Le plan exact pour gagner 650 000 $/an (Feuille de route en finance quantitative)

Je vais décomposer le plan exact pour construire une carrière de quant à 650 000 $/an à partir de zéro et décrocher des postes dans des entreprises comme Jane Street et Citadel.

Allons droit au but.

Mettez ceci en favori

-

Je suis Roan, développeur backend travaillant sur la conception de systèmes, l'exécution de type HFT et les systèmes de trading quantitatif. Mon travail se concentre sur la façon dont les marchés de prédiction se comportent réellement sous charge. Pour toute suggestion, collaboration réfléchie, partenariats, les DM sont ouverts.

L'industrie du quant n'attend personne.

Les chercheurs quantitatifs débutants chez Citadel gagnent déjà entre 336 000 $ et 642 000 $ de rémunération totale juste après l'université. Jane Street a payé à son employé moyen 1,4 million de dollars au premier semestre 2025 seulement. Les stagiaires chez IMC Trading gagnent l'équivalent annualisé de plus de 240 000 $. Le benchmark sur cinq ans pour ceux qui survivent dans les meilleures prop shops se situe entre 800 000 $ et 1 200 000 $ par an.

Et cela avant même de regarder ce qui se passe sur les marchés de prédiction.

Le domaine s'étend rapidement aux élections, à l'économie, aux sports et aux événements géopolitiques. Les quants institutionnels déploient désormais des stratégies systématiques sur les marchés de prédiction de la même manière qu'ils les déploient sur les actions et les dérivés. Les mêmes cadres de probabilité, les mêmes techniques de combinaison de signaux, les mêmes principes de gestion des risques. J'ai déjà écrit un article spécifique sur la façon de devenir quant sur les marchés de prédiction.

Roan

@RohOnChain

·

24 févr.

Article

Comment devenir quant pour les marchés de prédiction (Feuille de route complète)

Je vais décomposer la feuille de route complète pour devenir un quant de niveau institutionnel pour les marchés de prédiction. Je partagerai également les ressources exactes et le chemin étape par étape qui fonctionne.

Allons droit au...

35

196

1,3 K

481 K

/RohOnChain/status/2026317029784035467/analytics

Quand j'avais 16 ans, je n'avais aucune compréhension de la façon dont les probabilités et les mathématiques fonctionnaient réellement sur les marchés réels. Aujourd'hui, je dirige des stratégies de trading systématique sur les marchés de prédiction à un niveau institutionnel. Cela s'est produit parce que j'ai suivi un chemin structuré, passant de débutant complet à la compréhension des cadres mathématiques, de l'exécution technique et de la microstructure de marché que les institutions utilisent pour extraire un avantage de manière systématique.

Le recrutement en IA et machine learning dans la finance quantitative s'est fortement accéléré en 2025. Chaque grand fonds construit des stratégies systématiques alimentées par des modèles de ML. La demande d'analystes quantitatifs devrait croître de 9 % d'ici 2028 et les recruteurs décrivent 2026 comme peut-être le marché des talents quantitatifs le plus compétitif au monde.

Et pourtant, la plupart des gens qui veulent percer dans ce domaine n'ont aucune idée de comment faire.

Ils pensent que le trading quantitatif consiste à être intelligent sur les marchés. Choisir les bonnes actions. Avoir des opinions fortes sur la direction des prix. Ils imaginent des costumes de Wall Street et des terminaux Bloomberg et supposent que le domaine appartient aux personnes qui ont étudié la finance dans des universités d'élite. Ils supposent que vous avez besoin de MIT ou Stanford sur votre CV. Ils supposent que sans un nom de l'Ivy League, la porte est déjà fermée.

C'est complètement faux. Et c'est la raison numéro un pour laquelle la plupart des gens n'essaient même jamais.

Jane Street indique explicitement dans ses offres d'emploi que des connaissances préalables en finance ou en économie ne sont ni attendues ni requises. Plus des deux tiers de leur récente promotion de stagiaires ont étudié l'informatique ou les mathématiques. Pas la finance. Pas l'économie.

Recrutement chez Jane Street

À la fin de cet article, vous comprendrez ce qu'est réellement le trading quantitatif et pourquoi il paie ce qu'il paie, les quatre principaux rôles de quant et lequel correspond à votre profil, la feuille de route mathématique complète depuis zéro construite dans le bon ordre d'apprentissage, ce que le processus d'entretien dans les meilleures entreprises teste réellement et comment s'y préparer précisément, et l'escalier exact de l'absence d'expérience à votre premier véritable titre institutionnel.

Note : Cet article est délibérément long. Chaque partie s'appuie sur la précédente. Si vous êtes sérieux au sujet de la construction d'une carrière de quant, lisez chaque mot. Si vous cherchez un raccourci, ce n'est pas pour vous.

Partie 1 : Ce qu'est réellement le trading quantitatif et les rôles qui le composent

La plupart des gens pensent que le trading quantitatif consiste à avoir des opinions sur la direction des marchés.

Ce n'est pas le cas. Le trading quantitatif repose sur les mathématiques.*

Vous travaillez avec des relations statistiques, des inefficacités de prix et des avantages structurels qui existent parce que les marchés sont des systèmes complexes gérés par des humains qui commettent des erreurs systématiques et répétables. L'objectif n'est pas d'avoir raison sur un résultat spécifique. L'objectif est de trouver des situations où la probabilité mathématique est en votre faveur, de dimensionner la position correctement et de répéter ce processus des milliers de fois jusqu'à ce que la valeur attendue s'accumule en rendements réels.

Pensez-y de la même manière qu'un casino fonctionne. Le casino n'essaie pas de prédire si une mise particulière va gagner. Il fait tourner le jeu de manière répétée avec un petit avantage mathématique sur chaque mise et laisse la loi des grands nombres faire le reste. Les entreprises de trading quantitatif fonctionnent de la même manière. Elles trouvent des avantages. Elles dimensionnent les positions correctement. Elles exécutent à grande échelle.

Ce cadre s'applique à l'identique aux marchés de prédiction. Un quant systématique n'essaie pas de prédire si un candidat politique spécifique va gagner une élection. Il essaie de trouver des marchés où la probabilité implicite s'écarte mesurablement de ce que les données sous-jacentes soutiennent réellement, parie sur cet écart et répète l'opération sur des centaines d'événements simultanément. Les outils sont les mêmes. Les mathématiques sont les mêmes. L'avantage vient de la même source.

Maintenant, les rôles, car la préparation requise diffère considérablement entre eux.

Quantitative Researcher est le rôle le mieux payé et le plus exigeant. Ce sont les personnes qui trouvent des modèles dans des ensembles de données massifs, construisent des modèles prédictifs et conçoivent les stratégies de trading réelles. Ils ont besoin d'une profondeur mathématique et statistique de niveau doctorat, ou d'une réussite exceptionnelle au niveau undergraduate dans un domaine quantitatif difficile. La rémunération totale de débutant dans les meilleures entreprises varie de 350 000 $ à 650 000 $ et augmente considérablement à partir de là.

Quantitative Trader prend les modèles construits par les chercheurs et exécute des transactions réelles en temps réel. Pensée probabiliste rapide, calcul mental solide et prise de décision confiante sous pression avec des informations incomplètes. Ce rôle a la plus grande variance de rémunération de toutes les carrières de quant. Les traders exceptionnels atteignent huit chiffres en une seule année. La rémunération de débutant dans les meilleures entreprises commence généralement entre 200 000 $ et 400 000 $ avec un potentiel de hausse illimité.

Quantitative Developer construit l'infrastructure qui permet à la recherche de se traduire en trading sur les marchés réels. Plateformes de trading, moteurs d'exécution, pipelines de données en temps réel, systèmes à faible latence. C++, Rust et Python de niveau production avec des normes de performance très élevées. La rémunération totale de débutant se situe généralement entre 200 000 $ et 350 000 $ dans les meilleures entreprises.

Risk Quant se concentre sur la validation des modèles, le calcul de la valeur à risque, les tests de résistance et la conformité réglementaire. Le cheminement de carrière quantitatif le plus stable avec la trajectoire de rémunération la plus prévisible. Plafond plus bas que les trois autres rôles mais significativement plus de stabilité.

Le rôle qui connaît la croissance la plus rapide actuellement est le quant axé sur l'IA et le machine learning, qui construit des systèmes de génération de signaux utilisant le deep learning, traite des données alternatives à grande échelle et déploie des modèles de ML directement dans des environnements de trading en direct. Cela se situe à l'intersection de la recherche quantitative et de l'ingénierie du machine learning, et c'est là que se produisent les recrutements les plus agressifs en 2025 et 2026.

L'idée fausse à éliminer avant de lire plus loin : vous n'avez pas besoin d'un diplôme en finance pour faire aucun de ces emplois. Vous avez besoin de capacités mathématiques, de compétences en programmation et de la discipline pour construire les fondations dans le bon ordre.

Partie 2 : Les fondations mathématiques dans le bon ordre

Le chemin de zéro à prêt pour le quant est comme les niveaux d'un jeu vidéo. Vous ne pouvez pas sauter de niveaux. Chaque concept s'appuie sur le précédent. Si vous essayez de passer directement au machine learning ou à la tarification d'options sans les couches fondamentales en dessous, vous construirez une familiarité superficielle avec de nombreux sujets et une véritable compréhension d'aucun d'entre eux. Cela ne survivra pas à un entretien de quant.

Le bon ordre est de cinq couches de profondeur. Chaque couche est le prérequis pour tout ce qui suit.

Couche Un : Probabilité

Tout dans la finance quantitative se réduit à une question. Quelles sont les chances, et les chances sont-elles en ma faveur ?

Si vous ne comprenez pas la probabilité à un niveau profond, rien d'autre dans cet article n'a d'importance. La tarification des options est un problème de probabilité. La modélisation des signaux est un problème de probabilité. La tenue de marché est un problème de probabilité. Le dimensionnement des positions est un problème de probabilité. Le trading sur les marchés de prédiction est un problème de probabilité à la base.

Le concept le plus important à cette couche est la pensée conditionnelle. Les quants ne pensent pas en absolus. Ils pensent en conditionnels. Étant donné ce que je sais maintenant, quelle est la probabilité de ce résultat ?

La formule qui rend cela précis :

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

La probabilité de A sachant B est égale à la probabilité que les deux événements se produisent divisée par la probabilité de B seul.

Voici comment cela fonctionne en pratique. Imaginez que vous construisez un signal pour un marché de prédiction sur une annonce économique. La probabilité inconditionnelle que le marché bouge fortement après l'annonce est de 40 % sur la base des taux de base historiques. Mais les jours où la volatilité implicite des options est significativement élevée avant l'annonce, la probabilité conditionnelle d'un mouvement fort passe à 68 %. Ces 68 % sont un signal réel et utilisable. Les 40 % inconditionnels mélangent signal et bruit d'une manière que vous ne pouvez pas séparer sans conditionnement.

Le théorème de Bayes est l'autre concept essentiel ici. Il vous dit comment mettre à jour votre conviction à mesure que de nouvelles informations arrivent :

Postérieure = (Vraisemblance x Antérieure) / Preuve

Votre croyance mise à jour est égale à la probabilité que vous verriez cette nouvelle preuve si votre hypothèse était vraie, multipliée par la force de votre croyance antérieure dans l'hypothèse, divisée par la probabilité que vous verriez cette preuve sous n'importe quelle hypothèse. Les traders qui mettent à jour leurs croyances le plus rapidement et le plus précisément lorsque de nouvelles informations arrivent surpassent constamment tous les autres.

L'espérance et la variance sont les deux nombres auxquels vous penserez pour le reste de votre carrière de quant. L'espérance est votre résultat moyen dans tous les scénarios. La variance est à quel point votre résultat réel peut s'écarter de cette moyenne. Si votre stratégie a une espérance positive et que vous pouvez survivre à la variance assez longtemps pour qu'elle s'accumule, vous gagnerez de l'argent. Si vous dimensionnez les positions trop grandes par rapport à la variance, vous ferez faillite avant que l'espérance ait le temps de fonctionner.

Ressource pour cette couche : Blitzstein et Hwang, Introduction to Probability. PDF complet disponible gratuitement auprès de Harvard. Travaillez tous les problèmes des chapitres 1 à 6. Prévoyez trois à quatre semaines à deux heures concentrées par jour.

Couche Deux : Statistiques

Une fois que vous comprenez la probabilité, vous devez apprendre à écouter les données. C'est la statistique. La chose la plus importante qu'enseigne la statistique est que la plupart de ce qui ressemble à un vrai signal est en fait du bruit.

Vous construisez une stratégie. Elle donne un rendement annuel de 15 % en backtest. Est-ce un avantage réel ou une variation due à la chance ?

Les tests d'hypothèse sont la façon de le découvrir. Supposez l'hypothèse nulle que votre stratégie a un rendement attendu réel de zéro. Calculez la probabilité de voir des résultats aussi forts si cette hypothèse était vraie. Si vous testez mille stratégies aléatoires, cinquante d'entre elles montreront des résultats apparemment forts purement par hasard au niveau de signification standard de 5 %. C'est le problème des comparaisons multiples. C'est la raison la plus courante pour laquelle les backtests semblent excellents et les résultats de trading en direct sont terribles.

La régression linéaire est le cheval de bataille. Régressez les rendements de votre stratégie par rapport à des facteurs de risque connus et cherchez l'intercept appelé alpha. Si alpha est nul après avoir pris en compte tous les facteurs standard, votre avantage supposé n'est qu'une exposition déguisée à des choses déjà bien comprises. Le seul nombre qui compte est l'alpha qui survit après que chaque facteur connu a été pris en compte.

Ressource pour cette couche : Wasserman, All of Statistics, chapitres 1 à 13. Prévoyez quatre à cinq semaines.

Couche Trois : Algèbre linéaire

L'algèbre linéaire est la machinerie qui fait fonctionner tout dans la finance quantitative et le ML. La construction de portefeuille, l'analyse en composantes principales, les réseaux de neurones, l'estimation de covariance et les modèles factoriels reposent tous sur les mathématiques matricielles.

Une matrice de covariance capture comment chaque actif évolue par rapport à chaque autre. La variance du portefeuille se réduit à :

Variance = w^T x Sigma x w

Où w est votre vecteur de poids et Sigma est la matrice de covariance. Cette seule expression est le cœur mathématique de l'optimisation de portefeuille et de la gestion des risques.

Les valeurs propres révèlent ce qui compte réellement à l'intérieur de cette matrice de covariance. Dans un univers de 500 actions, les cinq premiers vecteurs propres expliquent généralement 70 % de toute la variance. Tout le reste est du bruit. La décomposition en valeurs propres est le fondement de l'investissement factoriel, de la réduction de dimensionnalité et de l'architecture statistique des stratégies systématiques à grande échelle.

Ressource pour cette couche : Les cours MIT 18.06 de Gilbert Strang, entièrement gratuits sur MIT OpenCourseWare. Regardez-les tous. Ensuite, travaillez sur le manuel Introduction to Linear Algebra de Strang. Prévoyez quatre à six semaines.

Couche Quatre : Calcul et optimisation

Presque tous les problèmes de la finance quantitative se réduisent à maximiser quelque chose sous contraintes. La construction de portefeuille, l'entraînement de modèles et la stratégie d'exécution sont tous des problèmes d'optimisation.

L'optimisation convexe est essentielle ici. Un problème d'optimisation convexe a une solution globale unique qui peut être trouvée efficacement. La plupart des problèmes de construction de portefeuille et de gestion des risques peuvent être structurés comme des programmes convexes. Comprendre quand un problème est convexe et comment le résoudre efficacement est une compétence pratique fondamentale dans le domaine.

Ressource pour cette couche : Boyd et Vandenberghe, Convex Optimization. PDF complet gratuit auprès de Stanford. Travaillez les chapitres 1 à 5. Prévoyez quatre à cinq semaines.

Couche Cinq : Calcul stochastique

Avant le calcul stochastique, vous pouvez analyser des données et construire des modèles statistiques. Après, vous pouvez dériver le prix des instruments financiers à partir des premiers principes mathématiques. C'est la couche d'où vient Black-Scholes et où les stratégies systématiques les plus sophistiquées sont conçues.

L'idée centrale du calcul stochastique est que dans un monde avec de l'aléatoire, le carré d'un petit incrément aléatoire n'est pas négligeable comme dans le calcul ordinaire. Ce seul fait change chaque calcul et produit le lemme d'Itô, la règle de chaîne du calcul stochastique. Appliquez-le à un prix d'option et vous dérivez l'équation de Black-Scholes :

dV/dt + (1/2) sigma au carré S au carré (d2V/dS2) + rS (dV/dS) - rV = 0

Ce qui rend ce résultat remarquable, c'est que le rendement attendu de l'action disparaît complètement. Le prix de l'option ne dépend pas de l'endroit où vous pensez que l'action va. Seulement de l'ampleur de son mouvement. C'était le résultat conceptuellement radical qui a rendu possible la tarification moderne des dérivés.

Ressource pour cette couche : Shreve, Stochastic Calculus for Finance, volumes 1 et 2. La référence. Prévoyez six à huit semaines et ne vous précipitez pas.

Partie 3 : Programmation, outils HFT et la pile technologique qui compte vraiment

Il existe deux types de compétences en programmation complètement séparés qui comptent dans la finance quantitative et la plupart des candidats les confondent.

Le premier est la programmation de recherche. Écrire du Python propre pour analyser des données, construire et backtester des modèles statistiques et implémenter des pipelines de machine learning. C'est ce que les chercheurs quantitatifs et la plupart des analystes quantitatifs utilisent tous les jours.

Le second est la programmation de systèmes de production. Écrire du C++ ou du Rust haute performance qui s'exécute à une latence de microsecondes, traite des données de marché en temps réel, gère les carnets d'ordres et exécute la logique de trading sans un seul tick manqué. C'est ce que construisent les développeurs quantitatifs et les ingénieurs en trading haute fréquence.

Si vous visez des postes de chercheur quantitatif ou d'analyste quantitatif, Python est votre outil principal. Maîtrisez pandas et polars pour la manipulation de données, où polars est dix à cinquante fois plus rapide sur de grands ensembles de données. Utilisez numpy et scipy pour le calcul numérique. Utilisez xgboost, lightgbm et catboost pour le machine learning sur données tabulaires. Utilisez pytorch pour le deep learning. Utilisez cvxpy pour les problèmes d'optimisation. Utilisez statsmodels pour les tests statistiques.

Si vous visez des postes de développeur quantitatif ou d'ingénieur HFT, le C++ et Rust sont non négociables.

Le C++ est le langage dominant dans le trading haute fréquence depuis des décennies. Les raisons sont le contrôle de la disposition de la mémoire, des performances déterministes sans pauses de garbage collection et la capacité d'optimiser le code à quelques nanosecondes des limites matérielles théoriques. Dans les entreprises qui tradent à des vitesses de microsecondes ou sub-microsecondes, un modèle d'accès mémoire mal optimisé peut coûter plus en slippage qu'une stratégie ne gagne en avantage. Les bibliothèques C++ pertinentes sont QuantLib pour les dérivés et les mathématiques financières, Eigen pour l'algèbre linéaire haute performance, et Boost pour les utilitaires généraux.

Rust est le concurrent sérieux émergent du C++ dans cet espace et il gagne rapidement en adoption. Rust offre le même niveau de performance que le C++ avec des garanties de sécurité mémoire appliquées à la compilation, éliminant des classes entières de bogues qui apparaissent régulièrement dans les codebases C++. NautilusTrader, l'une des plateformes de trading open source les plus avancées disponibles, utilise un noyau Rust pour les composants critiques en performance avec une API Python pour la recherche et le développement de stratégies. Cette architecture Rust plus Python devient le modèle standard pour les nouvelles infrastructures de trading systématique. RustQuant est disponible spécifiquement pour la tarification d'options et le travail quantitatif sur les dérivés en Rust.

Pour les sources de données : yfinance est gratuit et suffisant pour apprendre. Polygondotio à environ 200 $ par mois offre une latence inférieure à 20 millisecondes et est la norme pour le travail systématique sérieux en retail. Le Terminal Bloomberg à environ 32 000 $ par an est la norme institutionnelle. Finnhub propose un niveau gratuit pour les premiers projets.

Pour le backtesting : NautilusTrader pour un travail de niveau production. Backtrader et vectorbt sont des points de départ plus simples pour apprendre les concepts.

Devoir et la question d'entretien qui révèle tout :

Voici l'un des problèmes de probabilité les plus célèbres que les meilleures entreprises de quant utilisent dans les premiers tours de sélection. Il est simple à énoncer, étonnamment profond à résoudre correctement et teste directement la pensée conditionnelle de la Partie 2.

Vous lancez une pièce équitable à plusieurs reprises jusqu'à obtenir deux faces consécutives. Quel est le nombre attendu de lancers ?

Travaillez cela vous-même avant de lire autre chose. Ne cherchez pas la réponse. Le processus de mise en place des états, d'écriture des équations pour chaque état et de résolution du système est exactement le type de raisonnement que les intervieweurs de quant recherchent.

Postez votre réponse et votre approche dans les commentaires. Il y a un résultat spécifique auquel ce problème converge et la méthode que vous utilisez pour y arriver en dit plus sur votre pensée mathématique que la réponse elle-même.

Partie 4 : Le processus d'entretien décodé

La plupart des candidats se préparent à ce qu'ils imaginent être les entretiens de quant. La réalité est plus structurée et plus exigeante que ce que la plupart des gens attendent.

Dans une entreprise comme Citadel, le processus d'entretien s'étend sur plusieurs pistes simultanées. Les pistes d'ingénierie logicielle quantitative, de trading et de recherche quantitative ont chacune des structures différentes et testent des choses différentes. Un candidat sérieux dans une seule saison de recrutement peut passer par quinze à vingt entretiens séparés sur les trois pistes.

Les tours finaux sont appelés super days. Six entretiens consécutifs de quarante-cinq minutes en une seule journée. Les sujets vont du C++ bas niveau et de la conception de systèmes aux preuves de probabilité, aux questions de conception de machine learning et aux entretiens comportementaux avec les chefs d'équipe. Vous devez coder proprement, dériver des résultats mathématiques clairement et expliquer votre raisonnement à voix haute à chaque étape.

La vitesse en calcul mental compte beaucoup plus que ce que la plupart des candidats attendent. Les entreprises utilisent des outils comme Zetamac pour le dépistage précoce. Visez 50 réponses correctes ou plus par minute avant de postuler.

Jane Street conçoit ses problèmes d'entretien pour être intentionnellement plus difficiles qu'une seule personne ne devrait pouvoir les résoudre seule. Ils testent comment vous utilisez les indices. Comment vous raisonnez sous incertitude. Comment vous collaborez sous pression. Un candidat qui raconte sa pensée, considère les cas limites et reconnaît l'incertitude tout en continuant à raisonner surpassera constamment un candidat qui se tait puis produit une réponse correcte sans explication.

Le Green Book, officiellement intitulé A Practical Guide to Quantitative Finance Interviews de Xinfeng Zhou, est la ressource de préparation la plus citée par tous les candidats qui ont décroché une offre dans une grande entreprise de quant. Plus de 200 problèmes d'entretien réels couvrant les probabilités, les statistiques, les casse-têtes, le calcul mental et les puzzles financiers. Travaillez-le lentement. Passez au moins quinze minutes à essayer sérieusement chaque problème avant de regarder un indice.

Complétez avec QuantGuidedotio pour des problèmes pratiques spécifiques au quant et Brainstellar pour des puzzles de probabilité au niveau des entretiens.

Pour les tours de codage, travaillez sur l'ensemble de problèmes LeetCode Blind 75 en vous concentrant sur la compréhension du modèle sous-jacent de chaque type de problème plutôt que de mémoriser des solutions. La programmation dynamique est le point d'échec le plus courant lors des tours finaux chez Citadel et Jane Street spécifiquement.

L'expérience de recherche est ce qui distingue les candidats les plus forts en recherche quantitative de tous les autres. Pas les notes de cours. Une recherche réelle où vous avez formulé une hypothèse, construit quelque chose pour la tester et pouvez décrire précisément ce que vous avez appris du processus, y compris ce qui a échoué et pourquoi.

La préparation comportementale est constamment sous-estimée. Entraînez-vous à répondre à des questions comportementales à voix haute avec quelqu'un qui donne un retour honnête jusqu'à ce que vos réponses sonnent naturelles. Chaque tour final comporte une couche d'évaluation humaine significative qui détermine les résultats autant que les tours techniques.

Concours qui mènent directement à l'emploi : Concours Kaggle de Jane Street avec un prix de 100 000 $. WorldQuant BRAIN qui paie en espèces pour les signaux alpha que vous soumettez. Citadel Datathon qui mène explicitement les gagnants directement à des entretiens d'embauche.

Partie 5 : L'escalier de zéro à 650 000 $ par an

La plus grande erreur est de tenter un saut vertical. Postuler directement à Citadel ou Jane Street sans aucun titre, se faire rejeter et conclure que le domaine est fermé.

Le domaine n'est pas fermé. Ils ont tenté un saut de dix-huit marches alors que le processus nécessite une étape à la fois.

Premièrement : Construisez les fondations mathématiques dans le bon ordre de la Partie 2. Menez de front la piste d'étude académique et la piste pratique de codage. N'attendez pas que les mathématiques soient parfaites avant de commencer à coder. Les deux se développent en parallèle.

Deuxièmement : Construisez au moins un projet réel avant de postuler où que ce soit. Backtestez une stratégie de trading systématique en utilisant des données historiques réelles et documentez chaque hypothèse et décision que vous avez testée. Soumettez un modèle à WorldQuant BRAIN ou Kaggle et rédigez ce que vous avez construit. Implémentez un algorithme simple en utilisant une API de courtier comme Alpaca. Ces projets prouvent que vous pouvez traduire des connaissances mathématiques en quelque chose de fonctionnel.

Troisièmement : Obtenez votre premier diplôme institutionnel. Envoyez des e-mails à froid aux doctorants dans les laboratoires de recherche et demandez spécifiquement à contribuer à leurs travaux en cours. Devenez assistant d'enseignement pour un cours quantitatif. Postulez à un poste d'assistant de recherche. Le titre précis importe bien moins que d'avoir une véritable expérience technique à faire valoir.

Quatrièmement : Utilisez chaque diplôme pour atteindre le niveau suivant. Un laboratoire de recherche ouvre les portes des entretiens dans les startups. Un diplôme dans une startup ouvre les portes des entreprises de niveau intermédiaire. Une entreprise de niveau intermédiaire ouvre les portes des fonds d'élite. Personne n'a trouvé de raccourci fiable pour contourner cet escalier.

Cinquièmement : Postulez avant de vous sentir prêt et suivez tout. Chaque refus est une donnée. Chaque entretien est un entraînement. Créez un tableur. Suivez chaque candidature, chaque évaluation en ligne, chaque entretien et chaque question à laquelle vous n'avez pas su répondre clairement. Allez étudier ce point précis avant le prochain entretien.

Sixièmement : Participez à des compétitions publiques. Les compétitions de la Partie 4 sont des filières de recrutement, pas seulement des exercices de développement de compétences. Les entreprises surveillent les classements et une bonne performance a directement conduit à des offres d'emploi pour des candidats qui n'avaient aucun lien préalable avec ces entreprises.

La base mathématique est le véritable fossé défensif. La capacité à dériver pourquoi le lemme d'Itô comporte un terme supplémentaire que le calcul ordinaire n'a pas. Savoir quand une approche d'optimisation convexe fonctionnera ou non sur un marché en direct. Cette profondeur sépare les quants qui construisent un véritable avantage de ceux qui l'empruntent. Les approches empruntées expirent quand tout le monde les adopte. La fluidité mathématique génère de nouvelles approches indéfiniment.

Avant de fermer cet article, notez trois choses spécifiques. Où vous en êtes actuellement sur l'escalier. À quoi ressemble la prochaine étape concrète au-dessus de votre position actuelle. Et l'action la plus spécifique que vous pouvez entreprendre dans les sept prochains jours pour franchir cette étape. Pas une intention vague. Une action spécifique avec une date limite spécifique.

La liste de lecture complète

Mathématiques : Blitzstein et Hwang, Introduction to Probability, PDF gratuit de Harvard. Strang, Introduction to Linear Algebra plus les cours MIT 18.06 gratuits sur OpenCourseWare. Wasserman, All of Statistics. Boyd et Vandenberghe, Convex Optimization, PDF gratuit de Stanford. Shreve, Stochastic Calculus for Finance, Volumes 1 et 2.

Finance quantitative : 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.

Préparation aux entretiens : Zhou, A Practical Guide to Quantitative Finance Interviews. Crack, Heard on the Street. Joshi, Quant Job Interview Questions and Answers.

Le résumé

Les chercheurs quantitatifs débutants chez Citadel gagnent entre 336 000 $ et 642 000 $ de rémunération totale. Jane Street paie son employé moyen 1,4 million de dollars par an. Le repère sur cinq ans dans les meilleures boutiques de propriété se situe entre 800 000 $ et 1 200 000 $ par an. Les marchés de prédiction ajoutent une toute nouvelle frontière de trading systématique par-dessus tout ce qui existe déjà dans la finance quantitative traditionnelle.

Le chemin complet de zéro à ce niveau de rémunération est documenté dans cet article. Cinq couches mathématiques dans le bon ordre. Un ensemble spécifique de ressources qui fonctionnent réellement. Une image claire de ce que les entretiens testent réellement. Un escalier de diplômes où chacun rend le suivant accessible.

Vous n'avez pas besoin d'un nom de l'Ivy League. Vous n'avez pas besoin d'une formation en finance. Vous avez besoin des bonnes bases construites dans le bon ordre et de la discipline pour suivre l'escalier sans essayer de sauter des niveaux.

L'asymétrie d'information qui maintient la plupart des gens en dehors de ce domaine n'est pas une question d'intelligence. C'est une question de ne pas savoir à quoi ressemble le chemin.

Maintenant vous savez.

Voici la question sur laquelle je veux que vous réfléchissiez.

Si le plan complet pour l'une des carrières les plus lucratives qui existent est accessible au public, ne nécessite aucun parcours prestigieux, et peut être suivi en partant de là où vous êtes maintenant, qu'est-ce qui empêche réellement la plupart des gens de commencer aujourd'hui ?

Laissez votre réponse dans les commentaires. Et pendant que vous y êtes, laissez aussi votre réponse au problème du lancer de pièce de la Partie 3.

Il n'y a pas de mauvaise réponse, mais il y en a de très révélatrices.