书单：三个必读层次

数学基础

  • Mark Joshi: Quantitative Interview Questions（面试导向，难度适中） -高举: Heard on the Street（经典面试题库）
  • Marc Davis: Quant Job Interview Questions

进阶数学

  • Steven Shreve: Stochastic Calculus and Finance（一二卷，含Ito's Lemma完整推导）
  • Bernt Oksendal: Stochastic Differential Equations（随机微分方程标准教材）
  • Dan Stefanica: Financial Numerical Recipes（算法导向）

机器学习

  • Hastie & Tibshirani: The Elements of Statistical Learning（理论线代）
  • Goodfellow: Deep Learning（工程线代）

竞赛：比面试难度更高的修炼场

  • Jane Street Kaggle（$100K prize）
  • WorldQuant BRAIN（100K+用户，付费alpha信号）
  • Citadel Datathon（通过即可直接入职）
  • Jane Street每月谜题（面试难度以上）

估计误差才是真正的敌人

满Kelly betting、无约束的Markowitz、特征过多的ML模型——它们失败的原因是相同的：在参数估计里过度拟合噪音。

数学在真实参数下是完美的。你永远没有真实参数。理论和实践之间的差距始终是估计误差。最优秀的quant正是那些尊重这一差距的人。

工具已经民主化，信念没有

任何人都可以用QuantLib、TensorFlow和PyTorch。技术是必要的，但不充分。护城河在独特数据、独特模型或独特执行里——不在更好的pip install里。

数学是护城河

AI可以写代码，可以建议策略。但推导出Ito's lemma为何有一个额外项的能力，证明折扣价格在风险中性测度下是鞅的能力，知道在组合市场中凸松弛何时紧凑何时松散的组合市场能力——这些数学流畅性区分了有护城河的quant和借用护城河的quant。借来的护城河会过期。