年収 65 万ドルを稼ぐための完全ロードマップ（クオンツ編）

ゼロから年収 6 億 5,000 万円のクオンツキャリアを築き、Jane Street や Citadel といった企業でポジションを獲得するための完全な青写真を解説する。

早速本題に入ろう。

ブックマーク推奨

-

私は Roan です。システム設計、HFT スタイルの執行、そして定量取引システムに取り組むバックエンド開発者です。私の仕事は、予測市場が負荷状況下で実際にどのように動作するかに焦点を当てています。ご提案、思慮深いコラボレーション、パートナーシップに関するご連絡は DM でお待ちしています。

クオンツ業界は誰も待ってはくれない。

Citadel の新卒レベルのクオンツリサーチャーは、すでに総報酬で 3,360 万円から 6,420 万円を受け取っている。Jane Street は 2025 年上半期だけで平均従業員に 1 億 4,000 万円を支払った。IMC Trading のインターンは年換算で 2,400 万円以上を稼ぐ。トッププロップショップで生き残った者の 5 年後のベンチマークは、年間 8,000 万円から 1 億 2,000 万円の間にある。

そして、それは予測市場で何が起きているかを見る前の話だ。

この分野は、選挙、経済、スポーツ、地政学的イベントへと急速に拡大している。機関投資家のクオンツは現在、株式やデリバティブに展開するのと同じ方法で、予測市場にシステマティック戦略を導入している。同じ確率フレームワーク、同じシグナル合成手法、同じリスク管理原則だ。私はすでに、予測市場クオンツへの参入方法について具体的な記事を書いている。

Roan

@RohOnChain

·

2月24日

記事

予測市場のクオンツになる方法（完全ロードマップ）

予測市場で機関投資家レベルのクオンツになるための完全なロードマップを解説する。具体的なリソースとステップバイステップの道筋も共有する。

早速本題に入ろう...

35

196

1.3K

481K

私が 16 歳の時、確率と数学が実際の市場でどのように機能するかについて、まったく理解していなかった。今日、私は予測市場において機関投資家レベルでシステマティックな取引戦略を主導している。これが可能になったのは、完全な初心者から、機関投資家がエッジを体系的に抽出するために使用する数学的フレームワーク、技術的執行、市場マイクロストラクチャーを理解するための構造化された道筋をたどったからだ。

2025 年を通じて、クオンツファイナンスにおける AI と機械学習の採用は急激に加速した。主要ファンドはすべて、ML モデルを活用したシステマティック戦略を構築している。クオンツアナリストの需要は 2028 年までに 9 パーセント成長すると予測されており、リクルーターは 2026 年を世界的に見て最も競争の激しいクオンツ人材市場になる可能性があると述べている。

それでも、この分野に参入したいと考えるほとんどの人は、実際にどうやって実現すればいいのか全く分かっていない。

彼らは、クオンツ取引とは市場について賢くなることだと思っている。適切な銘柄を選ぶこと。価格方向について強い意見を持つこと。ウォール街のスーツと Bloomberg 端末を思い浮かべ、この分野は名門大学で金融を学んだ人々のものだと決めつける。履歴書に MIT や Stanford が必要だと思い込む。アイビーリーグの名前がなければ、扉はすでに閉ざされていると仮定する。

これは完全に間違いだ。そして、これこそがほとんどの人が挑戦すらしない最大の理由である。

Jane Street は採用情報に、金融や経済学の事前知識は期待しておらず、必須でもないと明記している。最近のインターンクラスの 3 分の 2 以上がコンピューターサイエンスまたは数学を専攻していた。金融ではない。経済学でもない。

Jane Street 採用情報

この記事を読み終えるまでに、あなたは以下を理解できるだろう：クオンツ取引とは実際何であり、なぜ高報酬なのか、4 つの主要なクオンツの役割とあなたのバックグラウンドに合うもの、正しい学習順序で構築されたゼロからの完全な数学的ロードマップ、トップ企業の面接プロセスが実際に何をテストし、それに正確に準備する方法、そして経験ゼロから最初の実際の機関投資家としての資格を得るための正確な階段。

注記：この記事は意図的に長くなっている。各部分は前の部分に基づいて構築されている。クオンツキャリアの構築に真剣に取り組むなら、すべての単語を読んでほしい。近道を探しているなら、これはあなた向けではない。

パート 1：クオンツ取引の本質とその内部の役割

ほとんどの人は、クオンツ取引とは市場がどこへ向かうかについて意見を持つことだと考えている。

そうではない。クオンツ取引とは 数学 である。**

あなたは統計的関係、価格設定の非効率性、そして市場が体系的反復的なエラーを犯す人間によって運営される複雑なシステムであるために存在する構造的エッジを扱う。目標は、特定の結果について正しいことではない。目標は、数学的確率が自分に有利な状況を見つけ、ポジションを適切にサイジングし、そのプロセスを何千回も繰り返して、期待値が実際のリターンに蓄積されるようにすることだ。

これはカジノの運営方法と同じように考えてほしい。カジノは、個々の賭けが勝つかどうかを予測しようとはしない。すべての賭けにわずかな数学的エッジを持たせてゲームを繰り返し実行し、大数の法則に残りを任せる。クオンツ取引会社も同じように運営する。エッジを見つける。ポジションを正しくサイジングする。規模感を持って執行する。

このフレームワークは予測市場にもまったく同じように適用される。システマティッククオンツは、特定の政治候補者が選挙に勝つかどうかを予測しようとはしない。彼らは、暗示確率が基礎データが実際に支持するものから測定可能なほど乖離している市場を見つけ、その乖離に賭け、それを何百ものイベントにわたって同時に繰り返そうとする。ツールは同じだ。数学は同じだ。エッジは同じ源泉から生まれる。

次に役割について説明する。準備に必要なものが役割によって大きく異なるからだ。

クオンツリサーチャー は最も高報酬で最も要求の厳しい役割である。彼らは大規模データセットからパターンを見つけ、予測モデルを構築し、実際の取引戦略を設計する人々である。博士レベルの数学的・統計的深さ、またはハードな定量分野における真に例外的な学部レベルの業績が必要となる。トップ企業での新卒レベルの総報酬は 3,500 万円から 6,500 万円の範囲であり、そこから劇的にスケールする。

クオンツトレーダー は、リサーチャーによって構築されたモデルを実際のリアルタイム取引で執行する。高速な確率的思考、強力な暗算、不完全な情報下でのプレッシャーの中での自信に満ちた意思決定が必要となる。この役割は、クオンツキャリアの中で最も報酬の分散が大きい。卓越したトレーダーは 1 年で 8 桁（数千万円）に達する。トップ企業での新卒レベルの報酬は通常 2,000 万円から 4,000 万円で始まり、上限はない。

クオンツデベロッパー は、リサーチを実際の市場で取引可能にするインフラを構築する。取引プラットフォーム、執行エンジン、リアルタイムデータパイプライン、低レイテンシーシステム。非常に高いパフォーマンス基準でのプロダクションレベルの C++、Rust、Python。トップ企業での新卒レベルの総報酬は通常 2,000 万円から 3,500 万円の間である。

リスククオンツ は、モデル検証、バリューアットリスク計算、ストレステスト、規制順守に焦点を当てる。最も安定したクオンツキャリアパスであり、最も予測可能な報酬軌道を持つ。他の 3 つの役割よりも上限は低いが、安定性ははるかに高い。

現在最も急速に成長している役割は、ディープラーニングを使用してシグナル生成システムを構築し、代替データを大規模に処理し、ML モデルをライブ取引環境に直接展開する、AI と機械学習に特化したクオンツである。これはクオンツリサーチと機械学習エンジニアリングの交差点に位置し、2025 年から 2026 年にかけて最も積極的な採用が行われている分野である。

先に進む前に取り除くべき誤解：これらの仕事のいずれにも金融の学位は必要ない。必要なのは数学的能力、プログラミングスキル、そして正しい順序で基礎を構築する規律である。

パート 2：正しい順序での数学的基礎

ゼロからクオンツ対応になるまでの道のりは、ビデオゲームのレベルと同じだ。レベルをスキップすることはできない。すべての概念は前の概念の上に構築される。基礎となる層なしに機械学習やオプション価格設定に飛びつこうとすれば、多くのトピックについて表面的な familiarity は得られても、どれ一つとして真の理解は得られない。それはクオンツの面接では通用しない。

正しい順序は 5 つの層からなる。各層は、その後に続くすべてのものの前提条件である。

第一層：確率

クオンツファイナンスのすべては、1 つの質問に帰着する。オッズはどうなっているのか、そしてそのオッズは自分に有利か？

確率を深いレベルで理解していなければ、この記事の他の部分は何の意味もない。オプション価格設定は確率の問題だ。シグナルモデリングは確率の問題だ。マーケットメイキングは確率の問題だ。ポジションサイジングは確率の問題だ。予測市場取引は、その核心において確率の問題である。

この層で最も重要な概念は条件付き思考である。クオンツは絶対値で考えない。条件付きで考える。今私が知っていることを前提とすると、この結果がどれくらいあり得るか？

これを正確にする公式：

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

B が与えられたときの A の確率は、両方のイベントが発生する確率を B 単独の確率で割ったものに等しい。

これが実際にどのように機能するかを示す。経済発表に関する予測市場のシグナルを構築していると想像してほしい。発表後に市場が急激に動く無条件確率は、過去のベースレートに基づき 40 パーセントである。しかし、発表前にオプションの暗示ボラティリティが有意に上昇している日には、急激な動きの条件付き確率は 68 パーセントに上昇する。この 68 パーセントが実際に使用可能なシグナルである。無条件の 40 パーセントは、条件付けなしでは分離できない方法でシグナルとノイズが混ざっている。

ベイズの定理はここでのもう一つの必須概念である。新しい情報が到着するにつれて、どのように確信を更新するかを教えてくれる：

事後確率 = (尤度 x 事前確率) / 証拠

更新された信念は、もし自分の仮説が真であればこの新しい証拠を目にする可能性がどの程度あるか（尤度）に、その仮説をすでにどれだけ強く信じていたか（事前確率）を掛け、どの仮説の下でもこの証拠を目にする可能性（証拠）で割ったものに等しい。新しい情報が到着したときに、最も速く、最も正確に信念を更新するトレーダーは、他のすべてのトレーダーを一貫して上回るパフォーマンスを発揮する。

期待値と分散は、クオンツキャリアの残りの期間ずっと考えることになる 2 つの数値である。期待値は、すべてのシナリオにわたる平均的な結果である。分散は、実際の結果がその平均からどれだけ乖離し得るかである。戦略に正の期待値があり、分散に耐えて期待値が蓄積されるのに十分な期間生き残ることができれば、利益を上げることができる。分散に比べてポジションを大きくしすぎると、期待値が機能する前に資金を使い果たしてしまう。

この層のリソース： Blitzstein と Hwang 著、Introduction to Probability。完全な PDF がハーバード大学から無料で入手可能。第 1 章から第 6 章までのすべての問題を解くこと。1 日 2 時間の集中学習で 3 ～ 4 週間の予算を組むこと。

第二層：統計学

確率を理解したら、データに耳を傾けることを学ぶ必要がある。それが統計学である。統計学が教える最も重要なことは、本物のシグナルに見えるもののほとんどが実際にはノイズであるということだ。

戦略を構築する。バックテストで年間 15 パーセントのリターンが出る。これは本当のエッジなのか、それとも幸運な変動なのか？

仮説検定はそれを見極める方法である。戦略の真の期待リターンがゼロであるという帰無仮説を仮定する。その仮定が真であれば、これほど強い結果が得られる可能性がどの程度あるかを計算する。1,000 のランダムな戦略をテストすると、標準的な 5 パーセント有意水準では、そのうちの 50 が純粋に偶然によって見かけ上強い結果を示す。これが多重比較問題である。これは、バックテストが見事に見えて、ライブ取引の結果が悲惨である最も一般的な理由である。

線形回帰は主力ツールである。戦略のリターンを既知のリスクファクターに対して回帰し、アルファと呼ばれる切片を探す。すべての標準的なファクターを考慮した後でアルファがゼロであれば、あなたのいわゆるエッジは、すでによく理解されているものへの偽装されたエクスポージャーに過ぎない。重要な唯一の数値は、既知のすべてのファクターを考慮した後も残るアルファである。

この層のリソース： Wasserman 著、All of Statistics、第 1 章から第 13 章。4 ～ 5 週間の予算を組むこと。

第三層：線形代数

線形代数は、クオンツファイナンスと ML のすべてを動かす機械である。ポートフォリオ構築、主成分分析、ニューラルネットワーク、共分散推定、ファクターモデルはすべて行列数学で動作する。

共分散行列は、すべての資産が他のすべての資産に対してどのように連動するかを捉える。ポートフォリオの分散は次のように要約される：

分散 = w^T x Σ x w

ここで w はウェイトベクトル、Σ は共分散行列である。この単一の式は、ポートフォリオ最適化とリスク管理の数学的核心である。

固有値は、その共分散行列の中で実際に何が重要かを明らかにする。500 銘柄のユニバースでは、最初の 5 つの固有ベクトルが通常、全分散の 70 パーセントを説明する。残りはノイズである。固有値分解は、ファクター投資、次元削減、そして大規模システマティック戦略の統計的アーキテクチャの基礎である。

この層のリソース： Gilbert Strang の MIT 18.06 講義。MIT OpenCourseWare で完全無料。すべてを視聴すること。その後、Strang の Introduction to Linear Algebra 教科書に取り組むこと。4 ～ 6 週間の予算を組むこと。

第四層：微積分と最適化

クオンツファイナンスにおけるほとんどすべての問題は、制約条件の下で何かを最大化することに帰着する。ポートフォリオ構築、モデルトレーニング、執行戦略はすべて最適化問題である。

凸最適化はここで必須である。凸最適化問題は、効率的に見つけることができる唯一の大域的最適解を持つ。ほとんどのポートフォリオ構築とリスク管理の問題は、凸計画問題として構造化できる。問題がいつ凸であるか、そしてそれを効率的に解く方法を理解することは、この分野における中核的な実践スキルである。

この層のリソース：Boyd と Vandenberghe 著、Convex Optimization。完全な PDF がスタンフォード大学から無料。第 1 章から第 5 章まで取り組むこと。4 ～ 5 週間の予算を組むこと。

第五層：確率微分積分

確率微分積分の前は、データを分析し統計モデルを構築することができる。その後は、金融商品がどのように価格設定されるかを数学の第一原理から導出できるようになる。ブラック・ショールズが生まれるのはこの層であり、最も洗練されたシステマティック戦略が設計されるのもここである。

確率微分積分の中心的な洞察は、ランダム性のある世界では、小さなランダム増分の二乗は通常の微積分のように無視できないということである。この 1 つの事実がすべての計算を変え、確率微分積分の連鎖律である伊藤の補題を生み出す。これをオプション価格に適用すると、ブラック・ショールズ方程式が導出される：

dV/dt + (1/2) σ² S² (d²V/dS²) + rS (dV/dS) - rV = 0

この結果を注目すべきものにしているのは、株式の期待リターンが完全に消え去ることである。オプション価格は、株価がどこへ向かうと思うかには依存しない。どれだけ動くかにのみ依存する。これが、現代のデリバティブ価格設定を可能にした、概念的には革新的な結果であった。

この層のリソース： Shreve 著、Stochastic Calculus for Finance、第 1 巻と第 2 巻。ゴールドスタンダード。6 ～ 8 週間の予算を組み、急がないこと。

パート 3：プログラミング、HFT ツール、そして実際に重要なテクノロジースタック

クオンツファイナンスで重要なプログラミングスキルには完全に異なる 2 つのタイプがあり、ほとんどの候補者はこれらを混同している。

1 つ目はリサーチプログラミングである。データを分析し、統計モデルを構築・バックテストし、機械学習パイプラインを実装するためのクリーンな Python を書くこと。これはクオンツリサーチャーとほとんどのクオンツアナリストが毎日使用するものである。

2 つ目はプロダクションシステムプログラミングである。マイクロ秒のレイテンシーで実行し、リアルタイムの市場データを処理し、オーダーブックを管理し、1 ティックの取りこぼしもなく執行ロジックを処理する、高性能な C++ または Rust を書くこと。これはクオンツデベロッパーと高頻度取引エンジニアが構築するものである。

クオンツリサーチャーまたはクオンツアナリストの役割を目指すなら、Python が主要なツールである。データ操作には pandas と polars をマスターすること。polars は大規模データセットで 10 倍から 50 倍高速である。数値計算には numpy と scipy を使用する。表形式データの機械学習には xgboost、lightgbm、catboost を使用する。ディープラーニングには pytorch を使用する。最適化問題には cvxpy を使用する。統計的検定には statsmodels を使用する。

クオンツデベロッパーまたは HFT エンジニアリングの役割を目指すなら、C++ と Rust は必須である。

C++ は何十年もの間、高頻度取引における支配的な言語であった。その理由は、メモリレイアウトの制御、ガベージコレクションの一時停止がない決定論的パフォーマンス、そして理論上のハードウェア限界のナノ秒単位までコードを最適化できる能力である。マイクロ秒またはサブマイクロ秒の速度で取引する企業では、最適化が不十分なメモリアクセスパターンが、戦略が稼ぐエッジよりも多くのスリッページコストを生み出す可能性がある。関連する C++ ライブラリは、デリバティブと金融数学用の QuantLib、高性能線形代数用の Eigen、汎用ユーティリティ用の Boost である。

Rust はこの分野における C++ に対する真剣な新興競合であり、急速に採用が進んでいる。Rust は C++ と同じレベルのパフォーマンスを提供し、コンパイル時に強制されるメモリ安全性保証により、C++ コードベースで定期的に発生するバグのクラス全体を排除する。最も先進的なオープンソース取引プラットフォームの 1 つである NautilusTrader は、パフォーマンスクリティカルなコンポーネントに Rust コアを使用し、リサーチと戦略開発用の Python API を備えている。この Rust と Python のアーキテクチャは、新しいシステマティック取引インフラの標準パターンになりつつある。RustQuant は、Rust でのオプション価格設定とクオンツデリバティブ業務に特化して利用可能である。

データソースについて： yfinance は無料で学習に十分である。Polygon.io は月額約 2 万円で 20 ミリ秒未満のレイテンシーを提供し、本格的な個人向けシステマティック業務の標準である。Bloomberg 端末は年間約 320 万円で機関投資家の標準である。Finnhub は初期プロジェクト向けに無料ティアを提供している。

バックテストについて： プロダクショングレードの作業には NautilusTrader。Backtrader と vectorbt は概念を学ぶためのよりシンプルな出発点である。

宿題とすべてを明らかにする面接問題：

トップクオンツ企業が初期スクリーニングで使用する最も有名な確率問題の 1 つを紹介する。述べるのは簡単だが、正しく解くのは驚くほど深く、パート 2 の条件付き思考を直接テストする。

表が 2 回連続して出るまで、公正なコインを繰り返し投げる。必要な投げ回数の期待値はいくらか？

他のものを読む前に、自分でこれを解いてみること。答えを検索しないこと。状態を設定し、各状態の方程式を書き、そのシステムを解くプロセスこそが、まさにクオンツ面接官が注目している推論のタイプである。

答えとアプローチをコメントに投稿してほしい。この問題が収束する特定の結果があり、そこに至るために使用する方法は、答えそのものよりもあなたの数学的思考について多くを明らかにする。

パート 4：面接プロセスを解読する

ほとんどの候補者は、自分が想像するクオンツ面接のイメージに備える。現実は、ほとんどの人が予想するよりも構造化されており、要求も厳しい。

Citadel のような企業では、面接プロセスは複数のトラックが同時に進行する。クオンツソフトウェアエンジニアリング、トレーディング、クオンツリサーチの各トラックはそれぞれ異なる構造を持ち、異なることをテストする。1 つの採用シーズンで本気の候補者は、3 つのトラックすべてにわたって 15 から 20 の個別面接を経験する可能性がある。

最終ラウンドはスーパーデイと呼ばれる。1 日で 6 回の連続した 45 分間の面接である。トピックは、低レベルの C++ とシステム設計から確率の証明、機械学習設計問題、チームリーダーとの行動面接にまで及ぶ。クリーンにコードを書き、数学的結果を明確に導出し、すべてのステップで自分の推論を声に出して説明する必要がある。

暗算の速度は、ほとんどの候補者が予想するよりもはるかに重要である。企業は初期スクリーニングに Zetamac のようなツールを使用する。応募する前に、1 分間に 50 以上の正答を目標にすること。

Jane Street は、面接問題を 1 人で解けるべき範囲よりも意図的に難しく設計している。彼らは、あなたがヒントをどのように使うか、不確実性の下でどのように推論を進めるか、プレッシャーの下でどのように協力するかをテストしている。自分の考えを声に出し、エッジケースを考慮し、不確実性を認めながらも推論を続ける候補者は、沈黙して説明なしに正解を出す候補者を一貫して上回るパフォーマンスを示す。

Green Book（正式名称：A Practical Guide to Quantitative Finance Interviews、著者：Xinfeng Zhou）は、トップクオンツ企業でオファーを得たすべての候補者が最も参照する準備リソースである。確率、統計、頭の体操、暗算、金融パズルをカバーする 200 以上の実際の面接問題。ゆっくりと取り組むこと。各問題に少なくとも 15 分間真剣に取り組んでから、ヒントを見ること。

QuantGuide.io でクオンツ固有の練習問題、Brainstellar で面接難易度の確率パズルを補完すること。

コーディングラウンドでは、LeetCode Blind 75 問題セットに取り組み、解答を暗記するのではなく、各問題タイプの基礎となるパターンを理解することに焦点を当てる。動的計画法は、特に Citadel と Jane Street の最終ラウンドで最も一般的な失敗ポイントである。

研究経験こそが、最も優秀なクオンツリサーチ候補者を他のすべての候補者から区別するものである。コースワークの成績ではない。仮説を立て、それをテストするために何かを構築し、そのプロセスから学んだこと（何が失敗したか、そしてその理由を含む）を正確に説明できる実際の研究である。

行動面接の準備は一貫して過小評価されている。自然に聞こえるようになるまで、実際にフィードバックを与えてくれる誰かと声に出して行動質問に答える練習をすること。すべての最終ラウンドには、テクニカルラウンドと同程度に結果を左右する、意味のある人間による評価層が存在する。

雇用に直接つながるコンテスト：賞金 1,000 万円の Jane Street Kaggle コンテスト。提出したアルファシグナルに対して現金を支払う WorldQuant BRAIN。優勝者を明示的に採用面接に優先的に進める Citadel Datathon。

パート 5：ゼロから年収 6,500 万円への階段

最大の間違いは、垂直跳びを試みることである。資格もなく直接 Citadel や Jane Street に応募し、不合格になり、この分野は閉ざされていると結論づけること。

この分野は閉ざされていない。彼らは、プロセスが 1 歩ずつ進むことを必要とするときに、18 段の階段を飛び越えようとしたのだ。

第一に： パート 2 の正しい順序で数学的基礎を構築すること。アカデミックな学習トラックと実践的なコーディングトラックを同時に実行すること。数学が完璧になるのを待ってからコーディングを始めないこと。両方を並行して進めること。

第二に： どこかに応募する前に、少なくとも 1 つの実際のプロジェクトを構築すること。実際の過去データを使用してシステマティック取引戦略をバックテストし、テストしたすべての仮定と決定を文書化すること。WorldQuant BRAIN または Kaggle にモデルを提出し、構築したものを書き留めること。Alpaca のようなブローカー API を使用して簡単なアルゴリズムを実装すること。これらのプロジェクトは、数学的知識を機能的なものに変換できることを証明する。

第三に: 最初の機関的な資格を取得すること。研究ラボの PhD 学生にコールドメールを送り、進行中の研究に具体的に貢献したいと伝える。定量的なコースの TA を務める。リサーチアシスタントのポジションに就く。肩書き自体よりも、実際の技術的な経験について語れることの方がはるかに重要である。

第四に: 各資格を次のレベルに到達するための足がかりとして使うこと。研究ラボでの経験がスタートアップの面接の扉を開く。スタートアップでの経験が中堅企業の扉を開く。中堅企業での経験がエリートファンドの扉を開く。この階段を回避できる確実な近道を、これまで誰も見つけていない。

第五に: 準備ができたと感じる前に応募し、すべてを記録すること。すべての不合格はデータである。すべての面接は練習である。スプレッドシートを作成する。すべての応募、すべてのオンラインアセスメント、すべての面接、そして面接で聞かれて明確に答えられなかった質問を記録する。次の面接までに、その特定の事項を徹底的に学習する。

第六に: 公の場で競うこと。パート 4 のコンペティションは、スキル構築の練習であるだけでなく、採用パイプラインでもある。企業はリーダーボードを監視しており、優秀な成績を収めたことで、それらの企業と事前に何の接点もなかった候補者に直接内定が出たケースもある。

数学的な基礎こそが、実際の参入障壁（モート）である。通常の微積分にはない余分な項が伊藤の補題に存在する理由を導出できる能力。凸最適化アプローチが実際の市場でいつ機能し、いつ機能しないかを理解していること。その深みこそが、真のエッジを構築するクォントと、それを借りてくるクォントを分ける。借りてきたアプローチは、他の全員がそれを採用した時点で陳腐化する。数学的流暢さは、無期限に新しいアプローチを生み出し続ける。

この記事を閉じる前に、具体的なことを 3 つ書き留めてください。 今、自分が階段のどの位置にいるのか。現在のポジションのすぐ上の、次の具体的なステップは何か。そして、その次のステップに向けて、今後 7 日間で取ることができる、最も具体的な行動は何か。漠然とした意図ではない。具体的な期限を伴う、具体的な行動である。

完全な読書リスト

数学: Blitzstein and Hwang, Introduction to Probability (ハーバード大学より無料 PDF)。Strang, Introduction to Linear Algebra および MIT 18.06 講義 (OpenCourseWare で無料)。Wasserman, All of Statistics。Boyd and Vandenberghe, Convex Optimization (スタンフォード大学より無料 PDF)。Shreve, Stochastic Calculus for Finance, Volumes 1 and 2。

クオンツファイナンス: 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。

面接対策: Zhou, A Practical Guide to Quantitative Finance Interviews。Crack, Heard on the Street。Joshi, Quant Job Interview Questions and Answers。

まとめ

Citadel の初級クオンツリサーチャーの年収総額は 336,000 ドルから 642,000 ドルである。Jane Street は平均従業員に年間 140 万ドルを支払っている。トッププロップファームでの 5 年目のベンチマークは、年間 80 万ドルから 120 万ドルの間である。予測市場は、伝統的なクオンツファイナンスに既に存在するすべてのものに加えて、まったく新しい系統的取引のフロンティアを追加している。

ゼロからそのレベルの報酬に至るまでの完全な道筋が、この記事に記載されている。正しい順序での 5 つの数学的レイヤー。実際に機能する特定のリソース群。面接が実際に何をテストするのかの明確な全体像。それぞれが次のステップを達成可能にする、資格の階段。

アイビーリーグの名前は必要ない。金融のバックグラウンドも必要ない。必要なのは、正しい順序で構築された適切な基礎と、レベルを飛ばそうとせずに階段を上る規律である。

ほとんどの人をこの分野から遠ざけている情報の非対称性は、知能の問題ではない。それは、道筋がどのようなものかを知らないということである。

今、あなたはそれを知った。

ここで、あなたにじっくり考えてもらいたい質問がある。

存在する中で最も経済的に報われるキャリアの 1 つへの完全な設計図が公開されており、名門の経歴を必要とせず、今いる場所から誰でも始められるのであれば、ほとんどの人が今日から始めるのを実際に妨げているものは何だろうか？

答えをコメントに書き込んでください。ついでに、パート 3 のコインフリップ問題への答えもコメントに書き込んでください。

間違った答えはありませんが、非常に示唆に富む答えはあります。