#001. 如何使用这本量化面试题解手册
数学工具起步：先看懂一次计算，再去读题
不需要先学完整本概率论才能开始。以下把题目里反复出现的符号翻成具体动作；遇到忘记的工具，可先回到对应小例，再读后面的完整题解。公式中的字母只是给一个数、一个结果或一个状态取名字，不表示额外的神秘步骤。
加总、连乘与“有几种”：\(\Sigma \)、\(\Pi \)、阶乘和组合数
\(\sum_{i=1}^{3}x_i\) 是“让 i 依次取 1、2、3，把对应的 x 加起来”；若 \(x_1=2,x_2=4,x_3=6\)，结果就是 \(2+4+6=12\)。\(\prod_{i=1}^{3}x_i\) 则把这三个数相乘，结果 \(2\times4\times6=48\)。\(n!\) 是从 1 连乘到 n，例如 \(4!=24\)，约定 \(0!=1\)。从 5 个不同的人中选 2 人、不计先后，有 \(\binom52=5\times4/(2\times1)=10\) 对；若区分谁第一、谁第二，则为 20 种。读到组合公式时，先问“选择对象是什么、先后算不算不同”。
概率与条件概率：先定哪些结果等可能
公平骰子六面等可能，偶数事件是 \(\{2,4,6\}\)，概率为 \(3/6=1/2\)。如果已经知道结果大于 3，样本范围只剩 \(\{4,5,6\}\)，其中偶数有两种，所以 \(P(\text{偶数}\mid\text{大于3})=2/3\)；竖线表示“已知右边条件成立”。一般写成 \(P(A\mid B)=P(A\cap B)/P(B)\)，其中交集 \(A\cap B\) 指两件事同时发生，且分母必须大于 0。不能一边缩小分子、一边仍拿原来的六种结果作分母。
随机变量、期望与方差：平均拿多少，围着平均波动多大
令 X 表示一次游戏净收益：公平币正面得 2 元，反面得 0 元，则 \(E[X]=\tfrac12\times2+\tfrac12\times0=1\) 元；E 读作期望，是概率加权平均，不表示每次真的拿 1 元。离均值的偏差分别为 1 和 \(-1\)，平方后都为 1，因此 \(\operatorname{Var}(X)=E[(X-E[X])^2]=1\) 平方元，标准差为其平方根 1 元。写成 \(E[X^2]-E[X]^2\) 也得 \((4+0)/2-1=1\)，注意“平方后平均”与“平均后平方”不同。
独立、协方差与指示变量：哪些乘法需要额外假设
两次独立公平抛币同时正面的概率是 \(1/2\times1/2=1/4\)；若第二次被规定复制第一次，则各自仍有一半正面，却同时正面的概率为 \(1/2\)。独立是“知道前者不会改变后者分布”，不能仅由边际概率相同推出。协方差 \(\operatorname{Cov}(X,Y)=E[(X-E[X])(Y-E[Y])]\) 看两个偏差是否同向：上例若另给 \(Y=2X\)，偏差乘积两种都为 2，所以协方差 2。指示变量 \(I_A\) 只记录 A 是否发生：发生为 1，否则为 0，故 \(E[I_A]=P(A)\)。数人数、次数时，把总数拆成这些 \(0/1\) 小记录即可。
函数、导数和积分：从局部变化到总面积
函数只是输入到输出的规则，例如 \(f(x)=x^2\) 把 3 变成 9。导数问输入多一点时输出变化有多快：从 3 增加 h，平方增加 \(6h+h^2\)，除以 h 得 \(6+h\)；h 越接近 0，这个变化率越接近 6，所以 \(f'(3)=6\)。积分可先理解为把许多细条面积加起来：\(\int_0^1 2x\,dx\) 是高为 2x 的直线下、0 到 1 间面积，这里是底 1、高 2 的三角形，面积 1。连续概率用密度曲线下的面积；某一点的密度高度不等于该点概率，连续变量恰取一个指定值通常概率为 0。
分布、似然、先验和后验：数据固定后，比较谁更能解释它
分布说明一个随机量各结果有多可能，例如公平骰子每点概率 \(1/6\)。看到一次正面时，公平币模型给该数据概率 \(1/2\)，双头币模型给 1；把数据固定、把模型当候选来比较，这两个数就叫似然。若两种币事先等可能（先验各 \(1/2\)），看见正面后的未归一化权重为 \(1/2\times1/2=1/4\) 与 \(1/2\times1=1/2\)，除以总和 \(3/4\)，后验分别为 \(1/3\)、\(2/3\)。“数据在模型下多可能”与“模型在数据后多可能”不可倒着当同一个概率。
递推、状态和停止时间：把未来缩成足够的信息
递推是用后续或更小问题的答案写当前答案。等第一个正面，令 e 表示从现在还需抛几次的平均：先抛必花 1 次，若反面就回到相同状态，因此 \(e=1+e/2\)，移项得 \(e=2\)。状态只保留能决定未来的信息；等连续 HH 时必须区分“末尾已有 H”和“还没有 H”，不能只记已抛次数。停止时间 T 是看到结果后首次触发条件的轮数，例如 TH 在第 2 次停、TTH 在第 3 次停；求 \(E[T]\) 才是对这些随机轮数取平均，而非先指定一个固定结束时刻。
向量、矩阵与半正定：怎样一次检查很多变量的风险
向量可先看成有序数字表，如两资产权重 \(w=(0.6,0.4)\)；矩阵是按行列排成的数表。协方差矩阵 \(\Sigma \) 的对角线放各自方差，非对角线放协方差；组合方差 \(w^\mathsf T\Sigma w\) 展开就是所有自项和交叉项。半正定（PSD）指对任意 w 这个二次式都非负，因为方差不能为负。例 \(\Sigma=\begin{pmatrix}1&0.5\\0.5&1\end{pmatrix}\)，等权 \(w=(1/2,1/2)\) 得方差 \(1/4+1/4+2\times(1/2)(1/2)(1/2)=3/4\)。后面相关矩阵题就在问“给出的相关数字能否共同组成合法风险”。
建议先用 014 章的首次成功练概率递推，再用 026 章的最小二乘练平方误差；算法题从 002 章和 031 章的小数组开始。每次先说清变量代表什么，再代一个小例、检查一步变化，最后才记通式。
#这本手册解决什么问题
量化面试的准备材料通常有两种：一种是纯题库，按公司或按年份罗列题目，答案零散；一种是教科书，体系完整但离面试题很远。这本手册试图站在中间：以《General Practice Questions》的265个编号练习条目为底稿（含重复问法，不把它们都认证为公司真题），把题目按知识点而不是按出现顺序重组，每一章先把这个知识点讲透，再把落在它上面的原题逐道解完。
这样组织的理由很直接：同一个方法可用于多种题面，但题库未提供原题重考频率或知识点出现率的统计依据。掷硬币等第一个正面、等 HH、等 HHHH 表面上是三道题，实际是同一个「序列等待」工具的三个难度档；最大子数组、最大子数组和等于 K、最短含 K 个唯一值子数组是同一个「窗口/前缀和」思想的三种问法。会一道题只能应付一道题，会一个工具就能应付一个家族。
读完这本手册的检验标准只有一条：拿到没见过的题，你能先说出「这是哪类题、用什么工具」，再开始算。目录里每个板块的第一章都有一张知识地图，建议每轮复习开始前重看一遍，确认工具箱在心里是完整的。
每个板块先讲清楚工具箱里有什么：期望递推、贝叶斯更新、指示变量、Kadane、滑动窗口……以及每个工具的适用信号。
每道例题都有建模、关键步骤和数值结果，不止给答案；重点是「为什么下一步这么走」。
每章末尾的误区与追问小节，模拟面试官的 follow-up：换个条件、换个问法，你的结论哪里要变。
#题库的七大板块与重组方式
编号题分为六类，另有数据结构与算法提纲，合起来构成七个学习板块，题量分布很不均匀：概率一个板块就占了约三分之一，编程占近三成。手册保留了板块边界，但按知识点密度重新切章——概率拆成十章，博弈合并为两章，数据结构与算法的复习提纲扩写成九章并配上 C++ 实现。下表是板块级映射；题面缺条件时，正文保留条件边界，不把板块齐全等同于每题都有无条件唯一答案，你可以直接把它当目录索引用。
| 板块 | 源题量 | 对应章节 | 重组逻辑 |
|---|---|---|---|
| 数据结构与算法 | 8项结构＋20项算法 | 002–010 | 提纲逐项讲透，每项配手写例题与复杂度 |
| 脑筋急转弯 | 10 道 | 011–013 | 按「信息约束、估算数论、编码博弈」三类拆题框架重组 |
| 概率 | 88 道 | 014–023 | 按工具分十类：递推、序列等待、骰子、硬币、贝叶斯、检验、对称、指示变量、过程、杂题 |
| 博弈论 | 11 道 | 024–025 | 单局估值与逆向归纳一章，破产与下注尺度一章；其中柯西估计一题实为统计题，收录在 028 章 |
| 统计与数学 | 46 道 | 026–030 | 回归两章、估计一章、高斯与相关一章、杂题费米一章 |
| 编程 | 75 道 | 031–036 | 按模板收敛：DP 两章、窗口、字符串栈、二分数学、设计 |
| 金融直觉 | 35 道 | 037–040 | 夏普、期权、微观结构、组合与回测各一章 |
每个板块的开头一章都有一张知识地图（SVG 导图），先看图再读正文，能更快建立定位感。章节之间有交叉引用：比如 025 章「掷硬币猜涨跌」算完期望与方差后，「两年后亏钱概率」的口径在037 章夏普比率处还会再出现一次，025 章有链接直达。
推荐阅读如何进入这一本教材
这份教材以量化笔试面试的独立解题能力为目标。先掌握方法，再做不同题面的练习；书单用于发现缺口和提供进一步阅读，推荐一本书、主题与本书重合、逐页读完该书，是三种不同状态。原先“已覆盖大多数一轮面试”的说法没有可靠频次依据，现改为下列可检查的复习路径。
概率与期望、计数和递推 → 统计估计与回归 → 模型验证和算法实现，是通用主线。随机微积分、复杂衍生品、严格学习理论和系统专题放到岗位相关的第二轮。完成主线后，用混合题检验工具选择，而不是背书内题号。
分册的读法：本章给路线与补读练习；接着是概率统计和机器学习的基础讲解；之后保留量化手册的方法题、Hot100和两套专项题。相同方法在练习部分保留不同题面，不要求从第一页连续刷到最后。日常学习按主题选择数学起步、回归、统计、概率、机器学习和专项题册。全量合编仅保留归档，不再作为默认入口；这些自编讲解不等于推荐商业书的全文。
书目与实际取得内容：逐项记录
| 读物 | 本次实际资料 | 教材接入与未覆盖部分 |
|---|---|---|
| 绿皮书 · Xinfeng Zhou | 作者相关站公开目录PDF；未取得原书全文。2008与2020版本应分别核对。 | 概率、递推、统计与算法主题已在014—036章独立讲解；不称全书逐题完成。现补目录识别出的马尔可夫矩阵、模拟误差等方法练习。 |
| Heard on the Street · Timothy Falcon Crack | 作者官网、旧版章纲与勘误。官网列27版；章纲页面为旧页且明示不提供样章；未取得整书。 | 作为逻辑、概率、金融与统计的补充练习推荐。现有题目与其书内题号、页码没有逐一核对，不能称“来自该书”或“该书已经导入”。 |
| ESL二版 · Hastie／Tibshirani／Friedman | 作者页公开全文入口、目录与勘误；本次全文下载受连接限制，未完成全书读取。 | 主干模型见机器学习教材；补读增加高斯判别和模型选择例子。高级理论与全部习题未整合。 |
| ISL／ISLP · 作者统计学习教材 | 作者公开教材入口；已取得ISLR初版 Corrected 7th Printing 完整PDF（431页，版权页2013），核对了目录及选定主题；另读取新版作者实验Notebook。ISLR二版和ISLP全文入口本次连接失败；不同版不能混称。 | 补FDR与模型选择练习，并给重采样实验入口。不是全书章节或实验的完整中文替代。初版第3章回归、第4章分类、第5章重采样、第6章正则化、第8章树与第10章无监督学习，可与本册机器学习对应方法对读；未称全部习题已逐题核对。 |
| All of Statistics · Larry Wasserman | 作者页提供勘误、粗略R代码及数据；没有从该页取得书籍全文。 | 估计与检验基础见概率统计教材；补非线性估计的Delta方法例子。不据未取得的正文宣称逐章整理。 |
| Cracking the Coding Interview · Gayle Laakmann McDowell | 官方目录及官方第6版解答代码仓库。公开代码不等于取得书本全文。 | 算法主干见002—010、031—036及Hot100；不认定Hot100是该书189题。语言、数据库、并发与设计专题按开发岗位另学。 |
| Quantitative Financial Economics；Statistical Arbitrage | 已核验Cuthbertson／Nitzsche的Wiley书目；原书单未写Statistical Arbitrage作者，Andrew Pole版只作候选核验，不冒充已确定版本。 | 风险、回测与交易基础见037—040；这些书的完整正文尚未整合，列岗位选读。 |
| Trading and Exchanges: Market Microstructure for Practitioners · Larry Harris | PDF书单原有此项。作者书目页列Oxford University Press 2003；出版社书目列2002年10月出版。这里只核对书目信息，未取得并逐章整合原书全文。 | 交易机制、订单、做市和成本主题对应039章；对应主题不代表覆盖整书章节与案例。 |
| Complete guide to capital markets（原书单缩写） | PDF将其与Quantitative Financial Economics用斜杠并列，未列作者、版本或ISBN，不能据缩写确定具体书籍。本册保留此推荐项及未确定状态。 | 资本市场背景可按岗位补读；本册不声称已经取得或整合该未知版本。 |
这些来源状态按实际访问结果记录，不能由目录、勘误或其他人的题目摘要推定“全书已读”。后续若取得合法书本，应先核对版本和页码，再逐项更新已覆盖范围；不会把缺失部分标成完成。
补读：四个统计学习概念的原创手算练习
这些练习围绕量化研究面试中的分类、筛选与不确定性编写，补足本教材的几个基础缺口。选题可对照ISL作者官网及ESL公开目录继续学习；它们不是原书例题、逐章摘要或完整替代。All of Statistics的作者页提供勘误和数据资源，本处不声称依据其未取得的全文逐章整理。
1 · LDA与QDA：先描述两类怎样生成数据，再画分界
第一步，给出模型：有普通类0与事件类1，先验比例分别为0.8与0.2。一个输入数值在类0服从均值0、方差1的正态，在类1服从均值2、方差1的正态。LDA，即线性判别分析，假设各类拥有相同的协方差；本例只有一维，相同协方差就是相同方差。
第二步，比较后验：贝叶斯公式告诉我们，后验比等于“先验比乘密度比”。取自然对数把相乘改成相加；共同的正态常数约掉：
第三步，解分界并核验：假设两种误判代价相同，选类1要求后验比大于1，即\(D(x)\gt0\)。移项得\(x\gt1+\log4/2\approx1.6931\)。输入\(x=2\)时，\(D=2-\log4\approx0.6137\)，后验为\(e^D/(1+e^D)\approx0.6488\)。类1较稀少，分界从两均值中点1向右移动；不是只挑更近的均值。
边界：方差不同，两项\(x^2\)无法抵消，分界可为二次式，这叫QDA，即二次判别分析。实际均值与协方差需从训练数据估计，维数大样本少时协方差估计可能不稳定。两类高斯及共协方差是模型假设，不是金融数据天然性质。自测：先验改成各半，其余不变，分界是多少？核对：1。
2 · FDR：筛很多因子时，控制的是哪一种错误
第一步，区分目标：同时检验5个候选，得到已经排序的p值\(0.002,0.009,0.018,0.041,0.2\)。Bonferroni在整体水平0.05下给每项阈值\(0.05/5=0.01\)，拒绝前两项。它控制“至少误拒一个”的概率，称家族错误率。
第二步，换成FDR目标：设最终拒绝数量为\(R\)，其中实际无效却被拒绝的数量为\(V\)。错误发现比例为\(V/\max(R,1)\)；分母这样定义保证没有发现时比例为0。FDR是这个比例的期望，不是“每个入选因子有5%概率无效”。
第三步，逐项执行BH：Benjamini–Hochberg方法在水平\(q=0.05\)下，给第\(k\)小p值比较线\(kq/5\)，依次为0.01、0.02、0.03、0.04、0.05。找满足\(p_{(k)}\le kq/5\)的最大下标：本例第3项0.018小于0.03，第4、5项不满足，所以取\(k=3\)，拒绝前3项。
数值解释与边界：本次选3项，不表示已知其中有\(3\times0.05=0.15\)项错误；真实真假并未观察到。BH的经典控制结论需要有效p值及独立或特定正依赖条件，任意相关结构不能直接保证。因子重用同一验证期、反复改定义，也可能使输入p值本身无效。自测：把第4项改成0.039，其余不变，最大下标是多少？核对：4，前4项一并拒绝。
3 · Delta方法：概率估计变成赔率后，误差尺度怎样传过去
第一步，先知道原估计的波动：100次独立伯努利观察，估计发生率\(\widehat p=0.6\)。样本比例方差为\(p(1-p)/n\)，以\(\widehat p\)代替未知\(p\)，得到\(0.6\times0.4/100=0.0024\)。这仍是模型下的估计，不是真方差已知。
第二步，用切线传递误差：想报告logit，即对数赔率\(g(p)=\log[p/(1-p)]\)。在真实\(p\)附近，一阶近似为\(g(\widehat p)-g(p)\approx g'(p)(\widehat p-p)\)。导数逐项为\(1/p+1/(1-p)=1/[p(1-p)]\)。随机误差乘常数后，方差乘该常数的平方，因此：
第三步，构造近似区间：中心\(g(0.6)=\log1.5\approx0.4055\)，加减\(1.96\times0.2041\approx0.4001\)，得对数赔率区间约\([0.0054,0.8055]\)。反变换为\(p=e^z/(1+e^z)\)，两端约为\([0.5013,0.6912]\)。变换后不必围绕0.6对称。
边界：这是CLT配一阶近似，不是有限样本精确95%区间。\(p\)靠近0或1时导数极大，样本全0或全1时logit无定义，不能机械代入；应考虑适用的小样本区间或明确先验的后验方法。相关观察也不能直接用\(n=100\)。自测：若\(\widehat p\)仍0.6、独立样本数变400，近似标准误如何变化？核对：减半，约0.1021。
4 · 一个标准误规则：分数差一点时，怎样避免只追最低点
第一步，先分清训练与选择：模型参数在训练内拟合，复杂度在内层验证选择，最终能力由未参与选择的外层测试评价。只取所有尝试中最小验证误差，往往也挑中了验证噪声。一个标准误规则是倾向选择性能接近最优、但更简单的候选的启发式，不是保证简单模型永远更好的定理。
第二步，完整算比较线：教学设定把4份评价误差近似看作独立重复，复杂模型误差为1、1.2、1、1.2，均值1.1。离均值平方和为\(4\times0.1^2=0.04\)，样本方差为\(0.04/3\)，标准差约0.1155；均值标准误再除\(\sqrt4\)，约0.0577。
第三步，选择更简单的可接受候选：比较线为最低均值加其一个标准误，即\(1.1+0.0577=1.1577\)。简单模型均误差1.14，低于这条线，于是按该规则选简单模型；若其误差为1.20则不满足。误差越小越好的约定不能与准确率越大越好混淆。
边界：普通K折共享训练数据，各折误差并非严格独立；时间窗口还可能相邻相关。上面的标准误计算用于看懂规则，不能冒充金融交叉验证的精确置信区间。使用成对比较、时间块不确定性或外层滚动评价时，须重新定义实验；外层测试不能继续调复杂度。自测：简单模型误差1.16时是否符合本例规则？核对：不符合，1.16大于1.1577。
补充一 · 吸收马尔可夫链：把“还要走几步”变成两条方程
概率／研究岗位重点拓展。过程有A、B、D三个状态。D表示已经完成，到了D便不再离开，称为吸收状态；A、B是尚未完成的状态。每一步只看当前状态决定下一步，不依赖更早历史。按A、B、D列出转移矩阵，行表示现在，列表示下一步：
每行都加到1。例如在A时，一半概率留A，四分之一到B，四分之一直接完成。输入是这张转移表和起点；输出是首次到D所需步数的期望。令 \(t_A,t_B\) 分别表示从A、B开始还需几步，\(t_D=0\)。先走一步已经花掉1，再按落点加剩余步数：
把未知量移到左边，两式乘4，得到 \(2t_A-t_B=4\) 和 \(-t_A+3t_B=4\)。第一式给 \(t_B=2t_A-4\)，代入第二式：\(-t_A+6t_A-12=4\)，故 \(t_A=16/5=3.2\)，\(t_B=12/5=2.4\)。代回第一条原式，\(1+(1/2)(3.2)+(1/4)(2.4)=3.2\)，核验正确。A直接完成概率较低，因此等待更久也符合直觉。
保留A、B之间的转移，得到矩阵 \(Q\)。它的行和不必为1，差额正是跳到D的概率。刚才的方程可合写为 \((I-Q)t=\mathbf1\)，其中 \(I\) 是单位矩阵、\(\mathbf1\) 是全1列向量。这里真正算一次逆：
乘全1向量，就是分别把每行相加，仍得 \(t=(16/5,12/5)^T\)。这个逆矩阵还等于 \(I+Q+Q^2+\cdots\)：从A起步，吸收前平均访问A共 \(12/5\) 次、B共 \(4/5\) 次，包含起点的那次访问；两者相加便是吸收前总步数。实现时应解线性方程，不必显式算逆。
边界与易错点：不能把完整P直接放进 \((I-P)^{-1}\)，因为P包含吸收状态，会使该矩阵奇异。有限状态下须确认所有保留状态最终以概率1被吸收，才有这里的有限期望与几何级数；若A改成永远留A，从A出发的等待为无穷，不是把方程强行求出某个负数。
补充二 · 降低模拟方差：控制变量与对偶采样真的省多少？
研究岗位重点拓展。令 \(U\) 在0到1之间均匀抽样，用 \(Y=U^2\) 的样本平均估计积分。这个教学例子可用解析值 \(E[Y]=1/3\) 校验模拟；实际复杂定价中才可能没有解析答案。已知 \(E[U]=1/2\)，于是 \(C=Y-b(U-1/2)\) 的期望仍为 \(1/3\)：减掉的是期望为零的波动。
展开方差得 \(\operatorname{Var}(C)=\operatorname{Var}(Y)-2b\operatorname{Cov}(Y,U)+b^2\operatorname{Var}(U)\)。这是关于 \(b\) 的二次函数，导数置零得到 \(b=\operatorname{Cov}(Y,U)/\operatorname{Var}(U)\)。本例 \(\operatorname{Var}(U)=1/12\)，协方差 \(E[U^3]-E[U^2]E[U]=1/4-1/6=1/12\)，故 \(b=1\)。
原方差 \(1/5-1/9=4/45\)，修正后方差 \(4/45-1/12=1/180\)，减少到原来的十六分之一。每次仍只需一个 \(U\)。另一做法把 \(U\) 与 \(1-U\) 配成一组，组平均为 \([U^2+(1-U)^2]/2=U^2-U+1/2\)，恰好等于本例的控制变量结果；但每组用了两次函数计算。按同样的函数调用预算比较，对偶法这里降方差八倍，不能说十六倍。
边界：控制量的真实均值必须已知；同批样本估计系数时有限样本无偏性需另查，可先用独立预试样本固定系数。对偶配对也并非总能降方差，关键是配对输出产生负协方差。
站内同专题材料：本手册与《小红书量化面试题库 3–54：52 道题的完整推导与面试方法》同属「量化面试」专题。那份题解按题目逐一独立推导、偏证明细节；本手册按知识点重组、偏体系与训练路径。建议先用本手册建立框架，再用那 52 道题做独立练习检验——两份材料的推导风格不同，互相对照能暴露理解上的盲点。
#三条学习路径
不同背景的人应该按不同顺序用这本手册。给自己选一条主线，避免从头到尾平推——统计背景的人不需要在数据结构上花与概率同样的时间，反之亦然。
顺读 002–040。适合准备周期超过一个月、基础平均的情况；每章读完立即做例题，不要只看解答。
先吃透 014–023 十章（88 道源题），再回头补 002–010 与 031–036；金融直觉放最后串联。适合两周内的面试冲刺。
只读每章的「误区与边界」和「检查清单」，配合 037–040 的金融问答热身；把 014、015、018 三章的例题重做一遍。
自测节奏建议：每天一个板块的一到两章，先遮住解答自己做例题，能独立完成超过七成才算过关；不过关的章记下来，三天后重做。面试前一晚只看记下来的章。
#例题详解长什么样
手册里所有例题都按统一格式呈现：题面（改写得更清晰）→ 建模 → 推导 → 结果 → 面试怎么讲。这里用一道最小的题演示这个格式，它同时也是概率主线的第一道例题的预告。
例题 0（格式演示）：掷一枚公平硬币，平均要掷多少次才能得到第一个正面？
建模。设 \(E\) 为得到第一个正面所需的期望次数。每一次掷硬币有两种结局：以概率 \(\tfrac12\) 直接出现正面，用掉 1 次；以概率 \(\tfrac12\) 出现反面，同样用掉 1 次，但之后的过程与重新开始完全一样，期望仍为 \(E\)。
推导。按第一次的结果分解（first-step analysis）：
解得 \(E=2\)。
检验。这与几何分布的通用结论一致：成功概率为 \(p\) 的试验，首次成功的期望等待次数是 \(\tfrac{1}{p}\)；代入 \(p=\tfrac12\) 得 2。量级也合理——期望次数应该在 1 和「很多次」之间。
面试怎么讲。先说「这是几何分布，期望 \(\tfrac1p\)」，再当场把递推式写出来证明你理解推导，最后主动提一句：「如果题目改成等第一个 6，就是 \(p=\tfrac16\)、期望 6 次。」——主动给出变式是面试的加分习惯。
推导补全与自检。把“再等多久”与“已用多久”分开。令 T 包含成功的最后一掷，则 \(P(T=k)=2^{-k}\)，\(E[T]=\sum _{k\ge 1}k/2^k=2\)；另由尾和 \(E[T]=\sum _{j\ge 0}P(T>j)=\sum _{j\ge 0}2^{-j}=2\)，相互核验。若问成功前失败次数，则答案为 1；同一题差 1 通常是计数起点不同。
这个「建模 → 推导 → 检验 → 面试怎么讲」的四段式会贯穿全手册。检验一步尤其不要省：概率题最容易在「结果超出 \([0,1]\)」「退化情形不对」「量级离谱」上翻车，花十秒钟自查能把大部分粗心错误拦住。
#面试答题的通用框架
不管哪个板块，口头答题都遵循同一个骨架。正确解法、可运行实现与解释过程都重要；这个骨架帮助你把推理展示出来，也让对方能定位你卡在哪一步。
第一步 · 复述与澄清：用自己的话把题目复述一遍，把歧义点问清（「随机」是指均匀吗？「最大期望」还是「最大概率」？）。这一步同时为自己争取思考时间。
第二步 · 识别题型：说出你认为这是哪类题、用什么工具。「这看起来是序列等待问题，我想用期望递推」——即使最后路线错了，结构化的开头也远好于沉默。
第三步 · 小情形试手：先算 \(n=1,2,3\) 的小情形找模式，再推广。编程题先讲暴力解，再优化。
第四步 · 求解并检验：给出结果后立刻自查：边界值、退化情形、量级；能数值验证的就报一个近似数。
第五步 · 主动延伸：指出题目的变式和假设的边界（「若硬币不公平则……」「若允许卖空则……」），把对话引向你熟悉的领域。
#各板块的复习优先级与出题形式
下表的优先级是本手册按基础依赖与迁移范围给出的学习安排，不是统计得到的出题频率。轮次只举可能场景，不同公司的研究、交易、开发岗位会调整内容；以实际职位和招聘方说明为准。
| 板块 | 可能的场景 | 出题形式 | 优先级 |
|---|---|---|---|
| 概率 | 电话面 + 现场首轮 | 连续口头推导，考官不断追问变式 | 最高 |
| 编程 | 电话面 / 现场上机 | LeetCode 中等难度，限时写出可运行代码 | 最高 |
| 统计 | 现场轮 | 概念辨析 + 小推导，考假设与边界 | 高 |
| 金融直觉 | Hiring manager / 终面 | 开放讨论，考思维框架而非标准答案 | 中 |
| 数据结构与算法 | 编程轮前置 | 概念问答、复杂度分析与代码实现 | 中 |
| 脑题与博弈 | 任意轮的开场或收尾 | 五分钟内给出结构化推理 | 中低 |
条件概率、期望与状态递推会被统计推断、博弈和金融建模反复复用，先掌握它们能减少后续重复学习。练习时既写出计算，也解释每一步依据；这是一种教学安排，不意味着每个岗位都把概率放在同一轮或给予最高权重。
#高频问题快答
「我没有金融背景，能过量化面试吗？」先看目标岗位明确列出的能力。部分岗位接受不同专业背景，但这不等于首轮一定不问金融。概率、统计与编程构成可迁移基础；金融直觉（037-040章）帮助你理解市场、执行与成本，具体深度取决于岗位。
「数学推导总是差最后一步怎么办？」先分清是基础概念不熟、中间推导跳步，还是缺少检验。概念不熟时先看本章前的数学工具起步；对已有推导，把 \(n=1\)、\(n=2\) 的情形代进去算一遍，错在哪一步会立刻暴露。每章的「检验」段落就是这套流程。
「编程题用 Python 还是 C++？」先确认岗位允许的语言及性能要求。Python便于表达算法，C++便于直接讨论对象生命周期和内存；理解复杂度并不依赖选哪门语言。本手册编程章节以C++为主，另有Hot 100的Python实现。
「题目做过了但面试还是卡？」因为你是「认出了题」而不是「重建了解法」。练习时遮住解答、从建模开始完整讲一遍，讲不下去的地方就是真实盲区。
「两个月的复习计划怎么排？」前四周概率十章 + 编程六章（每天各一章交替），中间两周数据结构与统计，最后一周金融直觉 + 全部检查清单二刷 + 错题重做。
「口头面试可以带草稿纸吗？」视公司而定，但不要依赖它：把「小情形试手」和「量级检验」练成心算习惯，推导主线始终口头同步讲出来——沉默三十秒在面试里的代价远大于说错一步。
「错了怎么办？」立即说「这里不对，让我退一步」，然后从上一个确定无误的状态重来。面试官考察的是纠错回路是否顺畅，一次干净的回退比硬着头皮错到底的印象好得多。
「这套题库够不够覆盖目标公司？」通用题库覆盖第一轮的技术面没问题；公司特有的风格题（如某些机构的心理测量、快速心算、市场开盘预测）需要另外找该公司面经补充，本手册负责的是可迁移的解题骨架。
#常见误区与自测清单
一是只看不练：读完解答产生的「会了」是错觉，遮住答案重做才是检验；二是背答案不认题型：面试官换个数字或换个场景就失效，务必把每道题归到工具上；三是忽视口头表达：默算出正确答案但讲不出推导过程，在面试里等于没答，练习时请出声讲。
- 我知道手册七大板块各自对应哪些章节，并为自己选了一条学习路径。
- 我了解每章的结构：学习目标、知识讲解、例题详解、误区边界、检查清单。
- 我能说出例题四段式：建模、推导、检验、面试怎么讲。
- 我会用几何分布期望 \(\tfrac1p\) 解决「等第一个成功」类问题，并当场写出递推式。
- 我给自己定了自测节奏：例题先遮住解答做，三天后重做不过关的章。
- 我知道答错时的正确动作：立即声明、退回上一个可靠状态、重推，而不是硬撑。
- 我了解本手册与站内小红书题库的分工：这里建框架，那边做独立练习。
证据边界与资料索引
底稿《General Practice Questions》共11页：脑题B1–B10、概率P1–P88、博弈GT1–GT11、统计数学S1–S46、编程C1–C75、金融F1–F35，共265个编号主项，包含重复题与显式子问。数据结构8项、算法20项及推荐读物另列，不计入265。手册按方法重组，同一例题可对应多个原题号。
原资料没有为所有题目提供完整条件或可靠答案。例如开方按截断、频率排序的文字与例子、花束编码、固定注额或最小单位、币型是否重抽、正系数是否为整数，都会影响结果；相应题解分别保留原文边界与明确的条件版本。推荐书目不等于已读取其全文，也不代表本册替代原书。原材料未附可公开核验的公司、日期和轮次，故不把通用练习认定为已认证真题。
原主题清单包括数学、统计、概率、数学金融、脑题、Python编程、交易直觉及研究/策略/经历。本文用C++17展示多数数据结构与算法，用Python3展示精确开方和正态采样；理解算法并不替代以实际面试语言独立实现。原文还推荐在HackerRank动态规划题目中进行限时编程练习。