年薪 65 萬美元的精確藍圖（量化交易職涯指南）

好的，我將嚴格遵循您的所有指示，將以下英文內容翻譯成繁體中文。

我將從零開始，拆解建立一個年薪 65 萬美元的量化交易職涯，並進入 Jane Street 與 Citadel 等公司的完整藍圖。

我們直接進入正題。

將此頁面加入書籤

-

我是 Roan，一名後端開發人員，專注於系統設計、HFT 風格的執行和量化交易系統。我的工作重點是預測市場在負載下的實際行為。如有任何建議、深思熟慮的合作或夥伴關係，歡迎私訊。

量化產業不會等待任何人。

Citadel 的初級量化研究員，剛畢業的總薪酬就已經在 33.6 萬美元到 64.2 萬美元之間。Jane Street 在 2025 年上半年支付給其員工的平均薪酬為 140 萬美元。IMC Trading 的實習生，其年化薪酬超過 24 萬美元。那些在頂級自營交易公司存活下來的人，五年基準薪酬落在每年 80 萬到 120 萬美元之間。

而這還是在你看到預測市場的發展之前。

這個領域正在迅速擴張，涵蓋選舉、經濟、體育和地緣政治事件。機構量化交易者現在正將系統性策略部署到預測市場中，就像他們在股票和衍生性商品市場中部署一樣。同樣的機率框架、同樣的信號組合技術、同樣的風險管理原則。我已經寫了一篇關於如何進入預測市場量化領域的專門文章。

Roan

@RohOnChain

·

2月24日

文章

如何成為預測市場的量化分析師（完整路線圖）

我將拆解成為一名機構級預測市場量化分析師的完整路線圖。我也會分享確切的資源和逐步可行的路徑。

我們直接進入...

35

196

1.3K

481K

當我 16 歲時，我對機率和數學在真實市場中如何運作一無所知。如今，我在機構層級主導預測市場的系統性交易策略。這之所以發生，是因為我遵循了一條結構化的道路，從完全的初學者，到理解機構用來系統性獲取優勢的數學框架、技術執行和市場微結構。

2025 年，量化金融領域的 AI 和機器學習招聘急遽加速。每個主要基金都在建立由 ML 模型驅動的系統性策略。量化分析師的需求預計到 2028 年將增長 9%，而招聘人員將 2026 年描述為可能是全球量化人才市場競爭最激烈的一年。

然而，大多數想要進入這個領域的人，根本不知道該如何實際操作。

他們認為量化交易就是對市場有敏銳的洞察力。挑選正確的股票。對價格方向有強烈的看法。他們想像的是華爾街西裝和彭博終端機，並假設這個領域屬於在頂尖大學攻讀金融的人。他們假設你的履歷上需要有麻省理工學院或史丹佛大學。他們假設沒有常春藤盟校的名號，大門就已經關閉了。

這完全是錯誤的。這也是大多數人從未嘗試過的最大單一原因。

Jane Street 在其職位列表中明確指出，不期望或不需要具備金融或經濟學的先前知識。他們最近一屆實習生中，超過三分之二主修電腦科學或數學。不是金融。不是經濟學。

Jane Street 招聘

在本文結束時，你將會了解量化交易到底是什麼以及為何薪酬如此之高、四種主要的量化角色以及哪一種適合你的背景、從零開始按正確學習順序建立的完整數學路線圖、頂尖公司的面試過程實際上測試什麼以及如何精準準備，以及從毫無經驗到獲得第一個真正的機構資格的確切階梯。

注意：這篇文章刻意寫得很長。每個部分都建立在前一部分之上。如果你認真想要建立量化職涯，請閱讀每一個字。如果你在尋找捷徑，這不適合你。

第一部分：量化交易到底是什麼及其中的角色

大多數人認為量化交易是對市場走向有自己的看法。

但事實並非如此。量化交易是關於 數學。

你處理的是統計關係、定價無效率和結構性優勢，這些之所以存在，是因為市場是由人類運行的複雜系統，而人類會犯下系統性且重複的錯誤。目標不是要對任何特定結果做出正確判斷。目標是找到數學機率對你有利的情況，正確地設定部位規模，並重複這個過程數千次，直到期望值累積成實際回報。

把它想像成賭場的運作方式。賭場不會試圖預測任何單一賭注是否會贏。它反覆進行遊戲，在每個賭注上都有微小的數學優勢，然後讓大數法則來完成剩下的工作。量化交易公司的運作方式相同。他們尋找優勢。他們正確地設定部位規模。他們大規模執行。

這個框架同樣適用於預測市場。一個系統性量化分析師不會試圖預測某個特定政治候選人是否會贏得選舉。他們會試圖尋找那些隱含機率明顯偏離底層數據實際支持的市場，押注於這個偏差，並同時在數百個事件中重複這個過程。工具是相同的。數學是相同的。優勢來自於相同的來源。

現在來看角色，因為所需的準備工作因角色而異。

量化研究員 是薪酬最高、要求也最高的角色。這些人從海量數據集中尋找模式，建立預測模型，並設計實際的交易策略。他們需要博士等級的數學和統計深度，或者在硬量化領域有真正傑出的大學成就。頂尖公司的初級總薪酬範圍從 35 萬美元到 65 萬美元，之後會急遽增加。

量化交易員 負責執行研究員建立的模型，在即時市場中進行真實交易。需要快速的概率思維、強大的心算能力，以及在資訊不完整的情況下，於壓力下做出自信決策的能力。這個角色的薪酬變異性是所有量化職涯中最大的。表現出色的交易員一年可以達到八位數的收入。頂尖公司的初級薪酬通常在 20 萬到 40 萬美元之間，且上不封頂。

量化開發人員 負責建立讓研究能在真實市場中交易的基礎設施。交易平台、執行引擎、即時數據管道、低延遲系統。需要達到非常高水準的生產級 C++、Rust 和 Python。頂尖公司的初級總薪酬通常在 20 萬到 35 萬美元之間。

風險量化分析師 專注於模型驗證、風險價值計算、壓力測試和法規遵循。這是最穩定的量化職涯路徑，薪酬軌跡也最可預測。天花板低於其他三個角色，但穩定性顯著更高。

目前增長最快的角色是專注於 AI 和機器學習的量化分析師，他們使用深度學習建立信號生成系統，大規模處理另類數據，並將 ML 模型直接部署到即時交易環境中。這處於量化研究和機器學習工程的交叉點，也是 2025 和 2026 年招聘最積極的領域。

在繼續閱讀之前需要消除的誤解：你不需要金融學位來做這些工作。你需要的是數學能力、程式設計技能，以及按正確順序建立基礎的紀律。

第二部分：按正確順序建立的數學基礎

從零到具備量化能力的道路就像電玩遊戲中的關卡。你不能跳過關卡。每個概念都建立在前一個概念之上。如果你試圖在沒有底層基礎的情況下跳到機器學習或選擇權定價，你將會對許多主題只有表面的熟悉，而對它們都沒有真正的理解。這在量化面試中是行不通的。

正確的順序有五層深度。每一層都是其後所有內容的先決條件。

第一層：機率

量化金融中的一切都歸結為一個問題。機率是多少，而且機率對我有利嗎？

如果你沒有深入理解機率，那麼本文中的其他內容都無關緊要。選擇權定價是一個機率問題。信號建模是一個機率問題。造市是一個機率問題。部位規模設定是一個機率問題。預測市場交易的核心也是一個機率問題。

這一層最重要的概念是條件思考。量化分析師不以絕對值思考。他們以條件式思考。根據我目前所知，這個結果的可能性有多大？

使這個概念精確的公式：

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

在 B 發生的情況下 A 發生的機率，等於兩個事件同時發生的機率除以僅 B 發生的機率。

以下是它在實務中的運作方式。想像你正在為一個關於經濟公告的預測市場建立一個信號。根據歷史基準，公告後市場劇烈波動的無條件機率是 40%。但在公告前選擇權隱含波動率顯著升高的日子裡，劇烈波動的條件機率會上升到 68%。這 68% 是真實可用的信號。而無條件的 40% 則混合了信號和雜訊，沒有條件化就無法分離。

貝氏定理是這裡另一個重要的概念。它告訴你如何在有新資訊出現時更新你的信念：

後驗機率 = (似然函數 x 先驗機率) / 證據

你更新後的信念，等於如果你的假設為真，你看到這個新證據的可能性，乘以你原先相信這個假設的強度，再除以在任何假設下你看到這個證據的可能性。那些在新資訊出現時，更新信念最快、最準確的交易員，總是能持續勝過其他人。

期望值和變異數是你量化職涯中會一直思考的兩個數字。期望值是你所有情境下的平均結果。變異數是你的實際結果可能偏離平均值的程度。如果你的策略具有正的期望值，並且你能夠在變異數累積之前存活足夠長的時間，你就會賺錢。如果你設定的部位規模相對於變異數來說太大，你會在期望值有時間發揮作用之前就破產。

此層級的資源： Blitzstein 和 Hwang 合著的《Introduction to Probability》。哈佛大學提供免費的完整 PDF。完成第 1 章到第 6 章的所有習題。預計每天專注兩小時，花費三到四週。

第二層：統計學

一旦你理解了機率，你需要學會傾聽數據的聲音。這就是統計學。統計學教會我們最重要的一件事是，大多數看起來像真實信號的東西實際上是雜訊。

你建立了一個策略。它的回測顯示年化報酬率為 15%。這是真正的優勢還是運氣造成的波動？

假設檢定就是用來找出答案的方法。假設虛無假設為你的策略真實期望報酬為零。計算如果這個假設為真，你看到如此強勁結果的可能性有多大。如果你測試一千個隨機策略，其中大約有五十個會純粹因為隨機性而在標準的 5% 顯著水準下顯示出看似強勁的結果。這就是多重比較問題。這是回測結果看起來很棒，但實際交易結果卻很糟糕的最常見原因。

線性迴歸是主力工具。將你的策略報酬對已知的風險因子進行迴歸，並尋找稱為 Alpha 的截距項。如果在考慮所有標準因子後 Alpha 為零，那麼你所謂的優勢只是對早已被充分理解的事物的偽裝曝險。唯一重要的數字是，在考慮所有已知因子後仍然存在的 Alpha。

此層級的資源： Wasserman 的《All of Statistics》，第 1 章到第 13 章。預計花費四到五週。

第三層：線性代數

線性代數是驅動量化金融和機器學習中一切事物的機械裝置。投資組合建構、主成分分析、神經網路、共變異數估計和因子模型都建立在矩陣數學之上。

共變異數矩陣捕捉了每個資產相對於其他所有資產的變動方式。投資組合變異數可以簡化為：

變異數 = w^T x Sigma x w

其中 w 是你的權重向量，Sigma 是共變異數矩陣。這個單一的表達式是投資組合最佳化和風險管理的數學核心。

特徵值揭示了該共變異數矩陣中真正重要的東西。在一個由 500 檔股票組成的宇宙中，前五個特徵向量通常能解釋 70% 的所有變異數。其他一切都是雜訊。特徵分解是因子投資、降維以及大規模系統性策略統計架構的基礎。

此層級的資源： Gilbert Strang 在 MIT 的 18.06 課程，可在 MIT OpenCourseWare 免費取得。觀看所有課程。然後完成 Strang 的《Introduction to Linear Algebra》教科書。預計花費四到六週。

第四層：微積分與最佳化

量化金融中幾乎每個問題都可以歸結為在約束條件下最大化某個目標。投資組合建構、模型訓練和執行策略都是最佳化問題。

凸最佳化在這裡至關重要。一個凸最佳化問題具有一個可以高效找到的唯一全域解。大多數投資組合建構和風險管理問題都可以被結構化為凸規劃。理解一個問題何時是凸的以及如何高效解決它，是該領域一項核心的實用技能。

此層級的資源：Boyd 和 Vandenberghe 合著的《Convex Optimization》。史丹佛大學提供免費的完整 PDF。完成第 1 章到第 5 章。預計花費四到五週。

第五層：隨機微積分

在學習隨機微積分之前，你可以分析數據並建立統計模型。學習之後，你可以從數學第一原理推導出金融工具的定價方式。這是 Black-Scholes 模型的來源，也是最先進的系統性策略被設計出來的層級。

隨機微積分的核心見解是，在一個充滿隨機性的世界中，一個微小隨機增量的平方並不像普通微積分中那樣可以忽略不計。這一個事實改變了所有計算，並產生了 Ito 引理，即隨機微積分的連鎖律。將其應用於選擇權價格，你就可以推導出 Black-Scholes 方程式：

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

這個結果之所以非凡，是因為股票的期望報酬完全消失了。選擇權的價格並不取決於你認為股票會走向何方。只取決於它會波動多少。這是一個概念上具有革命性的結果，它使得現代衍生性商品定價成為可能。

此層級的資源： Shreve 的《Stochastic Calculus for Finance》，第 1 卷和第 2 卷。這是黃金標準。預計花費六到八週，不要急於求成。

第三部分：程式設計、HFT 工具與真正重要的技術棧

在量化金融中，有兩種完全不同的程式設計技能至關重要，而大多數求職者會混淆它們。

第一種是研究型程式設計。編寫乾淨的 Python 程式碼來分析數據、建立和回測統計模型，以及實作機器學習流程。這是量化研究員和大多數量化分析師每天使用的技能。

第二種是生產系統程式設計。編寫高效能的 C++ 或 Rust 程式碼，以微秒級的延遲執行、處理即時市場數據、管理訂單簿，並在不出現任何 tick 遺漏的情況下處理執行邏輯。這是量化開發人員和高頻交易工程師所建構的。

如果你的目標是量化研究員或量化分析師職位，Python 是你的主要工具。精通 pandas 和 polars 進行數據處理，其中 polars 在大型數據集上的運行速度快十到五十倍。使用 numpy 和 scipy 進行數值計算。使用 xgboost、lightgbm 和 catboost 進行表格數據的機器學習。使用 pytorch 進行深度學習。使用 cvxpy 處理最佳化問題。使用 statsmodels 進行統計檢定。

如果你的目標是量化開發人員或 HFT 工程師職位，C++ 和 Rust 是無可妥協的。

C++ 幾十年來一直是高頻交易領域的主導語言。原因在於對記憶體佈局的控制、沒有垃圾回收暫停的確定性效能，以及能夠將程式碼最佳化到接近理論硬體極限的奈秒級別。在以微秒或亞微秒速度交易的公司中，一個最佳化不佳的記憶體存取模式可能導致比策略賺取的優勢更多的滑價損失。相關的 C++ 函式庫包括用於衍生性商品和金融數學的 QuantLib、用於高效能線性代數的 Eigen，以及用於通用工具的 Boost。

Rust 是這個領域中 C++ 一個重要的新興競爭者，並且正在迅速獲得採用。Rust 提供了與 C++ 相同等級的效能，並在編譯時強制執行記憶體安全保證，消除了 C++ 程式碼庫中經常出現的整類錯誤。NautilusTrader，這個最先進的開源交易平台之一，在其效能關鍵元件中使用 Rust 核心，並搭配用於研究和策略開發的 Python API。這種 Rust 加 Python 的架構正成為新建系統性交易基礎設施的標準模式。RustQuant 專門用於 Rust 中的選擇權定價和量化衍生性商品工作。

關於數據來源： yfinance 是免費的，足以用於學習。Polygondotio 每月約 200 美元，提供低於 20 毫秒的延遲，是嚴肅的零售系統性工作的標準。Bloomberg Terminal 每年約 32,000 美元，是機構標準。Finnhub 為早期專案提供免費層級。

關於回測： NautilusTrader 用於生產級工作。Backtrader 和 vectorbt 是學習這些概念的更簡單起點。

作業與揭示一切的面試問題：

這是一個最著名的機率問題，頂級量化公司會在早期篩選階段使用。它陳述起來很簡單，但要正確解決卻出乎意料地深奧，並且直接測試了第二部分中的條件思考。

你反覆擲一枚公平的硬幣，直到連續出現兩次正面。請問期望的擲幣次數是多少？

在閱讀其他任何內容之前，先自己解決這個問題。不要搜尋答案。設定狀態、為每個狀態編寫方程式以及求解系統的過程，正是量化面試官正在觀察的推理類型。

請在評論區分享你的答案和方法。這個問題會收斂到一個特定的結果，而你用來得出答案的方法，比答案本身更能揭示你的數學思維。

第四部分：面試流程解碼

大多數求職者為他們想像中的量化面試做準備。現實情況比大多數人預期的更有結構性，也更嚴格。

在像 Citadel 這樣的公司，面試流程涵蓋多個同時進行的軌道。量化軟體工程、交易和量化研究軌道各有不同的結構，並測試不同的東西。一個認真的求職者在一個招聘季中，可能會經歷橫跨所有三個軌道的十五到二十次單獨面試。

最終輪次被稱為超級日。一天內連續進行六場 45 分鐘的面試。主題範圍從底層 C++ 和系統設計，到機率證明，再到機器學習設計問題，以及與團隊主管的行為面試。你需要乾淨地編寫程式碼，清晰地推導數學結果，並在每一步都大聲解釋你的推理過程。

心算速度比大多數求職者預期的要重要得多。公司使用像 Zetamac 這樣的工具進行早期篩選。在申請之前，目標是每分鐘達到 50 個或更多正確答案。

Jane Street 將其面試問題設計得刻意比一個人應該能夠獨自解決的更難。他們在測試你如何使用提示。你如何在不確定的情況下向前推理。你如何在壓力下協作。一個能夠敘述自己的思考過程、考慮邊際情況、承認不確定性但同時繼續推理的求職者，將持續勝過一個保持沉默、然後在沒有解釋的情況下給出正確答案的求職者。

《綠皮書》，正式名稱為《A Practical Guide to Quantitative Finance Interviews》，作者是 Xinfeng Zhou，是每個在頂級量化公司獲得錄取通知的求職者參考最多的準備資源。包含超過 200 個真實的面試問題，涵蓋機率、統計學、腦筋急轉彎、心算和金融謎題。慢慢地完成它。在查看任何提示之前，至少花十五分鐘認真嘗試每個問題。

輔以 QuantGuidedotio 進行量化特定的練習題，以及 Brainstellar 進行面試難度的機率謎題。

對於程式設計輪次，完成 LeetCode Blind 75 問題集，重點是理解每種問題類型的底層模式，而不是記憶解決方案。動態規劃是 Citadel 和 Jane Street 最終輪次中最常見的失敗點。

研究經驗是區分最強量化研究候選人與其他人的關鍵。不是課程成績。而是實際的研究，你提出了一個假設，建立了一些東西來測試它，並且能夠精確描述你從這個過程中學到了什麼，包括哪些失敗了以及為什麼。

行為準備一直被低估。練習大聲回答行為問題，並與能給予你真實回饋的人一起練習，直到你的回答聽起來自然。每個最終輪次都有一個重要的人為評估環節，它與技術輪次一樣決定最終結果。

可以直接加速就業的競賽：Jane Street Kaggle 競賽，獎金 10 萬美元。WorldQuant BRAIN，為你提交的 Alpha 信號支付現金。Citadel Datathon，明確地讓獲勝者進入就業面試的快車道。

第五部分：從零到年薪 65 萬美元的階梯

最大的錯誤是嘗試垂直跳躍。沒有任何資歷就直接申請 Citadel 或 Jane Street，被拒絕，然後得出這個領域已經關閉的結論。

這個領域並沒有關閉。他們嘗試了一次跳躍十八級台階，而這個過程需要一步一腳印。

第一步： 按照第二部分的正確順序建立數學基礎。同時進行學術學習軌道和實作編碼軌道。不要等到數學完美了才開始編碼。兩者並行發展。

第二步： 在申請任何地方之前，至少建立一個真實的專案。使用真實的歷史數據回測一個系統性交易策略，並記錄你測試過的每一個假設和決策。向 WorldQuant BRAIN 或 Kaggle 提交一個模型，並寫下你建立的內容。使用像 Alpaca 這樣的券商 API 實作一個簡單的演算法。這些專案證明你能夠將數學知識轉化為實際可用的東西。

第三： 取得你的第一份機構資歷。直接寄電子郵件給研究實驗室的博士生，並明確表示希望為正在進行的專案做出貢獻。擔任量化課程的助教。應徵研究助理職位。具體的頭銜遠不如擁有一段真實的技術經驗可以談論來得重要。

第四： 利用每一份資歷來達到下一個層級。研究實驗室的經歷能為你打開新創公司的面試大門。新創公司的資歷能為你打開中階公司的機會。中階公司的資歷則能為你打開頂尖基金的機會。目前還沒有人找到繞過這道階梯的可靠捷徑。

第五： 在你覺得準備好之前就開始申請，並追蹤所有過程。每一次被拒絕都是數據。每一次面試都是練習。建立一個試算表。追蹤每一份申請、每一次線上測驗、每一場面試，以及每一個你被問到卻無法清楚回答的問題。在下一場面試之前，去把那項特定知識學起來。

第六： 公開競爭。第四部分提到的競賽不僅是技能訓練，更是招募管道。公司會關注排行榜，表現優異的候選人，即使先前與那些公司毫無關聯，也可能直接獲得工作機會。

數學基礎才是真正的護城河。能夠推導出為什麼伊藤引理（Ito's Lemma）比普通微積分多出一項。能夠判斷凸優化方法在實際市場中何時有效、何時無效。這種深度，區分了那些能建立真正優勢的量化分析師，與那些只是借用他人優勢的分析師。借用來的方法，當所有人都採用時就會失效。而數學的流暢運用，則能不斷產生新的方法。

在你關閉這篇文章之前，寫下三件具體的事。 你現在在階梯上的哪個位置。你目前位置之上的下一步具體目標是什麼。以及你在接下來七天內，可以採取的、最具體的一項行動，來朝那下一步邁進。不是模糊的意圖。而是有明確截止日期的具體行動。

完整閱讀清單

數學： Blitzstein 與 Hwang 合著的《Introduction to Probability》，哈佛大學提供免費 PDF。Strang 的《Introduction to Linear Algebra》，搭配 MIT 18.06 課程，可在 OpenCourseWare 免費觀看。Wasserman 的《All of Statistics》。Boyd 與 Vandenberghe 合著的《Convex Optimization》，史丹佛大學提供免費 PDF。Shreve 的《Stochastic Calculus for Finance》，第一冊與第二冊。

量化金融： Hull 的《Options Futures and Other Derivatives》。Natenberg 的《Option Volatility and Pricing》。Lopez de Prado 的《Advances in Financial Machine Learning》。Ernest Chan 的《Quantitative Trading》。Zuckerman 的《The Man Who Solved the Market》。

面試準備： Zhou 的《A Practical Guide to Quantitative Finance Interviews》。Crack 的《Heard on the Street》。Joshi 的《Quant Job Interview Questions and Answers》。

總結

Citadel 的初階量化研究員，總薪酬在 336,000 美元到 642,000 美元之間。Jane Street 支付其員工平均年薪 140 萬美元。頂級自營交易公司的五年基準，落在每年 80 萬到 120 萬美元之間。預測市場正在為傳統量化金融中已存在的一切，增添一個全新的系統化交易領域。

從零到那個薪酬水準的完整路徑，已在本文中說明。五個數學層次，按正確順序排列。一套實際有效的特定資源。對面試實際測試內容的清晰描繪。一道資歷階梯，每一級都讓下一級變得可及。

你不需要常春藤名校的光環。你不需要金融背景。你需要的是以正確順序建立的正確基礎，以及遵循階梯、不試圖跳級的自律。

將大多數人擋在這個領域之外的資訊不對稱，並非關乎智力。而是關乎不知道這條路徑長什麼樣子。

現在你知道了。

我想請你思考一個問題。

如果這個存在於世上、報酬最豐厚的職業之一的完整藍圖，已經公開可得、不需要顯赫背景、而且可以從你現在所在的位置開始遵循，那麼，真正阻止大多數人從今天開始行動的原因是什麼？

在留言區寫下你的答案。同時，也寫下你對第三部分中擲硬幣問題的答案。

沒有錯誤的答案，但有些答案非常能揭示問題。