年薪 65 万美元的量化职业蓝图（Quant 路线图）

我将为你详细拆解从零开始构建年薪 65 万美元量化职业生涯的确切蓝图，并教你如何进入 Jane Street 和 Citadel 这样的公司。

我们直接进入正题。

收藏本文

-

我是 Roan，一名专注于系统设计、高频交易执行和量化交易系统的后端开发人员。我的工作重点是研究预测市场在高负载下的实际表现。如有任何建议、想法或合作意向，欢迎私信交流。

量化行业不会等待任何人。

Citadel 的初级量化研究员，刚毕业时的总薪酬就在 33.6 万到 64.2 万美元之间。Jane Street 在 2025 年上半年支付给员工的平均薪酬高达 140 万美元。IMC Trading 的实习生，其年化薪酬也超过了 24 万美元。对于那些在顶级自营交易公司存活下来的人，五年基准年薪在 80 万到 120 万美元之间。

这还不算预测市场正在发生的事情。

这个领域正在迅速扩展到选举、经济、体育和地缘政治事件。机构量化分析师现在正将系统化策略部署到预测市场中，就像他们在股票和衍生品市场中部署一样。相同的概率框架，相同的信号组合技术，相同的风险管理原则。我之前已经写过一篇关于如何进入预测市场量化领域的专门文章。

Roan

@RohOnChain

·

2月24日

文章

如何成为预测市场的量化分析师（完整路线图）

我将为你详细拆解成为机构级预测市场量化分析师的完整路线图。我还会分享确切的资源和行之有效的分步路径。

我们直接进入...

35

196

1.3K

481K

当我 16 岁时，我对概率和数学在真实市场中如何运作一无所知。如今，我在机构层面主导预测市场的系统化交易策略。我能走到今天，是因为我遵循了一条结构化的路径，从完全的初学者，逐步理解了机构用来系统化获取优势的数学框架、技术执行和市场微观结构。

2025 年，人工智能和机器学习在量化金融领域的招聘急剧加速。每个主要基金都在构建由 ML 模型驱动的系统化策略。量化分析师的需求预计到 2028 年将增长 9%，招聘人员将 2026 年描述为全球量化人才市场竞争可能最激烈的一年。

然而，大多数想进入这个领域的人，实际上并不知道该怎么做。

他们认为量化交易就是关于对市场有深刻见解。挑选正确的股票。对价格方向有强烈的看法。他们脑海中浮现的是华尔街西装革履和彭博终端，并认为这个领域属于那些在精英大学学习金融的人。他们认为简历上必须有麻省理工或斯坦福。他们认为，如果没有常春藤名校的名字，大门就已经关闭了。

这完全错误。这也是大多数人甚至从不尝试的唯一最大原因。

Jane Street 在其招聘信息中明确表示，不期望也不要求应聘者具备金融或经济学知识。他们最近一届实习生中，超过三分之二学习的是计算机科学或数学。不是金融。不是经济学。

Jane Street 招聘

读完这篇文章，你将理解量化交易到底是什么以及它为何薪酬如此之高，四种主要的量化角色以及哪一种适合你的背景，从零开始、按正确学习顺序构建的完整数学路线图，顶级公司的面试过程实际考察什么以及如何精确准备，以及从零经验到获得第一个真正的机构资历的确切阶梯。

注意：本文篇幅特意较长。每个部分都建立在前一部分的基础上。如果你认真考虑建立量化职业生涯，请逐字阅读。如果你在寻找捷径，这不适合你。

第一部分：量化交易到底是什么及其内部角色

大多数人认为量化交易是关于对市场走向有看法。

并非如此。量化交易是关于 数学。

你处理的是统计关系、定价低效和结构性优势，这些优势之所以存在，是因为市场是由人类运行的复杂系统，而人类会犯系统性和重复性的错误。目标不是在任何特定结果上正确。目标是找到数学概率对你有利的情况，正确地对头寸进行规模设定，并重复这个过程数千次，直到期望值累积成实际回报。

可以把它想象成赌场的运作方式。赌场不会试图预测任何单次下注是否会赢。它反复运行游戏，每次下注都带有微小的数学优势，然后让大数定律来完成剩下的工作。量化交易公司以同样的方式运作。他们寻找优势。他们正确地对头寸进行规模设定。他们大规模执行。

这个框架同样适用于预测市场。一个系统化的量化分析师不会试图预测某个特定的政治候选人是否会赢得选举。他们会试图找到那些隐含概率与基础数据实际支持的情况存在可测量偏差的市场，押注于这种偏差，并同时在数百个事件中重复这一过程。工具是相同的。数学是相同的。优势来自相同的来源。

现在来看角色，因为不同角色所需的准备差异很大。

量化研究员 是薪酬最高、要求最高的角色。这些人负责在海量数据集中寻找模式，构建预测模型，并设计实际的交易策略。他们需要博士级别的数学和统计学深度，或者在硬量化领域有真正出色的本科成就。顶级公司的初级总薪酬范围在 35 万到 65 万美元之间，并且会在此基础上大幅增长。

量化交易员 负责将研究员构建的模型转化为实时的实际交易。需要快速的概率思维、强大的心算能力，以及在信息不完整的情况下，在压力下做出自信决策的能力。这个角色的薪酬方差是所有量化职业中最大的。优秀的交易员一年内能达到八位数收入。顶级公司的初级薪酬通常在 20 万到 40 万美元之间，并且上不封顶。

量化开发人员 负责构建使研究能够在真实市场中交易的基础设施。交易平台、执行引擎、实时数据管道、低延迟系统。需要达到生产级别的 C++、Rust 和 Python，且性能标准极高。顶级公司的初级总薪酬通常在 20 万到 35 万美元之间。

风险量化分析师 专注于模型验证、风险价值计算、压力测试和监管合规。这是最稳定的量化职业路径，薪酬轨迹也最可预测。天花板低于其他三个角色，但稳定性显著更高。

目前增长最快的角色是专注于人工智能和机器学习的量化分析师，他们使用深度学习构建信号生成系统，大规模处理另类数据，并将 ML 模型直接部署到实时交易环境中。这处于量化研究和机器学习工程的交叉点，也是 2025 和 2026 年招聘最激进的领域。

在继续阅读之前需要消除的误解：你不需要金融学位来做这些工作中的任何一个。你需要的是数学能力、编程技能，以及按正确顺序建立基础的纪律。

第二部分：按正确顺序构建的数学基础

从零到具备量化能力，就像玩电子游戏里的关卡。你不能跳过任何关卡。每个概念都建立在前一个概念之上。如果你试图在没有底层基础的情况下直接跳到机器学习或期权定价，你会在许多主题上获得表面的熟悉度，但对其中的任何一个都没有真正的理解。这在量化面试中是行不通的。

正确的顺序有五层深度。每一层都是后续所有内容的前提。

第一层：概率

量化金融中的一切最终都归结为一个问题。赔率是多少，赔率对我有利吗？

如果你没有深入理解概率，那么本文中的其他内容都无关紧要。期权定价是一个概率问题。信号建模是一个概率问题。做市是一个概率问题。头寸规模设定是一个概率问题。预测市场交易的核心也是一个概率问题。

这一层最重要的概念是条件思维。量化分析师不以绝对的方式思考。他们以条件的方式思考。根据我目前所知，这个结果的可能性有多大？

使这一点精确化的公式：

P(A|B) = P(A 且 B) / P(B)

在 B 发生的条件下 A 发生的概率，等于两个事件同时发生的概率除以 B 单独发生的概率。

以下是它在实践中的运作方式。想象你正在为一个关于经济公告的预测市场构建一个信号。根据历史基准率，公告后市场大幅波动的无条件概率是 40%。但在公告前期权隐含波动率显著升高的情况下，大幅波动的条件概率会上升到 68%。这 68% 是真正可用的信号。而无条件的 40% 则以一种你无法在不进行条件处理的情况下分离的方式混合了信号和噪音。

贝叶斯定理是这里另一个基本概念。它告诉你如何在新信息到来时更新你的信念：

后验概率 = (似然度 x 先验概率) / 证据

你更新后的信念等于：如果你的假设为真，你看到这个新证据的可能性有多大，乘以你之前相信这个假设的强度，再除以在任何假设下你看到这个证据的可能性。那些在新信息到来时更新信念最快、最准确的交易员，始终能超越其他人。

期望值和方差是你量化职业生涯剩余时间里会一直思考的两个数字。期望值是你所有情景下的平均结果。方差是你的实际结果可能偏离平均值的程度。如果你的策略具有正的期望值，并且你能在方差累积到足以让你破产之前存活下来，你就会赚钱。如果你相对于方差将头寸规模设定得过大，你会在期望值有时间发挥作用之前就破产。

本层资源： Blitzstein 和 Hwang 的《概率导论》。哈佛大学免费提供完整 PDF。完成第 1 章到第 6 章的所有习题。每天专注两小时，预算三到四周。

第二层：统计学

一旦你理解了概率，你需要学会倾听数据。这就是统计学。统计学教给我们的最重要的事情是，大多数看起来像真实信号的东西实际上是噪音。

你构建了一个策略。它的回测年化回报率为 15%。这是真正的优势还是幸运的波动？

假设检验就是用来找出答案的。假设零假设，即你的策略的真实期望回报为零。计算如果该假设成立，你看到如此强劲结果的可能性有多大。如果你测试一千个随机策略，其中五十个会在标准的 5% 显著性水平上纯属偶然地显示出看似强劲的结果。这就是多重比较问题。这是回测看起来很棒而实盘交易结果却很糟糕的最常见原因。

线性回归是主力工具。将你的策略回报率对已知的风险因子进行回归，寻找称为 Alpha 的截距项。如果在考虑了所有标准因子后 Alpha 为零，那么你所谓的优势只是对已经很好理解的事物的伪装暴露。唯一重要的数字是，在考虑了每个已知因子后仍然存在的 Alpha。

本层资源： Wasserman 的《统计学全览》，第 1 章到第 13 章。预算四到五周。

第三层：线性代数

线性代数是驱动量化金融和 ML 中一切事物的机器。投资组合构建、主成分分析、神经网络、协方差估计和因子模型都运行在矩阵数学之上。

协方差矩阵捕捉了每个资产相对于其他所有资产的变动方式。投资组合方差简化为：

方差 = w^T x Sigma x w

其中 w 是你的权重向量，Sigma 是协方差矩阵。这个单一的表达式是投资组合优化和风险管理的数学核心。

特征值揭示了该协方差矩阵内部真正重要的东西。在一个由 500 只股票组成的宇宙中，前五个特征向量通常能解释 70% 的方差。其他一切都是噪音。特征分解是因子投资、降维和大规模系统化策略统计架构的基础。

本层资源： Gilbert Strang 的 MIT 18.06 课程，在 MIT OpenCourseWare 上完全免费。观看所有课程。然后学习 Strang 的《线性代数导论》教材。预算四到六周。

第四层：微积分与优化

量化金融中几乎所有问题都归结为在约束条件下最大化某个目标。投资组合构建、模型训练和执行策略都是优化问题。

凸优化在这里至关重要。凸优化问题具有一个可以高效找到的唯一全局解。大多数投资组合构建和风险管理问题都可以被构造为凸规划。理解一个问题何时是凸的以及如何高效地求解它，是该领域的一项核心实践技能。

本层资源：Boyd 和 Vandenberghe 的《凸优化》。斯坦福大学免费提供完整 PDF。学习第 1 章到第 5 章。预算四到五周。

第五层：随机微积分

在学习随机微积分之前，你可以分析数据并构建统计模型。学习之后，你可以从数学第一原理推导出金融工具的定价方式。这一层是布莱克-斯科尔斯模型的来源，也是设计最复杂系统化策略的地方。

随机微积分的核心见解是，在一个充满随机性的世界里，一个小随机增量的平方并不像在普通微积分中那样可以忽略不计。这一个事实改变了所有计算，并产生了伊藤引理，即随机微积分的链式法则。将其应用于期权价格，你就能推导出布莱克-斯科尔斯方程：

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

这个结果的非凡之处在于，股票的期望回报完全消失了。期权价格不取决于你认为股票会走向何方。只取决于它波动了多少。这是一个概念上具有革命性的结果，它使得现代衍生品定价成为可能。

本层资源： Shreve 的《金融随机微积分》，第 1 卷和第 2 卷。这是黄金标准。预算六到八周，不要急于求成。

第三部分：编程、高频交易工具以及真正重要的技术栈

在量化金融中，有两种完全不同的编程技能很重要，而大多数候选人会混淆它们。

第一种是研究型编程。编写干净的 Python 代码来分析数据、构建和回测统计模型，以及实现机器学习管道。这是量化研究员和大多数量化分析师每天使用的。

第二种是生产系统编程。编写高性能的 C++ 或 Rust 代码，以微秒级延迟执行，处理实时市场数据，管理订单簿，并在不遗漏任何一个 tick 的情况下处理执行逻辑。这是量化开发人员和高频交易工程师所构建的。

如果你的目标是量化研究员或量化分析师职位，Python 是你的主要工具。掌握 pandas 和 polars 进行数据处理，其中 polars 在大数据集上的运行速度是 pandas 的十到五十倍。使用 numpy 和 scipy 进行数值计算。使用 xgboost、lightgbm 和 catboost 进行表格数据的机器学习。使用 pytorch 进行深度学习。使用 cvxpy 进行优化问题求解。使用 statsmodels 进行统计检验。

如果你的目标是量化开发人员或高频交易工程职位，C++ 和 Rust 是必不可少的。

几十年来，C++ 一直是高频交易领域的主导语言。原因在于对内存布局的控制、没有垃圾回收暂停的确定性性能，以及能够将代码优化到接近理论硬件极限的纳秒级别。在以微秒或亚微秒速度交易的公司，一个优化不佳的内存访问模式可能造成的滑点损失，比一个策略通过优势赚取的还要多。相关的 C++ 库包括用于衍生品和金融数学的 QuantLib、用于高性能线性代数的 Eigen，以及用于通用工具的 Boost。

Rust 是该领域 C++ 的强劲新兴竞争者，并且正在迅速获得采用。Rust 提供与 C++ 相同级别的性能，并带有在编译时强制执行的内存安全保证，从而消除了 C++ 代码库中经常出现的整类错误。NautilusTrader，一个最先进的开源交易平台，其性能关键组件使用 Rust 核心，并带有用于研究和策略开发的 Python API。这种 Rust 加 Python 的架构正在成为新系统化交易基础设施的标准模式。RustQuant 专门用于 Rust 中的期权定价和量化衍生品工作。

关于数据源： yfinance 是免费的，足以用于学习。Polygon.io 每月约 200 美元，提供低于 20 毫秒的延迟，是严肃的零售系统化工作的标准选择。彭博终端每年约 32,000 美元，是机构标准。Finnhub 为早期项目提供免费层级。

关于回测： NautilusTrader 用于生产级工作。Backtrader 和 vectorbt 是学习概念的更简单起点。

作业和一个能揭示一切的面试问题：

这是顶级量化公司在早期筛选轮次中使用的最著名的概率问题之一。它陈述起来很简单，但正确解决却出奇地深刻，并且直接测试了第二部分中的条件思维。

你反复抛一枚公平的硬币，直到连续得到两次正面。期望的抛掷次数是多少？

在阅读其他任何内容之前，自己先解决这个问题。不要搜索答案。设置状态、为每个状态编写方程以及求解系统的过程，正是量化面试官在观察的那种推理方式。

在评论区留下你的答案和方法。这个问题会收敛到一个特定的结果，而你用来得到这个结果的方法，比答案本身更能揭示你的数学思维。

第四部分：解码面试流程

大多数候选人准备的是他们想象中的量化面试。现实情况比大多数人预期的更有结构性，要求也更高。

在 Citadel 这样的公司，面试流程同时涵盖多个方向。量化软件工程、交易和量化研究方向各有不同的结构，测试不同的内容。一个认真的候选人在一个招聘季可能会经历所有三个方向的十五到二十次独立的面试。

最终轮被称为超级日。一天内连续进行六次四十五分钟的面试。主题涵盖从底层 C++ 和系统设计，到概率证明，到机器学习设计问题，再到与团队负责人的行为面试。你需要清晰地编写代码，清晰地推导数学结果，并在每一步都大声解释你的推理过程。

心算速度的重要性远超大多数候选人的预期。公司使用 Zetamac 等工具进行早期筛选。在申请之前，目标是每分钟正确回答 50 个或更多。

Jane Street 设计的面试问题故意比一个人应该能独自解决的更难。他们在测试你如何使用提示。如何在不确定性下向前推理。如何在压力下协作。一个能够叙述自己的思考过程、考虑边界情况、承认不确定性并继续推理的候选人，将持续优于一个保持沉默、然后给出正确答案却不加解释的候选人。

《绿皮书》，正式名称为 Xinfeng Zhou 的《量化金融面试实用指南》，是所有在顶级量化公司获得 offer 的候选人中引用最多的准备资源。包含超过 200 个真实的面试问题，涵盖概率、统计学、脑筋急转弯、心算和金融谜题。慢慢学习。在查看任何提示之前，至少花十五分钟真正尝试每个问题。

辅以 QuantGuide.io 进行量化特定的练习题，以及 Brainstellar 进行面试难度的概率谜题。

对于编程轮次，完成 LeetCode Blind 75 问题集，重点是理解每种问题类型的底层模式，而不是记忆解决方案。动态规划是 Citadel 和 Jane Street 最终轮次中最常见的失败点。

研究经验是区分最强量化研究员候选人和所有其他人的因素。不是课程成绩。而是实际的研究，你提出了一个假设，构建了一些东西来测试它，并且可以精确地描述你从这个过程中学到了什么，包括什么失败了以及为什么。

行为准备一直被低估。练习大声回答行为问题，找一个能给出真实反馈的人，直到你的回答听起来自然。每个最终轮次都有一个有意义的人际评估层，它对结果的影响与技术轮次一样大。

可以直接加速就业的竞赛：Jane Street Kaggle 竞赛，奖金 10 万美元。WorldQuant BRAIN，为你提交的 Alpha 信号支付现金。Citadel Datathon，明确将获胜者加速进入就业面试。

第五部分：从零到年薪 65 万美元的阶梯

最大的错误是试图垂直跳跃。没有任何资历就直接申请 Citadel 或 Jane Street，被拒绝，然后得出结论说这个领域已经关闭。

这个领域并没有关闭。他们试图一次跳十八级台阶，而这个过程需要一步一步来。

第一步： 按照第二部分中的正确顺序构建数学基础。同时进行学术学习路径和实践编码路径。不要等到数学完美了才开始编码。两者并行发展。

第二步： 在申请任何地方之前，至少构建一个真实项目。使用真实的历史数据回测一个系统化交易策略，并记录你测试过的每一个假设和决策。向 WorldQuant BRAIN 或 Kaggle 提交一个模型，并写下你构建的内容。使用像 Alpaca 这样的券商 API 实现一个简单的算法。这些项目证明了你能够将数学知识转化为功能性成果。

第三： 获取你的第一份机构资历。给研究实验室的博士生发冷邮件，明确请求参与他们正在进行的工作。担任一门量化课程的助教。加入一个研究助理岗位。具体的头衔远不如拥有一个真实的技术经验线可以谈论来得重要。

第四： 利用每一份资历达到下一个层级。研究实验室的经历能打开初创公司的面试大门。初创公司的资历能打开中型公司的门。中型公司则能打开精英基金的门。没有人找到过绕过这个阶梯的可靠捷径。

第五： 在你感觉准备好之前就开始申请，并追踪一切。每一次拒绝都是一份数据。每一次面试都是一次练习。建立一个电子表格。追踪每一次申请、每一次在线测评、每一次面试，以及每一个你被问到却无法清晰回答的问题。在下次面试前，专门去学习那个知识点。

第六： 公开竞争。第四部分中的竞赛不仅是技能训练，更是招聘渠道。公司会关注排行榜，出色的表现已经直接为那些与这些公司毫无关系的候选人带来了工作机会。

数学基础才是真正的护城河。能够推导出为什么伊藤引理比普通微积分多出一个额外项。知道凸优化方法在实时市场中何时有效、何时无效。这种深度将那些能构建真正优势的宽客与那些借用优势的宽客区分开来。借用来的方法一旦被所有人采用就会失效。而数学的流畅性可以无限地产生新方法。

在关闭这篇文章之前，写下三件具体的事情。 你目前在阶梯上的位置。你当前职位之上的下一个具体步骤是什么样子的。以及你在未来七天内，为了迈向那一步，可以采取的最具体的一个行动。不是一个模糊的意图。而是一个带有具体截止日期的具体行动。

完整阅读清单

数学： Blitzstein 和 Hwang 的《概率导论》，哈佛大学免费 PDF。Strang 的《线性代数导论》及 MIT 18.06 课程，在 OpenCourseWare 免费获取。Wasserman 的《统计学大全》。Boyd 和 Vandenberghe 的《凸优化》，斯坦福大学免费 PDF。Shreve 的《金融随机微积分》，第一、二卷。

量化金融： Hull 的《期权、期货及其他衍生品》。Natenberg 的《期权波动率与定价》。Lopez de Prado 的《金融机器学习进展》。Ernest Chan 的《量化交易》。Zuckerman 的《破解市场的人》。

面试准备： Zhou 的《量化金融面试实用指南》。Crack 的《华尔街传闻》。Joshi 的《量化工作面试问题与答案》。

总结

Citadel 的初级量化研究员总薪酬在 336,000 美元到 642,000 美元之间。Jane Street 向其普通员工支付每年 140 万美元。顶级自营交易公司的五年基准在每年 80 万到 120 万美元之间。预测市场正在为传统量化金融中已有的所有领域，增加一个全新的系统性交易前沿。

从零到达到该薪酬水平的完整路径已在这篇文章中记录。按正确顺序排列的五个数学层次。一套确实有效的特定资源。对面试实际考察内容的清晰描绘。一个让每一步都通向下一步的资历阶梯。

你不需要常春藤名校的名头。你不需要金融背景。你需要的是以正确顺序建立正确的基础，以及遵循阶梯、不试图跳级的纪律。

将大多数人挡在这个领域之外的信息不对称，并非关于智力。而是关于不知道这条路径是什么样子。

现在你知道了。

这是我希望你静下心来思考的问题。

如果通往这个领域最赚钱职业之一的完整蓝图是公开的，不需要显赫背景，并且可以从你现在的任何位置开始遵循，那么，究竟是什么阻止了大多数人今天就开始行动？

在评论区留下你的答案。同时，也留下你对第三部分中抛硬币问题的答案。

没有错误的答案，但有些答案非常能说明问题。