Il piano d'azione esatto per guadagnare 650.000 $/anno (Roadmap per Quant)

Ti spiegherò esattamente il modello per costruire una carriera da quant da 650.000 $ all'anno partendo da zero e ottenere ruoli in aziende come Jane Street e Citadel.

Andiamo dritti al punto.

Segna questo

-

Sono Roan, uno sviluppatore backend che lavora su system design, esecuzione in stile HFT e sistemi di trading quantitativo. Il mio lavoro si concentra su come si comportano realmente i mercati di previsione sotto carico. Per qualsiasi suggerimento, collaborazioni ponderate o partnership, i DM sono aperti.

Il settore quant non aspetta nessuno.

I ricercatori quantitativi entry-level a Citadel guadagnano già tra 336.000 e 642.000 dollari di retribuzione totale appena usciti dall'università. Jane Street ha pagato al suo dipendente medio 1,4 milioni di dollari solo nella prima metà del 2025. Gli stagisti di IMC Trading guadagnano l'equivalente annualizzato di oltre 240.000 dollari. Il benchmark a cinque anni per chi sopravvive nelle migliori prop shop si aggira tra 800.000 e 1.200.000 dollari all'anno.

E questo è prima di guardare a cosa sta succedendo nei mercati di previsione.

Lo spazio si sta espandendo rapidamente in elezioni, economia, sport ed eventi geopolitici. I quant istituzionali stanno ora implementando strategie sistematiche nei mercati di previsione allo stesso modo in cui le implementano in azioni e derivati. Gli stessi framework di probabilità, le stesse tecniche di combinazione dei segnali, gli stessi principi di gestione del rischio. Ho già scritto un articolo specifico su come entrare nel mondo dei Quant per i Mercati di Previsione.

Roan

@RohOnChain

·

24 Feb

Articolo

Come diventare un Quant per i Mercati di Previsione (Roadmap Completa)

Analizzerò la roadmap completa per diventare un Quant di livello istituzionale per i Mercati di Previsione. Condividerò anche le risorse esatte e il percorso passo dopo passo che funziona.

Andiamo dritti a...

35

196

1,3K

481K

Quando avevo 16 anni, non avevo alcuna comprensione di come la probabilità e la matematica funzionassero realmente nei mercati reali. Oggi guido strategie di trading sistematico nei mercati di previsione a livello istituzionale. Questo è successo perché ho seguito un percorso strutturato da principiante assoluto alla comprensione dei framework matematici, dell'esecuzione tecnica e della microstruttura del mercato che le istituzioni usano per estrarre vantaggio in modo sistematico.

Le assunzioni nel campo dell'AI e del machine learning nella finanza quantitativa hanno subito un'accelerazione significativa nel corso del 2025. Ogni grande fondo sta costruendo strategie sistematiche basate su modelli di ML. Si prevede che la domanda di analisti quantitativi crescerà del 9% entro il 2028 e i recruiter descrivono il 2026 come forse il mercato globale dei talenti quant più competitivo di sempre.

Eppure la maggior parte delle persone che vogliono entrare in questo settore non ha idea di come farlo realmente.

Pensano che il trading quantitativo significhi essere intelligenti riguardo ai mercati. Scegliere le azioni giuste. Avere opinioni forti sulla direzione dei prezzi. Immaginano completi da Wall Street e terminal Bloomberg e presumono che il campo appartenga a persone che hanno studiato finanza in università d'élite. Presumono di aver bisogno di MIT o Stanford sul curriculum. Presumono che senza un nome dell'Ivy League, la porta sia già chiusa.

Questo è completamente sbagliato. Ed è la singola ragione più grande per cui la maggior parte delle persone non ci prova nemmeno.

Jane Street afferma esplicitamente nei loro annunci di lavoro che non è richiesta né attesa una conoscenza pregressa di finanza o economia. Oltre due terzi della loro recente classe di stagisti ha studiato informatica o matematica. Non finanza. Non economia.

Assunzioni Jane Street

Alla fine di questo articolo capirai cosa sia realmente il trading quantitativo e perché paga ciò che paga, i quattro principali ruoli quant e quale si adatta al tuo background, la roadmap matematica completa da zero costruita nell'ordine di apprendimento corretto, cosa testa realmente il processo di colloquio nelle migliori aziende e come prepararsi precisamente, e la scala esatta da nessuna esperienza al tuo primo vero titolo istituzionale.

Nota: Questo articolo è volutamente lungo. Ogni parte si basa sulla precedente. Se sei seriamente intenzionato a costruire una carriera da quant, leggi ogni singola parola. Se stai cercando una scorciatoia, questo non fa per te.

Parte 1: Cosa è Realmente il Trading Quantitativo e i Ruoli al Suo Interno

La maggior parte delle persone pensa che il trading quantitativo riguardi l'avere opinioni su dove stanno andando i mercati.

Non è così. Il trading quantitativo riguarda la matematica.

Lavori con relazioni statistiche, inefficienze di prezzo e vantaggi strutturali che esistono perché i mercati sono sistemi complessi gestiti da umani che commettono errori sistematici e ripetibili. L'obiettivo non è avere ragione su un risultato specifico. L'obiettivo è trovare situazioni in cui la probabilità matematica è a tuo favore, dimensionare correttamente la posizione e ripetere questo processo migliaia di volte finché il valore atteso non si accumula in rendimenti reali.

Pensalo allo stesso modo in cui opera un casinò. Il casinò non cerca di prevedere se una singola scommessa vincerà. Gestisce il gioco ripetutamente con un piccolo vantaggio matematico su ogni scommessa e lascia che la legge dei grandi numeri faccia il resto. Le aziende di trading quantitativo operano allo stesso modo. Trovano vantaggi. Dimensionano le posizioni correttamente. Eseguono su larga scala.

Questo framework si applica identicamente ai mercati di previsione. Un quant sistematico non cerca di prevedere se un candidato politico specifico vincerà un'elezione. Cerca di trovare mercati in cui la probabilità implicita si discosta misurabilmente da ciò che i dati sottostanti supportano realmente, scommette su quella deviazione e ripete su centinaia di eventi simultaneamente. Gli strumenti sono gli stessi. La matematica è la stessa. Il vantaggio proviene dalla stessa fonte.

Ora i ruoli, perché la preparazione richiesta differisce significativamente tra di essi.

Ricercatore Quantitativo è il ruolo più pagato e più impegnativo. Sono le persone che trovano schemi in enormi set di dati, costruiscono modelli predittivi e progettano le strategie di trading effettive. Necessitano di profondità matematica e statistica a livello di dottorato, o risultati universitari eccezionali in un campo quantitativo duro. La retribuzione totale entry-level nelle migliori aziende varia da 350.000 a 650.000 dollari e scala drammaticamente da lì.

Trader Quantitativo prende i modelli costruiti dai ricercatori ed esegue operazioni reali in tempo reale. Pensiero probabilistico veloce, forte calcolo mentale e processo decisionale sicuro sotto pressione con informazioni incomplete. Questo ruolo ha la più alta varianza di retribuzione di qualsiasi carriera quant. I trader eccezionali raggiungono otto cifre in un singolo anno. La retribuzione entry-level nelle migliori aziende inizia tipicamente tra 200.000 e 400.000 dollari con un potenziale di guadagno illimitato.

Sviluppatore Quantitativo costruisce l'infrastruttura che permette alla ricerca di essere realmente scambiata nei mercati live. Piattaforme di trading, motori di esecuzione, pipeline di dati in tempo reale, sistemi a bassa latenza. C++, Rust e Python a livello di produzione con standard di performance molto elevati. La retribuzione totale entry-level si aggira tipicamente tra 200.000 e 350.000 dollari nelle migliori aziende.

Risk Quant si concentra sulla validazione dei modelli, calcolo del valore a rischio, stress test e conformità normativa. Il percorso di carriera quant più stabile con la traiettoria di retribuzione più prevedibile. Tetto più basso rispetto agli altri tre ruoli ma significativamente più stabilità.

Il ruolo in più rapida crescita in questo momento è il quant focalizzato su AI e machine learning che costruisce sistemi di generazione di segnali usando deep learning, elabora dati alternativi su larga scala e implementa modelli di ML direttamente in ambienti di trading live. Si trova all'intersezione tra ricerca quant e ingegneria del machine learning ed è dove stanno avvenendo le assunzioni più aggressive nel 2025 e 2026.

L'equivoco da eliminare prima di leggere oltre: non hai bisogno di una laurea in finanza per fare nessuno di questi lavori. Hai bisogno di abilità matematica, competenza nella programmazione e la disciplina per costruire le fondamenta nell'ordine corretto.

Parte 2: Le Fondamenta Matematiche nell'Ordine Corretto

Il percorso da zero a pronto per il quant è come i livelli in un videogioco. Non puoi saltare i livelli. Ogni concetto si basa sul precedente. Se provi a saltare direttamente al machine learning o al pricing delle opzioni senza gli strati fondamentali sottostanti, costruirai una familiarità superficiale con molti argomenti e una comprensione genuina di nessuno. Questo non supererà un colloquio da quant.

L'ordine corretto è profondo cinque strati. Ogni strato è il prerequisito per tutto ciò che segue.

Strato Uno: Probabilità

Tutto nella finanza quantitativa si riduce a una domanda. Quali sono le probabilità, e le probabilità sono a mio favore?

Se non capisci la probabilità a un livello profondo, nient'altro in questo articolo ha importanza. Il pricing delle opzioni è un problema di probabilità. La modellazione dei segnali è un problema di probabilità. Il market making è un problema di probabilità. Il dimensionamento delle posizioni è un problema di probabilità. Il trading nei mercati di previsione è, al suo nucleo, un problema di probabilità.

Il concetto più importante a questo strato è il pensiero condizionale. I quant non pensano in termini assoluti. Pensano in termini condizionali. Dato ciò che so ora, quanto è probabile questo risultato?

La formula che rende questo preciso:

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

La probabilità di A dato B è uguale alla probabilità che entrambi gli eventi accadano divisa per la probabilità del solo B.

Ecco come funziona in pratica. Immagina di costruire un segnale per un mercato di previsione su un annuncio economico. La probabilità incondizionata che il mercato si muova bruscamente dopo l'annuncio è del 40% basata sui tassi di base storici. Ma nei giorni in cui la volatilità implicita delle opzioni è significativamente elevata prima dell'annuncio, la probabilità condizionale di un movimento brusco sale al 68%. Quel 68% è un segnale reale e utilizzabile. Il 40% incondizionato mescola segnale e rumore in un modo che non puoi separare senza condizionamento.

Il Teorema di Bayes è l'altro concetto essenziale qui. Ti dice come aggiornare la tua convinzione man mano che arrivano nuove informazioni:

Posteriore = (Verosimiglianza x Priore) / Evidenza

La tua convinzione aggiornata è uguale a quanto sarebbe probabile vedere questa nuova evidenza se la tua ipotesi fosse vera, moltiplicato per quanto fortemente credevi già nell'ipotesi, diviso per quanto sarebbe probabile vedere questa evidenza sotto qualsiasi ipotesi. I trader che aggiornano le loro convinzioni più velocemente e accuratamente quando arrivano nuove informazioni superano costantemente tutti gli altri.

Il valore atteso e la varianza sono i due numeri a cui penserai per il resto della tua carriera da quant. Il valore atteso è il tuo risultato medio in tutti gli scenari. La varianza è quanto il tuo risultato effettivo può discostarsi da quella media. Se la tua strategia ha un valore atteso positivo e puoi sopravvivere alla varianza abbastanza a lungo perché si accumuli, guadagnerai denaro. Se dimensioni le posizioni troppo grandi rispetto alla varianza, andrai in bancarotta prima che il valore atteso abbia il tempo di funzionare.

Risorsa per questo strato: Blitzstein e Hwang, Introduction to Probability. PDF completo disponibile gratuitamente da Harvard. Svolgi tutti i problemi dal Capitolo 1 al 6. Prevedi da tre a quattro settimane con due ore concentrate al giorno.

Strato Due: Statistica

Una volta che capisci la probabilità, devi imparare ad ascoltare i dati. Questa è la statistica. La cosa più importante che la statistica insegna è che la maggior parte di ciò che sembra un vero segnale è in realtà rumore.

Costruisci una strategia. Il backtest mostra un rendimento annuo del 15%. È un vero vantaggio o una variazione fortunata?

Il test di ipotesi è come lo scopri. Assumi l'ipotesi nulla che la tua strategia abbia un rendimento atteso reale pari a zero. Calcola quanto è probabile vedere risultati così forti se quell'assunzione fosse vera. Se testi mille strategie casuali, cinquanta di esse mostreranno risultati apparentemente forti puramente per caso al livello di significatività standard del 5%. Questo è il problema dei confronti multipli. È la ragione più comune per cui i backtest sembrano fantastici e i risultati del trading live sono terribili.

La regressione lineare è il cavallo di battaglia. Reggredisce i rendimenti della tua strategia rispetto ai fattori di rischio noti e cerca l'intercetta chiamata alpha. Se alpha è zero dopo aver tenuto conto di tutti i fattori standard, il tuo presunto vantaggio è solo un'esposizione mascherata a cose che erano già ben comprese. L'unico numero che conta è l'alpha che sopravvive dopo che ogni fattore noto è stato considerato.

Risorsa per questo strato: Wasserman, All of Statistics, Capitoli da 1 a 13. Prevedi da quattro a cinque settimane.

Strato Tre: Algebra Lineare

L'algebra lineare è il macchinario che fa funzionare tutto nella finanza quantitativa e nel ML. La costruzione del portafoglio, l'analisi delle componenti principali, le reti neurali, la stima della covarianza e i modelli fattoriali funzionano tutti sulla matematica delle matrici.

Una matrice di covarianza cattura come ogni asset si muove rispetto a ogni altro. La varianza del portafoglio si riduce a:

Varianza = w^T x Sigma x w

Dove w è il tuo vettore dei pesi e Sigma è la matrice di covarianza. Questa singola espressione è il nucleo matematico dell'ottimizzazione del portafoglio e della gestione del rischio.

Gli autovalori rivelano cosa conta realmente all'interno di quella matrice di covarianza. In un universo di 500 azioni, i primi cinque autovettori tipicamente spiegano il 70% di tutta la varianza. Tutto il resto è rumore. La decomposizione agli autovalori è il fondamento dell'investimento fattoriale, della riduzione della dimensionalità e dell'architettura statistica delle strategie sistematiche su larga scala.

Risorsa per questo strato: Lezioni MIT 18.06 di Gilbert Strang, completamente gratuite su MIT OpenCourseWare. Guardale tutte. Poi svolgi il libro di testo Introduction to Linear Algebra di Strang. Prevedi da quattro a sei settimane.

Strato Quattro: Calcolo e Ottimizzazione

Quasi ogni problema nella finanza quantitativa si riduce a massimizzare qualcosa soggetto a vincoli. La costruzione del portafoglio, l'addestramento del modello e la strategia di esecuzione sono tutti problemi di ottimizzazione.

L'ottimizzazione convessa è essenziale qui. Un problema di ottimizzazione convessa ha una soluzione globale unica che può essere trovata efficientemente. La maggior parte dei problemi di costruzione del portafoglio e di gestione del rischio possono essere strutturati come programmi convessi. Capire quando un problema è convesso e come risolverlo efficientemente è un'abilità pratica fondamentale nel campo.

Risorsa per questo strato: Boyd e Vandenberghe, Convex Optimization. PDF completo gratuito da Stanford. Svolgi i Capitoli da 1 a 5. Prevedi da quattro a cinque settimane.

Strato Cinque: Calcolo Stocastico

Prima del calcolo stocastico puoi analizzare dati e costruire modelli statistici. Dopo puoi derivare come vengono prezzati gli strumenti finanziari dai primi principi matematici. Questo è lo strato da cui proviene Black-Scholes e dove vengono progettate le strategie sistematiche più sofisticate.

L'intuizione centrale del calcolo stocastico è che in un mondo con casualità, il quadrato di un piccolo incremento casuale non è trascurabile come lo è nel calcolo ordinario. Questo singolo fatto cambia ogni calcolo e produce il Lemma di Ito, la regola della catena del calcolo stocastico. Applicalo al prezzo di un'opzione e derivi l'equazione di Black-Scholes:

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

Ciò che rende notevole questo risultato è che il rendimento atteso dell'azione scompare completamente. Il prezzo dell'opzione non dipende da dove pensi che l'azione stia andando. Dipende solo da quanto si muove. Questo è stato il risultato concettualmente radicale che ha reso possibile il moderno pricing dei derivati.

Risorsa per questo strato: Shreve, Stochastic Calculus for Finance, Volumi 1 e 2. Il gold standard. Prevedi da sei a otto settimane e non avere fretta.

Parte 3: Programmazione, Strumenti HFT e lo Stack Tecnologico che Conta Realmente

Ci sono due tipi completamente separati di abilità di programmazione che contano nella finanza quant e la maggior parte dei candidati li confonde.

Il primo è la programmazione per la ricerca. Scrivere Python pulito per analizzare dati, costruire e fare backtest di modelli statistici e implementare pipeline di machine learning. Questo è ciò che ricercatori quant e la maggior parte degli analisti quant usano ogni giorno.

Il secondo è la programmazione per sistemi di produzione. Scrivere C++ o Rust ad alte prestazioni che esegue a latenza di microsecondi, elabora dati di mercato in tempo reale, gestisce i book degli ordini e gestisce la logica di esecuzione senza un singolo tick perso. Questo è ciò che sviluppatori quant e ingegneri di trading ad alta frequenza costruiscono.

Se punti a ruoli di ricercatore quant o analista quant, Python è il tuo strumento principale. Padroneggia pandas e polars per la manipolazione dei dati, dove polars è da dieci a cinquanta volte più veloce su grandi set di dati. Usa numpy e scipy per il calcolo numerico. Usa xgboost, lightgbm e catboost per il machine learning su dati tabellari. Usa pytorch per il deep learning. Usa cvxpy per problemi di ottimizzazione. Usa statsmodels per i test statistici.

Se punti a ruoli di sviluppatore quant o ingegnere HFT, C++ e Rust sono non negoziabili.

C++ è stato il linguaggio dominante nel trading ad alta frequenza per decenni. Le ragioni sono il controllo sul layout della memoria, le prestazioni deterministiche senza pause di garbage collection e la capacità di ottimizzare il codice fino a pochi nanosecondi dai limiti teorici dell'hardware. Nelle aziende che fanno trading a velocità di microsecondi o sub-microsecondi, un pattern di accesso alla memoria scarsamente ottimizzato può costare più in slippage di quanto una strategia guadagni in vantaggio. Le librerie C++ rilevanti sono QuantLib per derivati e matematica finanziaria, Eigen per l'algebra lineare ad alte prestazioni e Boost per utilità generiche.

Rust è il serio concorrente emergente di C++ in questo spazio e sta guadagnando adozione rapidamente. Rust fornisce lo stesso livello di prestazioni di C++ con garanzie di sicurezza della memoria imposte in fase di compilazione, eliminando intere classi di bug che appaiono regolarmente nei codebase C++. NautilusTrader, una delle piattaforme di trading open source più avanzate disponibili, usa un core Rust per i componenti critici per le prestazioni con un'API Python per la ricerca e lo sviluppo di strategie. Questa architettura Rust più Python sta diventando il pattern standard per la nuova infrastruttura di trading sistematico. RustQuant è disponibile specificamente per il pricing delle opzioni e il lavoro quantitativo sui derivati in Rust.

Per le fonti dati: yfinance è gratuito e sufficiente per imparare. Polygondotio a circa 200 dollari al mese fornisce una latenza inferiore a 20 millisecondi ed è lo standard per il lavoro sistematico retail serio. Bloomberg Terminal a circa 32.000 dollari all'anno è lo standard istituzionale. Finnhub offre un livello gratuito per i primi progetti.

Per il backtesting: NautilusTrader per lavoro di livello produttivo. Backtrader e vectorbt sono punti di partenza più semplici per imparare i concetti.

Compiti a casa e la domanda di colloquio che rivela tutto:

Ecco uno dei problemi di probabilità più famosi che le migliori aziende quant usano nei primi round di screening. È semplice da enunciare, sorprendentemente profondo da risolvere correttamente e testa direttamente il pensiero condizionale della Parte 2.

Lanci una moneta equa ripetutamente finché non ottieni due teste consecutive. Qual è il numero previsto di lanci?

Svolgi questo da solo prima di leggere qualsiasi altra cosa. Non cercare la risposta. Il processo di impostazione degli stati, scrittura delle equazioni per ogni stato e risoluzione del sistema è esattamente il tipo di ragionamento che gli intervistatori quant stanno osservando.

Lascia la tua risposta e il tuo approccio nei commenti. C'è un risultato specifico a cui questo problema converge e il metodo che usi per arrivarci rivela di più sul tuo pensiero matematico della risposta stessa.

Parte 4: Il Processo di Colloquio Decodificato

La maggior parte dei candidati si prepara per ciò che immagina siano i colloqui quant. La realtà è più strutturata e più impegnativa di quanto la maggior parte delle persone si aspetti.

In un'azienda come Citadel, il processo di colloquio si estende su più percorsi che si svolgono simultaneamente. I percorsi di ingegneria del software quantitativo, trading e ricerca quant hanno ciascuno strutture diverse e testano cose diverse. Un candidato serio in una singola stagione di reclutamento può sostenere da quindici a venti colloqui separati in tutti e tre i percorsi.

I round finali sono chiamati super days. Sei colloqui consecutivi di quarantacinque minuti in un solo giorno. Gli argomenti spaziano da C++ di basso livello e system design a dimostrazioni di probabilità a domande di progettazione di machine learning a colloqui comportamentali con i team lead. Devi scrivere codice pulito, derivare risultati matematici chiaramente e spiegare il tuo ragionamento ad alta voce in ogni passaggio.

La velocità del calcolo mentale conta significativamente più di quanto la maggior parte dei candidati si aspetti. Le aziende usano strumenti come Zetamac per lo screening iniziale. Punta a 50 o più risposte corrette al minuto prima di candidarti.

Jane Street progetta i suoi problemi di colloquio per essere intenzionalmente più difficili di quanto una persona dovrebbe essere in grado di risolvere da sola. Stanno testando come usi gli indizi. Come ragioni in avanti sotto incertezza. Come collabori sotto pressione. Un candidato che narra il suo pensiero, considera i casi limite e riconosce l'incertezza mentre continua a ragionare supererà costantemente un candidato che rimane in silenzio e poi produce una risposta corretta senza spiegazione.

Il Green Book, formalmente intitolato A Practical Guide to Quantitative Finance Interviews di Xinfeng Zhou, è la risorsa di preparazione più citata tra tutti i candidati che hanno ottenuto un'offerta in una delle migliori aziende quant. Oltre 200 problemi di colloquio reali che coprono probabilità, statistica, brain teaser, calcolo mentale e puzzle finanziari. Svolgi il libro lentamente. Dedica almeno quindici minuti a tentare genuinamente ogni problema prima di guardare qualsiasi indizio.

Integra con QuantGuidedotio per problemi pratici specifici per quant e Brainstellar per puzzle di probabilità a difficoltà di colloquio.

Per i round di coding, svolgi il set di problemi LeetCode Blind 75 concentrandoti sulla comprensione del pattern sottostante di ogni tipo di problema piuttosto che memorizzare le soluzioni. La programmazione dinamica è il punto di fallimento più comune nei round finali a Citadel e Jane Street specificamente.

L'esperienza di ricerca è ciò che separa i candidati ricercatori quant più forti da tutti gli altri. Non i voti dei corsi. Ricerca reale in cui hai formulato un'ipotesi, costruito qualcosa per testarla e puoi descrivere precisamente cosa hai imparato dal processo, incluso cosa è fallito e perché.

La preparazione comportamentale è costantemente sottovalutata. Esercitati a rispondere a domande comportamentali ad alta voce con qualcuno che dà feedback genuino finché le tue risposte non suonano naturali. Ogni round finale ha un significativo strato di valutazione umana che determina i risultati tanto quanto i round tecnici.

Competizioni che portano direttamente a un'occupazione veloce: Competizione Kaggle di Jane Street con un premio di 100.000 dollari. WorldQuant BRAIN che paga in contanti per i segnali alpha che invii. Datathon di Citadel che porta esplicitamente i vincitori a colloqui di lavoro.

Parte 5: La Scala da Zero a 650.000 Dollari all'Anno

L'errore più grande è tentare un salto verticale. Candidarsi direttamente a Citadel o Jane Street senza credenziali, essere respinti e concludere che il campo è chiuso.

Il campo non è chiuso. Hanno tentato un salto di diciotto gradini quando il processo richiede un passo alla volta.

Primo: Costruisci le fondamenta matematiche nell'ordine corretto della Parte 2. Segui il percorso di studio accademico e il percorso di coding pratico simultaneamente. Non aspettare che la matematica sia perfetta prima di iniziare a programmare. Entrambi si sviluppano in parallelo.

Secondo: Costruisci almeno un progetto reale prima di candidarti ovunque. Fai il backtest di una strategia di trading sistematico usando dati storici reali e documenta ogni assunzione e decisione che hai testato. Invia un modello a WorldQuant BRAIN o Kaggle e scrivi cosa hai costruito. Implementa un semplice algoritmo usando un'API di broker come Alpaca. Questi progetti dimostrano che puoi tradurre la conoscenza matematica in qualcosa di funzionale.

Terzo: Ottieni la tua prima credenziale istituzionale. Invia email a freddo a dottorandi nei laboratori di ricerca e chiedi specificamente di contribuire a lavori in corso. Fai da assistente didattico per un corso quantitativo. Accetta una posizione di assistente di ricerca. Il titolo specifico conta molto meno che avere una reale esperienza tecnica di cui parlare.

Quarto: Usa ogni credenziale per raggiungere il livello successivo. Il laboratorio di ricerca apre le porte ai colloqui per startup. La credenziale della startup apre le porte alle aziende di medio livello. L'azienda di medio livello apre le porte ai fondi d'élite. Nessuno ha trovato una scorciatoia affidabile per questa scala.

Quinto: Fai domanda prima di sentirti pronto e tieni traccia di tutto. Ogni rifiuto è un dato. Ogni colloquio è pratica. Crea un foglio di calcolo. Tieni traccia di ogni domanda, ogni valutazione online, ogni colloquio e ogni domanda che ti è stata posta a cui non hai saputo rispondere in modo pulito. Studia quella cosa specifica prima del prossimo colloquio.

Sesto: Competi pubblicamente. Le competizioni della Parte 4 sono canali di reclutamento, non solo esercizi per sviluppare competenze. Le aziende osservano le classifiche e una performance forte ha portato direttamente a offerte di lavoro per candidati che non avevano alcun legame precedente con quelle aziende.

Il fondamento matematico è il vero fossato. La capacità di derivare perché il Lemma di Ito ha un termine extra che il calcolo ordinario non ha. Sapere quando un approccio di ottimizzazione convessa funzionerà o non funzionerà in un mercato reale. Quella profondità separa i quant che costruiscono un vero vantaggio da quelli che lo prendono in prestito. Gli approcci presi in prestito scadono quando tutti gli altri li adottano. La fluidità matematica genera nuovi approcci all'infinito.

Prima di chiudere questo articolo, scrivi tre cose specifiche. Dove ti trovi ora sulla scala. Qual è il prossimo passo concreto sopra la tua posizione attuale. E l'azione più specifica che puoi intraprendere nei prossimi sette giorni verso quel passo successivo. Non un'intenzione vaga. Un'azione specifica con una scadenza specifica.

La lista di lettura completa

Matematica: Blitzstein e Hwang, Introduction to Probability, PDF gratuito da Harvard. Strang, Introduction to Linear Algebra più le lezioni MIT 18.06 gratuite su OpenCourseWare. Wasserman, All of Statistics. Boyd e Vandenberghe, Convex Optimization, PDF gratuito da Stanford. Shreve, Stochastic Calculus for Finance, Volumi 1 e 2.

Finanza quantitativa: 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.

Preparazione ai colloqui: Zhou, A Practical Guide to Quantitative Finance Interviews. Crack, Heard on the Street. Joshi, Quant Job Interview Questions and Answers.

Il riassunto

I ricercatori quant entry level presso Citadel guadagnano tra $336.000 e $642.000 di compenso totale. Jane Street paga al suo dipendente medio $1,4 milioni all'anno. Il benchmark a cinque anni nelle migliori prop shop si aggira tra $800.000 e $1.200.000 all'anno. I mercati di previsione stanno aggiungendo una frontiera di trading sistematico completamente nuova sopra tutto ciò che già esiste nella finanza quantitativa tradizionale.

Il percorso completo da zero a quel livello di compenso è documentato in questo articolo. Cinque strati matematici nella sequenza corretta. Un insieme specifico di risorse che funzionano davvero. Un quadro chiaro di cosa testano realmente i colloqui. Una scala di credenziali in cui ciascuna rende raggiungibile la successiva.

Non hai bisogno di un nome dell'Ivy League. Non hai bisogno di una formazione in finanza. Hai bisogno delle giuste fondamenta costruite nell'ordine giusto e della disciplina per seguire la scala senza cercare di saltare livelli.

L'asimmetria informativa che tiene fuori la maggior parte delle persone da questo campo non riguarda l'intelligenza. Riguarda il non sapere come sia fatto il percorso.

Ora lo sai.

Ecco la domanda su cui voglio che rifletti.

Se il progetto completo per una delle carriere più redditizie dal punto di vista finanziario che esistano è disponibile pubblicamente, non richiede un background prestigioso e può essere seguito partendo da dove ti trovi ora, cosa impedisce realmente alla maggior parte delle persone di iniziare oggi?

Lascia la tua risposta nei commenti. E mentre sei lì, lascia anche la tua risposta al problema del lancio della moneta della Parte 3.

Non esiste una risposta sbagliata, ma ce ne sono di molto rivelatrici.