041. 聚宽投资（JoinQuant）公开面经与题解

#041. 聚宽投资（JoinQuant）公开面经与题解

这不是公司介绍，而是一份只围绕“实际被问了什么、应该怎么答”的专项笔记。公开材料里最完整的是产品策略两轮题单；QR、量化策略与中台研究岗的题干更少，因此本文严格区分：明确原题、作者概括、基于公开考察范围的复习题。

聚宽 / JoinQuant题目优先

先把岗位和研究术语翻译成一个小例子

这章既有数学问答，也有产品和项目追问。以下词不是需要背的标签，而是后面例子在讨论的具体对象；概率、求和等符号若忘了，可先看第001章数学工具起步。

因子、Alpha与指数增强

因子是给每只股票算的一个可比较特征，例如过去20天涨幅；不是保证赚钱的信号。Alpha在本章指相对于所选基准或风险模型仍有的预测/收益优势，基准不同定义也会不同。指数增强是围绕指数构建组合、争取扣除成本后跑赢它：若指数涨5%、组合涨6%，超额收益是1个百分点，不能把6%全部归为选股能力。

回归、基线与样本外

回归是用输入特征预测一个数，例如用因子x预测下一天收益y；线性回归先假设预测为a+bx，再选择使误差平方和最小的a、b。基线是比较用的简单方法，如始终持有指数；复杂模型只有与相同数据、成本下的基线比较，改善才可解释。样本外是没有参与拟合和调参的未来数据，用于检查模型是否只是记住历史。

IC、IR和夏普率分别量什么

IC通常指同一期股票信号与后续收益的相关系数：高分股票后来整体涨得多，IC偏正；它不包含你怎么买和交易成本。ICIR常指多期IC的均值除以其标准差，是否年化要明确。IR也可能指主动收益均值除以跟踪误差（相对基准收益的标准差），两种口径不能混用。夏普率则通常以超额于无风险利率的收益为分子。例如均值0.1%、标准差1%时单期比率0.1；年化需说明采样频率和依赖假设。

换手、滑点、冲击与最大回撤

换手描述组合交易了多少：100元组合卖出10元并买入10元，单边口径为10%、双边成交额口径为20%，所以要报清定义。滑点是成交价格相对选定参考价的偏离，如预计100买入、实际100.1买入；市场冲击是自身订单改变了可成交价格，两者相关但并不等同。最大回撤是从此前最高资产到后来低点的最大跌幅：100→120→90对应25%，不是30%。

Walk-forward、purge、embargo与PIT

Walk-forward是沿时间向前训练与测试，例如1–3月训练、4月测试，再1–4月训练、5月测试。Purge是删掉与测试标签时间范围重叠的训练样本；若标签用未来5天收益，训练日虽然早于测试日，它的收益区间也可能伸进测试期。Embargo是在相邻区间额外留时间隔离，长度由标签和信息依赖决定。PIT（point-in-time）强调某条数据当时真的已经可知：财报3月31日对应的业绩若4月20日才发布，4月1日的决策就不能用它。

共线性、平稳性与协整

共线性是几个输入包含近乎重复的信息，例如$x_{2}\approx 2x_{1}$；单个回归系数可能很不稳定，而整体预测仍接近。弱平稳要求均值、方差及同间隔协方差不随日历时间改变，不是“曲线看着平”。协整讨论某些不平稳序列的线性组合是否平稳，例如两个价格各自游走但价差可能围绕某水平波动；“两价格相关很高”并不足以证明协整，也不足以证明交易价差会盈利。

1. 来源地图与可信度

证据	岗位/年份	能确认什么	边界
小红书候选人原帖	产品策略，2024-12	两轮逐题题单；二面约 2 小时	非 QR，但量化产品情景题非常具体
小红书候选人原帖	JQ 量化基金研究实习，2025-07	中台 FoF；模型评价、量化底层逻辑；一面不足 40 分钟	原帖没有逐字列题
小红书候选人+评论	量化策略，2025-09	一面简历/实习细节；有人遇到简单统计问题；后续 1–2 轮	“简单统计题”无题干，不能伪造
Glassdoor	QR Intern，2025-03	逐段深挖简历；明确一道优势题	样本只有 6 条公司记录
Glassdoor	Quant Analyst Intern，2024-09	“很多智力题和算法题”	没有题干
雪球聚宽员工自述	QR，2021	创始人交流 → 编程/数学/因子/ML/方向 → 因子云实习	公司自述，非匿名凉经
牛客散落进度帖	Agent，2026	一面“纯聊天”	无题目
一亩三分地	Quant Finance Intern，2025	深挖简历中的 deep learning 项目	正文高积分隐藏

关键结论：牛客的聚宽企业页确实显示“面经 0 / 题库 0”，但这只说明帖子没有挂到企业标签，不等于全网没有聚宽面经。

2. 产品策略岗：一面 9 题逐题回答

以下均为候选人原帖明确列出的题目。

2.1 自我介绍

面试官实际在判断什么：你能否在 90 秒内建立“经历—岗位—证据”的闭环，而不是复述简历。

推荐结构：

一句话定位：专业背景 + 当前方向；
两段证据：一段量化/产品研究，一段数据分析或跨团队推进；
岗位映射：为什么这些能力能用于量化产品策略；
收尾：希望继续被追问哪个项目。

不要说“我学习能力强”。说“我在 X 周内把 Y 数据从不可用变成可用于 Z 决策，最后影响了什么指标”。

推导补全与自检。把90秒具体分成15秒定位、50秒两段证据、25秒岗位关联。自检每段是否都能补出输入、个人动作和验证结果：若“提升效率”后说不出原来多久、后来多久以及相同任务口径，就先删掉百分比。这个计时分配是练习方法，不是公司评分标准。

2.2 最有成就感的一段实习

用 目标—约束—判断—动作—量化结果—复盘 六段式。聚宽二面会持续追问，因此必须准备：你本人负责什么、基线是什么、失败尝试是什么、怎样排除替代解释。

若项目结果只写“提升 20%”，要能回答：分母是什么？离线还是线上？样本期多长？有没有选择偏差？

推导补全与自检。例如原任务耗时100分钟，改后80分钟，耗时下降是$(100-80)/100=20\%$；同一产能口径下吞吐提升却是$100/80-1=25\%$。先明确指标分母，再用同一输入回放核验，最后说明改善来自哪项个人改动。不要把团队总收益当个人贡献。

2.3 24 小时抗压课题如何分块完成

高分答案不是“熬夜做完”，而是展示受限时间下的最优资源配置：

先定义交付标准：必须回答的决策问题是什么；
把任务拆成数据、分析、判断、表达四条链；
找关键路径：哪些环节失败会让其余工作失效；
先做最低可行结论，再补稳健性和表达；
设置 4h / 12h / 20h 检查点并预留返工缓冲；
明确舍弃项及原因。

推导补全与自检。先列“没有它就无法回答”的依赖：数据可读→标签合法→基线可跑→结论可复核。若第4小时仍拿不到关键字段，立即转向已可用字段的基线并标注范围；等到第20小时才换题，会把后续验证时间一起丢掉。每个检查点应有可观察产物。

2.4 为什么没有留用成功

避免甩锅和自我否定。推荐格式：事实 → 可控/不可控拆分 → 我得到的反馈 → 已验证的改进。如果是 HC 或毕业时间问题，仍要说明你从业务反馈里学到了什么；如果是能力缺口，必须给出之后的行为证据。

推导补全与自检。可按三句话自检：我确知的结果是什么；对方明确反馈了什么；我后来改变了什么。若只知道未留用，不知道原因，就不能把“可能HC不足”说成事实。若反馈是沟通迟，改进证据应是更早确认验收条件及减少返工，而不是又做一次技术优化。

2.5 如何复用股票行研研究指数增强产品

这是产品岗里最有“量化味”的一道。

第一步：从单股观点转成可批量验证的信号。 把行业景气、盈利质量、估值、分析师预期修正等行研逻辑定义成全市场统一口径的特征，保证当时可得，避免使用财报后来修订值。

第二步：评价信号。 看截面 RankIC、ICIR、分组收益、衰减、换手、行业/风格中性化前后表现；不能只展示累计收益曲线。

第三步：进入组合。 目标是相对基准最大化预期超额收益，同时约束行业、风格、个股权重、换手、流动性与交易成本：

$$\max_w; \alpha^\top w-\lambda w^\top\Sigma w-c(w-w_{t-1})$$

其中 $\alpha$ 是预测超额收益，$\Sigma$ 是风险模型，$c$ 是换手/冲击成本。

第四步：产品语言。 说明跟踪误差、超额回撤、容量和不同市场环境下的失效方式。产品策略不是“讲出一个好因子”，而是解释这套信号如何形成可销售、可持有的风险收益特征。

推导补全与自检。用一个假设信号演示：公布库存数据→等到实际披露时间后构造同比指标→预测后续可交易收益→与行业基线比较→再决定主动权重。若原来行业收益预测就很强，中性化后优势消失，则目前证据支持行业暴露，不能再称独立选股alpha。

2.6 如何判断核心产品或补充产品线

不要按规模拍脑袋。可用六维评分：

维度	核心问题
客户需求	是否覆盖稳定、广泛、可长期持有的需求
Alpha 可持续性	信号是否有机制解释、容量是否足够
组合角色	能否成为客户组合底仓，还是只在特定环境有用
运营复杂度	申赎、估值、合规、交易是否稳定
商业可扩展性	费率、渠道、规模增长是否与业绩冲突
与现有产品相关性	是真正补充，还是换名字重复暴露

核心产品通常具备稳定需求、清晰基准、较大容量和可重复交付；补充产品可接受窄容量或情景依赖，但必须提供低相关收益或解决特殊需求。

推导补全与自检。对比两个产品不能只比夏普。假设A可容纳10亿元、B只能容纳1000万元，即便B历史收益更高，把A的客户全部迁入B也会改变冲击成本和收益分布。先匹配客户资金规模与退出需求，再比较各自在组合中的增量；这些数字仅用于说明评估步骤。

2.7 举一个数据分析能力的例子

必须讲清四个对象：决策对象、数据口径、识别方法、行动结果。相关性分析不等于因果识别；如果没有 A/B 条件，要诚实说明用了前后对照、匹配、分层或稳健性检查中的哪一种。

推导补全与自检。假设转化率由10%升到12%，先分解客户结构是否变化：原来高转化渠道占20%，后来占80%，总体改善可能只是渠道混合。应分渠道比较同口径前后值，再讨论分层后仍有多少变化；没有随机分配时仍保留未观测混杂的限制。

2.8 如果重来，会提升哪些方面

选一个真实但不致命的缺口，说明它如何影响结果，再给出已经执行的改变。高分点是“知道当时为什么没看见这个问题”，而不只是“以后更细心”。

推导补全与自检。把复盘写成一个可检验反事实：“若第一天先查发布日期，是否会更早发现不可用特征？”随后在同一任务上只修正时间连接再跑一遍，观察分数变化。单次更改便于归因；同时换模型、标签和样本则无法知道哪项改进有效。

2.9 未来职业规划

围绕能力复利而不是职位头衔：短期能独立完成产品研究闭环；中期理解策略、组合与客户三端；长期能把复杂投研结果翻译为真实配置决策。避免承诺“几年成为基金经理”这种不可控结果。

推导补全与自检。把“独立完成研究”变成验收项：能定义标签、搭建基线、按时间验证、报告成本与失败条件。下一阶段目标可按这些产物检查，而不是只写“深入理解量化”；学习计划的完成也不等于已有实盘经验。

3. 产品策略岗：合伙人二面 7 组题

3.1 介绍工作内容：60% 专业 + 40% 沟通管理

面试官在校验你是否会准确归因个人贡献。回答时把工作按“研究生产”和“组织传输”分开：前者是数据/模型/结论，后者是需求澄清、资源协调、风险同步和结论表达。

推导补全与自检。给每项交付注明职责：谁定义目标、谁写实现、谁审核、谁最终决策。若你协调数据团队但没有写抓取代码，就说自己负责口径对齐和验收；只有责任边界清晰，60%或40%的描述才有意义。百分比不必精确到无法证实的程度。

3.2 如何做到快速交易

先反问“快”指低决策延迟、低下单延迟，还是在限定时间内完成大单。完整答案应覆盖：

信号生成与风控计算增量化，减少全量重算；
行情、策略、订单链路异步化，关键路径内存化；
订单拆分与交易场所/券商路由；
预交易风控不能为了速度被删掉；
用端到端 p50/p99 延迟、成交率、滑点和拒单率共同评价。

推导补全与自检。把总延迟拆成行情、特征、策略、风控、网关各段。若耗时分别为2、1、1、1、5毫秒，串行总计10毫秒；把1毫秒特征优化一半只节省0.5毫秒，先改善5毫秒瓶颈更有价值。另行检验尾延迟及成交质量，不能只测平均发单速度。

3.3 指增产品大量买卖有什么风险

至少分四类：

市场冲击：自己的订单推动价格，成交均价恶化；
流动性与无法成交：小盘股、涨跌停、停牌导致目标仓位无法实现；
跟踪误差：换仓过程中暴露偏离基准；
信号衰减与拥挤：执行越慢，预测收益越可能被成本吃掉。

量级思维：冲击成本常随参与率、波动率和订单相对日均成交量增大；不能只说“有滑点”。

推导补全与自检。假设目标量5万股，预计执行窗总成交量10万股，所需参与率为50%，而风控上限10%时最多完成1万股。此时“尽快全部成交”与参与率约束本身冲突，应延长窗口、减量或调整目标，而不是把未成交量按中价虚拟成交。

3.4 先买后卖还是先卖后买，为什么

没有固定答案，应写成约束优化：

先卖后买：降低融资/资金占用和总敞口，但可能暂时低仓位、错过上涨；
先买后卖：保持仓位和基准暴露，但需要现金/融资，会短暂放大总敞口；
实际顺序取决于现金、冲击成本、个股流动性、涨跌停概率、基准偏离与信号紧迫度。

成熟答案是分批交错执行，把“顺序”变成实时调度问题，而不是二选一口号。

推导补全与自检。卖100万元、买100万元的换仓看似资金中性，但先买时会先额外占用100万元。把每次已成交买额减已成交卖额画成累计资金需求，取其最大值检查现金/融资上限；挂单未成交不能当作已释放资金。

3.5 如何换仓、如何选择买卖股票

先算目标持仓与当前持仓差 $\Delta w=w^*-w_{t-1}$，再按预期收益损失、风险偏离、流动性和交易成本排序。常用思想：只有当边际预期收益超过边际成本和风险惩罚时才交易。对涨跌停、停牌和成交量不足的股票设硬约束；对其余股票使用参与率和时间窗控制。

推导补全与自检。举例比较两个候选：预期增益8bp而成本10bp的换仓应暂缓；增益20bp、成本5bp且不破坏风险约束的候选更值得执行。然后用真实成交反馈更新剩余差额，而非每天按最初目标重复下单，防止超量。

3.6 路演一家公司

用八分钟版本：公司如何赚钱 → 行业结构 → 三个关键经营驱动 → 市场定价隐含了什么 → 你的分歧 → 催化剂 → 下行风险 → 估值区间。不要把公司介绍当投资建议，必须明确“当前价格需要什么假设才合理”。

推导补全与自检。估值可先做简单敏感性：假设稳定自由现金流10、折现率10%、零增长，则永续价值100；折现率升到12%时价值约83.33。先说这些是假设，再解释哪个经营数据会改变现金流，避免把一个估值数说成确定未来价格。

3.7 向 50 岁散户推销一只股票

这题不该“硬推”。先做适当性询问：资金用途、期限、可承受回撤、已有资产、是否理解单股风险。然后用非技术语言解释商业模式、主要风险和仓位上限；主动提出“不适合购买”的条件，反而体现职业边界。

推导补全与自检。用情景检验代替收益承诺：若资金100万元、两年内确定需支付80万元，就先分开这部分确定支出，再讨论剩余资金可承受的单股损失。客户年龄只提供背景，期限、用途和风险承受能力才直接影响适配性。示例不构成个别投资建议。

3.8 你如何说服别人

结构：分歧是什么 → 对方真正的目标/顾虑 → 哪条共同事实可以验证 → 设计低成本试验 → 对方如何改变决策。说服不是压过对方，而是降低不确定性和行动成本。

推导补全与自检。若分歧是“新模型是否太慢”，先共同确定延迟预算，再在同一批输入上比较旧、新两版的P99与失败率。结果达标才支持继续灰度；若未达标，就保留对方顾虑而调整方案。说服的关键产物是共同认可的判断条件。

4. QR / 量化策略 / 中台：已确认的考法

4.1 QR Intern：你的优势是什么，在哪些任务中体现

这是 Glassdoor 唯一逐字可见的 QR 问题。回答要把“优势”写成可观察行为：例如“我擅长把模糊研究问题变成可证伪实验”，证据是如何定义基线、控制泄漏、发现坏 case、推翻最初假设。只说聪明、认真、抗压都不可验证。

推导补全与自检。把优势改写成“条件→行为→结果”：数据有未来字段时，我先查时间戳而不是追高分，修正后分数下降但回测更可信。面试官可沿字段、修复、验证三处追问；只有能提供真实证据时才作为个人经历，否则明确是教学情景。

4.2 简历逐段深挖：准备一张项目审讯表

公开 QR 和量化策略面经反复出现简历/项目深挖。每个项目至少准备：

研究假设与经济机制；
标签如何构造，何时可得；
样本如何切分，怎样防止前视与重叠泄漏；
为什么选这个模型，最强基线是什么；
IC、收益、换手、回撤、容量怎样互相验证；
失败 case 和 regime shift；
从回测到实盘会损失什么；
你本人改了什么，若重做先改哪里。

4.3 “模型怎么评价”应如何答

JQ 中台 FoF 原帖明确说被问到深层模型评价与量化底层逻辑，但没有公开题干。可按三层回答：

预测层：loss、RankIC/ICIR、稳定性、校准；
策略层：净收益、Sharpe、最大回撤、换手、容量、不同市场分段；
决策层：模型增量是否在控制风险和成本后仍存在，是否与现有模型低相关。

最常见错误是离线 MSE 更低就宣布模型更好。量化目标还受到排序、持仓约束、交易成本和时变分布影响。

推导补全与自检。用对照展示为什么须分层：模型A准确率60%但每次只赚1、错时亏2，毛期望$0.6-0.8=-0.2$；模型B准确率55%但赢赚2、错亏1，毛期望$1.1-0.45=0.65$。再加交易成本后才能比较净表现，单看准确率会反转结论。

4.4 简单统计题：只知道类别，不知道原题

量化策略岗评论只说“很简单的统计问题”。因此这里不能写成聚宽原题。最低准备集合：条件概率、期望/方差、协方差与相关、正态分布、抽样误差、OLS 假设、过拟合与多重检验。

5. 编程 / 数学 / 因子云实习：公开范围与应答模板

聚宽员工自述确认专业面考察编程和数学基础、因子研究、机器学习与个人研究方向；之后用典型因子研究项目做云实习。以下是范围复习题，不是泄露原题。

5.1 因子研究从零到结论

回答顺序：经济直觉 → 原始字段当时可得性 → 清洗/去极值/标准化 → 行业市值中性化 → IC 和分组 → 换手与成本 → 风险暴露 → 样本外/滚动验证 → 与现有信号相关性 → 容量与上线监控。

推导补全与自检。最小研究闭环可用一张对照：原信号、行业中性后信号、扣费后组合分别报告同期间结果。若第一步有效、第二步失效，先查已有行业暴露；若前两步有效但第三步失效，先查换手与成交。不同层失败对应不同修复方向。

5.2 为什么随机切分不适合金融时间序列

随机切分会把未来 regime、相邻重叠标签或同一事件的信息泄露到训练集。应按时间 walk-forward；若标签跨越未来窗口，训练/验证边界使用 purge，调参评估之间用 embargo。

推导补全与自检。以预测未来5日收益为例，验证从第100天开始，训练样本第98天的标签覆盖到第103天，尚未在预测起点实现，必须删除。先依据每条标签实际结束时间purge，再决定是否留额外隔离；固定删几行只对规则间隔数据成立。

5.3 回测很好、实盘变差的排查顺序

先查数据与时间戳，再查成交建模，再查成本和容量，最后才怀疑模型本身：

前视、幸存者、复权、财报发布日期；
信号生成与订单到达时间；
涨跌停/停牌/成交量限制；
手续费、冲击、排队与部分成交；
因子拥挤、市场状态变化；
代码版本和线上特征口径漂移。

推导补全与自检。取一笔真实订单逐项对账：当时可见特征→模型分数→目标仓位→实际发单→成交价格与数量。首次出现差异的环节就是优先排查点。若目标订单完全一致而成交价差异大，重训模型通常不能修复执行假设错误。

6. 一小时模拟面试脚本

时间	内容	验收标准
0–8 min	自我介绍 + 最强项目	90 秒定位；项目可被连续追问
8–25 min	项目审讯	数据时点、标签、切分、成本、失败例完整
25–38 min	指增换仓情景	风险、执行顺序、优化目标、硬约束齐全
38–48 min	因子/模型评价	预测层、策略层、决策层三层分开
48–56 min	概率/算法	写清样本空间或复杂度，不只报答案
56–60 min	反问	研究流程、反馈周期、实习评价标准

7. 易错边界

把“聚宽平台教程”当成“聚宽投资面试题”。
把招聘机构写的模板题当候选人回忆原题。
产品题只谈金融名词，不把目标、约束、权衡说清。
QR 项目只报 Sharpe，不解释时点、成本、容量和失效期。
不知道具体统计题时，擅自编一道并写成“聚宽原题”。

8. 证据索引

9. 我的判断

聚宽公开题目的核心并不是某一道神秘概率题，而是连续追问下的研究闭环：你能否把一个想法变成无泄漏的数据实验，再把预测转换成受风险、成本和执行约束的组合决策。产品策略二面的“先买后卖还是先卖后买”正是缩小版：没有脱离约束的标准答案，面试官看的是你会不会先定义目标、枚举风险、量化权衡并在新条件下更新答案。

10. 聚宽逐题深答：用案例把原来的框架展开

本节沿用原页的一面、二面和QR主题。以下人物、任务与数字均为教学假设，帮助学习推理结构；不能作为个人经历直接背诵，也不是公司标准答案。

10.1 自我介绍：怎样从履历走到岗位证据

先用一句话定位目前的研究能力，再挑一段最接近岗位的经历，而不是从高中讲起。顺序为“研究问题→我的工作→验证结果→仍未解决的限制→为何匹配”。例如“我研究文本事件识别，负责数据时间戳清理与模型训练，用按时间留出的测试期验证，发现收益主要来自减少误报而非更复杂模型”。接着准备面试官追问每个名词的证据。没有金融项目就明确用相关研究证明迁移能力，不能换个名词宣称已有交易经验。

推导补全与自检。练习时删掉简历里的机构和技术名词，只保留“解决了什么、怎样核验、你负责哪部分”。如果剩下的内容无法解释岗位匹配，说明表述主要依赖标签。恢复技术名词时，每个都应接一个可被追问的具体动作。

10.2 最有成就感的实习：成果如何归因

写出原先问题、约束和baseline；再解释你做的关键判断。例如数据流程每天失败，不要只说“优化系统”，应说发现日期口径不一致→统一事件时间→补幂等与重放→用同一批输入比较漏数与延迟。量化前后指标时需相同样本与时间窗；团队上线成果中，个人负责哪段要清楚。最后说明如果撤掉你的改动，问题是否重新出现，这比泛称“提升效率”有说服力。

推导补全与自检。归因可补一个撤回实验：保持数据、运行环境与其他模块不变，只撤去你的改动，看故障或耗时是否恢复。若无法做实验，就使用代码审阅、任务记录或相同口径前后对比作为较弱证据，并说明无法完全排除同期变化。

10.3 24小时课题：按不确定性安排工作

教学分配：前2小时明确问题和数据可得性，接着4小时完成最小可运行基线，中间8小时验证最关键假设，接着6小时做稳健性与错误分析，最后4小时整理结果和复现说明。数据不可得时立刻缩小到可检验代理问题，不能18小时后才说没数据。可交付包括假设、方法、图表、限制，不把“跑完模型”当完成。必须给中途检查点：基线不能运行时先保住可靠的描述统计。

推导补全与自检。24小时分配2+4+8+6+4恰好是24，不代表每项必须用满。第6小时基线结果若已推翻关键假设，应把后续预算转向错误解释和替代方案，而不是为了完成原计划继续堆模型。把时间预算看作随信息更新的资源配置。

10.4 为什么没留用：事实与改进分开

先陈述已知事实：项目结束、编制变化或具体反馈；未知原因就说未获得明确反馈。若问题在自己，给可观察行为与改进：“需求确认晚，做了不需要的分析；此后先写一页验收标准并在半程确认”。不要推测面试官动机，也不要把所有失败归环境。结尾给改进在后来任务中的真实验证，没验证就说正在做。

推导补全与自检。“沟通晚”还可拆成需求未确认、进展未同步、风险未暴露三类。只写更多周报未必解决需求未确认；对应措施应是开始前确认目标和中途确认取舍。让问题与补救一一对应，避免用一般性的勤奋替代机制修复。

10.5 行研如何复用到指数增强

把主观判断拆为可在当时观测的变量。例如“库存压力缓解”转成库存周转、价格变化、订单信息，明确披露滞后和可交易日；验证对未来收益的横截面预测，控制行业、规模、估值等已有暴露。然后放入受跟踪误差、行业权重、换手限制的组合，不是看到公司好就大幅超配。若超额只来自行业上涨，应承认并未证明选股alpha。

推导补全与自检。若库存字段的季度归属日是3月31日、披露日是4月20日，就不能在4月1日用它形成信号。先以披露后的第一个可交易时点入库，再检查行业中性化与可成交收益；单独修正时间连接即可检验原效果是否依赖前视。

10.6 核心产品还是补充产品线

先看服务哪类客户需求、与现有产品的收益相关性、容量、流动性、费用及团队可持续交付。一个高收益小容量策略可以是补充，不能只按历史Sharpe评核心。教学比较：A规模稳定、客户需求明确、收益来源可解释；B回测突出但样本短且容量有限，先小规模验证B更合理。判断需客户/产品事实，不能凭名称给结论。

推导补全与自检。可以先做组合增量比较：已有产品A，新产品B若相关接近1且费用更高，换一个名称并不提供分散化。若相关低，还须验证低相关是否来自短样本或不同估值频率，最后再判断容量和客户约束是否允许实际配置。

10.7 数据分析例子：从异常到结论

按“问题→口径→假设→验证→行动”组织。例策略收益突然下降，先核实复权、交易日、费用是否变动，再按行业/波动/时段拆分，定位损失集中在哪些切片；用同期对照和时间留出检验，避免只选最差时段讲故事。修复后重跑相同输入，报告哪些变化来自数据校正，哪些是真正模型改进。

推导补全与自检。发现收益下滑后先设统一切片，如行业、规模、交易时段，而不是事后只挑最差三天。每个切片用相同定义统计样本数、预测误差和执行损失；样本稀少的坏case用案例说明，避免把偶然小样本反转当作稳定机制。

10.8 重做会改什么

挑一个会改变结果的决定而不是“多读论文”。例如原来随机切分导致泄漏，重做先按时间分割并记录每项特征的可见时点，再训练baseline，最后才调模型。解释代价：离线分数可能变差，但能更准确估计部署表现。用新的实验或反例说明这是复盘后的认知变化，而非泛泛自我批评。

推导补全与自检。“重做”应给最小改动对照：旧版随机切分与新版时间切分保持模型超参、特征和指标一致。两者分差反映验证方案变化，而非新模型提升。再独立修数据或模型，才能逐项理解原结果为什么过于乐观。

10.9 职业规划

从希望持续解决的问题谈起，再说明当前能力缺口和岗位能提供的反馈。例如偏研究者希望把统计假设做到可证伪、可复现并与真实业务反馈对齐；偏工程者希望构建可靠的数据/交易系统。给可验证的近期学习目标，如独立完成一份带成本的时间序列研究，避免无依据的职级和收益承诺。

推导补全与自检。可把能力缺口分成能独立验证与依赖岗位环境两类：本地可检验数据和回测流程，真实容量与成交反馈则需要合适数据和业务环境。职业规划应同时说明下一项可交付产物与仍需外部反馈的未知，避免许诺不可控结果。

10.10 专业与沟通如何分配

“60%专业＋40%沟通”是旧面经描述，不是固定定律。专业部分负责事实和分析，沟通负责让输入、决策与责任一致。教学场景：研究员给出新因子，产品经理需把回撤、容量和适用市场讲清，不能只转述收益图。遇到分歧先对齐指标和样本，再区分事实分歧与风险偏好差异，保留决策记录。

推导补全与自检。当研究员说“回撤可接受”而客户要求“一个月内可能提款”，双方可能没有事实冲突，而是流动性偏好不同。先统一回撤统计期间和提款约束，再讨论产品适配；补技术图表不能替代风险偏好的澄清。

10.11 如何快速交易

先问“快”是收到信号到下单的低延迟，还是大额换仓尽快完成。前者分解行情接收→特征计算→策略→风控→网关各段延迟，盯P99和抖动；后者存在冲击与机会成本权衡，不能越快越好。预计算和减少复制可能优化前者，分片与参与率控制可能优化后者；成交速度还受对手流动性影响，不是系统发单快就保证成交快。

推导补全与自检。尾延迟可用一组分位数自检：旧系统$P50=1ms$、$P99=20ms$，新系统$P50=0.8ms$、$P99=40ms$，平均更快不代表更可靠。按订单决策需要选择指标，并核查消息丢失、风控拒绝和超时重试是否引入额外风险。

10.12 大额买卖风险怎样量化

分市场暴露变化、流动性冲击、成交不确定性和操作风险。教学例：日均量10万股的股票想换5万股，交易量占比较高，历史按中价成交的回测会失真。先看盘口深度和参与率，估滑点压力情景，再设价格/数量/总敞口限制。报告风险来源和监测条件，不能仅列“有流动性风险”六个字。

推导补全与自检。参与率应以执行窗口可交易量为分母，不能只拿全天均量。计划买5000股、窗口预计成交2万股时参与率25%；若上限10%，当前窗口可执行约2000股。再对成交量减半做压力测试，检查未完成数量与风险暴露。

10.13 先买后卖还是先卖后买

先写约束：现金、融资能力、总/净敞口、市场方向风险和可成交性。先买可减少踏空但增加现金需求和暂时超配；先卖腾现金但产生暂时低仓位。教学例卖出100万、买入100万，若先买且无现金/融资则不可行；若卖出标的不流动，买完卖不掉会留下额外敞口。可按行业或风险敞口成对小批换仓，逐步匹配成交，不存在无条件的统一答案。

推导补全与自检。交错换仓也要看风险向量而不仅是金额：卖100万高beta股票、买100万低beta股票，金额中性却降低了市场暴露。每批成交后重新计算现金、行业和beta偏离，再决定下一笔，从而把顺序问题落到可监控状态。

10.14 换仓与选股怎样统一

对候选新组合w最小化偏离目标加成本，或最大化$\alpha^Tw-\lambda w^T\Sigma w-\eta\|w-w_0\|_1$，同时满足预算、行业、单名和流动性约束。先解释三项：预期收益、风险、换手成本。若信号优势小于交易费用就不换，形成no-trade区域。预测分数不是直接仓位，必须经过组合约束和执行。

推导补全与自检。把目标写成“收益$-$风险$-$成本”后，对一笔小增量$\Delta w$分别计算三项变化。若预期收益增加5而风险罚项增加3、成本增加4，总目标下降2，应不交易。三项必须在同一周期和单位下比较，不能用年化收益减单日费用。

10.15 路演一家公司怎样讲

依次说明公司靠什么赚钱、行业供需、竞争位置、关键财务驱动，再给估值情景和反证。教学DCF：$V=\sum_{t=1}^T FCF_t/(1+r)^t+TV/(1+r)^T$，解释增长与折现率假设如何影响价值；不能把单点估值包装成确定价格。最后说出哪些新证据会推翻判断，表明你在做研究而不是推销故事。

推导补全与自检。终值TV若为FCF下一期$/(r-g)$，须r>g，且终值已在第T期计价，还需折现回今天。若终值贡献占总估值80%，就重点讨论长期增长和折现率敏感性，而不能只花时间解释前两年的收入预测。

10.16 向50岁客户介绍股票

年龄本身不能确定风险承受力。先了解资金用途、期限、可承受亏损、既有资产和理解程度，再用通俗语言解释收益来自什么以及可能损失；如果需要保本或近期用款，就不应强推股票。面试重点是把复杂风险准确说清和识别不适配，而不是靠话术促成成交。本节是沟通训练，不指定证券或投资操作。

推导补全与自检。先用客户自己的语言确认理解：“若一万元短期跌到七千元且两年不恢复，是否影响必须支出？”这只是风险情景，不是预测跌幅。若回答会影响基本用途，沟通应转向解释不适配条件，不能靠更乐观的收益故事覆盖约束。

10.17 如何说服别人

选一次有合理反对意见的例子：对方担心什么、你拿出什么新证据、如何设计低成本试验、最后是否改变了决定。例如同事担心新模型延迟超预算，先做固定流量A/B离线压测，再决定是否灰度。若对方因风险偏好仍不同意，不等于说服失败；共同明确条件性决策比强行达成表面一致更重要。

推导补全与自检。把可试验分歧与价值判断分开：延迟是否超过预算可测，是否愿意承担上线风险还需决策者权衡。试验前固定输入、阈值和失败处理；看到结果后临时改验收标准，会把低成本试验变成双方继续争论的来源。

10.18 优势如何具体证明

从岗位任务反推优势，例如“能把模糊问题转成可检验实验”。用两段不同场景证据证明可迁移，再主动说边界：擅长数据与训练不意味着懂低延迟C++。面试官能追问到输入、方法、失败和结果的证据，比“学习能力强、抗压能力强”可信。

推导补全与自检。两段证据要证明同一种可迁移动作。例如一次训练故障和一次统计研究都能展示“列假设→控制变量→排除解释”，而不能仅列两个成功项目。再指出尚未验证的场景，展示优势范围，避免从一个任务外推到所有工作。

10.19 模型怎么评价：预测到净收益的完整链

先看任务：回归有MSE/MAE，分类有PR/ROC和校准，排序有IC/RankIC。然后看统计稳定性：按时间/行业/波动切片，报告置信区间与多重尝试。再看策略：分组单调、成本后收益、波动、回撤、容量及暴露。高AUC可能来自大量不可交易的小变动；高IC也可能被成本吃掉。指标须与决策目标一致，不能挑最好看的一个。

推导补全与自检。把一份评估表按同一测试期串联：预测IC→目标仓位换手→实际成交率→成本后收益。若IC不变而收益提升来自降低换手，就把贡献归于组合/执行；若分数更好但净收益下降，不能用预测层指标代替最终结果。

11. 国内 QR 八问：公式与研究操作一起解释

11.1 Alpha为什么可能持续，跨市场为何不同

提出机制假设，如信息吸收延迟、风险补偿或行为偏差；分别给可区分预测。若是信息延迟，改善信息渠道后效应应减弱；若是风险补偿，危机阶段可能出现系统性损失。跨市场差异可能来自披露制度、投资者结构、交易成本、样本口径、拥挤度，先统一定义和信息时点再比较。不能从一张收益曲线倒推唯一机制。

推导补全与自检。区分机制可设计互斥预测：若优势来自交易约束解除后的延迟反应，去掉受限样本可能削弱它；若来自风险补偿，高风险时段损失可能更大。比较前先统一样本与可用信息，观察到差异只能支持部分解释，不能证明唯一原因。

11.2 预测目标与PnL是否一致

模型预测明日收盘对今天收盘收益，但实际要等今天收盘后才得到特征，则今天收盘买入不可执行。将标签改成可成交时刻到退出时刻的收益，并扣成本。若最终做横截面中性组合，训练原始涨跌可能主要学市场方向；可比较残差收益或排序目标，但所有中性化参数只能用当时可用数据估计。

推导补全与自检。例如信号在15:05才产出，标签从当天15:00收盘价开始，就包含了无法回到过去成交的收益。改为下一可成交时点的买价至计划退出卖价，再扣费用。标签变化后模型需重新评估，不能只在回测曲线上减一个固定滑点。

11.3 数据口径怎样排前视

逐字段记录event_time、publish_time、ingest_time、decision_time，要求feature available_time≤decision_time。股票池包含退市与历史成分，财务按当时披露版本，复权使用方式与目标一致。涨跌停或停牌时不能假设任意成交。最直接自测：把特征整体晚一天仍异常好，或把未来字段加入后几乎不增分，都值得查泄漏，但不单靠此判定。

推导补全与自检。可用“所属期、发布时刻、接收时刻”三列走查：3月31日季报于4月20日公布，系统4月21日接收，则本系统最早只能4月21日使用。历史修订版也应沿版本可用时间连接，不能把当前数据库最终值倒填到过去。

11.4 Walk-forward、purge、embargo

沿时间训练过去、验证随后，再向前滚动。若标签覆盖[t,t+5]，训练末端标签跨进验证期时删除重叠样本，称purge；embargo在边界留额外隔离以减少信息相关泄漏。边界按标签实际覆盖时间决定，不能机械写“留1%”。最终测试只使用一次，反复看测试调参就把它变成验证集。

推导补全与自检。在纯前向训练中，验证后的数据本来就不进当前训练，后侧embargo可能没有额外作用；在可使用验证前后数据的分组交叉验证中，它才特别重要。应先画训练、标签覆盖、验证的时间区间，再定义隔离范围，不把purge和embargo当两个万能开关。

11.5 IC、IR、分组、换手、回撤如何互证

截面IC是当日因子与未来收益相关；RankIC先排名。时间上的平均IC/IC标准差通常称ICIR，和策略收益的Information Ratio不同，年化还依赖频率与相关性。分组收益应看是否单调且是否仅极小盘驱动，换手衡量组合变化，最大回撤衡量路径损失。只有IC稳定、收益能实现且成本可承受，证据链才完整。

推导补全与自检。假设日IC均值0.03、标准差0.10，日ICIR为0.3；直接乘$\sqrt{252}$年化需额外近似独立与稳定假设。若IC高度自相关，应估计长期方差或直接报告未年化口径，同时核对分组成本后收益是否与预测方向一致。

11.6 坏case怎样定位

固定失败定义，如成本后日收益低于阈值、模型方向错误或执行滑点异常；分数据、预测、组合、执行四层排查。保存当时输入、模型版本、目标订单与实际成交，重放同样数据定位首次偏离。若仅在高波动期失败，再区分标签不稳定、敞口放大和流动性消失，不能一律通过加训练数据解决。

推导补全与自检。把每日损失分成目标组合理论收益与实际执行差额。若理论组合也亏，继续看预测与风险；若理论组合赚钱而实际亏，检查成交时延、漏单、费用和价格。只有先找到损失在哪层，坏case标签才能指导修复。

11.7 回测到实盘需要什么折扣

无需拍一个固定“打五折”。分别压力测试费用、滑点、成交率、信号延迟、容量和借券等约束，对每项给敏感性曲线；然后用纸面跟踪或小规模受控验证看假设是否成立。实盘净收益比回测差可分预测衰减与执行差异，两者责任和修复方法不同。

推导补全与自检。用成本敏感性替代统一折扣：固定同一目标订单，把每单位成本从1bp提高到3bp、5bp，重算净收益并找盈亏平衡成本；再单独把成交率或延迟改变。若所有假设同时改，就难以判断哪个环节最脆弱。

11.8 下一步先改哪层

按错误贡献和可验证性排序：口径错先修数据，目标不可交易先修标签，预测有增量但收益差先看组合/执行，只有表示能力不足才上复杂模型。用一次只改变一个主要因素的对照保留归因；如果同时换数据、模型和成本假设，漂亮曲线不能说明是哪一项有效。

推导补全与自检。给候选动作估“错误贡献$\times $可修复比例”，再除以验证成本，作为优先级线索。数据缺失影响20%样本且当天可修时，通常先于没有明确失败证据的复杂模型。排序是基于当前证据的判断，修复后再更新而非固定长期清单。

11.9 多重共线性、IC几何与复制样本

带截距回归残差与设计列正交；中心化后的IC等于两个向量夹角的余弦。列近线性相关使$X^TX$条件数大，系数对微扰敏感但预测未必同样差，可用QR/SVD诊断、Ridge稳定或删冗余特征。

把全部样本复制一遍，OLS最优系数不变，因为损失整体乘2；但复制行不创造独立信息，若错误按2n独立样本估标准误，会虚假提高显著性。增加新独立样本、删除异常样本和复制样本是三种不同操作。

推导补全与自检。复制样本的正规方程变成$2X^TX\beta =2X^Ty$，约去2系数不变；但重复行的误差完全相关，因此信息量没有翻倍。中心化IC则是$x^Ty/(\lVert x\rVert\lVert y\rVert)$，只有双方非零方差时才定义；常数信号不能赋一个正常相关系数。

11.10 集成、标准化、平稳性

Bagging对不同重采样模型平均主要降方差；Boosting逐步拟合损失梯度；Stacking以基模型预测为输入训练元模型，必须用out-of-fold且遵守时间顺序，不能用训练内预测训练元层。若各模型在不同市场状态有效，可学门控，但状态只能来自当时信息。

标准化(x−μ)/σ和min-max归一化(x−min)/(max−min)不是一回事，都只在训练集拟合参数；异常值会强烈影响min/max。弱平稳要求均值常数、协方差只依赖滞后；ACF看直接相关，PACF看控制中间滞后后的相关。价格非平稳不意味着收益一定平稳，需要切片和统计检验。

推导补全与自检。两模型误差方差都为1、相关$\rho $时，等权平均误差方差为$(1+\rho )/2$；$\rho =1$完全无降幅，$\rho =0$降到$1/2$。标准化也只是尺度变换，不能把带趋势序列变为平稳；在训练段算出零均值不说明未来均值稳定。

11.11 协整、冲击与久期中性

Engle–Granger先对两条可能I(1)价格序列回归y=a+βx，检验残差是否平稳；残差单位根检验要用对应临界值，不是普通回归t检验。只有相关高不等于协整。交易信号可用训练窗估残差z-score，阈值、再估计、费用及结构断裂都需样本外检验。

大单一次成交冲击大，切片降低瞬时参与率却延长价格风险暴露；设总目标为预期冲击＋风险惩罚，最优速度由风险厌恶和流动性共同决定。

债券价值V、修正久期D，小利率变动Δy导致价值变化约−VDΔy。持有债A，卖出债B名义价值h，则久期中性条件$V_AD_A-hD_B=0$，得$h=V_AD_A/D_B$。它只对小幅平行利率移动一阶中性，仍有凸性与曲线形状风险。

推导补全与自检。久期例：A价值100、久期5，B久期10，卖空B价值50可使一阶美元久期$100\times 5-50\times 10=0$，但净市场价值仍为50，并非资金中性。协整也类似：残差平稳只支持一种统计关系，不自动覆盖交易成本、借券和关系断裂风险。