面向想入行量化的理工/金融背景者。本篇讲的是「怎么拿到量化机构的工作」，不是「怎么量化交易」——后者请看 15-量化实战篇。
量化行业是过去十年国内金融圈扩张最快的赛道之一：头部私募的应届年薪在市场上长期处于第一梯队（以实际市场情况为准），随之而来的也是**极高的门槛与极低的录取率**。本篇把分工、技能、简历、面试、渠道与转型现实一次讲清，不灌鸡汤。
量化行业分工
| 方向 | 代表机构（公开常识） | 工作内容 | 薪资结构常识 |
|---|---|---|---|
| 买方 · 量化私募 | 九坤、幻方、明汯、衍复等头部；大量中小私募 | 研发/迭代策略（因子、机器学习、CTA、高频）、管理实盘资金，业绩直接挂钩奖金 | 基本年薪处于各行业前列（数十万至百万级皆有），奖金占比高、波动大，头部与腰部差距悬殊 |
| 买方 · 自营 | 券商自营、期货自营、银行自营（部分） | 用自己的/公司的钱做交易，无外部客户压力，追求绝对收益 | 固定薪资+绩效提成，风格激进的自营奖金弹性大 |
| 卖方 · 券商金工 | 各大券商研究所金融工程团队 | 写研报（因子选股、衍生品定价、量化周报）、服务公募/保险等机构客户，是「卖方服务」而非直接赚钱 | 券商体系内薪酬结构（base+奖金），头部券商优于普通券商，但整体低于头部买方私募 |
| 外资 | Two Sigma、Citadel 等在华机构（以实际公开信息为准） | 研究与开发并重，流程与标准更国际化，部分岗位外派/全英文 | 与全球体系挂钩，整体薪酬水平在行业中处于顶尖区间，但近年中国区动态变化较大 |
📖 买方 vs 卖方
买方 vs 卖方的一句话区分：买方拿自己的钱赚钱（赚了归自己/客户），卖方拿研究换佣金（服务客户赚钱）。买方看业绩，卖方看名气与服务质量。
技能栈要求
无论买方卖方，量化岗位的核心技能可以拆成四块：
数学
- 概率论与数理统计（随机变量、分布、假设检验、回归）——地基中的地基，面试 60% 的题出自这里。
- 线性代数（矩阵运算、特征值、协方差）——因子模型、组合优化的语言。
- 微积分、最优化入门——策略参数求解会用。
编程
- Python 必备：pandas/numpy 数据处理、多进程、单元测试、代码规范。研究岗几乎全用 Python。
- C++ 加分：高频/低延迟岗位要求 C++，开发岗必备，研究岗是「不会也能进，会了更强」。
- SQL、Git、Linux 基本操作是默认技能。
机器学习
- 经典模型（线性回归、决策树/GBDT、聚类）到深度学习（CNN/LSTM/Transformer 在因子上的应用，视机构而定）。
- 核心是「用机器学习解决金融问题」：特征工程、过拟合防范、样本外验证——比会调参重要得多。
- 市场方向：基本面因子、量价因子、CTA（趋势/截面）、统计**套利**。
金融知识
- 衍生品定价基础（BS 公式、希腊字母）、交易规则（涨跌停、T+1、保证金）、市场微观结构（盘口、冲击成本）。
- 金融知识门槛相对数学编程低，可入职后补——绝大多数机构优先考数学与编程。
技能树自测表
| 技能项 | 入门（可投实习） | 合格（可投校招） | 熟练（可投全职研究/开发） | 我的现状 |
|---|---|---|---|---|
| 概率/统计 | 会算期望、方差、常见分布 | 随机变量变换、中心极限定理、假设检验 | 随机过程（随机游走/马尔可夫/布朗运动） | ☐ |
| 线性代数 | 会矩阵运算 | 特征值分解、协方差矩阵 | 用矩阵表达组合优化 | ☐ |
| Python | 会写脚本、pandas 基础 | 能独立完成数据清洗与策略计算 | 工程化：类、测试、性能优化 | ☐ |
| C++（加分） | 没写过 | 能写简单程序 | 了解内存模型、能写低延迟组件 | ☐ |
| 机器学习 | 知道常用模型名字 | 能用 sklearn 跑通分类/回归 | 能设计特征、评估过拟合、做样本外验证 | ☐ |
| 金融知识 | 知道股票/期货/期权是什么 | 会读 K 线、理解 T+1/保证金 | 能推导 BS 公式、理解市场微观结构 | ☐ |
| 项目 | 无 | 有一个完整回测项目 | GitHub 上有可复现的研究仓库（含报告） | ☐ |
| 竞赛 | 无 | 参加过 Kaggle/模拟比赛 | 有可量化的名次或模型效果证据 | ☐ |
自测标准：每一行打勾后再投递，比盲目海投有效。绝大多数校招挂在「概率题做不出 + 项目说不清」上。
校招挂在哪
绝大多数校招挂在「概率题做不出 + 项目说不清」上。这是量化求职最真实的两道关，简历再漂亮也过不了追问环节。
技能准备的时间预估（常识范围）
| 起点 | 到「可投实习」 | 到「可投校招」 | 说明 |
|---|---|---|---|
| 数学/统计科班 | 1-3 个月补 Python | 6-12 个月（补项目与 ML） | 数学是本行，补工程能力 |
| 计算机科班 | 2-4 个月补概率统计 | 6-12 个月（补统计直觉与项目） | 编程是本行，补数学 |
| 金融背景 | 3-6 个月补编程 | 12-24 个月（差距主要在数学） | 金融知识有，数学编程都要补 |
| 纯跨专业 | 6-12 个月 | 18-36 个月（需长期主义） | 时间最长，优先走竞赛+项目路线 |
💡 备考周期看有效投入
时间估算仅作参考：决定进度的不是日历，而是有效投入小时数（大致以每周 10-20 小时有效学习计）。「三个月速成进量化」的宣传可以无视。
简历与项目：没有实习怎么办
没有实习是大多数跨专业求职者的第一道坎。可替代方案：
个人量化项目（最推荐）
- 做一个完整的回测框架或因子研究仓库，公开在 GitHub：README 讲清思路、有数据获取代码、有可视化、有结论报告。
- 关键不是代码多炫，而是能讲清楚：做了什么假设、怎么防未来函数、样本外怎么验证、结果怎么解读。
- 参考方向：双均线/布林带策略回测（见 15-量化实战篇）、因子有效性研究（IC/IR）、配对交易、CTA 趋势跟踪。
Kaggle / 量化比赛
- Kaggle 金融类比赛（如 Optiver 系列）：能证明「机器学习 + 金融数据」能力，名次不靠前也有简历价值。
- WorldQuant BRAIN：免费注册的量化模拟平台，可产出「alpha 研究报告」，是国内量化私募认可度较高的「业余作品集」。
- 各券商/交易所/高校举办的模拟交易比赛：拿到名次是很好的敲门砖。
开源贡献 / 博客
- 给开源量化库（backtrader、vn.py、klinecharts 等）提 PR、写 issue。
- 用公众号/知乎/CSDN 输出策略研究文章——面试官会真的去看，内容质量比粉丝数重要。
简历的写法要点
- 技术栈写在显眼处；项目用「做了什么 → 怎么做的 → 结果如何」三段式。
- 不写「精通」，写「在 XX 场景下用 XX 解决了 XX」。
- **收益率**类数字慎重：未经验证的收益记录可能适得其反，写明回测区间与假设。
面试流程与常见题目
| 环节 | 内容 | 应对建议 |
|---|---|---|
| 笔试 | 概率题 + 编程题（leetcode 中等难度为主）+ 部分机构加金融数学 | 刷题为主，概率题靠长期积累 |
| 一面（基础面） | 概率/统计/编程基本功，深挖简历项目 | 项目必须能讲 30 分钟细节 |
| 二面（策略面） | 给场景设计策略/因子，讨论过拟合与失效 | 展示思维过程而非标准答案 |
| 三面（终面） | 文化匹配、抗压能力、职业规划、行为问题 | 真诚为主，别编经历 |
高频题目类型（公开常客）
- 抛硬币期望：如「抛到正面为止，抛掷次数的期望是多少」「连续两次正面所需次数」——考察几何分布与马尔可夫链。
- 随机游走：「随机游走能回到原点吗」「赌徒破产问题」——考察随机过程直觉。
- 蒙特卡洛：让你描述/实现用随机模拟求期望或定价的思路。
- 经典悖论：蒙提霍尔、生日悖论——考察是否「见过世界」。
- 行为面：「为什么想做量化」「你能承受多大的**回撤**」「怎么看待策略失效」。
这类题网上有大量公开面经与解法，建议系统过一遍「概率题 100 题」级别的材料。量化面试考的数学深度不深，但要求又快又准。
量化面试的真相
量化面试考的数学深度不深，但要求又快又准。 这不是选拔数学天才，是筛选「能边思考边表达、能在压力下不掉链子」的人。
三道经典题的思路示范（公开题，自测用）
| 题目 | 思路 | 答案 |
|---|---|---|
| 抛一枚公平硬币，第一次出现正面所需的期望次数 | 几何分布，期望 = 1/p | 2 次 |
| 期望连续抛到「正正」出现所需次数 | 用期望方程（马尔可夫状态转移）或递推，设 E 为期望 | 6 次 |
| 随机游走从 0 出发 ±1 等概率，首达 +1 的概率 | 鞅/对无条件对称性分析，对称随机游走几乎必然回到原点，首达任一整数 | 1 |
- 第一题考「会不会用几何分布」，第二题考「会不会建立状态方程」，第三题考「随机过程的直觉」——多数面经题都能归到这三类，先吃透思想再刷题。
- 编程题按 LeetCode 中等难度准备即可，重点在「写对、写快、讲清楚复杂度」，不需要死磕偏题难题。
行为面高频问题
- 「为什么从原行业转量化」「为什么选我们公司」——提前做功课，能说出公司公开的策略方向与风格。
- 「你做过的最失败的项目/最亏的一笔交易」——考察归因能力：讲清客观原因与改进，而不是甩锅或自嘲。
- 「你能承受多大回撤」「策略失效了怎么办」——展示的是「**止损**与迭代的机制」，不是「我能扛」的态度。
求职渠道
| 渠道 | 特点 | 建议 |
|---|---|---|
| 实习转正 | 头部机构最主要的全职入口，正式批录取率极低 | 暑期/长期实习优先，实习期间的表现比学历更能加分 |
| 量化社群内推 | 公众号、知识星球、GitHub 圈子的内推效率远高于海投 | 先做出作品（项目/文章），社群内推才有分量 |
| 猎头 | 适合有 1-2 年经验后的跳槽，应届猎头少 | 保持联系，别轻信口头承诺的「高薪」 |
| 官方渠道 | 公司官网、牛客网、校园宣讲 | 别只用一个渠道，多线并行 |
⚠️ 校招名额的现实
现实提醒：头部量化私募每年校招名额极少（个位数到两位数），多数岗位留给实习转正。 对普通人而言，「先小机构 → 攒业绩 → 跳头部」是比「一战进九坤」更现实的路线。
转型现实：竞争有多激烈
- 录取比例：头部量化机构校招简历录用比例通常在百分之一量级甚至更低（公开讨论的常识范围，以实际市场情况为准）；实习转正名额同样稀少。
- 竞争者画像：清北复交/海外名校的数学、物理、计算机博士硕士是主力人群；「科班 + 实习」者居多，跨专业者需要更强的作品来弥补。
- 光环之外：头部私募高薪背后是高压——策略失效被砍、业绩考核、随时可能优化的不确定性；中小机构薪资普通但节奏友好、学东西快。
- 周期影响：量化行业与市场行情、募资环境强相关（如市场低迷期、监管趋严期招聘收缩），供需关系随周期大幅波动。
- 需要长期主义：从「会写策略」到「能入职」，普遍以年为单位的准备周期；很多人准备两三年才拿到第一个 offer，也有人转行失败回归原行业——这很正常，提前想清楚止损线。
应届 / 社招 / 实习：不同阶段的不同打法
| 阶段 | 对手 | 打法 |
|---|---|---|
| 在校（应届） | 名校科班+实习经历 | 竞赛、项目、实习三线并行；先抢中小机构实习 |
| 已工作（社招） | 有经验者 | 靠「可验证项目+技能深度」而非学历；多在周末投入，周期拉长 |
| 无学位但有作品 | 证明力优先 | WorldQuant BRAIN 报告、GitHub 仓库、比赛名次是主要武器 |
| 实习转正 | 同批实习生 | 实习期「干活扎实+主动输出」比学历重要 |
⚠️ 在职转型别辞职去赌
给在职人士的现实建议：先保住工作，把求职准备当「晚上的第二职业」——量化求职的收益是「成功了换赛道」，成本是「几个月到几年的业余时间」，别用辞职去赌。
常见误区
- 迷信「证书」：CFA/FRM 在量化研究岗的权重远低于「能做题、能写码、有项目」。
- 忽视数据能力：SQL、数据清洗、对账错位——研究岗大量日常是数据工程，面试常考。
- 只刷面经不写代码：笔试过了二面挂，多半是「项目经不起追问」。
- 投递只看头部：头部录一个，腰部可能录十个；先入行，再图进阶。
求职 FAQ
| 问题 | 回答 |
|---|---|
| 非清北复交能进量化吗 | 能，但要作品说话：竞赛名次、BRAIN 报告、开源项目、实习经历四选二以上 |
| 数学一般但编程很强，走哪条路 | 开发岗（量化开发/系统工程师）对数学要求低于研究岗，工程能力即是入场券 |
| 研究生学历是必须的吗 | 常识范围：头部机构研究岗硕士起步居多，但开发岗与中小机构对学历宽容得多 |
| 量化是不是青春饭 | 研究和开发的职业生命周期都很长，越老越值钱的「经验」体现在策略理解与工程架构 |
| 不会 C++ 是不是不行 | 研究岗不是；开发岗是。方向不同，不必焦虑 |
| 现在准备会不会太晚 | 量化是「能力导向」行业，随时开始都有机会；但若你已工作多年且无相关积累，建议先兼职验证意愿与性价比 |
风险提示
⚠️ 风险提示
量化求职是典型的高门槛、高竞争、幸存者偏差明显的赛道。市面上流传的高薪故事集中在头部机构的头部岗位，不代表平均水位；入行不等于稳定，量化行业同样有裁员、策略失效与业绩考核压力（以实际市场情况为准）。本篇所有薪资、录取比例均为公开常识范围，请以实际市场与公司情况为准。建议把「准备求职」当作「提升自身技能」来投资——即使最后没进量化，概率统计与编程能力在职场上也不贬值。