文 / STEM Career 编辑部
量化研究、量化交易和量化开发经常出现在同一份求职清单上，但它们并不只是一个职业的三个名称。研究更关注问题、数据和模型，交易更关注不确定条件下的判断与反馈，开发更关注系统实现和可靠性。实际团队会有交叉，职位边界应当看具体工作。
对数学、统计、计算机或工程背景的留学生，选方向的起点不应是哪个岗位传闻薪资最高，而是你能证明哪一种能力、愿意长期处理哪一种问题。本篇用官方招聘说明作为观察入口，再通过原创练习帮助你识别差距，不提供交易策略、收益承诺或招聘真题。
先读工作内容再看职位标签
Jane Street的面试介绍分别说明交易、研究和技术方向，提到研究工作与交易及软件工程存在重叠。它也说明该公司的部分面试重视协作解决问题。这个例子能够提醒你不要把岗位分得过于绝对，但不能据此推导整个行业的学历或面试要求。
阅读其他雇主职位时，记录主要任务、合作对象、使用的数据或系统、要求的经验和申请资格。相同Quantitative Researcher标题，可能对应不同研究周期、模型类型和业务范围。职位标题只能帮助搜索，不能独立决定准备内容。
尤其不要把实习、毕业生和有经验岗位混在一起比较。一个要求长期生产经验或特定研究成果的职位，不一定代表行业所有入门岗位都采用相同门槛。应当先找到与你阶段匹配的样本，再整理共性。
研究方向看你怎样检验一个想法
量化研究的准备重点之一，是从问题出发处理数据、建立基线、测试假设并解释局限。会运行复杂模型只是其中一环。你需要说明为什么选这个目标，数据是否适合，怎样防止把偶然模式当成稳定结果。
课程或研究项目可以成为证据，但最好能够复现。记录数据来源、清洗步骤、训练和评估划分、主要指标以及失败尝试。只展示一张表现很好的曲线，没有过程和比较，难以判断结果是否可信。
如果使用时间序列数据，尤其要检查是否在某一步不小心使用了未来信息。任何在划分之前拟合的处理步骤，都值得审视是否带来泄漏。技术细节应根据项目解释，而不是为了显得专业堆叠术语。
交易方向看你怎样处理不确定性
相关岗位可能重视概率、期望、快速更新判断和清晰沟通。这里的“快”不等于没有过程地猜答案。你应当能够说明当前信息支持什么、风险在哪里，以及新信息出现后为何改变决定。
Jane Street的Probability and Markets指南是该公司提供的准备资源入口，可以用于学习其介绍的概率与市场相关概念。使用时应按内容理解，不要把完成一本材料当成已经满足所有交易岗位要求。
没有金融专业背景，不应自动判断自己不能申请；同样，某家公司表示无需特定金融知识，也不能推导所有雇主都不看相关背景。实际投递仍需逐项核对。准备的重点是建立可解释的定量思考，而不是背行业里的高薪故事。
开发方向看系统能否可靠运行
量化开发或金融机构的软件岗位，可能涉及数据处理、研究工具、交易系统或基础设施。不同团队对延迟、语言、并发、存储和算法的要求不同。不要把所有量化开发都等同于低延迟系统，也不要认为普通刷题准备足以覆盖所有任务。
一个可讨论的开发项目，应该展示输入、输出、错误处理、测试和性能取舍。例如数据流水线遇到重复、乱序或缺失记录时怎样处理；程序运行失败后如何定位；测试能否覆盖关键边界。这些问题通常比项目名字更能体现工程能力。
如果你主要喜欢实现可靠工具，而不是提出模型或进行实时判断，可以先研究开发方向。也可以通过软件面试表达与测试方法补充沟通，但要继续根据具体岗位补齐领域约束。
用一张矩阵观察自己的证据
| 方向 | 先找什么证据 | 应避免的替代品 |
|---|---|---|
| 研究 | 假设、数据检查、基线和评估 | 只有高分模型截图 |
| 交易 | 概率解释、信息更新和风险意识 | 把猜中一次当能力 |
| 开发 | 可运行实现、测试和故障分析 | 只有语言名称 |
| 共同部分 | 讲清思路、接受追问、修正错误 | 背答案但不能解释 |
每一格都用具体经历填写。没有证据不意味着永久不适合，只意味着需要一次小练习来判断。不要凭专业名称给自己打满分；统计专业也可能缺少可复现项目，计算机专业也可能没有系统测试经验。
再标出哪些活动让你愿意持续投入。擅长一次考试与喜欢日常工作不同。如果你喜欢研究但讨厌反复清洗数据，应当进一步了解实际任务占比，而不是只想象模型发现的时刻。
原创概率练习先讲清假设
假设有一枚公平六面骰子，掷一次得到的点数作为得分。期望得分为一到六之和除以六，等于三点五。它不是说每次会出现三点五，而是这个规则下长期平均的数学量。这是基础教学练习，不涉及实际投资。
现在允许你第一次看到结果后选择保留，或重新掷一次并接受第二次结果。第二次掷骰子的期望仍为三点五，所以第一次得到一、二、三时重掷，得到四、五、六时保留。在这些假设下，这条规则的期望是四点二五。
计算方法是把前三种结果各替换成三点五，再与四、五、六相加，除以六。回答时解释为什么比较的是当前得分与重掷期望，而不是只报四点二五。搭档如果改变规则，你才能据此调整。
改变一个条件再更新答案
如果重掷需要付出一点得分成本，重掷后的净期望变成二点五。此时第一次得到一或二才重掷，三到六保留。新的期望为二点五、二点五、三、四、五、六之和除以六，等于二十三除以六。
这个练习展示了条件变化如何改变策略。你不需要维护原先“一到三都重掷”的答案，也不需要因为出现成本就从头忘掉模型。先更新相关量，再重新比较即可。
还可以追问如果骰子不公平、但概率未知会怎样。现有信息不足以给出同样精确的结论，需要概率假设或更多数据。认识到缺失条件，也是解题能力的一部分。不要为了显得反应快就继续使用公平骰子的结论。
原创研究练习从简单基线开始
选择一个允许使用的公开时间序列，或者自己生成的模拟数据，提出一个明确预测任务。先用简单规则作基线，再考虑更复杂方法。数据来源和许可写清，合成数据明确标注，不把练习结果包装成可交易的信号。
按时间划分训练与评估部分，说明为什么这样划分。检查缺失、重复、异常和预处理步骤；记录指标在不同区间是否稳定。若复杂模型没有优于简单基线，也可以形成有价值的报告，解释可能原因和下一步。
报告的重点是研究过程，不是制造漂亮收益。不要反复试很多组合后只展示最好的一次而隐藏选择过程。你可以保留实验日志，说明哪些尝试失败、哪些结论仍不稳定。这样在面试追问时更容易给出真实解释。
原创开发练习用数据流测试可靠性
构建一个小程序，读取模拟事件记录，按对象汇总数量并输出结果。先定义记录格式和正常行为，再加入重复编号、错误字段、乱序事件与空文件。这个任务不需要真实交易数据，也不必连接任何生产系统。
明确哪些输入会被拒绝，哪些会被修复或记录告警，以及如何验证汇总没有重复计数。给出几组测试和预期输出，再解释如果数据量增加，哪个环节可能先成为瓶颈。性能讨论应基于测量或明确假设，不要凭语言名称断言快慢。
如果进一步实现并发或持久化，说明新增复杂度为何必要。一个简单但可复核的实现，比加入许多组件却不能解释失败行为更适合展示。任务的价值在于可靠性思考，而不是模拟一个完整交易所。
四周准备应当有一个主方向
第一周研究少量匹配职位，并完成概率、研究或开发的小诊断。第二周集中补一个关键差距，避免每天更换方向。第三周把练习整理成可讨论成果，找同学提出追问。第四周按目标岗位准备表达和申请材料。
这是个人训练建议，不是就业时间保证。如果某项基础需要更长时间，应调整目标和申请节奏，而不是用四周计划承诺能转入量化。短周期的作用是帮助你验证方向，知道下一阶段该投入什么。
可以保留相邻方向作为第二选择，但不要同时把研究论文、低延迟系统和所有概率题都列为短期必修。清楚的主要目标能让你的材料形成连续证据，也能减少被不同岗位要求拉扯的感觉。
面试时把合作能力放进解题过程
不懂题意时先澄清，想到方法时解释关键关系，遇到提示时说明它怎样改变思路。不要把面试官的追问视为自己已经失败，也不要为了表现独立而拒绝有效信息。
如果使用某个结论，准备好解释条件。对于代码，说明边界与测试；对于概率，说明事件和假设；对于研究，说明评估口径。对方能够沿着你的思路检查，才有可能判断你如何在工作中合作。
准备项目介绍时，先用短版本交代问题、本人贡献和主要结果，再根据追问展开。需要整理展示入口，可以参考课程项目作品集方法。不要用大量专业名词挡住实际做过的工作。
投递前核对岗位与现实条件
最后单独检查学历、毕业时间、办公地点、语言、工作授权和经验要求。雇主在一个办公室支持某种安排，不意味着另一个办公室相同；历史上录用过某类候选人，也不是对你当前申请的保证。
记录每个岗位为什么匹配，以及最重要的未知项。没有达到明确硬条件的岗位可以暂时排除；缺少一项偏好条件则需要结合整体证据判断，不必自动放弃。使用当前官方职位，而不是依据论坛里某一届录取结果作决定。
选方向的成果应当是一个可以执行的下一步：研究一个匹配岗位，完成一项能力验证，整理一份能够被追问的作品。量化求职的门槛不应靠传闻理解，也不应靠一张技能清单假装跨过；把任务做具体，才知道自己距离目标还有多远。
怎样避免把准备变成对名气的追逐
建立目标名单时，把机构名称暂时遮住，只看任务和要求。问自己是否愿意做这项工作，是否已有相关证据，最想补充的能力是什么。若遮住名称就完全失去兴趣，应该再了解日常工作，而不是只靠品牌驱动长期准备。
也可以比较同一能力在不同岗位中的用途。数据清洗、统计评估和系统测试并不只服务量化行业。保留相邻职业路径，可以降低一次申请结果对整体计划的影响，同时不妨碍你认真准备主要目标。
一次拒绝也不足以证明整个方向不适合。先看失败发生在哪个环节，是否有具体反馈，以及准备中是否存在可重复的短板。能定位到问题时继续改进；缺少信息时保留不确定，不要根据一次结果给自己的能力作终身判断。
常见问题（FAQ）
没有金融背景可以申请吗
部分雇主及岗位接受不同背景，但要逐项阅读具体资格，不能把一家公司的说明推广到整个行业。
量化开发都是低延迟开发吗
不是。工作可能涉及研究工具、数据或基础设施，应看实际系统和任务要求。
练习回测表现好就能证明能力吗
还需检查数据、泄漏、基线和评估稳定性，不把单次漂亮结果等同可靠研究或收益保证。
- Jane Street的面试介绍· Jane Street
- Jane Street的Probability and Markets指南· Jane Street
先了解目标市场的服务内容，也可以添加顾问微信咨询求职准备。