Der exakte Bauplan für 650.000 $/Jahr (Quant-Roadmap)

Ich werde dir den genauen Bauplan aufschlüsseln, um eine Quant-Karriere mit einem Jahresgehalt von 650.000 $ von null aufzubauen und Rollen bei Firmen wie Jane Street und Citadel zu ergattern.

Kommen wir direkt zum Punkt.

Lesezeichen setzen

-

Ich bin Roan, Backend-Entwickler mit Schwerpunkt auf Systemdesign, HFT-Ausführung und quantitativen Handelssystemen. Meine Arbeit konzentriert sich darauf, wie sich Prognosemärkte tatsächlich unter Last verhalten. Für Vorschläge, durchdachte Kooperationen und Partnerschaften – meine DMs sind offen.

Die Quant-Branche wartet auf niemanden.

Einsteiger als Quantitative Researcher bei Citadel verdienen bereits zwischen 336.000 und 642.000 US-Dollar Gesamtvergütung direkt nach dem Studium. Jane Street zahlte seinen durchschnittlichen Angestellten in der ersten Hälfte des Jahres 2025 allein 1,4 Millionen US-Dollar. Praktikanten bei IMC Trading verdienen annualisiert umgerechnet über 240.000 US-Dollar. Die Fünf-Jahres-Benchmark für diejenigen, die in den Top-Prop-Shops überleben, liegt zwischen 800.000 und 1.200.000 US-Dollar pro Jahr.

Und das ist noch bevor man sich ansieht, was auf den Prognosemärkten passiert.

Der Bereich expandiert rasant in die Bereiche Wahlen, Wirtschaft, Sport und geopolitische Ereignisse. Institutionelle Quants setzen jetzt systematische Strategien in Prognosemärkten ein, genauso wie sie sie in Aktien und Derivaten einsetzen. Dieselben Wahrscheinlichkeitsrahmen, dieselben Signalkombinationstechniken, dieselben Risikomanagementprinzipien. Ich habe bereits einen speziellen Artikel darüber geschrieben, wie man in den Bereich Prognosemarkt-Quant einsteigt.

Roan

@RohOnChain

·

24. Feb.

Artikel

Wie man ein Quant für Prognosemärkte wird (Komplette Roadmap)

Ich werde die komplette Roadmap aufschlüsseln, um ein institutioneller Quant für Prognosemärkte zu werden. Ich werde auch die genauen Ressourcen und den schrittweisen Weg teilen, der funktioniert.

Kommen wir direkt zum...

35

196

1,3 Tsd.

481 Tsd.

Als ich 16 war, hatte ich null Verständnis dafür, wie Wahrscheinlichkeit und Mathematik tatsächlich in echten Märkten funktionieren. Heute leite ich systematische Handelsstrategien in Prognosemärkten auf institutionellem Niveau. Das geschah, weil ich einen strukturierten Weg vom kompletten Anfänger zum Verständnis der mathematischen Rahmenwerke, der technischen Ausführung und der Marktmikrostruktur gegangen bin, die Institutionen nutzen, um systematisch einen Vorteil zu erzielen.

KI- und maschinelles Lernen im quantitativen Finanzwesen haben sich im Laufe des Jahres 2025 stark beschleunigt. Jeder große Fonds baut systematische Strategien auf, die von ML-Modellen angetrieben werden. Die Nachfrage nach quantitativen Analysten wird bis 2028 voraussichtlich um 9 Prozent wachsen, und Personalvermittler bezeichnen 2026 als möglicherweise den wettbewerbsintensivsten Quant-Talentmarkt weltweit.

Und doch haben die meisten Menschen, die in diesen Bereich einsteigen wollen, keine Ahnung, wie sie das tatsächlich anstellen sollen.

Sie denken, Quant-Trading bedeutet, klug über Märkte zu sein. Die richtigen Aktien auszuwählen. Starke Meinungen zur Kursrichtung zu haben. Sie stellen sich Wall-Street-Anzüge und Bloomberg-Terminals vor und nehmen an, dass das Feld Leuten gehört, die Finanzen an Eliteuniversitäten studiert haben. Sie nehmen an, dass man MIT oder Stanford im Lebenslauf braucht. Sie nehmen an, dass die Tür ohne einen Ivy-League-Namen bereits verschlossen ist.

Das ist völlig falsch. Und es ist der mit Abstand größte Grund, warum die meisten Leute es nie versuchen.

Jane Street gibt in ihren Stellenausschreibungen explizit an, dass Vorkenntnisse in Finanzen oder Wirtschaftswissenschaften nicht erwartet oder vorausgesetzt werden. Über zwei Drittel ihres jüngsten Praktikumsjahrgangs haben Informatik oder Mathematik studiert. Nicht Finanzen. Nicht Wirtschaftswissenschaften.

Jane Street Einstellung

Am Ende dieses Artikels wirst du verstehen, was Quant-Trading tatsächlich ist und warum es so gut bezahlt wird, die vier wichtigsten Quant-Rollen und welche zu deinem Hintergrund passt, die komplette mathematische Roadmap von null aufgebaut in der richtigen Lernreihenfolge, was der Vorstellungsgesprächsprozess bei Top-Firmen tatsächlich testet und wie du dich genau darauf vorbereitest, und die genaue Treppe von null Erfahrung bis zu deiner ersten echten institutionellen Qualifikation.

Hinweis: Dieser Artikel ist bewusst lang. Jeder Teil baut auf dem vorherigen auf. Wenn du es ernst meinst mit dem Aufbau einer Quant-Karriere, lies jedes einzelne Wort. Wenn du nach einer Abkürzung suchst, ist das hier nichts für dich.

Teil 1: Was Quant-Trading eigentlich ist und die Rollen darin

Die meisten Leute denken, Quant-Trading bedeutet, eine Meinung darüber zu haben, wohin sich die Märkte bewegen.

Das ist es nicht. Quant-Trading dreht sich um Mathematik.

Du arbeitest mit statistischen Beziehungen, Preisunwirtschaftlichkeiten und strukturellen Vorteilen, die existieren, weil Märkte komplexe Systeme sind, die von Menschen betrieben werden, die systematische und wiederholbare Fehler machen. Das Ziel ist nicht, bei einem bestimmten Ergebnis richtig zu liegen. Das Ziel ist, Situationen zu finden, in denen die mathematische Wahrscheinlichkeit zu deinen Gunsten ist, die Position richtig zu dimensionieren und diesen Prozess tausende Male zu wiederholen, bis sich der Erwartungswert in echte Renditen akkumuliert.

Stell es dir genauso vor, wie ein Casino arbeitet. Das Casino versucht nicht vorherzusagen, ob ein einzelner Einsatz gewinnt. Es betreibt das Spiel wiederholt mit einem kleinen mathematischen Vorteil bei jedem Einsatz und überlässt dem Gesetz der großen Zahlen den Rest. Quant-Trading-Firmen arbeiten genauso. Sie finden Vorteile. Sie dimensionieren Positionen richtig. Sie führen in großem Maßstab aus.

Dieses Framework gilt identisch für Prognosemärkte. Ein systematischer Quant versucht nicht vorherzusagen, ob ein bestimmter politischer Kandidat eine Wahl gewinnen wird. Sie versuchen, Märkte zu finden, in denen die implizite Wahrscheinlichkeit messbar von dem abweicht, was die zugrundeliegenden Daten tatsächlich stützen, auf diese Abweichung zu setzen und dies gleichzeitig über Hunderte von Ereignissen zu wiederholen. Die Werkzeuge sind dieselben. Die Mathematik ist dieselbe. Der Vorteil kommt aus derselben Quelle.

Nun zu den Rollen, denn die erforderliche Vorbereitung unterscheidet sich erheblich zwischen ihnen.

Quantitative Researcher ist die am höchsten bezahlte und anspruchsvollste Rolle. Das sind die Leute, die Muster in riesigen Datensätzen finden, Vorhersagemodelle bauen und die eigentlichen Handelsstrategien entwerfen. Sie benötigen mathematische und statistische Tiefe auf PhD-Niveau oder wirklich außergewöhnliche Bachelor-Leistungen in einem harten quantitativen Bereich. Die Gesamtvergütung für Einsteiger bei Top-Firmen liegt zwischen 350.000 und 650.000 US-Dollar und steigt von dort drastisch an.

Quantitative Trader setzt die von Forschern entwickelten Modelle in Echtzeit in echte Trades um. Schnelles probabilistisches Denken, starkes Kopfrechnen und sichere Entscheidungsfindung unter Druck mit unvollständigen Informationen. Diese Rolle hat die höchste Vergütungsvarianz aller Quant-Karrieren. Außergewöhnliche Trader erreichen in einem einzigen Jahr achtstellige Beträge. Die Einstiegsvergütung bei Top-Firmen liegt typischerweise zwischen 200.000 und 400.000 US-Dollar mit unbegrenztem Aufwärtspotenzial.

Quantitative Developer baut die Infrastruktur, die Forschung tatsächlich in Live-Märkten handeln lässt. Handelsplattformen, Ausführungs-Engines, Echtzeit-Datenpipelines, Latenzsysteme. Produktionsreifes C++, Rust und Python auf sehr hohem Leistungsniveau. Die Gesamtvergütung für Einsteiger liegt bei Top-Firmen typischerweise zwischen 200.000 und 350.000 US-Dollar.

Risk Quant konzentriert sich auf Modellvalidierung, Value-at-Risk-Berechnung, Stresstests und regulatorische Compliance. Der stabilste Quant-Karriereweg mit dem vorhersehbarsten Vergütungsverlauf. Niedrigere Obergrenze als die anderen drei Rollen, aber deutlich mehr Stabilität.

Die am schnellsten wachsende Rolle derzeit ist der KI- und maschinelles Lernen fokussierte Quant, der Signalgenerierungssysteme mit Deep Learning baut, alternative Daten in großem Maßstab verarbeitet und ML-Modelle direkt in Live-Handelsumgebungen einsetzt. Dies liegt an der Schnittstelle von Quant-Forschung und Machine-Learning-Engineering und ist der Bereich, in dem 2025 und 2026 die aggressivsten Einstellungen stattfinden.

Das Missverständnis, das du beseitigen solltest, bevor du weiterliest: Du brauchst keinen Finanzabschluss, um einen dieser Jobs zu machen. Du brauchst mathematische Fähigkeiten, Programmierkenntnisse und die Disziplin, das Fundament in der richtigen Reihenfolge aufzubauen.

Teil 2: Das mathematische Fundament in der richtigen Reihenfolge

Der Weg von null bis quant-ready ist wie Level in einem Videospiel. Du kannst keine Level überspringen. Jedes Konzept baut auf dem vorherigen auf. Wenn du versuchst, direkt zu maschinellem Lernen oder Optionspreisbildung zu springen, ohne die grundlegenden Schichten darunter, wirst du oberflächliche Vertrautheit mit vielen Themen aufbauen, aber kein echtes Verständnis für eines davon. Das wird keinem Quant-Interview standhalten.

Die richtige Reihenfolge ist fünf Schichten tief. Jede Schicht ist die Voraussetzung für alles, was danach kommt.

Schicht Eins: Wahrscheinlichkeit

Alles im quantitativen Finanzwesen reduziert sich auf eine Frage. Wie hoch sind die Chancen, und sind die Chancen zu meinen Gunsten?

Wenn du Wahrscheinlichkeit nicht auf einem tiefen Niveau verstehst, ist alles andere in diesem Artikel irrelevant. Optionspreisbildung ist ein Wahrscheinlichkeitsproblem. Signalmodellierung ist ein Wahrscheinlichkeitsproblem. Market Making ist ein Wahrscheinlichkeitsproblem. Positionsdimensionierung ist ein Wahrscheinlichkeitsproblem. Prognosemarkt-Handel ist im Kern ein Wahrscheinlichkeitsproblem.

Das wichtigste Konzept auf dieser Schicht ist das bedingte Denken. Quants denken nicht in Absolutheiten. Sie denken in Bedingungen. Angesichts dessen, was ich jetzt weiß, wie wahrscheinlich ist dieses Ergebnis?

Die Formel, die dies präzise macht:

P(A|B) = P(A und B) / P(B)

Die Wahrscheinlichkeit von A gegeben B ist gleich der Wahrscheinlichkeit, dass beide Ereignisse eintreten, geteilt durch die Wahrscheinlichkeit von B allein.

So funktioniert das in der Praxis. Stell dir vor, du baust ein Signal für einen Prognosemarkt zu einer Wirtschaftsankündigung. Die unbedingte Wahrscheinlichkeit, dass der Markt nach der Ankündigung stark ausschlägt, beträgt 40 Prozent basierend auf historischen Basisraten. Aber an Tagen, an denen die implizite Volatilität von Optionen vor der Ankündigung deutlich erhöht ist, steigt die bedingte Wahrscheinlichkeit eines starken Ausschlags auf 68 Prozent. Diese 68 Prozent sind ein echtes, nutzbares Signal. Die unbedingten 40 Prozent vermischen Signal und Rauschen auf eine Weise, die du ohne Konditionierung nicht trennen kannst.

Der Satz von Bayes ist das andere wesentliche Konzept hier. Er sagt dir, wie du deine Überzeugung aktualisieren kannst, wenn neue Informationen eintreffen:

Posterior = (Likelihood x Prior) / Evidenz

Deine aktualisierte Überzeugung ist gleich der Wahrscheinlichkeit, diese neuen Beweise zu sehen, wenn deine Hypothese wahr wäre, multipliziert mit der Stärke deiner vorherigen Überzeugung, geteilt durch die Wahrscheinlichkeit, diese Beweise unter irgendeiner Hypothese zu sehen. Die Händler, die ihre Überzeugungen am schnellsten und genauesten aktualisieren, wenn neue Informationen eintreffen, schneiden durchweg besser ab als alle anderen.

Erwartungswert und Varianz sind die beiden Zahlen, über die du für den Rest deiner Quant-Karriere nachdenken wirst. Der Erwartungswert ist dein durchschnittliches Ergebnis über alle Szenarien hinweg. Die Varianz ist, wie stark dein tatsächliches Ergebnis von diesem Durchschnitt abweichen kann. Wenn deine Strategie einen positiven Erwartungswert hat und du die Varianz lange genug überleben kannst, damit sie sich akkumuliert, wirst du Geld verdienen. Wenn du Positionen im Verhältnis zur Varianz zu groß dimensionierst, wirst du pleitegehen, bevor der Erwartungswert Zeit hatte zu wirken.

Ressource für diese Schicht: Blitzstein und Hwang, Introduction to Probability. Vollständiges PDF kostenlos von Harvard erhältlich. Bearbeite alle Aufgaben in Kapitel 1 bis 6. Plane drei bis vier Wochen bei zwei konzentrierten Stunden pro Tag.

Schicht Zwei: Statistik

Sobald du Wahrscheinlichkeit verstehst, musst du lernen, auf Daten zu hören. Das ist Statistik. Das Wichtigste, was Statistik lehrt, ist, dass das meiste, was wie ein echtes Signal aussieht, tatsächlich Rauschen ist.

Du baust eine Strategie. Sie backtestet mit 15 Prozent Jahresrendite. Ist das ein echter Vorteil oder glückliche Variation?

Hypothesentests sind der Weg, das herauszufinden. Nimm die Nullhypothese an, dass deine Strategie eine wahre erwartete Rendite von null hat. Berechne, wie wahrscheinlich es ist, Ergebnisse dieser Stärke zu sehen, wenn diese Annahme wahr wäre. Wenn du tausend zufällige Strategien testest, werden fünfzig von ihnen rein zufällig scheinbar starke Ergebnisse auf dem standardmäßigen 5-Prozent-Signifikanzniveau zeigen. Dies ist das Problem des multiplen Testens. Es ist der mit Abstand häufigste Grund, warum Backtests großartig aussehen und Live-Handelsergebnisse schrecklich sind.

Lineare Regression ist das Arbeitstier. Regressiere deine Strategierenditen gegen bekannte Risikofaktoren und suche nach dem Achsenabschnitt namens Alpha. Wenn Alpha null ist, nachdem alle Standardfaktoren berücksichtigt wurden, ist dein vermeintlicher Vorteil nur getarntes Exposure gegenüber Dingen, die bereits gut verstanden waren. Die einzige Zahl, die zählt, ist das Alpha, das überlebt, nachdem jeder bekannte Faktor berücksichtigt wurde.

Ressource für diese Schicht: Wasserman, All of Statistics, Kapitel 1 bis 13. Plane vier bis fünf Wochen.

Schicht Drei: Lineare Algebra

Lineare Algebra ist die Maschinerie, die alles im quantitativen Finanzwesen und ML antreibt. Portfolio-Konstruktion, Hauptkomponentenanalyse, neuronale Netze, Kovarianzschätzung und Faktormodelle laufen alle auf Matrix-Mathematik.

Eine Kovarianzmatrix erfasst, wie sich jedes Asset relativ zu jedem anderen bewegt. Die Portfolio-Varianz reduziert sich auf:

Varianz = w^T x Sigma x w

Wobei w dein Gewichtsvektor und Sigma die Kovarianzmatrix ist. Dieser einzelne Ausdruck ist der mathematische Kern der Portfoliooptimierung und des Risikomanagements.

Eigenwerte zeigen, was innerhalb dieser Kovarianzmatrix tatsächlich wichtig ist. In einem Universum von 500 Aktien erklären die ersten fünf Eigenvektoren typischerweise 70 Prozent aller Varianz. Alles andere ist Rauschen. Die Eigenwertzerlegung ist die Grundlage des Faktor-Investings, der Dimensionsreduktion und der statistischen Architektur groß angelegter systematischer Strategien.

Ressource für diese Schicht: Gilbert Strangs MIT 18.06 Vorlesungen, völlig kostenlos bei MIT OpenCourseWare. Schau sie alle an. Arbeite dann durch Strangs Lehrbuch Introduction to Linear Algebra. Plane vier bis sechs Wochen.

Schicht Vier: Analysis und Optimierung

Nahezu jedes Problem im quantitativen Finanzwesen reduziert sich auf die Maximierung von etwas unter Nebenbedingungen. Portfolio-Konstruktion, Modelltraining und Ausführungsstrategie sind alles Optimierungsprobleme.

Konvexe Optimierung ist hier unerlässlich. Ein konvexes Optimierungsproblem hat eine eindeutige globale Lösung, die effizient gefunden werden kann. Die meisten Portfolio-Konstruktions- und Risikomanagementprobleme können als konvexe Programme strukturiert werden. Zu verstehen, wann ein Problem konvex ist und wie man es effizient löst, ist eine Kernkompetenz in diesem Bereich.

Ressource für diese Schicht: Boyd und Vandenberghe, Convex Optimization. Vollständiges PDF kostenlos von Stanford. Arbeite Kapitel 1 bis 5 durch. Plane vier bis fünf Wochen.

Schicht Fünf: Stochastische Analysis

Vor der stochastischen Analysis kannst du Daten analysieren und statistische Modelle bauen. Danach kannst du ableiten, wie Finanzinstrumente aus mathematischen ersten Prinzipien bepreist werden. Dies ist die Schicht, aus der Black-Scholes stammt und in der die anspruchsvollsten systematischen Strategien entwickelt werden.

Die zentrale Erkenntnis der stochastischen Analysis ist, dass in einer Welt mit Zufälligkeit das Quadrat eines kleinen zufälligen Inkrements nicht vernachlässigbar ist, wie es in der gewöhnlichen Analysis der Fall ist. Diese eine Tatsache ändert jede Berechnung und erzeugt Itôs Lemma, die Kettenregel der stochastischen Analysis. Wende es auf einen Optionspreis an und du leitest die Black-Scholes-Gleichung ab:

dV/dt + (1/2) sigma² S² (d²V/dS²) + rS (dV/dS) - rV = 0

Was dieses Ergebnis bemerkenswert macht, ist, dass die erwartete Rendite der Aktie vollständig verschwindet. Der Optionspreis hängt nicht davon ab, wohin deiner Meinung nach die Aktie geht. Nur davon, wie stark sie sich bewegt. Dies war das konzeptionell radikale Ergebnis, das die moderne Derivatepreisbildung ermöglichte.

Ressource für diese Schicht: Shreve, Stochastic Calculus for Finance, Bände 1 und 2. Der Goldstandard. Plane sechs bis acht Wochen und hetze nicht.

Teil 3: Programmierung, HFT-Tools und der Tech-Stack, der wirklich zählt

Es gibt zwei völlig getrennte Arten von Programmierkenntnissen, die im Quant-Finanzwesen wichtig sind, und die meisten Kandidaten verwechseln sie.

Die erste ist Forschungscodierung. Sauberes Python schreiben, um Daten zu analysieren, statistische Modelle zu bauen und zu backtesten und Machine-Learning-Pipelines zu implementieren. Das ist das, was Quant-Forscher und die meisten Quant-Analysten täglich verwenden.

Die zweite ist Produktionssystemprogrammierung. Hochleistungs-C++ oder Rust schreiben, das mit Mikrosekunden-Latenz ausführt, Echtzeit-Marktdaten verarbeitet, Orderbücher verwaltet und Ausführungslogik ohne einen einzigen verpassten Tick handhabt. Das ist das, was Quantitative Developer und HFT-Ingenieure bauen.

Wenn du auf Quant-Researcher- oder Quant-Analyst-Rollen abzielst, ist Python dein primäres Werkzeug. Beherrsche pandas und polars für die Datenmanipulation, wobei polars auf großen Datensätzen zehn bis fünfzig Mal schneller läuft. Verwende numpy und scipy für numerische Berechnungen. Verwende xgboost, lightgbm und catboost für maschinelles Lernen mit tabellarischen Daten. Verwende pytorch für Deep Learning. Verwende cvxpy für Optimierungsprobleme. Verwende statsmodels für statistische Tests.

Wenn du auf Quantitative Developer oder HFT-Engineering-Rollen abzielst, sind C++ und Rust nicht verhandelbar.

C++ ist seit Jahrzehnten die dominierende Sprache im Hochfrequenzhandel. Die Gründe sind die Kontrolle über das Speicherlayout, die deterministische Leistung ohne Garbage-Collection-Pausen und die Fähigkeit, Code bis auf Nanosekunden an die theoretischen Hardwaregrenzen zu optimieren. Bei Firmen, die mit Mikrosekunden- oder Submikrosekunden-Geschwindigkeiten handeln, kann ein schlecht optimiertes Speicherzugriffsmuster mehr an Slippage kosten, als eine Strategie an Vorteil einbringt. Die relevanten C++-Bibliotheken sind QuantLib für Derivate und Finanzmathematik, Eigen für hochleistungsfähige lineare Algebra und Boost für allgemeine Dienstprogramme.

Rust ist der ernsthafte aufstrebende Konkurrent zu C++ in diesem Bereich und gewinnt schnell an Akzeptanz. Rust bietet das gleiche Leistungsniveau wie C++ mit Speichersicherheitsgarantien, die zur Compile-Zeit erzwungen werden, und eliminiert ganze Klassen von Fehlern, die regelmäßig in C++-Codebasen auftreten. NautilusTrader, eine der fortschrittlichsten Open-Source-Handelsplattformen, verwendet einen Rust-Kern für leistungskritische Komponenten mit einer Python-API für Forschung und Strategieentwicklung. Diese Rust-plus-Python-Architektur wird zum Standardmuster für neue systematische Handelsinfrastruktur. RustQuant ist speziell für Optionspreisbildung und quantitative Derivatearbeit in Rust verfügbar.

Für Datenquellen: yfinance ist kostenlos und zum Lernen ausreichend. Polygondotio für etwa 200 $ pro Monat bietet eine Latenz von unter 20 Millisekunden und ist der Standard für ernsthafte systematische Retail-Arbeit. Bloomberg Terminal für etwa 32.000 $ pro Jahr ist der institutionelle Standard. Finnhub bietet eine kostenlose Stufe für frühe Projekte.

Für Backtesting: NautilusTrader für produktionsreife Arbeit. Backtrader und vectorbt sind einfachere Ausgangspunkte zum Erlernen der Konzepte.

Hausaufgabe und die Interviewfrage, die alles enthüllt:

Hier ist eines der berühmtesten Wahrscheinlichkeitsprobleme, das Top-Quant-Firmen in frühen Screening-Runden verwenden. Es ist einfach zu formulieren, überraschend tiefgründig, um es richtig zu lösen, und testet direkt das bedingte Denken aus Teil 2.

Du wirfst wiederholt eine faire Münze, bis du zweimal hintereinander Kopf bekommst. Wie viele Würfe sind im Durchschnitt erforderlich?

Arbeite dies selbst durch, bevor du etwas anderes liest. Suche nicht nach der Antwort. Der Prozess des Aufstellens der Zustände, des Schreibens der Gleichungen für jeden Zustand und des Lösens des Systems ist genau die Art des Denkens, auf die Quant-Interviewer achten.

Schreibe deine Antwort und deinen Ansatz in die Kommentare. Es gibt ein spezifisches Ergebnis, zu dem dieses Problem konvergiert, und die Methode, die du verwendest, um dorthin zu gelangen, verrät mehr über dein mathematisches Denken als die Antwort selbst.

Teil 4: Der Vorstellungsgesprächsprozess entschlüsselt

Die meisten Kandidaten bereiten sich auf das vor, was sie sich unter Quant-Interviews vorstellen. Die Realität ist strukturierter und anspruchsvoller, als die meisten Leute erwarten.

Bei einer Firma wie Citadel erstreckt sich der Interviewprozess über mehrere parallele Tracks. Quantitative Softwareentwicklung, Trading und Quant-Research-Tracks haben jeweils unterschiedliche Strukturen und testen unterschiedliche Dinge. Ein ernsthafter Kandidat kann in einer einzigen Rekrutierungssaison fünfzehn bis zwanzig separate Interviews über alle drei Tracks hinweg durchlaufen.

Die Finalrunden werden Super Days genannt. Sechs aufeinanderfolgende 45-minütige Interviews an einem einzigen Tag. Die Themen reichen von Low-Level-C++ und Systemdesign über Wahrscheinlichkeitsbeweise bis hin zu Machine-Learning-Designfragen und Verhaltensinterviews mit Teamleitern. Du musst sauber codieren, mathematische Ergebnisse klar ableiten und deine Argumentation bei jedem Schritt laut erklären.

Die Geschwindigkeit des Kopfrechnens ist deutlich wichtiger, als die meisten Kandidaten erwarten. Firmen verwenden Tools wie Zetamac für das frühe Screening. Strebe 50 oder mehr richtige Antworten pro Minute an, bevor du dich bewirbst.

Jane Street gestaltet seine Interviewprobleme bewusst schwieriger, als eine Person allein lösen können sollte. Sie testen, wie du Hinweise nutzt. Wie du unter Unsicherheit nach vorne denkst. Wie du unter Druck zusammenarbeitest. Ein Kandidat, der sein Denken verbalisiert, Randfälle berücksichtigt und Unsicherheit eingesteht, während er weiterdenkt, wird durchweg besser abschneiden als ein Kandidat, der still wird und dann eine korrekte Antwort ohne Erklärung liefert.

Das Green Book, offiziell betitelt A Practical Guide to Quantitative Finance Interviews von Xinfeng Zhou, ist die am häufigsten referenzierte Vorbereitungsressource unter allen Kandidaten, die ein Angebot von einer Top-Quant-Firma erhalten haben. Über 200 echte Interviewprobleme, die Wahrscheinlichkeit, Statistik, Brainteaser, Kopfrechnen und Finanzpuzzles abdecken. Arbeite es langsam durch. Verbringe mindestens fünfzehn Minuten damit, jedes Problem wirklich zu versuchen, bevor du dir einen Hinweis ansiehst.

Ergänze mit QuantGuidedotio für quant-spezifische Übungsprobleme und Brainstellar für Wahrscheinlichkeitspuzzles auf Interview-Niveau.

Für Codierungsrunden arbeite das LeetCode Blind 75 Problem-Set durch, mit Fokus auf das Verständnis des zugrundeliegenden Musters jedes Problemtyps, anstatt Lösungen auswendig zu lernen. Dynamische Programmierung ist der häufigste Fehlerpunkt in Finalrunden bei Citadel und Jane Street.

Forschungserfahrung ist das, was die stärksten Quant-Research-Kandidaten von allen anderen unterscheidet. Nicht Noten aus Kursen. Echte Forschung, bei der du eine Hypothese formuliert, etwas gebaut hast, um sie zu testen, und genau beschreiben kannst, was du aus dem Prozess gelernt hast, einschließlich dessen, was fehlgeschlagen ist und warum.

Die Vorbereitung auf Verhaltensfragen wird durchweg unterschätzt. Übe, Verhaltensfragen laut zu beantworten, mit jemandem, der echtes Feedback gibt, bis deine Antworten natürlich klingen. Jede Finalrunde hat eine bedeutende menschliche Bewertungsebene, die die Ergebnisse genauso bestimmt wie die technischen Runden.

Wettbewerbe, die direkt zu einer Anstellung führen: Jane Street Kaggle-Wettbewerb mit einem Preisgeld von 100.000 $. WorldQuant BRAIN, das Bargeld für Alpha-Signale zahlt, die du einreichst. Citadel Datathon, der Gewinner explizit in Einstellungsinterviews bringt.

Teil 5: Die Treppe von null auf 650.000 $ pro Jahr

Der mit Abstand größte Fehler ist der Versuch eines vertikalen Sprungs. Sich direkt bei Citadel oder Jane Street zu bewerben, ohne Qualifikationen, abgelehnt zu werden und zu schlussfolgern, das Feld sei verschlossen.

Das Feld ist nicht verschlossen. Sie haben einen Sprung über achtzehn Stufen versucht, während der Prozess einen Schritt nach dem anderen erfordert.

Erstens: Baue das mathematische Fundament in der richtigen Reihenfolge aus Teil 2 auf. Betreibe den akademischen Studienpfad und den praktischen Codierungspfad gleichzeitig. Warte nicht, bis die Mathematik perfekt ist, bevor du mit dem Codieren beginnst. Beides entwickelt sich parallel.

Zweitens: Baue mindestens ein echtes Projekt, bevor du dich irgendwo bewirbst. Backteste eine systematische Handelsstrategie mit echten historischen Daten und dokumentiere jede Annahme und Entscheidung, die du getestet hast. Reiche ein Modell bei WorldQuant BRAIN oder Kaggle ein und schreibe auf, was du gebaut hast. Implementiere einen einfachen Algorithmus mit einer Broker-API wie Alpaca. Diese Projekte beweisen, dass du mathematisches Wissen in etwas Funktionales übersetzen kannst.

Drittens: Holen Sie sich Ihre erste institutionelle Qualifikation. Schreiben Sie Kalt-E-Mails an Doktoranden in Forschungslaboren und bitten Sie gezielt darum, an laufenden Arbeiten mitzuwirken. Werden Sie Tutor für einen quantitativen Kurs. Nehmen Sie eine Stelle als wissenschaftliche Hilfskraft an. Der genaue Titel ist weit weniger wichtig als eine echte technische Erfahrung, über die Sie sprechen können.

Viertens: Nutzen Sie jede Qualifikation, um die nächste Stufe zu erreichen. Ein Forschungslabor öffnet Türen zu Vorstellungsgesprächen bei Startups. Eine Startup-Qualifikation öffnet Türen zu mittelständischen Unternehmen. Ein mittelständisches Unternehmen öffnet Türen zu Elitefonds. Niemand hat eine zuverlässige Abkürzung um diese Treppe herum gefunden.

Fünftens: Bewerben Sie sich, bevor Sie sich bereit fühlen, und verfolgen Sie alles. Jede Ablehnung ist ein Datenpunkt. Jedes Vorstellungsgespräch ist Übung. Erstellen Sie eine Tabelle. Verfolgen Sie jede Bewerbung, jeden Online-Test, jedes Vorstellungsgespräch und jede Frage, die Ihnen gestellt wurde und die Sie nicht sauber beantworten konnten. Lernen Sie genau das vor dem nächsten Gespräch.

Sechstens: Treten Sie öffentlich an. Die Wettbewerbe in Teil 4 sind Rekrutierungskanäle, nicht nur Übungen zum Kompetenzaufbau. Unternehmen beobachten die Ranglisten, und starke Leistungen haben direkt zu Stellenangeboten für Kandidaten geführt, die zuvor keine Verbindung zu diesen Unternehmen hatten.

Die mathematische Grundlage ist der eigentliche Burggraben. Die Fähigkeit, abzuleiten, warum Itôs Lemma einen zusätzlichen Term hat, den die gewöhnliche Analysis nicht hat. Zu wissen, wann ein konvexer Optimierungsansatz in einem Live-Markt funktioniert und wann nicht. Diese Tiefe trennt Quants, die echte Vorteile entwickeln, von Quants, die sie sich borgen. Geborgte Ansätze verfallen, wenn alle anderen sie übernehmen. Mathematische Geläufigkeit erzeugt auf unbestimmte Zeit neue Ansätze.

Bevor Sie diesen Artikel schließen, notieren Sie drei konkrete Dinge. Wo Sie sich gerade auf der Treppe befinden. Wie der nächste konkrete Schritt über Ihrer aktuellen Position aussieht. Und die einzelne konkreteste Maßnahme, die Sie in den nächsten sieben Tagen für diesen nächsten Schritt ergreifen können. Keine vage Absicht. Eine konkrete Aktion mit einer konkreten Frist.

Die vollständige Leseliste

Mathematik: Blitzstein and Hwang, Introduction to Probability, kostenloses PDF von Harvard. Strang, Introduction to Linear Algebra plus MIT 18.06 Vorlesungen kostenlos auf OpenCourseWare. Wasserman, All of Statistics. Boyd and Vandenberghe, Convex Optimization, kostenloses PDF von Stanford. Shreve, Stochastic Calculus for Finance, Bände 1 und 2.

Quantitative Finanzen: Hull, Options Futures and Other Derivatives. Natenberg, Option Volatility and Pricing. Lopez de Prado, Advances in Financial Machine Learning. Ernest Chan, Quantitative Trading. Zuckerman, The Man Who Solved the Market.

Vorbereitung auf Vorstellungsgespräche: Zhou, A Practical Guide to Quantitative Finance Interviews. Crack, Heard on the Street. Joshi, Quant Job Interview Questions and Answers.

Die Zusammenfassung

Einstiegs-Quant-Forscher bei Citadel verdienen zwischen 336.000 und 642.000 US-Dollar an Gesamtvergütung. Jane Street zahlt seinem durchschnittlichen Mitarbeiter 1,4 Millionen US-Dollar pro Jahr. Die Fünf-Jahres-Benchmark bei den Top-Prop-Shops liegt zwischen 800.000 und 1.200.000 US-Dollar jährlich. Prognosemärkte fügen eine völlig neue systematische Handelsgrenze zu allem hinzu, was bereits in der traditionellen quantitativen Finanzwelt existiert.

Der vollständige Weg von Null zu diesem Vergütungsniveau ist in diesem Artikel dokumentiert. Fünf mathematische Schichten in der richtigen Reihenfolge. Eine spezifische Reihe von Ressourcen, die tatsächlich funktionieren. Ein klares Bild davon, was Vorstellungsgespräche tatsächlich testen. Eine Treppe von Qualifikationen, von denen jede die nächste erreichbar macht.

Sie brauchen keinen Ivy-League-Namen. Sie brauchen keinen Finanzhintergrund. Sie brauchen das richtige Fundament, das in der richtigen Reihenfolge aufgebaut ist, und die Disziplin, der Treppe zu folgen, ohne zu versuchen, Stufen zu überspringen.

Die Informationsasymmetrie, die die meisten Menschen von diesem Bereich fernhält, hat nichts mit Intelligenz zu tun. Es geht darum, nicht zu wissen, wie der Weg aussieht.

Jetzt wissen Sie es.

Hier ist die Frage, mit der ich Sie beschäftigen möchte.

Wenn der vollständige Bauplan für eine der finanziell lohnendsten Karrieren, die es gibt, öffentlich zugänglich ist, keinen prestigeträchtigen Hintergrund erfordert und von überall aus, wo Sie gerade sind, befolgt werden kann, was hält die meisten Menschen dann tatsächlich davon ab, heute zu beginnen?

Hinterlassen Sie Ihre Antwort in den Kommentaren. Und während Sie dort sind, hinterlassen Sie auch Ihre Antwort auf das Münzwurfproblem aus Teil 3.

Es gibt keine falsche Antwort, aber es gibt sehr aufschlussreiche.