面试中，一个经典的构造题是：给你一个随机过程，让你判断它是否是鞅；如果不是，能不能通过加一个确定的函数使其成为鞅。
比如，Brownian Motion本身是一个鞅（因为E[Bt|Fs] = Bs）。但Bt² - t是一个鞅（因为E[Bt² - t|Fs] = B_s² - s）。
这个结论的证明需要用到Ito's Lemma：对f(x)=x²应用Ito's Lemma，得到d(Bt²) = 2Bt dBt + dt，所以Bt² - t的微分是2Bt dBt，是一个鞅测度。
这个性质在期权定价中有直接应用。风险中性测度下，折现股票价格是一个鞅；折现衍生品价格也是一个鞅。基于这个性质，我们可以推导出Black-Scholes方程。面试官可能会让你推导或者解释这个链条——不是让你默写Black-Scholes公式，而是让你理解为什么风险中性定价是可行的。
在实际的debrief环节（面试结束后面试官内部的讨论），一个候选人对鞅的理解深度往往决定了他们能否进入下一轮。如果你在讨论Ito Integral和鞅测度时表现出犹豫，面试官会给你一个“not strong enough”的评价，然后你就会收到拒信。整个过程可能不到五分钟，但结果是不可逆的。
连续时间金融模型的核心链条
随机过程在量化金融中的应用，最核心的模型是连续时间Black-Scholes框架。这个框架的完整链条是：Brownian Motion → Ito Calculus → Black-Scholes PDE → 期权定价公式。每个环节都有可能在面试中被深入追问。
Black-Scholes PDE的推导有两种路径：偏微分方程路径和鞅路径。两种路径在数学上是等价的，但面试官通常会追问你对这两种路径的理解差异。PDE路径更直观：假设有一个期权组合，标的资产和期权的价值函数满足某个PDE，通过无套利条件消除风险，得到Black-Scholes方程。
鞅路径更优雅：在风险中性测度下，折现期权价格是一个鞅，所以它的期望等于当前价格；利用Girsanov定理做测度变换，把股票价格的漂移从μ变成r。
Girsanov定理是连续时间量化面试中的高级考点。大多数候选人知道它的名字，但不知道它的具体内容和应用。Girsanov定理的核心是：如何通过Radon-Nikodym导数改变概率测度，同时保持Brownian Motion的结构。
具体来说，如果Wt是一个标准Brownian Motion，那么Wt̃ = Wt + ∫θs ds也是一个Brownian Motion，其中θs是一个适应过程。θs在这里有明确的经济含义：它是风险市场价格，或者说是Sharpe Ratio。
在面试中，一个常见的追问是：Girsanov定理的适用条件是什么？为什么需要Novikov条件？Novikov条件是E[exp(1/2 ∫θ_s² ds)] < ∞，这个条件保证了指数鞅是一个鞅。如果你只是背了Girsanov定理但不知道Novikov条件，你的理解是残缺的。
跳过程型和Poisson过程
虽然连续时间模型是主流，但在一些特定场景下，跳过程是必须掌握的。期权定价中的Jump Diffusion模型（比如Merton模型）在面试中出现频率不低，因为它连接了连续和离散两种随机过程。
Poisson过程是跳过程的基础。强度为λ的Poisson过程Nt满足：增量Nt - Ns（t>s）服从参数为λ(t-s)的Poisson分布，且增量独立。面试中可能让你推导Poisson过程的矩生成函数，或者计算E[Nt]和Var(N_t]。
更深入的问题是：Poisson过程和Exponential分布的关系。如果N_t是一个Poisson过程，那么相邻两次跳的时间间隔服从指数分布，且相互独立。这个结论在期权定价中有应用：在计算包含跳风险的期权价格时，你需要对跳的时间进行积分，而Exponential分布的密度函数简化了这个积分。
一个在面试中容易被问到的问题是：如何构建一个复合Poisson过程？复合Poisson过程是Poisson过程的随机和：Yt = Σ{i=1}^{Nt} Xi，其中Nt是Poisson过程，Xi是独立同分布的随机变量。
复合Poisson过程本身也是一个Levy过程，它的矩母函数和Levy-Khintchine公式是量化金融中处理非连续价格路径的理论基础。
随机控制与最优停止
随机控制是高级量化面试中的加分项，不是所有岗位都会问，但如果你的目标是顶级量化基金的research岗，这可能是区分你和竞争对手的关键。
最优停止的核心问题是：在随机过程的最优时刻τ，使得某个目标函数最大化或最小化。经典的例子是美式期权定价：持有者有权在任意时刻行权，什么时候行权是最优的？这个问题没有闭式解，但可以通过随机控制理论分析。
在面试中，一个经典的随机控制问题是：给定一个扩散过程dXt = μ dt + σ dWt，你要选择一个停止时间τ，使得E[f(X_τ)]最大化，其中f是一个给定的 payoff函数。这类问题通常通过动态规划和Hamilton-Jacobi-Bellman方程来求解。
更深一层的问题是：最优停止和鞅理论的关系。价值函数V(t,x) = sup{τ≥t} E[f(Xτ)|X_t=x]满足某种变分不等式，而最优停止时间τ是使得价值函数等于payoff的第一个时间点。这个结论在美式期权的定价和敏感度分析中有直接应用。
> 📖 延伸阅读：Meta产品经理晋升包框架评测：从IC5到IC6的最佳实践
准备清单
系统性拆解随机过程面试的高频考点和推导链条。市面上有本《Quant Interview Questions》对随机过程的覆盖比较全面，但它的缺点是没有给出完整的推导逻辑，更多是题目和答案的罗列。
更好的选择是参考一本侧重理论推导的教材作为主框架，然后用面试指南来补充题目练习。PM面试手册里有完整的随机过程高频考点实战复盘可以参考，里面的推导链条梳理得比较清晰，适合作为面试前的速查工具。
把Brownian Motion的二次变差性质和Ito's Lemma的推导链条打通。不要只背公式，要能够从Taylor展开开始，完整推导Ito's Lemma的每一项。面试官可能会让你在黑板上推导，这个过程你必须能够独立完成。
准备至少三个Girsanov定理的应用场景。Girsanov是随机过程面试中的高频追问点，你需要能够说清楚：原测度和风险中性测度的关系、Radon-Nikodym导数的形式、Novikov条件的必要性、以及在Black-Scholes定价中的应用。
整理一份属于自己的“快速判断清单”：给你一个随机过程，如何在30秒内判断它是鞅？给你一个SDE，如何判断它是否对应一个鞅测度？这个清单不是为了背答案，而是为了训练你在面试高压下的快速反应能力。
练习在白板上演示连续时间期权定价的完整链条。从Black-Scholes假设出发，推导Black-Scholes PDE，然后给出终端条件和边界条件，最后写出闭式解。这个过程你必须能够闭着眼睛写出来，因为面试官可能会随时叫停，让你解释任意一步。
准备至少一个跳过程的应用案例。如果你申请的是衍生品定价相关的岗位，Merton的Jump Diffusion模型是必问的。你需要能够写出模型、解释经济含义、写出期权定价的思路（即使没有闭式解）。
熟悉随机控制在美式期权中的应用。了解价值函数、HJB方程、最优停止时间的关系。这个部分不是所有岗位都会问，但如果你能答出来，会给面试官留下深刻印象。
常见错误
错误一：把随机过程当成记忆性科目
BAD版本：在面试中被问到Ito's Lemma时，直接把公式写在黑板上，然后等待面试官的下一个问题。你没有解释每一项的来源，也没有说明为什么随机微积分和普通微积分的区别在于(dW)² = dt这一项。你的沉默让面试官意识到你可能只是在背诵。
GOOD版本：在被问到Ito's Lemma时，你主动从Taylor展开开始讲起：“我先对f做二阶Taylor展开，然后代入(dW)² = dt这一关键性质——”面试官打断你：“为什么(dW)² = dt？”你回答：“因为Brownian Motion的二次变差的期望是t，标准差是O(√t)，所以在均方意义下(dW)²和dt等价。
”面试官点了点头，你继续完成推导。这个回答展示的不是你记住了多少公式，而是你对底层逻辑的理解。
错误二：混淆测度论基础概念
BAD版本：面试官问“随机变量X的分布和X的期望是一回事吗”，你回答“分布是概率，期望是一个数”——这个回答在技术上没有大错，但没有触及问题的本质。面试官追问“分布和概率有什么关系”，你开始含糊，因为你从来没有仔细想过这个问题。
GOOD版本：面对同样的问题，你直接指出“分布是一个映射，把Borel集映射到[0,1]，而期望是基于这个分布的Lebesgue积分。分布是更基础的概念，期望是分布的一个泛函。”这个回答展示了你的测度论基础，而测度论基础是面试官判断你能否处理高级量化问题的关键信号。
错误三：在HC讨论中被识别为“背书型”候选人
BAD场景：在hiring committee的讨论中，面试官A说：“这个候选人的随机过程基础怎么样？”面试官B回答：“能写出Ito's Lemma的公式，但我追问二次变差的来源时，他停顿了大概三十秒，然后说'这是标准结论'。他的知识是碎片化的，没有形成体系。”结论：not strong enough，进入reject pile。
GOOD场景：在同样的讨论中，面试官A问同样的问题，面试官B回答：“他在白板上完整推导了Ito's Lemma，从Taylor展开到(dW)² = dt的性质，再到最终形式。我追问了一个扩展问题——如果f是向量值函数，结果会怎么变——他虽然没有完整回答，但他提出了一个方向性的思路，这个思路是对的。基础扎实，可以培养。”结论：进入下一轮。
这两个场景的差别，就是“背书型”和“理解型”候选人的差别，在随机过程这个环节，这个差别几乎是决定性的。
> 📖 延伸阅读：Kuaishou内推攻略：如何拿到产品经理内推2026
FAQ
Q1：我的随机过程基础比较薄弱，应该从哪本教材开始补？
这是一个典型的“路径选择”问题。市面上有三类教材：理论导向（钟开莱的《A Course in Probability Theory》）、金融应用导向（Steven Shreve的《Stochastic Calculus and Finance》）、面试实战导向（各类quant面试指南）。
我的判断是：如果你连测度论基础都没有，直接刷面试指南是浪费时间——你会发现答案能看懂，但不知道答案为什么长这样。正确的路径是先花两周时间把Shreve的前两章吃透，重点是概率论基础、Brownian Motion的定义和性质、Ito's Lemma的推导。
这两章的内容在面试中出现的频率超过70%。如果你时间不够，可以跳过测度论的概率论部分，直接进入随机过程的核心内容，但要确保你对条件期望、收敛类型（almost surely、in probability、in L^p）有清晰的理解。
记住，面试官不会问你书上的原题，但他们会问基于这些基础知识的变形——如果你只背了原题，遇到变形就会卡壳，这不是能力问题，是方法问题。
Q2：面试中随机过程会问到多深？需要掌握测度论吗？
这取决于你申请的岗位层级。对于外资行的量化交易员或quant developer岗位，面试深度通常止步于Ito's Lemma的应用和Black-Scholes PDE推导，不需要测度论细节。
但如果你申请的是Two Sigma、Citadel、D.E. Shaw这类顶级量化基金的research岗，或者岗位描述里明确写了"stochastic calculus"或"continuous-time models"，面试深度会延伸到Girsanov定理、Levy过程、甚至随机控制理论。
测度论不是必须掌握的细节，但你对“什么是概率测度”“Radon-Nikodym导数的意义”这些问题必须有直观理解，不能只停留在公式层面。具体来说，你需要能够解释为什么在风险中性定价中需要改变测度，以及Girsanov定理保证了什么——这些是可以在没有深入测度论细节的情况下讲清楚的，但需要你有清晰的逻辑链条。
Q3：我已经在准备其他量化面试内容，随机过程应该分配多少时间？
时间分配的判断取决于你目前的薄弱环节在哪里。如果你的概率论基础扎实（条件期望、独立性、收敛性这些概念你能快速解释清楚），随机过程对你来说主要是把确定性微积分的知识扩展到随机环境，只需要大约总准备时间的15%-20%。
但如果你的概率论基础有缺口，你需要先补概率论再进入随机过程，否则你会发现自己“看得懂但答不出”。一个实用的自测方法是：给你一道Ito's Lemma的推导题，你能不能在10分钟内独立完成从Taylor展开到最终形式的完整推导？
如果能，你的概率论基础大概率够用；如果不能，你需要回头补基础。随机过程不是孤立的内容，它和概率论、偏微分方程、金融经济学都有交叉，面试官可能会从一个随机过程问题跳到这些相关领域，所以你的知识网络越完整，应对追问的能力越强。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。