先看两个让人坐不住的数字。
第一个数字:30 万美元。
这是顶级量化公司 Jane Street 官网上,白纸黑字写着的应届生底薪——注意,只是底薪,不含奖金。加上奖金,顶级量化公司新人第一年的总包普遍在 30 万到 50 万美元之间。而 Jane Street 全公司(包括行政和后勤)的人均年薪,是 140 万美元。
第二个数字:88%。
这是金融行业 AI/ML 岗位招聘一年的增长率。这个行业不但钱多,而且正在疯狂扩张。
更让普通人意外的是 Jane Street 招聘页上的一句原话:"不要求任何金融或经济学的先验知识。"
对,你没看错。这个给应届生开 30 万美元底薪的行业,不要求你懂金融。
那它要求什么?这条路普通人能不能走?要走的话,正确的顺序是什么?
今天这篇文章,我把这条路径讲透。不堆公式,不掉书袋——只讲原理、方法论、和一张清晰的路线图。
先纠正一个误区:量化交易不是"炒股"
大部分人以为量化交易是:研究股票、对特斯拉有观点、预测财报。
全错。
量化交易的本质是数学,不是选股。
量化交易员(Quant)做的事情是:寻找市场里的统计规律、定价偏差和结构性漏洞。这些机会为什么存在?因为市场是一个由人运行的复杂系统,而人会犯系统性的错误——恐慌时集体抛售、贪婪时集体追高、看到整数关口就手抖。
量化交易员不预测"特斯拉明天涨不涨"。他们问的是另一类问题:
"当 A 发生时,B 跟着发生的概率是多少?这个概率,值不值得下注?"
记住这个区别。它决定了你接下来要学的所有东西——不是财报分析,不是 K 线图,而是一套关于不确定性的思维方式。
这条路像打游戏:不能跳关
整条学习路径,像一个不能跳关的游戏。每一层的概念,都建立在上一层之上。 跳关的结果就是后面全部听不懂。
好消息是:如果你投入真功夫(不是刷那些没营养的财经视频,而是真正动手解决问题),从零基础到能敲开这个行业的门,大约需要 18 个月。
下面是五个关卡。我不讲公式,只讲每一关到底在训练你的什么思维,以及为什么少了它不行。
第一关:概率——学会"有条件地思考"
量化金融里的一切,最终都归结为一个问题:
"赔率是多少?这个赔率对我有利吗?"
这就是概率。这一关训练的核心,是一种普通人很少具备的思维方式——条件化思考。
普通人用"绝对"思考:这事要么是真的,要么是假的。
量化交易员用"条件"思考:在我已知这些信息的前提下,这件事的可能性有多大?
举个例子。一只股票 60% 的交易日在涨——这是"基础概率",很粗糙,基本没用。但如果你发现:在成交量高于平均的日子里,它 75% 的时间在涨——这个"条件概率",才是真金白银的信息。
这一关还要学会一件事:根据新信息,实时修正你的判断(行话叫贝叶斯更新)。你原本认为一只股票值 50 块,财报出来营收超预期 3%——你的判断应该往上调多少?修正得最快、最准的人,赚走了钱。
最后是两个你终身的朋友:期望值和方差。期望值是你的胜算,方差是你的风险。一句话记住这一关的终极心法:
如果你的策略期望值为正,而你又能扛得住波动——你大概率会赚钱。
(这一关自学 3-4 周,每天 2 小时。经典教材是哈佛的免费概率课本,配合亲手写点模拟——比如模拟一万次抛硬币,亲眼看着平均值收敛到 0.5。亲眼看到,和听人说过,是两种完全不同的理解。)
第二关:统计——装一个"胡说八道探测器"
会说概率的语言之后,你要学会听懂数据在说什么。这就是统计。
而统计教给你的第一课,也是最重要的一课,是:
绝大多数"看起来像规律"的东西,其实是噪音。
举个扎心的例子。你搞出一个策略,回测显示年化收益 15%。它是真的吗?
统计学的做法是先假设"这个策略其实没用",然后计算:如果它真没用,出现这么好的成绩的概率有多大? 如果这个概率很小,才有资格说"可能是真的"。
但这里藏着一个新手全军覆没的大坑:如果你随手测试 1000 个随机策略,光靠运气,就会有大约 50 个看起来"显著有效"。 你以为自己找到了金矿,其实只是掷骰子掷出了几个连续的六。
所以请提前接受一个现实:你找到的前 10 个策略,大概率全是噪音。 现在就接受它,能帮你省下很多真金白银。
这一关还有一个核心概念叫"阿尔法"(α):把你的策略收益,减去所有已知的市场因素能解释的部分,剩下的那点无法解释的超额收益,才是你真正的本事。如果减完之后什么都不剩——你的"独门绝技",不过是变相的"跟着大盘涨"。
第三关:线性代数——学会"同时看清 500 只股票"
这一关听起来最枯燥,但它是后面一切的发动机:投资组合构建、风险管理、机器学习,全靠它。
不用怕,它的核心思想用一句话就能讲清:
当你要同时处理几百只股票之间的关系时,你需要一种能"打包运算"的数学工具——矩阵。
500 只股票,两两之间的关联关系有 12 万多个。矩阵让你把这 12 万个关系装进一个对象里,一次运算搞定。
这一关最神奇的时刻,是你第一次做"主成分分析"(可以理解为:给复杂系统拍 X 光片):你会发现,500 只股票看似各涨各的,其实前 5 个"隐藏因素"就解释了全部波动的 70%——剩下的,大多是噪音。
那一刻你会突然理解:市场没有你想的那么复杂,它被少数几股力量驱动着。学会找到这几股力量,你就从"看 500 个屏幕的人",变成了"看 5 个仪表盘的人"。
(这一关的黄金资源是 MIT 的 Gilbert Strang 线性代数公开课,免费,而且是全世界公认讲得最好的。)
第四关:微积分与优化——学会"在约束下找最优解"
金融里的一切都在变:价格、波动率、相关性,每秒都在变。微积分是描述"变化"的语言。
但对普通人来说,这一关真正值钱的是优化思维:
在一堆约束条件下(钱有限、风险有上限、单只股票不能超仓),找出那个最优的资产配置。
这就是所有"智能投顾"背后干的事。你不需要能手推公式,但你需要理解这个思维框架——人生里的大多数决策,本质上都是带约束的优化问题。
第五关:随机微积分——从"爱好者"到"专业人士"的分水岭
原文有一句话说得很好:
"学随机微积分之前,你是一个喜欢金融的数据科学家。学完之后,你才是一个量化专家。"
这一关是最难的,要 6-8 周,但我可以用大白话告诉你它在干什么:给"纯粹的随机"建立数学模型。
它最终引向一个价值万亿美元的成果——期权定价公式(Black-Scholes)。这个公式支撑着全球整个衍生品市场的运转。
这里面有一个第一次想通时足以让人后背发麻的洞察:
推导期权价格的过程中,"这只股票预期会涨多少"这个变量,竟然在数学上被完美消掉了。也就是说——期权的合理价格,跟你觉得股票会涨还是会跌,毫无关系。
这个反直觉的结论意味着:你不需要预测未来,也能给未来的不确定性精确定价。这就是量化金融和"炒股"的本质区别——炒股的人在赌方向,量化的人在给不确定性定价。
这个行业里的四种人
学完这五关,你可以走四条路。用大白话介绍一下:
量化研究员(Quant Researcher)——找规律的人。 在海量数据里挖掘可预测的模式,设计策略。门槛最高(通常要博士级的数学/统计/机器学习功底,或者极其出色的本科成绩),顶级公司的研究员动辄调用上万块 GPU。
量化开发(Quant Developer)——造机器的人。 把研究员的模型变成能真正下单的交易系统。需要过硬的编程能力(C++/Rust/Python)和低延迟系统经验。对程序员来说,这是最顺滑的转行入口。
量化交易员(Quant Trader)——扣扳机的人。 管钱、管风险、做实时决策。薪酬波动最大——好年景能到八位数,差年景也可能颗粒无收。
风控量化(Risk Quant)——踩刹车的人。 验证模型、压力测试、合规。天花板低一些,但职业最稳。
增长最快的是第五种:AI/ML 量化——用深度学习做信号挖掘,招聘量一年涨了 88%。
薪酬的真实全景(基于 2026 年最新数据):顶级公司(Jane Street、Citadel、HRT)应届生总包 30-50 万美元;干到第 5 年、还留在场上的人,中位数 80-120 万美元;明星交易员,300 万到 3000 万美元。
但注意"还留在场上"这五个字——这是幸存者的中位数。5 年间大量的人被淘汰离场。钱多,是因为筛选残酷。
面试考什么?不考金融
想进这个行业,面试流程大概是:简历筛选 → 在线测评(心算+逻辑题)→ 电话面(概率题、下注游戏)→ 终面(连续 3-5 轮,模拟交易、编程、白板推导)。
有个细节很有意思:Jane Street 会故意出你一个人根本解不出来的难题——他们考察的不是你会不会,而是你怎么利用提示、怎么和别人协作。
还有一个数据能说明这个行业要什么人:Jane Street 最近的实习生里,三分之二学计算机,三分之一学数学——金融背景基本没有。
这个行业买的是你的思维方式,不是你的金融知识。
三个经验要点
第一,真正的敌人,是"估算误差"。
所有数学模型,在"参数是真实的"这个前提下都完美运转。但你永远拿不到真实的参数——你只有从历史数据里估出来的、带着误差的参数。理论和实践之间的鸿沟,永远是估算误差。最好的量化交易员,不是数学最好的,而是最尊重误差的。
这条对普通人投资也成立:任何"精确算出来"的收益预测,都值得警惕——算法可以精确,输入永远粗糙。
第二,工具已经平民化了,但"确信"没有。
今天任何人都能免费用上顶级的量化工具库、数据接口和机器学习框架。技术是必要的,但早就不稀缺了。 真正的优势(行话叫 edge)只存在于三个地方:独特的数据、独特的模型、或独特的执行——而不是比别人多装了几个软件包。
第三,数学才是护城河。
AI 已经能写代码、能给策略建议。那量化交易员还剩什么价值?
剩下的是:理解"为什么"的能力。 知道一个公式为什么成立、一个模型在什么条件下会失效、一个看起来聪明的策略哪里埋着雷——这种数学直觉,决定了你是"创造优势的人",还是"借用优势的人"。
而借来的优势,总会过期。
对普通人的三点启示
就算你不打算真的去做量化,这条路径里有三个通用的道理:
第一,高薪行业的真实门槛,往往和你想象的不一样。
人人以为进量化要懂金融,实际上人家白纸黑字写着"不要求金融知识"——要的是概率思维、统计素养和解决问题的能力。很多看起来高不可攀的行业,真正的门槛是某种可以习得的思维方式,而不是那个行业的"行话"。
第二,"不能跳关"是所有硬技能的共同规律。
五个关卡环环相扣,跳过任何一关,后面全部塌方。这就是为什么"18 个月的笨功夫"能击败"3 年的碎片化学习"——顺序对了,时间就是复利;顺序错了,时间就是损耗。
第三,在 AI 时代,"理解原理"的价值在暴涨,而不是缩水。
工具越普及、AI 越能干,"知道为什么"就越稀缺。这个行业用最直白的价格信号告诉你:会用工具的人月薪一万,理解原理的人年薪百万。差的不是工具,是那一层"为什么"。
最后
回到开头的问题:普通人能不能成为量化交易员?
能。这条路不看出身、不看背景、甚至不看你懂不懂金融——它只看你能不能沉下心,把五个关卡一层层打穿。
它不轻松。18 个月,每天两小时,做真正的题、写真正的代码、推真正的逻辑——没有捷径,没有速成。
但换个角度看:一条规则透明、路径清晰、回报惊人、而且明确宣布"不看你的过去"的路,在今天这个世界上,已经不多了。
大部分人会收藏这篇文章,然后继续刷时间线。
少数人,今晚就会打开Claude或者codex，用AI先写下第一个他实践过的策略。
18 个月后,这两种人的人生,不在一个赛道上。
