简介：面向量化岗位求职者的十家公司笔试知识点解析合集，聚焦诚奇、概率投资、海悦、天演、衍复、佳期、平方和、集微、九坤、凯读投资在不同考查方向上的差异化重点。内容覆盖线性回归、时间序列分析、蒙特卡洛模拟、Black-Scholes定价、GARCH波动率建模、遗传算法、统计套利、限价订单簿、高频交易、深度学习与情绪分析等核心知识点，并延伸到Pandas、NumPy、Matlab、R等常用量化工具的应用，便于候选人快速对照自身薄弱环节。资源以zip压缩包形式整理，约48.43MB，内容按公司逐一拆解可能的出题思路与准备方向，适合正在系统复习量化笔试、面试的应聘者查漏补缺。目前已有757人学习下载，可作为投递量化研究、算法交易、金融工程类岗位前的实用参考。
1. 量化到底是什么：不是水晶球，是把“该不该买”算成一道数学题
你有没有听过这样的讨论：同样是盯着一块行情面板，有人靠“感觉”操作，有人靠一堆数字和公式做决定——后者干的事情，就是量化。一句话说清，量化就是用数据、数学和统计规律来做投资决策，而不是靠直觉、消息或者盘中那一瞬间的冲动。它不保证每次都对，但追求的是“长期下来，做对的次数比做错的次数多一点点”，这点优势经过反复累积，就变成了稳定收益。
普通人最容易误解的地方，是把量化想象成一台能预测未来的神秘机器，其实它更像一套“把经验变成规则”的流水线：把你听到过的那些老股民经验，比如“放量突破要跟进”“跌多了会反弹”，翻译成可以用数字检验的条件，再用历史数据验证这些条件到底靠不靠谱。靠谱的就留下，不靠谱的就扔掉。这也是为什么量化行业在招人时，笔试很少考“你觉得下周是涨是跌”，而是考概率、统计、编程和逻辑推理——因为这一行真正要的人才，是能把模糊的直觉翻译成清晰规则的人。本篇文章就围绕这套逻辑展开：量化是什么、为什么存在、笔试考什么、怎么区分它与相近概念，以及这份十家公司笔试题加答案的资源到底该怎么用。
2. 量化为什么存在：市场从来不缺机会，缺的是不带情绪的决策
2.1 人为什么会输给机器：情绪、冲动和那些“玄学时刻”
先做一个思想实验：你和一位完全不懂股票的朋友打牌，牌都一样，规则都一样，你们各自按自己的判断出牌。你自认为技术更好，可十局下来，你发现自己常常在该收手的时候加注、在该加注的时候犹豫。这不是你技术不行，而是情绪把你的判断带偏了。投资市场里也一样：股价一跌就恐慌卖出，一涨就追高买入，几乎每个普通人都干过。量化之所以存在，最根本的原因就在这里——它把情绪从决策里拿掉了。
你可能听过老股民嘴里那些“玄学时刻”：某只股票名字里带个“龙”就有人买，某个指标连续三次金叉就有人重仓。量化干的事情恰恰相反，它把这些“听起来有道理”的说法变成可以验证的假设。比如“连续三次金叉后买入”，这句话在量化里会被拆成精确的条件：金叉的定义是什么？连续三次的时间窗口是多长？买入之后持有多久？然后用过去十年的数据统计这个策略的胜率和回撤。
2.2 量化是数学和统计学的生产线：从数据到信号再到下单
把量化想象成一家工厂，四个车间依次运转。第一间是“原料车间”，负责把乱七八糟的行情数据清洗干净——哪些日子停牌、哪些数据除权除息后需要调整，这些不处理干净，后面全是白算。第二间是“研发车间”，用统计方法找出数据里稳定的规律，也就是人们常说的因子。第三间是“质检车间”，把找出来的规律拿到另一段历史数据上去检验，看是不是碰巧撞上的运气。第四间才是“执行车间”，每到一个时间点，判断信号是否触发，决定买什么、买多少、什么时候卖。
这套流程用代码写出来，朴素得让人意外。下面是一个连入门者都看得懂的简单示意：
import pandas as pd # 假设 df 是处理过的历史价格数据，每行一天，包含收盘价 close df["ma5"] = df["close"].rolling(5).mean() # 5日均线 df["ma20"] = df["close"].rolling(20).mean() # 20日均线 # 信号：5日均线上穿20日均线时标记为买入信号 df["signal"] = 0 df.loc[df["ma5"] > df["ma20"], "signal"] = 1 # 统计历史上有多少次这样的信号，以及信号出现后的平均收益 signal_days = df[df["signal"] == 1] print(signal_days["close"].pct_change().mean())这段代码做的事，就是把“均线上穿”这个技术分析里最常见的说法变成可量化的历史统计。ma5 和 ma20 分别是两个周期的均线，pct_change 算出每天的涨跌幅。真实量化里的代码远不止这么简单，但底层逻辑一模一样：先定义规则，再统计规则在历史数据上的效能。笔试考编程，考的就是你能不能干净利落地完成这种翻译。
2.3 量化的核心目标：把赚钱的逻辑变成能验证的流程
量化真正的追求不是复杂的模型，而是“可重复”。一次靠运气赚到的钱，在量化眼里没有价值；一套能被历史数据反复验证、并且在陌生时段依然有效的规则，才叫策略。所以量化团队日常工作里最多的不是盯盘，而是写回测、看报告、找漏洞。
如果要用一句话讲透量化存在的原因，那就是：人在面对不确定性和巨大利益时，天然会情绪化，而量化把决策过程改造成了一条标准化流水线，让每一个操作都有据可查、有数可依。明白这一点，你也就明白了为什么量化笔试不考“你看好哪个行业”这种主观题，而考概率题、编程题、脑筋急转弯式的逻辑题——因为这一行要的人，是能抵抗内心冲动、愿意相信数据的人。
3. 量化笔试到底在考什么：一道题背后是一整套能力模型
3.1 概率和统计：所有量化分析的底层语言
打开任何一家量化机构的笔试题，概率与统计部分一定是最先出现的。原因很好理解：量化策略本质上是对不确定性的管理，而概率和统计就是描述与度量不确定性最精确的语言。
常见的题型包括：袋子里有 3 个红球和 5 个蓝球，不放回地抽两次，问两次颜色相同的概率是多少；两个人都掷一颗公平骰子，问一个人点数大于另一个人的概率；还有更进阶的，给出一组收益率的均值和标准差，让你估算亏损超过两个标准差的概率。这些题看似是大学概率课上的习题，实际考的是你有没有建立“把现实问题抽象成数学模型”的习惯。
别小看这些基础题。一个策略研究员每天做的核心工作，就是估算一类事件发生的概率，比如“当波动率突然升高时，下跌的概率有多大”。你在笔试里怎么拆解一道抽球问题，和你在实盘里怎么拆解一个市场事件，用的是同一种思维方式。
3.2 编程与数据处理：让想法落地的手艺
笔试题里编程部分通常分两类：一类是给你一个具体的小任务，比如写一个函数计算一组净值的最大回撤；另一类是给你一份数据，让你统计某个特征和未来收益的关系。前者考代码基本功，后者考数据敏感性。
以最大回撤为例，这道题出现过无数次，因为它是衡量策略风险最重要的指标之一。代码可以这样写：
def max_drawdown(nav): """计算净值序列的最大回撤""" peak = nav[0] # 记录历史最高点 max_dd = 0 # 记录最大回撤幅度 for x in nav: peak = max(peak, x) # 更新最高点 dd = (peak - x) / peak # 当前回撤幅度 max_dd = max(max_dd, dd) # 保留最大回撤 return max_dd这段代码的思路是：遍历每一天的净值，随时记住历史最高点，然后用当前净值相对最高点的跌幅，作为这一天的回撤值，最后取整个过程中的最大值。参数 nav 是一段净值序列，dd 是单日回撤，max_dd 是所有回撤里最严重的那一次。笔试里能写出这段代码不难，难的是你能不能在写完后解释清楚：为什么回撤要看相对值而不是绝对值——因为同样是亏 1 块钱，发生在净值 100 和净值 2 的时候，风险意义完全不一样。
3.3 金融直觉：干净地解读一个数据信号
笔试还有一类题，看起来跟数学编程都不沾边，比如：一家公司股价突然大幅下跌，但成交量没有明显放大，可能的原因有哪些？这类题考的是金融常识和推理能力。
十家公司笔试题放到一起对比，你会发现一个共性：同一个知识点会被包装成完全不同的问法。例如复利计算，有的公司直接考“年化收益 10%，五年后变成多少”，有的公司则给一个连续复利的情境，让你反推实际年化收益。前者考公式，后者考你有没有真正理解复利增长的逻辑。这种包装方式的差异，恰恰说明各家机构在选人时侧重点不同，但底层能力模型是一致的——三个方面：数理基础、编程能力、金融逻辑。
3.4 十家公司笔试题的共同点：少考背诵，多考推理
把十家公司的题目全部翻一遍，你会发现没有任何一道题是“背下来就能答”的。它们共同的特点是：信息量不大，条件给得很干净，但推理链条往往不止一步。以一道经典的期望值问题为例：一个游戏，掷一枚硬币，正面给你 2 元，反面给你 1 元，你愿意花多少钱玩一次？看似简单，实际上考的是“期望值计算”和“风险偏好”的区别——不同的人给出的答案不同，关键是你能不能把背后的考量讲清楚。
这类题在真实的策略工作中随处都有映射：一个因子的预期收益是正的，但它偶尔会出现连续亏损，你还愿不愿意继续持有？笔试题里的硬币游戏，就是这种决策的微缩版。十家公司附答案的价值也正在这里：你看到的不是孤立的一道题，而是这个行业选拔人才的统一底层逻辑。刷题的过程，就是把自己的思维方式向这个行业的标准靠拢的过程。
4. 易混误区：量化、程序化交易、高频交易和“自动炒股”是同一回事吗
4.1 易混点：量化等于高频交易
这是最容易踩的坑。很多人一提到量化，脑子里就是超级计算机以毫秒级速度下单的画面。实际上高频交易只是量化里一个很小的分支，而且它对硬件、带宽、低延迟的要求极高，绝大多数量化团队做的根本不是高频。
为什么会被混淆？因为媒体报道总是挑最刺激的部分讲，而高频交易恰好足够刺激。怎么区分？看持仓周期：高频交易持仓可能只有几秒到几分钟，而很多量化策略持有几天、几周甚至几个月。十家公司笔试题目里，大部分概率题和统计题对应的是中低频策略的日常研究，高频只是其中很小的一块。
4.2 易混点：回测结果好等于实盘能赚钱
这是比高频误区危险一百倍的误区。一个策略在历史数据上跑出了漂亮的收益曲线，新手会兴奋地以为自己找到了印钞机，而量化研究员的第一反应往往是质疑：这段回测是否过度拟合了历史？
为什么混？因为回测本质上是用历史考卷来检验策略，而历史考卷和未来考卷永远不可能完全一样。怎么区分？看三个地方：第一，这个策略在样本外的时段表现如何；第二，计算收益时有没有扣除手续费和滑点；第三，策略本身的逻辑是否有经济学含义支撑。只靠数据挖出来的规律，大概率是数据掘墓。笔试里那些答案给出的推导步骤，学的正是“每一步都要有依据”的习惯。
4.3 易混点：量化等于写一个自动炒股脚本
有人觉得量化就是把“低买高卖”写成代码，让程序自动下单。这种理解把量化窄化成了执行工具。量化研究的核心在于“策略是怎么来的”——一个策略背后是历史数据分析、逻辑假设和风险控制，自动下单只是最后一步执行动作。
打个比方：你去一家餐厅吃饭，会觉得这家餐厅的核心竞争力是传菜机器人吗？不会，核心竞争力是后厨的菜谱和厨师的调配。程序自动下单就是那个传菜机器人，策略研究才是后厨的功夫。笔试题里考你的概率和编程，都是后厨功夫的前置技能。
4.4 易混点：因子等于技术指标
技术指标是行情数据直接计算出来的量，比如均线、MACD、布林带。因子则是更广义的定价维度，可以是估值类的（低市盈率股票长期跑赢）、动量类的（过去一年涨幅居前的股票短期继续跑赢），也可以是另类数据类的（某家公司的卫星图像显示停车场车变多了）。
为什么混？因为因子在呈现形式上经常借用了技术指标的计算方法，看起来像。怎么区分？看它背后有没有经济逻辑。一个有经济逻辑支撑的因子，在实盘里更可能持续有效；一个纯数据挖掘出来的指标，换一段时间段可能就失效了。笔试里的统计题，考的就是你能不能从数据中识别出“真有关系的相关性”和“纯粹巧合的相关性”。
4.5 易混点：量化必须用极其复杂的模型
和普遍认知相反，很多长期有效的量化策略用的都是非常简单的方法。比如第 2 章里的双均线策略，代码不过几行，却能打败大量复杂的模型。复杂模型的问题在于：参数太多，容易过度拟合历史数据，换到实盘就不灵。
为什么混？因为“复杂”听起来更专业，市面上讲量化的内容也总爱堆砌深奥名词。怎么区分？看策略的稳健性：一个参数稍微变动就失效的模型，不如一个在很大参数范围内都表现稳定的简单策略。笔试十家公司里不少题目其实考的就是基础概率和线性思维，你不需要懂得多么高深的数学，关键是有没有把问题简化、拆解、再验证的耐心。
5. 认真准备一份笔试：把这些题目从“会看答案”变成“会讲道理”
5.1 先建知识框架：一道题拆成三层
拿到这份十家公司的笔试题集，第一件事不是急着看答案，而是建立一个拆题框架。每一道题都可以拆成三层：第一层是考点，比如这道题考的是条件概率还是期望值；第二层是方法，比如用贝叶斯公式还是全概率公式；第三层是变形方向，比如这道题如果把“不放回”改成“放回”甚至“随机决定放不放回”，答案会怎么变。
这样做的好处是：你不会陷入“背题”的泥潭。量化笔试的题库相对于传统考试来说很小，同一种考点反复出现的概率极高。你花一小时把某个考点的三种变体想透，比花一小时记十道题的标准答案要有用得多。
5.2 再用答案校正思路：答案不是终点，是反馈
很多同学的刷题流程是这样：题目拿出来扫一眼，觉得不会，立刻翻答案，看懂，合上，感觉自己会了。这套流程的问题在于：你不是真的会了，你只是“认识”了这个解法。等下一道题条件变一变，立刻原形毕露。
正确的打开方式：先限时闭卷写一遍，哪怕只能写出半道题，也要把自己卡住的那个步骤标注出来。然后再翻开答案，重点看两件事——第一，你卡住的地方答案是怎么处理的；第二，答案的解法里有没有比你原本思路更简洁的路径。这种“先输出、再对比”的方式，是认知科学里最有效的学习方法之一。十家公司附答案的资源，恰恰为你提供了这种对标的机会。
5.3 最后动手把题讲清楚：费曼式的准备法
一个很有效的检验方法是：把一道题的做法讲给一个完全不懂数学的朋友听，如果对方能听懂你在说什么，说明你真的理解了；如果你发现自己讲到一半开始解释“因为所以”却说不清楚，说明你还没有消化这道题。
这个方法用在量化笔试准备中格外有效，因为面试官的追问方式和“不懂数学的朋友”非常像——他们会不断问你“为什么这里要除以 2”“为什么不放回概率会不一样”，直到确认你是真的懂而不是背的。这份题集提供了丰富的训练素材，每道题的答案都在，你可以逐题练习把答案转化成自己的语言。
还有一个容易被忽视的细节：统计一下十家公司题目里各个考点的频次。比如概率题出现了二十次、编程题出现了十五次、脑筋急转弯类出现了五六次——这个分布本身就是行业风向标：重点准备高频考点，低频考点保持熟悉。这种“用数据驱动备考”的思路，和量化策略的研究思路异曲同工：你不是在凭感觉猜测出题人的偏好，而是在用统计方法找到最有把握的部分。
5.4 关于答案的使用方式：防止一本“参考答案”变成“害人手册”
任何附答案的题集都有个副作用：诱惑你直接看答案。量化行业里有一个词叫“幸存者偏差”——你只看到了活下来的策略，没看到那些被淘汰的。参考答案也类似：它给你展示的是一个漂亮的最终解法，却省略了作者在推导过程中走过的死胡同。
所以，当你翻开每一道题的答案时，可以顺手问自己四个问题：这个解法是唯一的吗？如果换一种假设，答案会变成什么？这个答案里的关键步骤是否依赖某个强的假设？我能不能在五分钟内不看答案，把这道题完整地推出来？这套自我提问法，能把一份简单的答案解析变成你思维方式的磨刀石。
6. 什么时候该用这份题、什么时候别用：一次清醒的边界判断
这份资源适合三类人。第一类是准备入行量化、正在投递实习或全职岗位的人，笔试刷题是绕不过去的一关；第二类是已经在量化相关岗位但想跳槽的人，用这套题检测自己是否被日常工作磨钝了基本功；第三类是纯粹对量化感兴趣、想看看这个行业怎么筛选人才的人，把题目当思维游戏也很有意思。
反过来，它不适合这三类场景。如果你以为把十家公司的答案背下来就能通过笔试——大概率翻车，下一家公司的题目变个条件就足以打懵你。如果你以为“看完答案就等于学习了”——同样没用，看答案的愉悦感是虚假的，只有亲手推一遍的费劲才是真实积累。还有一种情况，如果你想要的是“看了就能赚钱的策略代码”，这份题集帮不了你：它是应聘工具，不是印钞机。
我自己刚开始接触这类笔试时，犯过一个典型的错误：拿到题先翻答案，看完觉得自己全会了，结果限时模拟时发现连第一题的思路都搭建不起来。真正把效率逼出来的方法，反而最笨——每道题先给自己 15 分钟硬扛，哪怕写一半卡住也写下来，再去对照答案找那一半的差距。从那以后我每次做策略研究，都强制自己先写下清晰的假设再让数据说话，而不是先看结果再倒推逻辑。包括任何一个回测结果，都要问一遍“这个结果在样本外还成立吗”才敢继续。希望你也能把这份题集用出它的价值：不是把答案喂进脑子，而是把思考的骨架搭起来。希望帮到你。
本文还有配套的精品资源，点击获取
