★ FEATURED ARTICLE 简介面向量化岗位求职者的十家公司笔试知识点解析合集聚焦诚奇、概率投资、海悦、天演、衍复、佳期、平方和、集微、九坤、凯读投资在不同考查方向上的差异化重点。内容覆盖线性回归、时间序列分析、蒙特卡洛模拟、Black-Scholes定价、GARCH波动率建模、遗传算法、统计套利、限价订单簿、高频交易、深度学习与情绪分析等核心知识点并延伸到Pandas、NumPy、Matlab、R等常用量化工具的应用便于候选人快速对照自身薄弱环节。资源以zip压缩包形式整理约48.43MB内容按公司逐一拆解可能的出题思路与准备方向适合正在系统复习量化笔试、面试的应聘者查漏补缺。目前已有757人学习下载可作为投递量化研究、算法交易、金融工程类岗位前的实用参考。1. 量化到底是什么不是水晶球是把“该不该买”算成一道数学题你有没有听过这样的讨论同样是盯着一块行情面板有人靠“感觉”操作有人靠一堆数字和公式做决定——后者干的事情就是量化。一句话说清量化就是用数据、数学和统计规律来做投资决策而不是靠直觉、消息或者盘中那一瞬间的冲动。它不保证每次都对但追求的是“长期下来做对的次数比做错的次数多一点点”这点优势经过反复累积就变成了稳定收益。普通人最容易误解的地方是把量化想象成一台能预测未来的神秘机器其实它更像一套“把经验变成规则”的流水线把你听到过的那些老股民经验比如“放量突破要跟进”“跌多了会反弹”翻译成可以用数字检验的条件再用历史数据验证这些条件到底靠不靠谱。靠谱的就留下不靠谱的就扔掉。这也是为什么量化行业在招人时笔试很少考“你觉得下周是涨是跌”而是考概率、统计、编程和逻辑推理——因为这一行真正要的人才是能把模糊的直觉翻译成清晰规则的人。本篇文章就围绕这套逻辑展开量化是什么、为什么存在、笔试考什么、怎么区分它与相近概念以及这份十家公司笔试题加答案的资源到底该怎么用。2. 量化为什么存在市场从来不缺机会缺的是不带情绪的决策2.1 人为什么会输给机器情绪、冲动和那些“玄学时刻”先做一个思想实验你和一位完全不懂股票的朋友打牌牌都一样规则都一样你们各自按自己的判断出牌。你自认为技术更好可十局下来你发现自己常常在该收手的时候加注、在该加注的时候犹豫。这不是你技术不行而是情绪把你的判断带偏了。投资市场里也一样股价一跌就恐慌卖出一涨就追高买入几乎每个普通人都干过。量化之所以存在最根本的原因就在这里——它把情绪从决策里拿掉了。你可能听过老股民嘴里那些“玄学时刻”某只股票名字里带个“龙”就有人买某个指标连续三次金叉就有人重仓。量化干的事情恰恰相反它把这些“听起来有道理”的说法变成可以验证的假设。比如“连续三次金叉后买入”这句话在量化里会被拆成精确的条件金叉的定义是什么连续三次的时间窗口是多长买入之后持有多久然后用过去十年的数据统计这个策略的胜率和回撤。2.2 量化是数学和统计学的生产线从数据到信号再到下单把量化想象成一家工厂四个车间依次运转。第一间是“原料车间”负责把乱七八糟的行情数据清洗干净——哪些日子停牌、哪些数据除权除息后需要调整这些不处理干净后面全是白算。第二间是“研发车间”用统计方法找出数据里稳定的规律也就是人们常说的因子。第三间是“质检车间”把找出来的规律拿到另一段历史数据上去检验看是不是碰巧撞上的运气。第四间才是“执行车间”每到一个时间点判断信号是否触发决定买什么、买多少、什么时候卖。这套流程用代码写出来朴素得让人意外。下面是一个连入门者都看得懂的简单示意import pandas as pd # 假设 df 是处理过的历史价格数据每行一天包含收盘价 close df[ma5] df[close].rolling(5).mean() # 5日均线 df[ma20] df[close].rolling(20).mean() # 20日均线 # 信号5日均线上穿20日均线时标记为买入信号 df[signal] 0 df.loc[df[ma5] df[ma20], signal] 1 # 统计历史上有多少次这样的信号以及信号出现后的平均收益 signal_days df[df[signal] 1] print(signal_days[close].pct_change().mean())这段代码做的事就是把“均线上穿”这个技术分析里最常见的说法变成可量化的历史统计。ma5 和 ma20 分别是两个周期的均线pct_change 算出每天的涨跌幅。真实量化里的代码远不止这么简单但底层逻辑一模一样先定义规则再统计规则在历史数据上的效能。笔试考编程考的就是你能不能干净利落地完成这种翻译。2.3 量化的核心目标把赚钱的逻辑变成能验证的流程量化真正的追求不是复杂的模型而是“可重复”。一次靠运气赚到的钱在量化眼里没有价值一套能被历史数据反复验证、并且在陌生时段依然有效的规则才叫策略。所以量化团队日常工作里最多的不是盯盘而是写回测、看报告、找漏洞。如果要用一句话讲透量化存在的原因那就是人在面对不确定性和巨大利益时天然会情绪化而量化把决策过程改造成了一条标准化流水线让每一个操作都有据可查、有数可依。明白这一点你也就明白了为什么量化笔试不考“你看好哪个行业”这种主观题而考概率题、编程题、脑筋急转弯式的逻辑题——因为这一行要的人是能抵抗内心冲动、愿意相信数据的人。3. 量化笔试到底在考什么一道题背后是一整套能力模型3.1 概率和统计所有量化分析的底层语言打开任何一家量化机构的笔试题概率与统计部分一定是最先出现的。原因很好理解量化策略本质上是对不确定性的管理而概率和统计就是描述与度量不确定性最精确的语言。常见的题型包括袋子里有 3 个红球和 5 个蓝球不放回地抽两次问两次颜色相同的概率是多少两个人都掷一颗公平骰子问一个人点数大于另一个人的概率还有更进阶的给出一组收益率的均值和标准差让你估算亏损超过两个标准差的概率。这些题看似是大学概率课上的习题实际考的是你有没有建立“把现实问题抽象成数学模型”的习惯。别小看这些基础题。一个策略研究员每天做的核心工作就是估算一类事件发生的概率比如“当波动率突然升高时下跌的概率有多大”。你在笔试里怎么拆解一道抽球问题和你在实盘里怎么拆解一个市场事件用的是同一种思维方式。3.2 编程与数据处理让想法落地的手艺笔试题里编程部分通常分两类一类是给你一个具体的小任务比如写一个函数计算一组净值的最大回撤另一类是给你一份数据让你统计某个特征和未来收益的关系。前者考代码基本功后者考数据敏感性。以最大回撤为例这道题出现过无数次因为它是衡量策略风险最重要的指标之一。代码可以这样写def max_drawdown(nav): 计算净值序列的最大回撤 peak nav[0] # 记录历史最高点 max_dd 0 # 记录最大回撤幅度 for x in nav: peak max(peak, x) # 更新最高点 dd (peak - x) / peak # 当前回撤幅度 max_dd max(max_dd, dd) # 保留最大回撤 return max_dd这段代码的思路是遍历每一天的净值随时记住历史最高点然后用当前净值相对最高点的跌幅作为这一天的回撤值最后取整个过程中的最大值。参数 nav 是一段净值序列dd 是单日回撤max_dd 是所有回撤里最严重的那一次。笔试里能写出这段代码不难难的是你能不能在写完后解释清楚为什么回撤要看相对值而不是绝对值——因为同样是亏 1 块钱发生在净值 100 和净值 2 的时候风险意义完全不一样。3.3 金融直觉干净地解读一个数据信号笔试还有一类题看起来跟数学编程都不沾边比如一家公司股价突然大幅下跌但成交量没有明显放大可能的原因有哪些这类题考的是金融常识和推理能力。十家公司笔试题放到一起对比你会发现一个共性同一个知识点会被包装成完全不同的问法。例如复利计算有的公司直接考“年化收益 10%五年后变成多少”有的公司则给一个连续复利的情境让你反推实际年化收益。前者考公式后者考你有没有真正理解复利增长的逻辑。这种包装方式的差异恰恰说明各家机构在选人时侧重点不同但底层能力模型是一致的——三个方面数理基础、编程能力、金融逻辑。3.4 十家公司笔试题的共同点少考背诵多考推理把十家公司的题目全部翻一遍你会发现没有任何一道题是“背下来就能答”的。它们共同的特点是信息量不大条件给得很干净但推理链条往往不止一步。以一道经典的期望值问题为例一个游戏掷一枚硬币正面给你 2 元反面给你 1 元你愿意花多少钱玩一次看似简单实际上考的是“期望值计算”和“风险偏好”的区别——不同的人给出的答案不同关键是你能不能把背后的考量讲清楚。这类题在真实的策略工作中随处都有映射一个因子的预期收益是正的但它偶尔会出现连续亏损你还愿不愿意继续持有笔试题里的硬币游戏就是这种决策的微缩版。十家公司附答案的价值也正在这里你看到的不是孤立的一道题而是这个行业选拔人才的统一底层逻辑。刷题的过程就是把自己的思维方式向这个行业的标准靠拢的过程。4. 易混误区量化、程序化交易、高频交易和“自动炒股”是同一回事吗4.1 易混点量化等于高频交易这是最容易踩的坑。很多人一提到量化脑子里就是超级计算机以毫秒级速度下单的画面。实际上高频交易只是量化里一个很小的分支而且它对硬件、带宽、低延迟的要求极高绝大多数量化团队做的根本不是高频。为什么会被混淆因为媒体报道总是挑最刺激的部分讲而高频交易恰好足够刺激。怎么区分看持仓周期高频交易持仓可能只有几秒到几分钟而很多量化策略持有几天、几周甚至几个月。十家公司笔试题目里大部分概率题和统计题对应的是中低频策略的日常研究高频只是其中很小的一块。4.2 易混点回测结果好等于实盘能赚钱这是比高频误区危险一百倍的误区。一个策略在历史数据上跑出了漂亮的收益曲线新手会兴奋地以为自己找到了印钞机而量化研究员的第一反应往往是质疑这段回测是否过度拟合了历史为什么混因为回测本质上是用历史考卷来检验策略而历史考卷和未来考卷永远不可能完全一样。怎么区分看三个地方第一这个策略在样本外的时段表现如何第二计算收益时有没有扣除手续费和滑点第三策略本身的逻辑是否有经济学含义支撑。只靠数据挖出来的规律大概率是数据掘墓。笔试里那些答案给出的推导步骤学的正是“每一步都要有依据”的习惯。4.3 易混点量化等于写一个自动炒股脚本有人觉得量化就是把“低买高卖”写成代码让程序自动下单。这种理解把量化窄化成了执行工具。量化研究的核心在于“策略是怎么来的”——一个策略背后是历史数据分析、逻辑假设和风险控制自动下单只是最后一步执行动作。打个比方你去一家餐厅吃饭会觉得这家餐厅的核心竞争力是传菜机器人吗不会核心竞争力是后厨的菜谱和厨师的调配。程序自动下单就是那个传菜机器人策略研究才是后厨的功夫。笔试题里考你的概率和编程都是后厨功夫的前置技能。4.4 易混点因子等于技术指标技术指标是行情数据直接计算出来的量比如均线、MACD、布林带。因子则是更广义的定价维度可以是估值类的低市盈率股票长期跑赢、动量类的过去一年涨幅居前的股票短期继续跑赢也可以是另类数据类的某家公司的卫星图像显示停车场车变多了。为什么混因为因子在呈现形式上经常借用了技术指标的计算方法看起来像。怎么区分看它背后有没有经济逻辑。一个有经济逻辑支撑的因子在实盘里更可能持续有效一个纯数据挖掘出来的指标换一段时间段可能就失效了。笔试里的统计题考的就是你能不能从数据中识别出“真有关系的相关性”和“纯粹巧合的相关性”。4.5 易混点量化必须用极其复杂的模型和普遍认知相反很多长期有效的量化策略用的都是非常简单的方法。比如第 2 章里的双均线策略代码不过几行却能打败大量复杂的模型。复杂模型的问题在于参数太多容易过度拟合历史数据换到实盘就不灵。为什么混因为“复杂”听起来更专业市面上讲量化的内容也总爱堆砌深奥名词。怎么区分看策略的稳健性一个参数稍微变动就失效的模型不如一个在很大参数范围内都表现稳定的简单策略。笔试十家公司里不少题目其实考的就是基础概率和线性思维你不需要懂得多么高深的数学关键是有没有把问题简化、拆解、再验证的耐心。5. 认真准备一份笔试把这些题目从“会看答案”变成“会讲道理”5.1 先建知识框架一道题拆成三层拿到这份十家公司的笔试题集第一件事不是急着看答案而是建立一个拆题框架。每一道题都可以拆成三层第一层是考点比如这道题考的是条件概率还是期望值第二层是方法比如用贝叶斯公式还是全概率公式第三层是变形方向比如这道题如果把“不放回”改成“放回”甚至“随机决定放不放回”答案会怎么变。这样做的好处是你不会陷入“背题”的泥潭。量化笔试的题库相对于传统考试来说很小同一种考点反复出现的概率极高。你花一小时把某个考点的三种变体想透比花一小时记十道题的标准答案要有用得多。5.2 再用答案校正思路答案不是终点是反馈很多同学的刷题流程是这样题目拿出来扫一眼觉得不会立刻翻答案看懂合上感觉自己会了。这套流程的问题在于你不是真的会了你只是“认识”了这个解法。等下一道题条件变一变立刻原形毕露。正确的打开方式先限时闭卷写一遍哪怕只能写出半道题也要把自己卡住的那个步骤标注出来。然后再翻开答案重点看两件事——第一你卡住的地方答案是怎么处理的第二答案的解法里有没有比你原本思路更简洁的路径。这种“先输出、再对比”的方式是认知科学里最有效的学习方法之一。十家公司附答案的资源恰恰为你提供了这种对标的机会。5.3 最后动手把题讲清楚费曼式的准备法一个很有效的检验方法是把一道题的做法讲给一个完全不懂数学的朋友听如果对方能听懂你在说什么说明你真的理解了如果你发现自己讲到一半开始解释“因为所以”却说不清楚说明你还没有消化这道题。这个方法用在量化笔试准备中格外有效因为面试官的追问方式和“不懂数学的朋友”非常像——他们会不断问你“为什么这里要除以 2”“为什么不放回概率会不一样”直到确认你是真的懂而不是背的。这份题集提供了丰富的训练素材每道题的答案都在你可以逐题练习把答案转化成自己的语言。还有一个容易被忽视的细节统计一下十家公司题目里各个考点的频次。比如概率题出现了二十次、编程题出现了十五次、脑筋急转弯类出现了五六次——这个分布本身就是行业风向标重点准备高频考点低频考点保持熟悉。这种“用数据驱动备考”的思路和量化策略的研究思路异曲同工你不是在凭感觉猜测出题人的偏好而是在用统计方法找到最有把握的部分。5.4 关于答案的使用方式防止一本“参考答案”变成“害人手册”任何附答案的题集都有个副作用诱惑你直接看答案。量化行业里有一个词叫“幸存者偏差”——你只看到了活下来的策略没看到那些被淘汰的。参考答案也类似它给你展示的是一个漂亮的最终解法却省略了作者在推导过程中走过的死胡同。所以当你翻开每一道题的答案时可以顺手问自己四个问题这个解法是唯一的吗如果换一种假设答案会变成什么这个答案里的关键步骤是否依赖某个强的假设我能不能在五分钟内不看答案把这道题完整地推出来这套自我提问法能把一份简单的答案解析变成你思维方式的磨刀石。6. 什么时候该用这份题、什么时候别用一次清醒的边界判断这份资源适合三类人。第一类是准备入行量化、正在投递实习或全职岗位的人笔试刷题是绕不过去的一关第二类是已经在量化相关岗位但想跳槽的人用这套题检测自己是否被日常工作磨钝了基本功第三类是纯粹对量化感兴趣、想看看这个行业怎么筛选人才的人把题目当思维游戏也很有意思。反过来它不适合这三类场景。如果你以为把十家公司的答案背下来就能通过笔试——大概率翻车下一家公司的题目变个条件就足以打懵你。如果你以为“看完答案就等于学习了”——同样没用看答案的愉悦感是虚假的只有亲手推一遍的费劲才是真实积累。还有一种情况如果你想要的是“看了就能赚钱的策略代码”这份题集帮不了你它是应聘工具不是印钞机。我自己刚开始接触这类笔试时犯过一个典型的错误拿到题先翻答案看完觉得自己全会了结果限时模拟时发现连第一题的思路都搭建不起来。真正把效率逼出来的方法反而最笨——每道题先给自己 15 分钟硬扛哪怕写一半卡住也写下来再去对照答案找那一半的差距。从那以后我每次做策略研究都强制自己先写下清晰的假设再让数据说话而不是先看结果再倒推逻辑。包括任何一个回测结果都要问一遍“这个结果在样本外还成立吗”才敢继续。希望你也能把这份题集用出它的价值不是把答案喂进脑子而是把思考的骨架搭起来。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
