量化面试会问哪些问题？

每场量化面试，无论是交易部门、研究岗位还是风险团队，都会从概率开始。这些题虽然由来已久，却依然有效，因为它们能展现你在轻微压力下如何思考。常见题型包括硬币与骰子问题（某个序列首次出现前的期望抛掷次数、两名玩家竞赛达到某一分数时一方获胜的概率）、因条件设定不严谨而容易出错的条件概率题、以赌局为背景且还要求你说明是否愿意下注的期望值题，以及具有简洁计数思路的组合数学题。

• 先说明你的方法。明确指出所用工具：期望的线性性质、对称性、对第一步进行条件分析，或递推。面试官既关注计算，也同样关注你对工具的选择。
• 脑筋急转弯。称硬币、过桥或棍子上的蚂蚁等经典题考查你能否识别诀窍；如果你见过这道题，就如实说明并照常解答，然后准备应对变式。
• 估算。费米式问题重视推理链条，最终答案通常只检查数量级是否合理。
• 心算。交易面试会安排限时算术与数列测试；速度来自练习，而非天赋。

一种实用的答题习惯是：讲清设定，确定方法，完成计算，再用极限情形检查答案是否合理。能在面试官指出之前主动检查自己答案的候选人，往往更令人印象深刻。

你已经能从容应对这些题，却担心第二轮会涉及上次只在课程中见过的数学内容。确实会，而深度取决于岗位，因此本节会区分所有岗位都会考的内容，以及研究与定价岗位的额外要求。

• 所有岗位都会考的统计学。偏差与方差、大数定律与中心极限定理的区别、假设检验以及 p 值不代表什么、相关性与依赖性的区别，以及如何识别回测中的过拟合。
• 线性回归。普通最小二乘法背后的假设、解释变量相关时会发生什么、为何可能需要正则化，以及如何解读残差。研究岗位还可能要求你推导估计量，或从几何角度解释它。
• 时间序列。平稳性、自相关，以及为何样本内表现良好的策略往往在样本外失效。
• 定价岗位的随机微积分。布朗运动及其性质、鞅、Ito 引理，以及风险中性定价与 Black-Scholes 假设背后的直觉。通常需要解释这些假设遗漏了什么，而不是完整复述推导过程。
• 期权直觉。delta、gamma 和 vega 对头寸意味着什么，以及标的资产变动时对冲会如何变化。

回答时既要说明核心思想，也要指出它可能失效的情形。解释为何 p 值低于某个阈值并不意味着策略能够盈利，比背诵定义更有价值。

编程轮偏重实务，而非框架：实现一种数据结构、处理价格流、高效计算滚动统计量，或编写一个小型模拟程序。Python 是标准选择；对延迟敏感的部门会使用 C++，随后还会询问内存布局和未定义行为。面试官关注正确性、清晰度与复杂度，也会留意你是否会在无人提醒的情况下测试边界情况。

交易部门还会加入做市游戏。一个典型例子是：应聘自营交易公司初级交易员岗位的候选人，需要针对一栋大型办公楼的窗户数量报出买价和卖价；随后面试官会按报价与你交易、补充信息，并要求你重新报价。优秀的候选人会根据不确定性扩大或缩小价差，根据面试官的交易更新判断，而不是忽略这些交易，同时持续记录头寸及其风险。这个游戏衡量的是判断校准能力与沉着程度，而非关于建筑物的冷知识。

只有出声演练才能让准备真正迁移到实战；模拟面试模式会提出问题并继续追问，其他按岗位和主题整理的题库位于按岗位和主题分类的面试题。

只能用于对话环节，而且在量化面试中，使用边界比多数面试更重要。SubcueAI 的原生 macOS 和 Windows 桌面应用会采集系统音频与麦克风声音，并在本地浮层中显示简短建议。因此，当面试官问 Ito 引理有何用途，或 gamma 变化时范围限定的对冲会如何变化，你可以在屏幕上看到核心思路，再用自己的话解释。浏览器扩展通过仅采集会议标签页的音频，支持 Chrome 和 Edge 中的浏览器标签页通话。不会有机器人加入通话，也不会向会议页面注入任何内容；设置方法参见教程页面。

它无法用于：限时在线算术与编程测试、监考测评、屏幕录制、公司管理的笔记本电脑，以及任何要求你在白板上快速计算或边解题边说出思路的面试轮次。这些环节本身就是面试，必须由你独立完成。该助手适合应对上述术语与直觉类问题；明确的使用边界参见可检测性主题。