O Plano Exato para Ganhar US$ 650.000/Ano (Roteiro Quant)

Vou detalhar o blueprint exato para construir uma carreira de quant de $650.000/ano partindo do zero e conseguir cargos em empresas como Jane Street e Citadel.

Vamos direto ao ponto.

Marque isto

-

Sou Roan, desenvolvedor backend trabalhando com design de sistemas, execução estilo HFT e sistemas de trading quantitativo. Meu foco é como os mercados de previsão realmente se comportam sob carga. Para sugestões, colaborações ou parcerias, minhas DMs estão abertas.

A indústria quant não está esperando por ninguém.

Pesquisadores quantitativos de nível inicial na Citadel já recebem entre $336.000 e $642.000 em remuneração total direto da faculdade. A Jane Street pagou ao seu funcionário médio $1,4 milhão apenas no primeiro semestre de 2025. Estagiários na IMC Trading ganham o equivalente anualizado a mais de $240.000. O benchmark de cinco anos para quem sobrevive nas principais prop shops fica entre $800.000 e $1.200.000 por ano.

E isso é antes de olharmos para o que está acontecendo nos mercados de previsão.

O espaço está se expandindo rapidamente para eleições, economia, esportes e eventos geopolíticos. Quants institucionais estão agora implantando estratégias sistemáticas em mercados de previsão da mesma forma que as implantam em ações e derivativos. Os mesmos frameworks de probabilidade, as mesmas técnicas de combinação de sinais, os mesmos princípios de gestão de risco. Já escrevi um artigo específico sobre como entrar no mundo de Quant para Mercados de Previsão.

Roan

@RohOnChain

·

24 de Fev

Artigo

Como se Tornar um Quant para Mercados de Previsão (Roteiro Completo)

Vou detalhar o roteiro completo para se tornar um Quant de nível institucional para Mercados de Previsão. Também compartilharei os recursos exatos e o caminho passo a passo que funciona.

Vamos direto ao...

35

196

1,3K

481K

Quando eu tinha 16 anos, tinha zero entendimento de como probabilidade e matemática realmente funcionavam em mercados reais. Hoje, lidero estratégias de trading sistemático em mercados de previsão em nível institucional. Isso aconteceu porque segui um caminho estruturado, de iniciante completo até entender os frameworks matemáticos, a execução técnica e a microestrutura de mercado que as instituições usam para extrair vantagem de forma sistemática.

A contratação de IA e machine learning em finanças quantitativas acelerou fortemente ao longo de 2025. Todos os grandes fundos estão construindo estratégias sistemáticas alimentadas por modelos de ML. A demanda por analistas quantitativos deve crescer 9% até 2028, e recrutadores descrevem 2026 como possivelmente o mercado de talentos quant mais competitivo globalmente.

E, no entanto, a maioria das pessoas que querem entrar nesse espaço não tem ideia de como realmente fazer isso.

Elas pensam que trading quantitativo é ser inteligente sobre mercados. Escolher as ações certas. Ter opiniões fortes sobre a direção dos preços. Imaginam ternos de Wall Street e terminais Bloomberg e assumem que o campo pertence a pessoas que estudaram finanças em universidades de elite. Assumem que você precisa de MIT ou Stanford no currículo. Assumem que, sem um nome da Ivy League, a porta já está fechada.

Isso está completamente errado. E é o maior motivo pelo qual a maioria das pessoas nunca tenta.

A Jane Street afirma explicitamente em suas vagas que conhecimento prévio de finanças ou economia não é esperado ou exigido. Mais de dois terços de sua turma recente de estagiários estudou ciência da computação ou matemática. Não finanças. Não economia.

Contratação na Jane Street

Ao final deste artigo, você entenderá o que é trading quantitativo de fato e por que ele paga o que paga, as quatro principais funções de quant e qual se encaixa no seu perfil, o roteiro matemático completo partindo do zero na ordem correta de aprendizado, o que o processo de entrevista nas melhores empresas realmente testa e como se preparar precisamente para ele, e a escada exata de nenhuma experiência até sua primeira credencial institucional real.

Nota: Este artigo é deliberadamente longo. Cada parte se baseia na anterior. Se você leva a sério a construção de uma carreira de quant, leia cada palavra. Se está procurando um atalho, isso não é para você.

Parte 1: O Que é Trading Quantitativo e as Funções Dentro Dele

A maioria das pessoas pensa que trading quantitativo é ter opiniões sobre para onde os mercados estão indo.

Não é. Trading quantitativo é sobre matemática.

Você está trabalhando com relações estatísticas, ineficiências de preço e vantagens estruturais que existem porque os mercados são sistemas complexos administrados por humanos que cometem erros sistemáticos e repetíveis. O objetivo não é estar certo sobre um resultado específico. O objetivo é encontrar situações onde a probabilidade matemática está a seu favor, dimensionar a posição corretamente e repetir esse processo milhares de vezes até que o valor esperado se acumule em retornos reais.

Pense da mesma forma que um cassino opera. O cassino não tenta prever se uma aposta individual vai ganhar. Ele executa o jogo repetidamente com uma pequena vantagem matemática em cada aposta e deixa a lei dos grandes números fazer o resto. As empresas de trading quantitativo operam da mesma forma. Elas encontram vantagens. Dimensionam posições corretamente. Executam em escala.

Este framework se aplica identicamente aos mercados de previsão. Um quant sistemático não tenta prever se um candidato político específico vencerá uma eleição. Eles tentam encontrar mercados onde a probabilidade implícita se desvia mensuravelmente do que os dados subjacentes realmente suportam, apostam nesse desvio e repetem o processo em centenas de eventos simultaneamente. As ferramentas são as mesmas. A matemática é a mesma. A vantagem vem da mesma fonte.

Agora, as funções, porque a preparação necessária difere significativamente entre elas.

Pesquisador Quantitativo é a função mais bem paga e mais exigente. São as pessoas que encontram padrões em conjuntos massivos de dados, constroem modelos preditivos e projetam as estratégias de trading reais. Eles precisam de profundidade matemática e estatística em nível de doutorado, ou realização excepcional de graduação em uma área quantitativa difícil. A remuneração total de nível inicial nas melhores empresas varia de $350.000 a $650.000 e escala dramaticamente a partir daí.

Trader Quantitativo pega os modelos construídos pelos pesquisadores e executa negociações reais em tempo real. Pensamento probabilístico rápido, matemática mental forte e tomada de decisão confiante sob pressão com informações incompletas. Esta função tem a maior variância de remuneração de qualquer carreira de quant. Traders excepcionais alcançam oito dígitos em um único ano. A remuneração de nível inicial nas melhores empresas normalmente começa entre $200.000 e $400.000 com potencial ilimitado.

Desenvolvedor Quantitativo constrói a infraestrutura que faz a pesquisa realmente negociar em mercados ao vivo. Plataformas de trading, motores de execução, pipelines de dados em tempo real, sistemas de baixa latência. C++, Rust e Python em nível de produção com padrões de desempenho muito altos. A remuneração total de nível inicial normalmente fica entre $200.000 e $350.000 nas melhores empresas.

Risk Quant foca em validação de modelos, cálculo de valor em risco, testes de estresse e conformidade regulatória. O caminho de carreira de quant mais estável com a trajetória de remuneração mais previsível. Teto mais baixo do que as outras três funções, mas significativamente mais estabilidade.

A função que mais cresce agora é o quant focado em IA e machine learning que constrói sistemas de geração de sinais usando deep learning, processa dados alternativos em escala e implanta modelos de ML diretamente em ambientes de trading ao vivo. Isso fica na interseção da pesquisa quantitativa e da engenharia de machine learning, e é onde está ocorrendo a contratação mais agressiva em 2025 e 2026.

O equívoco a eliminar antes de ler mais: você não precisa de um diploma em finanças para fazer qualquer um desses trabalhos. Você precisa de habilidade matemática, habilidade de programação e a disciplina para construir a base na ordem correta.

Parte 2: A Base Matemática na Ordem Correta

O caminho de zero até estar pronto para quant é como níveis em um videogame. Você não pode pular níveis. Cada conceito se baseia no anterior. Se você tentar pular para machine learning ou precificação de opções sem as camadas fundamentais abaixo, você construirá familiaridade superficial com muitos tópicos e compreensão genuína de nenhum deles. Isso não sobreviverá a uma entrevista de quant.

A ordem correta tem cinco camadas de profundidade. Cada camada é o pré-requisito para tudo que vem depois.

Camada Um: Probabilidade

Tudo em finanças quantitativas se reduz a uma pergunta. Quais são as chances, e as chances estão a meu favor?

Se você não entende probabilidade em um nível profundo, nada mais neste artigo importa. Precificação de opções é um problema de probabilidade. Modelagem de sinais é um problema de probabilidade. Market making é um problema de probabilidade. Dimensionamento de posição é um problema de probabilidade. Trading em mercados de previsão é, em sua essência, um problema de probabilidade.

O conceito mais importante nesta camada é o pensamento condicional. Quants não pensam em absolutos. Eles pensam em condicionais. Dado o que sei agora, qual a probabilidade deste resultado?

A fórmula que torna isso preciso:

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

A probabilidade de A dado B é igual à probabilidade de ambos os eventos acontecerem dividida pela probabilidade de B sozinho.

Aqui está como isso funciona na prática. Imagine que você está construindo um sinal para um mercado de previsão sobre um anúncio econômico. A probabilidade incondicional de que o mercado se mova bruscamente após o anúncio é de 40% com base em taxas históricas. Mas em dias em que a volatilidade implícita das opções está significativamente elevada antes do anúncio, a probabilidade condicional de um movimento brusco sobe para 68%. Esses 68% são um sinal real e utilizável. Os 40% incondicionais misturam sinal e ruído de uma forma que você não consegue separar sem condicionamento.

O Teorema de Bayes é o outro conceito essencial aqui. Ele diz como atualizar sua convicção à medida que novas informações chegam:

Posterior = (Verossimilhança x Prior) / Evidência

Sua crença atualizada é igual à probabilidade de você ver essa nova evidência se sua hipótese fosse verdadeira, multiplicada pelo quanto você já acreditava na hipótese, dividido pela probabilidade de você ver essa evidência sob qualquer hipótese. Os traders que atualizam suas crenças mais rápido e com mais precisão quando novas informações chegam superam consistentemente todos os outros.

Valor esperado e variância são os dois números nos quais você pensará pelo resto de sua carreira de quant. Valor esperado é seu resultado médio em todos os cenários. Variância é o quanto seu resultado real pode se desviar dessa média. Se sua estratégia tem valor esperado positivo e você consegue sobreviver à variância tempo suficiente para que ela se acumule, você ganhará dinheiro. Se você dimensionar posições muito grandes em relação à variância, você quebrará antes que o valor esperado tenha tempo de funcionar.

Recurso para esta camada: Blitzstein e Hwang, Introduction to Probability. PDF completo disponível gratuitamente em Harvard. Resolva todos os problemas dos Capítulos 1 a 6. Reserve de três a quatro semanas com duas horas focadas por dia.

Camada Dois: Estatística

Depois de entender probabilidade, você precisa aprender a ouvir os dados. Isso é estatística. A coisa mais importante que a estatística ensina é que a maior parte do que parece ser sinal real é, na verdade, ruído.

Você constrói uma estratégia. Ela tem um backtest com retorno anual de 15%. Isso é vantagem real ou variação da sorte?

O teste de hipóteses é como você descobre. Assuma a hipótese nula de que sua estratégia tem retorno esperado real zero. Calcule a probabilidade de você ver resultados tão fortes se essa suposição for verdadeira. Se você testar mil estratégias aleatórias, cinquenta delas mostrarão resultados aparentemente fortes apenas por acaso, no nível de significância padrão de 5%. Este é o problema de comparações múltiplas. É a razão mais comum pela qual os backtests parecem ótimos e os resultados de trading ao vivo são terríveis.

A regressão linear é o cavalo de batalha. Regrida os retornos da sua estratégia contra fatores de risco conhecidos e procure o intercepto chamado alfa. Se alfa for zero após contabilizar todos os fatores padrão, sua suposta vantagem é apenas exposição disfarçada a coisas que já eram bem compreendidas. O único número que importa é o alfa que sobrevive depois que cada fator conhecido é contabilizado.

Recurso para esta camada: Wasserman, All of Statistics, Capítulos 1 a 13. Reserve de quatro a cinco semanas.

Camada Três: Álgebra Linear

Álgebra linear é a maquinaria que executa tudo em finanças quantitativas e ML. Construção de portfólio, análise de componentes principais, redes neurais, estimativa de covariância e modelos de fatores rodam em matemática matricial.

Uma matriz de covariância captura como cada ativo se move em relação a todos os outros. A variância do portfólio se reduz a:

Variância = w^T x Sigma x w

Onde w é seu vetor de pesos e Sigma é a matriz de covariância. Esta única expressão é o núcleo matemático da otimização de portfólio e gestão de risco.

Os autovalores revelam o que realmente importa dentro dessa matriz de covariância. Em um universo de 500 ações, os primeiros cinco autovetores tipicamente explicam 70% de toda a variância. Todo o resto é ruído. A decomposição em autovalores é a base do investimento em fatores, redução de dimensionalidade e da arquitetura estatística de estratégias sistemáticas em larga escala.

Recurso para esta camada: Palestras do MIT 18.06 de Gilbert Strang, completamente gratuitas no MIT OpenCourseWare. Assista a todas. Depois, trabalhe com o livro-texto Introduction to Linear Algebra do Strang. Reserve de quatro a seis semanas.

Camada Quatro: Cálculo e Otimização

Quase todo problema em finanças quantitativas se reduz a maximizar algo sujeito a restrições. Construção de portfólio, treinamento de modelos e estratégia de execução são todos problemas de otimização.

A otimização convexa é essencial aqui. Um problema de otimização convexa tem uma solução global única que pode ser encontrada eficientemente. A maioria dos problemas de construção de portfólio e gestão de risco pode ser estruturada como programas convexos. Entender quando um problema é convexo e como resolvê-lo eficientemente é uma habilidade prática central no campo.

Recurso para esta camada: Boyd e Vandenberghe, Convex Optimization. PDF completo gratuito de Stanford. Trabalhe os Capítulos 1 a 5. Reserve de quatro a cinco semanas.

Camada Cinco: Cálculo Estocástico

Antes do cálculo estocástico, você pode analisar dados e construir modelos estatísticos. Depois dele, você pode derivar como os instrumentos financeiros são precificados a partir de primeiros princípios matemáticos. Esta é a camada de onde vem Black-Scholes e onde as estratégias sistemáticas mais sofisticadas são projetadas.

A percepção central do cálculo estocástico é que, em um mundo com aleatoriedade, o quadrado de um pequeno incremento aleatório não é desprezível como é no cálculo comum. Este único fato muda todos os cálculos e produz o Lema de Ito, a regra da cadeia do cálculo estocástico. Aplique-o a um preço de opção e você deriva a equação de Black-Scholes:

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

O que torna este resultado notável é que o retorno esperado da ação desaparece completamente. O preço da opção não depende de onde você acha que a ação vai. Apenas de quanto ela se move. Este foi o resultado conceitualmente radical que tornou possível a precificação moderna de derivativos.

Recurso para esta camada: Shreve, Stochastic Calculus for Finance, Volumes 1 e 2. O padrão ouro. Reserve de seis a oito semanas e não tenha pressa.

Parte 3: Programação, Ferramentas HFT e o Stack Tecnológico Que Realmente Importa

Existem dois tipos completamente separados de habilidade de programação que importam em finanças quantitativas, e a maioria dos candidatos os confunde.

O primeiro é a programação para pesquisa. Escrever Python limpo para analisar dados, construir e testar modelos estatísticos e implementar pipelines de machine learning. É isso que pesquisadores quantitativos e a maioria dos analistas quantitativos usam todos os dias.

O segundo é a programação de sistemas de produção. Escrever C++ ou Rust de alto desempenho que executa em latência de microssegundos, processa dados de mercado em tempo real, gerencia livros de ofertas e lida com lógica de execução sem perder um único tick. É isso que desenvolvedores quantitativos e engenheiros de trading de alta frequência constroem.

Se você está mirando funções de pesquisador quantitativo ou analista quantitativo, Python é sua ferramenta principal. Domine pandas e polars para manipulação de dados, onde polars é de dez a cinquenta vezes mais rápido em grandes conjuntos de dados. Use numpy e scipy para computação numérica. Use xgboost, lightgbm e catboost para machine learning em dados tabulares. Use pytorch para deep learning. Use cvxpy para problemas de otimização. Use statsmodels para testes estatísticos.

Se você está mirando funções de desenvolvedor quantitativo ou engenharia HFT, C++ e Rust são inegociáveis.

C++ tem sido a linguagem dominante em trading de alta frequência por décadas. As razões são controle sobre o layout da memória, desempenho determinístico sem pausas de garbage collection e a capacidade de otimizar o código para dentro de nanossegundos dos limites teóricos do hardware. Em empresas que negociam em velocidades de microssegundos ou submicrossegundos, um padrão de acesso à memória mal otimizado pode custar mais em slippage do que uma estratégia ganha em vantagem. As bibliotecas C++ relevantes são QuantLib para derivativos e matemática financeira, Eigen para álgebra linear de alto desempenho e Boost para utilitários de propósito geral.

Rust é o sério concorrente emergente do C++ neste espaço e está ganhando adoção rapidamente. Rust fornece o mesmo nível de desempenho que C++ com garantias de segurança de memória aplicadas em tempo de compilação, eliminando classes inteiras de bugs que aparecem regularmente em bases de código C++. O NautilusTrader, uma das plataformas de trading open source mais avançadas disponíveis, usa um núcleo Rust para componentes críticos de desempenho com uma API Python para pesquisa e desenvolvimento de estratégias. Esta arquitetura Rust mais Python está se tornando o padrão para nova infraestrutura de trading sistemático. RustQuant está disponível especificamente para precificação de opções e trabalho quantitativo com derivativos em Rust.

Para fontes de dados: yfinance é gratuito e suficiente para aprendizado. Polygondotio por cerca de $200 por mês fornece latência abaixo de 20 milissegundos e é o padrão para trabalho sistemático sério de varejo. O Terminal Bloomberg por cerca de $32.000 por ano é o padrão institucional. Finnhub oferece um nível gratuito para projetos iniciais.

Para backtesting: NautilusTrader para trabalho de nível de produção. Backtrader e vectorbt são pontos de partida mais simples para aprender os conceitos.

Trabalho de casa e a pergunta de entrevista que revela tudo:

Aqui está um dos problemas de probabilidade mais famosos que as principais empresas de quant usam nas primeiras rodadas de triagem. É simples de enunciar, surpreendentemente profundo de resolver corretamente e testa diretamente o pensamento condicional da Parte 2.

Você joga uma moeda justa repetidamente até obter duas caras consecutivas. Qual é o número esperado de lançamentos?

Trabalhe nisso sozinho antes de ler qualquer outra coisa. Não procure a resposta. O processo de configurar os estados, escrever as equações para cada estado e resolver o sistema é exatamente o tipo de raciocínio que os entrevistadores de quant estão observando.

Coloque sua resposta e sua abordagem nos comentários. Há um resultado específico para o qual este problema converge, e o método que você usa para chegar lá revela mais sobre seu pensamento matemático do que a própria resposta.

Parte 4: O Processo de Entrevista Decodificado

A maioria dos candidatos se prepara para o que imaginam ser as entrevistas de quant. A realidade é mais estruturada e mais exigente do que a maioria das pessoas espera.

Em uma empresa como a Citadel, o processo de entrevista abrange múltiplas trilhas executadas simultaneamente. As trilhas de engenharia de software quantitativa, trading e pesquisa quantitativa têm estruturas diferentes e testam coisas diferentes. Um candidato sério em uma única temporada de recrutamento pode passar por quinze a vinte entrevistas separadas em todas as três.

As rodadas finais são chamadas de super days. Seis entrevistas consecutivas de quarenta e cinco minutos em um único dia. Os tópicos variam de C++ de baixo nível e design de sistemas a provas de probabilidade, questões de design de machine learning e entrevistas comportamentais com líderes de equipe. Você precisa codificar de forma limpa, derivar resultados matemáticos claramente e explicar seu raciocínio em voz alta a cada passo.

A velocidade de matemática mental importa significativamente mais do que a maioria dos candidatos espera. As empresas usam ferramentas como Zetamac para triagem inicial. Mire em 50 ou mais respostas corretas por minuto antes de se candidatar.

A Jane Street projeta seus problemas de entrevista para serem intencionalmente mais difíceis do que uma pessoa deveria ser capaz de resolver sozinha. Eles estão testando como você usa dicas. Como você raciocina sob incerteza. Como você colabora sob pressão. Um candidato que narra seu pensamento, considera casos extremos e reconhece a incerteza enquanto continua a raciocinar superará consistentemente um candidato que fica em silêncio e depois produz uma resposta correta sem explicação.

O Green Book, formalmente intitulado A Practical Guide to Quantitative Finance Interviews por Xinfeng Zhou, é o recurso de preparação mais referenciado entre todos os candidatos que conseguiram uma oferta em uma das principais empresas de quant. Mais de 200 problemas reais de entrevista cobrindo probabilidade, estatística, brain teasers, matemática mental e quebra-cabeças financeiros. Trabalhe nele lentamente. Passe pelo menos quinze minutos tentando genuinamente cada problema antes de olhar qualquer dica.

Complemente com QuantGuidedotio para problemas práticos específicos de quant e Brainstellar para quebra-cabeças de probabilidade no nível de dificuldade de entrevista.

Para as rodadas de codificação, trabalhe no conjunto de problemas LeetCode Blind 75 com foco em entender o padrão subjacente de cada tipo de problema, em vez de memorizar soluções. Programação dinâmica é o ponto de falha mais comum nas rodadas finais da Citadel e da Jane Street especificamente.

Experiência em pesquisa é o que separa os candidatos a pesquisador quantitativo mais fortes de todos os outros. Não notas de curso. Pesquisa real onde você formulou uma hipótese, construiu algo para testá-la e pode descrever precisamente o que aprendeu com o processo, incluindo o que falhou e por quê.

A preparação comportamental é consistentemente subestimada. Pratique responder perguntas comportamentais em voz alta com alguém que dê feedback genuíno até que suas respostas soem naturais. Toda rodada final tem uma camada significativa de avaliação humana que determina os resultados tanto quanto as rodadas técnicas.

Competições que aceleram diretamente o caminho para o emprego: Competição Kaggle da Jane Street com um prêmio de $100.000. WorldQuant BRAIN, que paga em dinheiro por sinais alfa que você submete. Datathon da Citadel, que acelera explicitamente os vencedores para entrevistas de emprego.

Parte 5: A Escada de Zero a $650.000 por Ano

O maior erro único é tentar um salto vertical. Candidatar-se diretamente à Citadel ou Jane Street sem credenciais, ser rejeitado e concluir que o campo está fechado.

O campo não está fechado. Eles tentaram um salto de dezoito degraus quando o processo requer um passo de cada vez.

Primeiro: Construa a base matemática na ordem correta da Parte 2. Execute a trilha de estudo acadêmico e a trilha prática de codificação simultaneamente. Não espere a matemática estar perfeita antes de começar a codificar. Ambos se desenvolvem em paralelo.

Segundo: Construa pelo menos um projeto real antes de se candidatar a qualquer lugar. Faça o backtest de uma estratégia de trading sistemática usando dados históricos reais e documente cada suposição e decisão que testou. Submeta um modelo ao WorldQuant BRAIN ou Kaggle e escreva sobre o que construiu. Implemente um algoritmo simples usando uma API de corretora como a Alpaca. Esses projetos provam que você pode traduzir conhecimento matemático em algo funcional.

Terceiro: Consiga sua primeira credencial institucional. Envie e-mails frios para estudantes de doutorado em laboratórios de pesquisa e peça especificamente para contribuir com trabalhos em andamento. Seja monitor de uma disciplina quantitativa. Consiga uma vaga de assistente de pesquisa. O título específico importa muito menos do que ter uma linha de experiência técnica real para discutir.

Quarto: Use cada credencial para alcançar o próximo nível. Um laboratório de pesquisa abre portas para entrevistas em startups. Uma credencial de startup abre portas para empresas de médio porte. Uma empresa de médio porte abre as portas dos fundos de elite. Ninguém encontrou um atalho confiável para pular essa escada.

Quinto: Candidate-se antes de se sentir pronto e registre tudo. Cada rejeição é um dado. Cada entrevista é prática. Monte uma planilha. Registre cada candidatura, cada avaliação online, cada entrevista e cada pergunta que te fizeram e que você não conseguiu responder claramente. Vá estudar exatamente aquilo antes da próxima entrevista.

Sexto: Compita publicamente. As competições da Parte 4 são canais de recrutamento, não apenas exercícios de desenvolvimento de habilidades. As empresas monitoram os rankings, e um desempenho forte já resultou diretamente em ofertas de emprego para candidatos que não tinham nenhuma conexão prévia com essas empresas.

A base matemática é a verdadeira vantagem competitiva. A capacidade de derivar por que o Lema de Itô tem um termo extra que o cálculo comum não tem. Saber quando uma abordagem de otimização convexa funcionará ou não em um mercado ao vivo. Essa profundidade separa os quants que constroem vantagem real daqueles que pegam vantagem emprestada. Abordagens emprestadas expiram quando todo mundo as adota. A fluência matemática gera novas abordagens indefinidamente.

Antes de fechar este artigo, anote três coisas específicas. Onde você está agora na escada. Qual é o próximo passo concreto acima da sua posição atual. E a ação mais específica que você pode tomar nos próximos sete dias em direção a esse próximo passo. Não uma intenção vaga. Uma ação específica com um prazo específico.

A Lista de Leitura Completa

Matemática: Blitzstein e Hwang, Introduction to Probability, PDF gratuito de Harvard. Strang, Introduction to Linear Algebra mais as aulas MIT 18.06 gratuitas no OpenCourseWare. Wasserman, All of Statistics. Boyd e Vandenberghe, Convex Optimization, PDF gratuito de Stanford. Shreve, Stochastic Calculus for Finance, Volumes 1 e 2.

Finanças Quantitativas: 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.

Preparação para Entrevistas: Zhou, A Practical Guide to Quantitative Finance Interviews. Crack, Heard on the Street. Joshi, Quant Job Interview Questions and Answers.

O Resumo

Pesquisadores quant de nível inicial na Citadel ganham entre US$ 336.000 e US$ 642.000 em remuneração total. A Jane Street paga ao seu funcionário médio US$ 1,4 milhão por ano. O benchmark de cinco anos nas melhores prop shops fica entre US$ 800.000 e US$ 1.200.000 anuais. Os mercados de previsão estão adicionando uma fronteira de trading sistemático totalmente nova sobre tudo o que já existe nas finanças quantitativas tradicionais.

O caminho completo do zero até esse nível de remuneração está documentado neste artigo. Cinco camadas matemáticas na sequência correta. Um conjunto específico de recursos que realmente funcionam. Uma imagem clara do que as entrevistas realmente testam. Uma escada de credenciais em que cada uma torna a próxima alcançável.

Você não precisa de um nome de universidade da Ivy League. Você não precisa de formação em finanças. Você precisa da base certa construída na ordem certa e da disciplina para seguir a escada sem tentar pular níveis.

A assimetria de informação que mantém a maioria das pessoas fora deste campo não é sobre inteligência. É sobre não saber como é o caminho.

Agora você sabe.

Aqui está a pergunta com a qual quero que você reflita.

Se o projeto completo para uma das carreiras mais financeiramente recompensadoras que existem está disponível publicamente, não requer uma formação de prestígio e pode ser seguido começando de onde você está agora, o que realmente impede a maioria das pessoas de começar hoje?

Deixe sua resposta nos comentários. E, enquanto estiver lá, deixe também sua resposta para o problema do lançamento da moeda da Parte 3.

Não há resposta errada, mas há respostas muito reveladoras.