量化面試會遇到哪些問題？

每場量化面試，無論是交易部門、研究職位或風險團隊，都從機率開始。這些題目由來已久，卻依然有效，因為它們能看出你在些許壓力下如何思考。你會遇到硬幣與骰子題目（例如某個排列出現前的預期擲幣次數，或兩位玩家競賽至指定分數時其中一人獲勝的機率）、會懲罰草率條件設定的條件機率謎題、包裝成下注情境且還要你說明是否願意下注的期望值問題，以及能以巧妙計數論證解答的組合問題。

• 先說明你的解題方法。指出所用工具：期望值的線性性、對稱性、以第一步為條件，或遞迴。面試官對你選擇何種工具的重視程度，不亞於計算本身。
• 腦筋急轉彎。經典的秤硬幣、過橋或棍子上的螞蟻等謎題，重點是看出巧妙之處；如果你做過這道題，就坦白說明並照樣解出來，接著準備面對變形題。
• 估算。費米式問題重視推理鏈，而最終答案通常只會檢查數量級是否合理。
• 心算。交易面試會進行限時算術與數列測驗；速度來自練習，而非天賦。

一項實用的自律方式是：說明題目設定、確定解法、進行計算，再以極端情況檢查答案是否合理。能在面試官指出前自行檢查答案的應徵者，往往令人印象深刻。

你已能從容應付謎題，卻擔心第二輪會深入你上課時最後接觸的數學內容。確實會，而深度取決於職位，因此本節會區分所有職位都會問的內容，以及研究與定價職位的額外要求。

• 所有職位都會考的統計。偏誤與變異、大數法則與中央極限定理的差異、假設檢定以及 p 值不代表什麼、相關性與相依性的差異，以及如何發現回測中的過度擬合。
• 線性迴歸。普通最小平方法背後的假設、解釋變數彼此相關時會發生什麼事、為何可能需要正則化，以及如何解讀殘差。研究職位會要求你推導估計量，或從幾何角度加以說明。
• 時間序列。平穩性、自相關，以及為何樣本內表現良好的策略經常在樣本外失效。
• 定價職位的隨機微積分。布朗運動及其性質、鞅、伊藤引理，以及風險中立定價與 Black-Scholes 假設背後的直覺。面試通常要求你說明這些假設忽略了什麼，而非重現完整推導。
• 選擇權直覺。Delta、gamma 與 vega 對部位的意義，以及標的價格變動時避險如何變化。

回答時應同時說明概念及其失效情境。解釋為何低於門檻的 p 值不代表策略能夠獲利，比背誦定義更有價值。

程式設計考核重實務而非框架：實作資料結構、處理價格串流、有效率地計算滾動統計量，或編寫小型模擬程式。Python 是標準語言；對延遲敏感的交易部門則會使用 C++，接著詢問記憶體配置與未定義行為。面試官重視正確性、清晰度與複雜度，也會留意你是否不經提醒便主動測試邊界情況。

交易部門還會加入造市遊戲。一個典型例子是：自營交易公司的初階交易員應徵者，被要求針對一棟大型辦公大樓的窗戶數量報出買價與賣價；接著面試官依報價與其交易、提供更多資訊，並要求建立新的市場。優秀的應徵者會依不確定性擴大或縮小價差，根據面試官的交易更新判斷而非忽視它們，並持續追蹤部位及其風險。這項遊戲衡量的是校準能力與沉著度，而非關於建築物的冷知識。

只有大聲演練才能讓準備成果轉移到實戰；模擬面試模式會出題並追問，其他按職位與主題整理的題庫則位於依職位與主題分類的面試題。

只能協助對話環節，而且在量化面試中，限制比多數面試更值得重視。SubcueAI 的原生 macOS 與 Windows 桌面應用程式會擷取系統音訊及你的麥克風聲音，並在本機浮動視窗顯示簡短建議。因此，當面試官詢問伊藤引理的用途，或 gamma 變化時特定範圍的避險會如何反應，相關概念便會顯示在螢幕上，讓你用自己的話說明。瀏覽器擴充功能支援 Chrome 與 Edge 的瀏覽器分頁通話，且只會擷取會議分頁的音訊。不會有機器人加入通話，也不會在會議頁面中注入任何內容；設定方式請參閱教學頁面。

它無法協助的項目包括：限時線上算術與程式設計測驗、受監考的評量、錄製螢幕的情境、公司管理的筆記型電腦，以及任何必須在白板上快速計算或大聲思考謎題的環節。這些環節本身就是面試，必須由你獨立完成。這款助手適用於上述術語與直覺問題；如需瞭解誠實揭露的使用界線，請參閱可偵測性主題群。