{"id":136864,"url":"https://github.com/SoYuCry/awesome-quant-interview","name":"awesome-quant-interview","description":"量化金融八股文 | 55道高频考点 × 详细解答 | 数学统计 · Python/C++ · 因子与Alpha策略 · 机器学习/深度学习 | 面试 + 学习两用指南","projects_count":44,"last_synced_at":"2026-07-13T15:00:37.413Z","repository":{"id":347254811,"uuid":"1193344795","full_name":"SoYuCry/awesome-quant-interview","owner":"SoYuCry","description":"量化金融八股文 | 55道高频考点 × 详细解答 | 数学统计 · Python/C++ · 因子与Alpha策略 · 机器学习/深度学习 | 面试 + 学习两用指南","archived":false,"fork":false,"pushed_at":"2026-06-16T03:23:44.000Z","size":55,"stargazers_count":246,"open_issues_count":0,"forks_count":37,"subscribers_count":1,"default_branch":"main","last_synced_at":"2026-06-16T04:21:47.793Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":null,"language":null,"has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"mit","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/SoYuCry.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":"LICENSE","code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":null,"maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2026-03-27T05:52:51.000Z","updated_at":"2026-06-16T04:19:29.000Z","dependencies_parsed_at":null,"dependency_job_id":null,"html_url":"https://github.com/SoYuCry/awesome-quant-interview","commit_stats":null,"previous_names":["soyucry/awesome-quant-interview"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/SoYuCry/awesome-quant-interview","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/SoYuCry%2Fawesome-quant-interview","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/SoYuCry%2Fawesome-quant-interview/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/SoYuCry%2Fawesome-quant-interview/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/SoYuCry%2Fawesome-quant-interview/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/SoYuCry","download_url":"https://codeload.github.com/SoYuCry/awesome-quant-interview/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/SoYuCry%2Fawesome-quant-interview/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":35426086,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-26T15:22:16.424Z","status":"online","status_checked_at":"2026-07-13T02:00:06.543Z","response_time":119,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"created_at":"2026-07-13T15:00:32.127Z","updated_at":"2026-07-13T15:00:37.413Z","primary_language":null,"list_of_lists":false,"displayable":true,"categories":["🧰 开源工具：回测、平台、AI + Finance、数据处理","📚 书单与资源：书、社区、数据源、研报和竞赛","🧩 国内量化面试的一些现实情况","🤝 维护与参与贡献"],"sub_categories":["资源合集","A 股数据源","金融工程、优化与数据处理库","回测框架","量化平台","AI + Finance","研报复现","书单","博主与公众号","社区与平台","面试备考","竞赛","学术论文源","机器学习 / 深度学习在量化中的应用"],"readme":"\u003cdiv align=\"center\"\u003e\n\n\u003cimg src=\"./assets/logo-v2.svg\" width=\"88\" alt=\"Quant Research Interview Notes logo\" /\u003e\n\n# Quant Research Interview Notes\n\n**中文 Quant Research 准备笔记：面试题、项目复盘、论文路线与真实追问。**\n\n[🚀 字多不看](#字多不看) · [📚 目录](#目录) · [🧭 先看哪块](#你现在处在哪种状态) · [🔥 数理基础速查](#数理基础速查) · [🧪 项目复盘](#项目复盘时最该准备的-8-个问题) · [💬 参与贡献](#联系与贡献)\n\n\u003c/div\u003e\n\n## 👋 前言\n\n本项目来自**社招面试 30+ 家量化私募**、拿到**数家百亿级私募 QR offer** 的经历，以及**创业做过实盘产品**后对量化全链路的体感。\n\nQR 的核心是在不确定环境里反复**提出假设、验证信号、解释失败**。如果你喜欢从数据中提出假设，愿意接受大量无效实验，愿意长期补数学 / 统计 / 编程短板，这份笔记会更适合你。\n\n\u003ca id=\"适合谁\"\u003e\u003c/a\u003e\n\n内容覆盖概率统计、线性代数、时间序列、因子研究、机器学习、回测评估、组合优化、经典论文与高频问答。适合：\n\n- 准备 QR 面试的人\n- 金融工程、数学、统计、计算机背景，想系统补齐量化研究方法论的人\n- 已经会基础 Python / 数学，但需要把知识组织成面试可表达答案的人\n- 想从论文、因子、回测和机器学习角度理解量化研究流程的人\n- 业余做量化、把它当兴趣或副业的人：先建立研究闭环，少踩回测好看、落地全是坑的弯路\n\n\u003ca id=\"字多不看\"\u003e\u003c/a\u003e\n\n## 🚀 字多不看\n\n- **如果你快面试了**：先看[数理基础速查](#数理基础速查)，再回到薄弱章节补定义、直觉和坑。\n- **如果你有项目**：直接按[项目复盘 8 问](#项目复盘时最该准备的-8-个问题)整理，写清楚假设、数据、验证、失败和下一步。\n- **如果你刚转 QR，或者业余做量化**：先选下面 A/B/C/D 里最像自己的状态，不建议从头硬啃。\n- **如果你只想找资源**：大块资料默认折叠，点醒目的标题行展开/收起，少翻一点是一点。\n\n\u003ca id=\"目录\"\u003e\u003c/a\u003e\n\n## 📚 目录 / 跳转导航\n\n\u003ca id=\"范围说明\"\u003e\u003c/a\u003e\n\n范围：主线只做 **Quant Research**，覆盖因子研究、资产定价、时间序列、机器学习、回测评估、组合优化和论文阅读；QD / Trader 只作为延伸背景。\n\n| 你现在想做什么 | 建议入口 |\n| --- | --- |\n| 先判断这个仓库值不值得看 | [字多不看](#字多不看) · [适合谁](#适合谁) |\n| 判断自己适不适合 QR | [是否适合 QR](#是否适合-qr) · [国内量化面试现实情况](#国内量化面试的一些现实情况) |\n| 不知道先补哪块 | [你现在处在哪种状态？](#你现在处在哪种状态) |\n| 已经有项目，想准备面试复盘 | [项目复盘 8 问](#项目复盘时最该准备的-8-个问题) |\n| 马上面试，想快速查漏 | [数理基础速查](#数理基础速查) · [面试八股文](#qa) |\n| 想业余做量化、找论文和工具 | [开源工具](#tools) · [策略方向与论文](#papers) · [研究前沿](#frontier) · [书单与资源](#resources) |\n| 想贡献或联系我 | [维护与参与贡献](#联系与贡献) |\n\n---\n\n\u003ca id=\"国内量化面试的一些现实情况\"\u003e\u003c/a\u003e\n\u003ca id=\"是否适合-qr\"\u003e\u003c/a\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003e🧩 国内量化面试的一些现实情况（点击展开/收起）\u003c/strong\u003e\u003c/summary\u003e\n\n## 🧩 国内量化面试的一些现实情况\n\n以下是截至 2026-06 的经验性观察和公开资料整理，用来帮助校准预期；不同机构、年份、团队和策略方向差异很大。\n\n- **常见考察面**：部分 QR 面试会混合考察概率统计、线性代数、时间序列、机器学习验证、因子研究、回测偏差和项目复盘。概率论通常分布在笔试中，也会在面试后半段以智力题的形式出现。\n- **项目表达很重要**：很多候选人问什么答什么，没有完整表达研究假设、数据口径、验证方式、失败原因和下一步改进。\n- **面试官眼中的闪光点**：真正有区分度的部分，集中在alpha来自哪里、有没有前视、过拟合如何排除、实盘/样本外为什么衰减、坏 case 怎么定位。\n- **实盘经验**：交易成本、滑点、容量、撮合、风控和监控问题，会把“看起来有效”的研究拉回现实约束。\n- **岗位差异很大**：因子、模型、组合、交易执行、CTA、股票 Alpha、海外市场等方向的能力权重不同，一套题覆盖不了所有岗位。越成熟的机构对期望的人选的形象越立体，所以一定一定也要海投，不要因为被拒绝否定自己。\n\n更多细节推荐阅读：[国内量化求职碎碎念](https://x.com/0xYuCry/status/2052689260327862686)\n\n\u003c/details\u003e\n\n---\n\n\u003ca id=\"你现在处在哪种状态\"\u003e\u003c/a\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003e🧭 你现在处在哪种状态？（行动路线自查）（点击展开/收起）\u003c/strong\u003e\u003c/summary\u003e\n\n## 🧭 你现在处在哪种状态？\n\n建议只选一个最接近当前状态的路径，不需要从头到尾线性阅读。下面几块可以直接点开看。\n\n\u003cdetails open\u003e\n\u003csummary\u003e\u003cstrong\u003eA. 数学/统计基础较弱，需要补基础\u003c/strong\u003e\u003c/summary\u003e\n\n- **适合谁**：知道自己想准备 QR，但概率统计、线性代数、时间序列基础不稳。\n- **先看什么**：[数学与统计基础](#数学与统计基础)，重点是条件概率、CLT、MLE、协方差矩阵、SVD、平稳性、协整和 GBM。\n- **暂时跳过什么**：复杂深度学习结构、微观结构延伸阅读、过细的工具和平台列表。\n- **输出物**：能用自己的话解释 10 个核心数学/统计问题，并能说出它们在因子、风险或回测里的用途。\n\n\u003c/details\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003eB. 已有 ML / Python 基础，需要转向 QR 表达\u003c/strong\u003e\u003c/summary\u003e\n\n- **适合谁**：会建模或写代码，但不熟悉因子研究、回测验证和金融数据中的坑。\n- **先看什么**：[因子与 Alpha 策略](#因子与-alpha-策略)、[机器学习 / 深度学习在量化中的应用](#机器学习--深度学习在量化中的应用)，尤其 IC/IR、回测偏差、时间序列交叉验证、特征工程和信息泄漏。\n- **暂时跳过什么**：泛泛的框架清单、偏 QD 的 C++ 工程细节、与当前目标岗位无关的资产方向。\n- **输出物**：把一个模型项目改写成 QR 面试口径：预测目标、样本划分、特征构造、验证方式、风险点和失败复盘。\n\n\u003c/details\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003eC. 已有因子/回测项目，需要面试复盘\u003c/strong\u003e\u003c/summary\u003e\n\n- **适合谁**：已经做过因子、策略、论文复现或比赛项目，但不确定怎么讲清楚研究价值。\n- **先看什么**：Q31-Q39，以及[策略方向与论文](#papers)里与你项目最接近的方向。\n- **暂时跳过什么**：入门概念解释、与项目无关的工具堆叠、不能支撑你项目叙事的论文列表。\n- **输出物**：形成一页项目复盘：假设、数据、处理、验证、结果、失败原因、下一步改进。\n\n\u003c/details\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003eD. 临近面试，只做高频主题查漏\u003c/strong\u003e\u003c/summary\u003e\n\n- **适合谁**：已经有目标岗位或面试安排，只需要快速检查知识漏洞和表达短板。\n- **先看什么**：[数理基础速查](#数理基础速查)，再按薄弱项回到对应章节。\n- **暂时跳过什么**：长期学习路线、行业泛谈、暂时无法转化成面试表达的延伸阅读。\n- **输出物**：一份错题/卡壳清单，每道题都能在 2 分钟内讲出定义、直觉、量化应用和常见陷阱。\n\n\u003c/details\u003e\n\n\u003c/details\u003e\n\n---\n\n\n\u003ca id=\"数理基础速查\"\u003e\u003c/a\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003e🔥 数理基础速查（点击展开/收起）\u003c/strong\u003e\u003c/summary\u003e\n\n## 🔥 数理基础速查\n\n- **概率统计**：Q1 条件概率与贝叶斯、Q2 大数定律与 CLT、Q5 MLE/GMM、Q6 p 值、Q7 协方差矩阵。\n- **线性代数 / 时间序列**：Q8 EVD/SVD、Q10 平稳性、Q11 ARIMA/GARCH、Q12 协整、Q14 GBM。\n- **Python / 数值计算**：Q17 Pandas 性能、Q18 GIL 与并行、Q19 SettingWithCopy、Q27 NumPy 广播、Q28 滚动窗口。\n- **因子与 Alpha**：Q29 Alpha/Beta、Q31 量价因子、Q32 IC/IR、Q33 多重共线性、Q37 回测偏差、Q39 过拟合。\n- **量化 ML**：Q41 偏差-方差、Q43 时间序列交叉验证、Q45 特征工程、Q52 信息泄漏、Q55 LLM 在量化中的应用。\n\n\u003c/details\u003e\n\n---\n\n\u003ca id=\"项目复盘时最该准备的-8-个问题\"\u003e\u003c/a\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003e📋 项目复盘时最该准备的 8 个问题（点击展开/收起）\u003c/strong\u003e\u003c/summary\u003e\n\n## 📋 项目复盘时最该准备的 8 个问题\n\n如果你已经有因子、模型、CTA、论文复现或实盘相关项目，可以先用下面 8 个问题自查。真实面试里，项目追问通常会沿着这些方向展开。\n\n1. **Alpha 假设**：你相信市场里哪类低效存在？这个低效为什么可能持续？\n2. **预测目标**：你预测的是收益、方向、排序、波动率、风险暴露还是交易点位？为什么这个目标和最终收益一致？\n3. **数据口径**：数据从哪里来？有没有幸存者偏差、前视偏差、复权/停牌/涨跌停/成交约束问题？\n4. **验证方式**：样本如何切分？有没有 walk-forward、purged K-fold、embargo 或严格样本外？\n5. **评价指标**：IC、Rank IC、IR、分组收益、换手、回撤、Sharpe、容量之间如何互相印证？\n6. **失败案例**：最大回撤或坏 case 出现时，你如何定位到行情、因子、模型、执行还是风控问题？\n7. **实盘落差**：回测到实盘会被哪些因素打折？滑点、交易成本、撮合、延迟、容量和风控阈值分别怎么影响？\n8. **下一步改进**：优先补数据、改标签、改特征、改模型、改组合约束还是改执行？排序依据是什么？\n\n### 面试复盘里最常见的追问层次\n\n真实面试很少停在“定义是什么”。更常见的路径是从基础概念一路追到项目边界。\n\n| 层次 | 面试官想确认什么 | 你应该准备的输出 |\n| --- | --- | --- |\n| 概念层 | 定义、假设、适用条件是否清楚 | 用自己的话解释概念，并说出量化场景中的用途 |\n| 验证层 | 是否知道金融数据里的坑 | 样本切分、前视偏差、交易成本、信息泄漏、过拟合控制 |\n| 项目层 | 是否真的做过研究闭环 | 数据来源、标签定义、特征构造、实验设计、失败复盘 |\n| 生产层 | 是否理解回测和实盘之间的距离 | 滑点、容量、撮合、风控、监控、衰减和异常处理 |\n| 反思层 | 是否有研究判断力 | 为什么这样做、哪里可能错、下一步先改什么 |\n\n### 来自真实面试复盘的通用追问\n\n- **Alpha 从哪里来**：信号背后的市场直觉是什么？为什么这不是噪声、数据挖掘或单纯运气？\n- **为什么选择这个预测目标**：预测收益、方向、波动率、排序还是交易点位？目标函数和最终 PnL 是否一致？\n- **样本量与切分是否可靠**：训练/验证/测试怎么切？有没有 purging、embargo、walk-forward 或样本外验证？\n- **如何避免过拟合**：参数敏感性、特征筛选、重复试验、多重检验和坏 case 是否被记录？\n- **回测到实盘为什么会衰减**：交易成本、滑点、撮合、容量、行情 regime、延迟和数据口径会如何影响结果？\n- **IC/IR 怎么解释**：IC 为负或阶段性失效时怎么诊断？IC、分组收益、换手、回撤和最终组合收益如何对应？\n- **因子为什么有效/失效**：因子暴露、行业/市值中性化、相关性、crowding、衰减周期和容量怎么分析？\n- **模型如何解释**：黑盒模型出错时，如何做特征归因、分场景回看、分布外检测和与简单 baseline 的对照？\n- **失败案例怎么复盘**：最大回撤、异常信号、实盘偏差或 bad trade 出现后，如何定位、止损、修正和监控？\n- **下一步怎么改进**：你会优先补数据、改标签、改模型、改组合约束，还是改交易执行？为什么？\n\n\u003c/details\u003e\n\n---\n\n\n\u003ca id=\"tools\"\u003e\u003c/a\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003e🧰 开源工具：回测、平台、AI + Finance、数据处理（点击展开/收起）\u003c/strong\u003e\u003c/summary\u003e\n\n## 🧰 开源工具：回测、平台、AI + Finance、数据处理\n\n### 回测框架\n\n- 🌟 [Backtrader](https://github.com/mementum/backtrader) - 事件驱动回测框架，功能全面，支持实盘\n- 🌟 [NautilusTrader](https://github.com/nautechsystems/nautilus_trader) - 高性能事件驱动回测与实盘交易框架，Rust 内核 + Python API\n- [VectorBT](https://github.com/polakowo/vectorbt) - 向量化回测引擎，NumPy/Numba 加速，适合大规模参数扫描\n- [Zipline Reloaded](https://github.com/stefan-jansen/zipline-reloaded) - Quantopian 经典引擎的社区维护版\n\n### 量化平台\n\n- 🌟 [vnpy](https://github.com/vnpy/vnpy) - 国内最流行的量化框架，股票/期货/期权/加密货币实盘\n- [Qlib](https://github.com/microsoft/qlib) - 微软 AI 量化平台，数据→模型→回测→分析全流程\n- [Hummingbot](https://github.com/hummingbot/hummingbot) - 开源做市与套利机器人，CEX + DEX 全覆盖\n\n### AI + Finance\n\n- [RD-Agent](https://github.com/microsoft/RD-Agent) - 微软亚研院自动化研发 Agent，读论文→做因子→跑实验，集成 Qlib\n- [FinRL](https://github.com/AI4Finance-Foundation/FinRL) - 金融强化学习框架\n- [FinGPT](https://github.com/AI4Finance-Foundation/FinGPT) - 开源金融 LLM，LoRA 微调，情感分析/研报解读\n- [FinRobot](https://github.com/AI4Finance-Foundation/FinRobot) - 基于 LLM 的多 Agent 金融分析平台\n\n### 研报复现\n\n- [QuantsPlaybook](https://github.com/hugo2046/QuantsPlaybook) - 券商金工研报复现合集（华泰/光大/招商/国信），100+ 策略\n- [huatai-finengi-report](https://github.com/industry-report/huatai-finengi-report) - 华泰金工研报集合：CNN 选股、时序交叉验证、ML 多因子\n\n### 金融工程、优化与数据处理库\n\n- 🌟 [QuantLib](https://github.com/lballabio/QuantLib) - 工业级衍生品定价库，C++ 内核 + Python 绑定\n- [cvxpy](https://github.com/cvxpy/cvxpy) - Python 凸优化，组合优化/风险预算\n- [Polars](https://github.com/pola-rs/polars) - 比 pandas 快 10-50x 的数据处理库\n\n### 资源合集\n\n- 🌟 [awesome-quant](https://github.com/wilsonfreitas/awesome-quant) - 量化金融资源大全：库、框架、数据源、书籍\n- 🌟 [quant-wiki](https://github.com/LLMQuant/quant-wiki) - 量化知识开源与汉化，打破国内外量化金融行业信息差\n- [awesome-ai-in-finance](https://github.com/georgezouq/awesome-ai-in-finance) - AI + 金融：LLM、深度学习策略、RL 交易\n- [awesome-systematic-trading](https://github.com/wangzhe3224/awesome-systematic-trading) - 系统化交易资源，覆盖期货/期权/外汇/加密\n\n\u003c/details\u003e\n\n---\n\n\u003ca id=\"papers\"\u003e\u003c/a\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003e📄 策略方向与论文：按 CTA、选股、统计套利等方向展开（点击展开/收起）\u003c/strong\u003e\u003c/summary\u003e\n\n## 📄 策略方向与论文：按 CTA、选股、统计套利等方向展开\n\n\u003e 🌟 表示经典推荐：优先看、反复用，或者在对应方向里绕不开。\n\n量化的本质就是在搞清楚什么是 Alpha——市场回报中无法被已知风险因子解释的那部分超额收益。不同方向的底层逻辑、数据频率、持仓周期差异巨大，选方向比选策略更重要。下面按主流方向整理了奠基性论文和经典著作，每篇都是这个领域绕不开的工作。\n\n### CTA / 管理期货\n\n\u003e 在期货和外汇市场上做系统化趋势与动量。天然多空双向，对冲股市 Beta，08 年金融危机期间不少 CTA 基金逆势盈利，所以也叫\"危机 Alpha\"。国内 CTA 私募近年发展很快，是量化求职的热门方向之一。\n\n- 🌟 Moskowitz, Ooi \u0026 Pedersen (2012). *Time Series Momentum.* JFE\n- 🌟 Hurst, Ooi \u0026 Pedersen (2017). *A Century of Evidence on Trend-Following Investing.* AQR\n- Fung \u0026 Hsieh (2001). *The Risk in Hedge Fund Strategies: Theory and Evidence from Trend Followers.* RFS\n- Hamill, Rattray \u0026 Van Hemert (2016). *Trend Following: Equity and Bond Crisis Alpha.* AQR\n- Baltas \u0026 Kosowski (2013). *Momentum Strategies in Futures Markets and Trend-Following Funds.*\n- Levine \u0026 Pedersen (2016). *Which Trend Is Your Friend?* FAJ\n- 📖 Perry Kaufman.《Trading Systems and Methods》\n\n### 中低频趋势跟踪\n\n\u003e 和 CTA 高度重叠，但更纯粹地聚焦中低频方向性信号。胜率通常只有 30%-40%，靠盈亏比赚钱。核心在于跟随纪律：趋势来了跟上，反转了止损走人；预测能力反而不是重点。\n\n- 🌟 Jegadeesh \u0026 Titman (1993). *Returns to Buying Winners and Selling Losers.* JF\n- 🌟 Asness, Moskowitz \u0026 Pedersen (2013). *Value and Momentum Everywhere.* JF\n- Lempérière et al. (2014). *Two Centuries of Trend Following.* JIS\n- Faber (2007). *A Quantitative Approach to Tactical Asset Allocation.* JWM\n- Baz et al. (2015). *Dissecting Investment Strategies in the Cross Section and Time Series.*\n- Babu et al. (2020). *You Can't Always Trend When You Want.* JPM\n- 📖 Andreas Clenow.《Following the Trend》\n\n### 截面选股\n\n\u003e 量化选股是国内公募和私募常见的策略方向之一。核心思路是在截面上（同一时间点比较股票）寻找能预测未来收益的因子，构建多空或纯多头组合。从 Fama-French 三因子到现在的数百个因子，学术界和业界一直在争论：哪些因子代表了有效超额收益，哪些只是数据挖掘？\n\n- 🌟 Fama \u0026 French (1993). *Common Risk Factors in the Returns on Stocks and Bonds.* JFE\n- 🌟 Fama \u0026 French (2015). *A Five-Factor Asset Pricing Model.* JFE\n- 🌟 Harvey, Liu \u0026 Zhu (2016). *…and the Cross-Section of Expected Returns.* RFS\n- Hou, Xue \u0026 Zhang (2015). *Digesting Anomalies: An Investment Approach.* RFS\n- Novy-Marx (2013). *The Other Side of Value: The Gross Profitability Premium.* JFE\n- McLean \u0026 Pontiff (2016). *Does Academic Research Destroy Stock Return Predictability?* JF\n- 📖 Chincarini \u0026 Kim.《Quantitative Equity Portfolio Management》\n- 🌟 📖 石川 等.《因子投资：方法与实践》\n\n### 基本面量化\n\n\u003e 用财报、估值、盈利质量、分析师预期等低频基本面数据构建 Alpha。它和截面选股关系很近，但更强调财务报表、企业经营质量和估值修复逻辑；优点是经济含义清楚，难点是数据更新慢、会计口径复杂、拥挤后衰减明显。\n\n- 🌟 Piotroski (2000). *Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers.* JAR\n- 🌟 Sloan (1996). *Do Stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings?* TAR\n- Ou \u0026 Penman (1989). *Financial Statement Analysis and the Prediction of Stock Returns.* JAE\n- Lakonishok, Shleifer \u0026 Vishny (1994). *Contrarian Investment, Extrapolation, and Risk.* JF\n- Chan, Lakonishok \u0026 Sougiannis (2001). *The Stock Market Valuation of Research and Development Expenditures.* JF\n- 📖 Penman.《Financial Statement Analysis and Security Valuation》\n\n### 统计套利\n\n\u003e 利用资产间的统计关系（协整、相关性、因子结构），在偏离时建仓、回归时平仓。市场中性，不赌方向。配对交易是最经典的入门，但现代统计套利早已进化到 PCA 驱动的篮子交易和机器学习信号。需要警惕相关性崩溃的尾部风险。\n\n- 🌟 Engle \u0026 Granger (1987). *Co-integration and Error Correction.* Econometrica\n- 🌟 Gatev, Goetzmann \u0026 Rouwenhorst (2006). *Pairs Trading: Performance of a Relative-Value Arbitrage Rule.* RFS\n- Avellaneda \u0026 Lee (2010). *Statistical Arbitrage in the US Equities Market.* QF\n- Krauss (2017). *Statistical Arbitrage Pairs Trading Strategies: Review and Outlook.* JES\n- 📖 Pole (2007).《Statistical Arbitrage》\n- 📖 Vidyamurthy (2004).《Pairs Trading: Quantitative Methods and Analysis》\n\n### 市场中性 / 股票对冲\n\n\u003e 国内量化私募最主流的产品形态。做法是：用因子模型或机器学习选出一篮子 Alpha 股票做多，同时用股指期货（IF/IC/IM）做空对冲市场 Beta，只赚选股能力带来的超额收益。理论上不受大盘涨跌影响，但实际面临基差成本、风格暴露、极端行情下的 Alpha 回撤等问题。2024 年 2 月的量化踩踏事件就是这个策略集中度过高的后果。\n\n- 🌟 Black \u0026 Litterman (1992). *Global Portfolio Optimization.* FAJ\n- 🌟 Grinold \u0026 Kahn (2000). *Active Portfolio Management.* McGraw-Hill\n- Jacobs \u0026 Levy (1993). *Long-Short Equity Investing.* JPM\n- Asness, Frazzini \u0026 Pedersen (2019). *Quality Minus Junk.* RAP\n- Frazzini \u0026 Pedersen (2014). *Betting Against Beta.* JFE\n- 📖 Qian, Hua \u0026 Sorensen.《Quantitative Equity Portfolio Management》\n\n### 高频交易（QR 延伸阅读）\n\n\u003e 毫秒甚至微秒级持仓，通过速度优势和微观结构信息赚取微小但高频的利润。基础设施（co-location、FPGA、网络延迟）是重要壁垒，策略容量有限但利润率极高。对 Quant Research 来说，微观结构论文更适合作为进阶背景，不是本仓库主线。\n\n- 🌟 Kyle (1985). *Continuous Auctions and Insider Trading.* Econometrica\n- 🌟 Glosten \u0026 Milgrom (1985). *Bid, Ask and Transaction Prices in a Specialist Market.* JFE\n- 🌟 Avellaneda \u0026 Stoikov (2008). *High-Frequency Trading in a Limit Order Book.* QF\n- Cont, Stoikov \u0026 Talreja (2010). *A Stochastic Model for Order Book Dynamics.* OR\n- Bouchaud, Farmer \u0026 Lillo (2009). *How Markets Slowly Digest Changes in Supply and Demand.*\n- Menkveld (2013). *High Frequency Trading and the New Market Makers.* JFM\n- 📖 Cartea, Jaimungal \u0026 Penalva (2015).《Algorithmic and High-Frequency Trading》\n- 📖 Hasbrouck (2007).《Empirical Market Microstructure》\n- 📖 Ernest Chan.《Quantitative Trading》\n\n### 做市（QR 延伸阅读）\n\n\u003e 在买卖两端持续报价，赚取 bid-ask spread。听起来简单，难点在于逆向选择——和知情交易者成交就是亏钱。Avellaneda-Stoikov 模型是理解做市问题的经典起点，但在本仓库中只作为 Quant Research 微观结构延伸阅读。\n\n- 🌟 Ho \u0026 Stoll (1981). *Optimal Dealer Pricing Under Transactions and Return Uncertainty.* JFE\n- 🌟 Guéant, Lehalle \u0026 Fernandez-Tapia (2013). *Dealing with the Inventory Risk.* MFE\n- Grossman \u0026 Miller (1988). *Liquidity and Market Structure.* JF\n- Stoikov (2018). *The Micro-Price: A High-Frequency Estimator of Future Prices.* QF\n- Glosten \u0026 Harris (1988). *Estimating the Components of the Bid-Ask Spread.* JFE\n- Amihud \u0026 Mendelson (1980). *Dealership Market: Market-Making with Inventory.* JFE\n- Guilbaud \u0026 Pham (2013). *Optimal High-Frequency Trading with Limit and Market Orders.* QF\n\n### 期权与波动率\n\n\u003e 不赌涨跌，赌波动率。利用期权的非线性特性和隐含波动率的错误定价获利。策略包括波动率套利、gamma scalping、dispersion trading、尾部对冲等。Black-Scholes 是起点，但真正赚钱靠的是对波动率曲面的理解——Gatheral 的书是业界常用参考，粗糙波动率（Rough Vol）是近年重要理论方向。\n\n- 🌟 Black \u0026 Scholes (1973). *The Pricing of Options and Corporate Liabilities.* JPE\n- 🌟 Heston (1993). *A Closed-Form Solution for Options with Stochastic Volatility.* RFS\n- 🌟 Gatheral, Jaisson \u0026 Rosenbaum (2018). *Volatility Is Rough.* QF\n- Dupire (1994). *Pricing with a Smile.* Risk\n- Carr \u0026 Madan (1999). *Option Valuation Using the Fast Fourier Transform.* JCF\n- Bates (1996). *Jumps and Stochastic Volatility.* RFS\n- Bergomi (2005). *Smile Dynamics.* Risk\n- 📖 Gatheral (2006).《The Volatility Surface: A Practitioner's Guide》\n- 📖 Taleb (1997).《Dynamic Hedging: Managing Vanilla and Exotic Options》\n\u003c/details\u003e\n\n---\n\n\u003ca id=\"frontier\"\u003e\u003c/a\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003e🔬 研究前沿：时序预测、资产定价、Alpha 挖掘（点击展开/收起）\u003c/strong\u003e\u003c/summary\u003e\n\n## 🔬 研究前沿：时序预测、资产定价、Alpha 挖掘\n\n方法论层面的前沿方向。和上面\"策略方向\"的区别是：策略方向告诉你赚什么钱，研究前沿告诉你怎么更高效地找到 Alpha。\n\n### 时序预测\n\n\u003e 和截面选股相对的另一个研究视角。截面是同一时间比较不同股票，时序是看单个资产自身的历史规律——过去涨了还会不会继续涨？波动放大了该不该减仓？时序动量（Time Series Momentum）是最经典的信号，本质上和趋势跟踪同源，但学术上更关注收益的可预测性和风险管理。\n\n- 🌟 Moskowitz, Ooi \u0026 Pedersen (2012). *Time Series Momentum.* JFE\n- 🌟 Lim, Zohren \u0026 Roberts (2019). *Enhancing Time Series Momentum Strategies Using Deep Neural Networks.* QF\n- Goyal \u0026 Jegadeesh (2018). *Cross-Sectional and Time-Series Tests of Return Predictability.* RFS\n- Baz et al. (2015). *Dissecting Investment Strategies in the Cross Section and Time Series.*\n- 📖 Tsay.《Analysis of Financial Time Series》\n\n### 机器学习与资产定价\n\n\u003e 用机器学习重新审视资产定价问题。核心问题是：传统线性因子模型遗漏了哪些非线性关系？Gu, Kelly \u0026 Xiu (2020) 是这个方向的里程碑，证明了神经网络和树模型在截面收益预测上显著优于线性模型。\n\n- 🌟 Gu, Kelly \u0026 Xiu (2020). *Empirical Asset Pricing via Machine Learning.* RFS\n- 🌟 Bryan Kelly, Pruitt \u0026 Su (2019). *Characteristics Are Covariances: A Unified Model of Risk and Return.* JFE\n- 🌟 Bryan Kelly \u0026 Xiu (2023). *Financial Machine Learning.* NBER\n- Feng, Giglio \u0026 Xiu (2020). *Taming the Factor Zoo: A Test of New Factors.* JF\n- Freyberger, Neuhierl \u0026 Weber (2020). *Dissecting Characteristics Nonparametrically.* RFS\n- 🌟 📖 de Prado (2018).《Advances in Financial Machine Learning》\n\n### 深度学习与量价建模\n\n\u003e 从手工因子到端到端学习。用 LSTM、Transformer、GNN 等网络结构直接从量价数据中提取信号，替代传统因子工程。挑战在于金融数据的低信噪比和非平稳性——过拟合是最大的敌人。\n\n- Chen, Pelger \u0026 Zhu (2024). *Deep Learning in Asset Pricing.* Management Science\n- Zhang, Zohren \u0026 Roberts (2020). *Deep Learning for Portfolio Optimization.* JFE\n- Feng, He \u0026 Polson (2018). *Deep Learning for Predicting Asset Returns.* arXiv\n- Xu et al. (2021). *Stock Movement Prediction from Tweets and Historical Prices.* ACL\n\n### 因子工厂与 Alpha 挖掘\n\n\u003e 从人工构造因子到程序化批量生成。WorldQuant 的 101 Alphas 开创了因子工厂模式——用表达式模板自动生成海量因子候选，再通过统计检验筛选。核心挑战是多重检验问题：测了一万个因子，总有几个\"显著\"的，但可能全是噪音。\n\n- Kakushadze (2016). *101 Formulaic Alphas.* Wilmott\n- Harvey \u0026 Liu (2020). *Lucky Factors.* JFE\n- Chordia, Goyal \u0026 Saretto (2020). *Anomalies and False Rejections.* RFS\n- Chen \u0026 Zimmermann (2022). *Open Source Cross-Sectional Asset Pricing.* Critical Finance Review\n\n\u003c/details\u003e\n\n---\n\n\u003ca id=\"resources\"\u003e\u003c/a\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003e📚 书单与资源：书、社区、数据源、研报和竞赛（点击展开/收起）\u003c/strong\u003e\u003c/summary\u003e\n\n## 📚 书单与资源：书、社区、数据源、研报和竞赛\n\n### 书单\n\n**面试**\n\n| 书名 | 说明 |\n|------|------|\n| 🌟 《A Practical Guide to Quantitative Finance Interviews》(Xinfeng Zhou) | **绿皮书**，量化面试高频参考书；B 站可看 [@数学的风](https://space.bilibili.com/37671712) 讲解，脑筋急转弯可看 [这部分](https://www.bilibili.com/video/BV1nD4y1K7cu/) |\n| 《Heard on the Street》(Timothy Crack) | 华尔街经典面试题集，偏概率和智力题 |\n| 《Quant Job Interview Questions and Answers》(Mark Joshi) | 偏衍生品定价方向，适合期权岗 |\n\n**数学与统计**\n\n| 书名 | 说明 |\n|------|------|\n| 🌟 《Introduction to Probability》(Blitzstein \u0026 Hwang) | Harvard 概率论教材，有免费 PDF，例题极好，面试前刷完前 6 章 |\n| 《Probability and Statistics for Engineering and the Sciences》(Devore) | 概率统计标准教材，覆盖面广 |\n| 《All of Statistics》(Wasserman) | 统计学速成，写给 CS 背景的人看的，紧凑高效 |\n| 🌟 《Analysis of Financial Time Series》(Tsay) | 金融时间序列的权威教材，ARMA/GARCH/协整全覆盖 |\n| 🌟 《Stochastic Calculus for Finance I \u0026 II》(Shreve) | 随机微积分的金标准，I 是离散，II 是连续，推导 Black-Scholes 的必经之路 |\n| 《Convex Optimization》(Boyd \u0026 Vandenberghe) | 凸优化经典，有免费 PDF，组合优化和风控都离不开 |\n\n**编程**\n\n| 书名 | 说明 |\n|------|------|\n| 《Python for Data Analysis》(McKinney) | pandas 作者亲著，数据清洗的工具书 |\n| 《Effective Modern C++》(Meyers) | 现代 C++ 最佳实践，Quant Research 可作为工程背景阅读，非本仓库主线 |\n| 《Python for Finance》(Hilpisch) | 从零到量化系统的 Python 实战 |\n| 《Introduction to Linear Algebra》(Strang) | 配合 MIT 18.06 公开课食用，PCA/因子模型的数学基础 |\n\n**因子与策略**\n\n| 书名 | 说明 |\n|------|------|\n| 《Quantitative Equity Portfolio Management》(Chincarini \u0026 Kim) | 量化股票组合从因子到实盘的全流程 |\n| 🌟 《Advances in Financial Machine Learning》(de Prado) | 金融 ML 实战经典，数据结构化/防过拟合/回测方法论，引用很广 |\n| 🌟 《Active Portfolio Management》(Grinold \u0026 Kahn) | 主动管理的理论框架，信息比率、alpha 转移，适合基金公司研究员重点阅读 |\n| 《Options, Futures, and Other Derivatives》(Hull) | 衍生品入门标准教材，覆盖期货/互换/期权，适合建立全局观 |\n| 《Option Volatility and Pricing》(Natenberg) | 期权交易实战视角，Greeks 直觉讲得很好 |\n\n**机器学习**\n\n| 书名 | 说明 |\n|------|------|\n| 🌟 《The Elements of Statistical Learning》(Hastie et al.) | 统计学习理论经典，有免费 PDF，树模型/正则化/集成学习讲得很系统 |\n| 《Deep Learning》(Goodfellow et al.) | \"花书\"，深度学习理论基础，CNN/RNN/GAN/优化全覆盖 |\n| 《Machine Learning for Asset Managers》(de Prado) | 资管视角的 ML，聚类/特征重要性/组合构建，薄但密度极高 |\n\n**中文**\n\n| 书名 | 说明 |\n|------|------|\n| 🌟 石川 等.《因子投资：方法与实践》 | 中文因子投资经典，从因子定义到组合构建和陷阱规避，系统性较强 |\n| 丁鹏.《量化投资：策略与技术》 | 国内量化入门经典，适合建立全局认知 |\n| 杨博理 等.《量化投资：以Python为工具》 | Python 量化实操入门，有代码可跑 |\n\n### 博主与公众号\n\n- 🌟 **石川 / 川总写量化** - [知乎](https://www.zhihu.com/people/mitcshi) / 公众号。因子投资内容系统，文章通常有学术论文支撑，也比较适合非科班读者。做因子方向建议关注。\n- 🌟 **因子动物园 (Factor Zoo)** - 公众号。石川团队出品，系统梳理学术因子文献，追踪前沿论文，适合做因子方向时集中查阅。\n- 🌟 **量化投资与机器学习 (QIML)** - 公众号。国内较活跃的量化公众号之一，覆盖 ML 策略、因子研究、行业招聘动态，信息密度高。\n- **交易门** - 播客/公众号。对话国内外交易员和量化基金经理，听行业里的人怎么想问题。\n- **数量经济学** - 知乎/公众号。偏学术向，计量经济学与金融实证方法，适合想打扎实理论基础的人。\n\n### 社区与平台\n\n- 🌟 [聚宽 JoinQuant](https://www.joinquant.com) - 国内常用量化投研平台，免费数据、回测引擎、社区策略分享，适合入门。\n- [发明者量化 FMZ](https://www.fmz.com) - 数字货币/期货量化，支持多语言策略，社区活跃。\n- [米筐 RiceQuant](https://www.ricequant.com) - 专业量化研究平台，数据质量高，机构用户多。\n- [优矿 Uqer](https://uqer.datayes.com) - 通联数据旗下，数据全面，API 友好。\n- [QuantConnect](https://www.quantconnect.com) - 国际量化平台，Lean 引擎开源，支持多资产多市场。\n- [知乎：量化交易](https://www.zhihu.com/topic/19815465) - 高质量问答和专栏，搜具体问题经常能找到好答案。\n- [经管之家](https://bbs.pinggu.org) - 老牌经济金融学术论坛，有不少历史沉淀的好帖。\n\n### A 股数据源\n\n| 数据源 | 类型 | 链接 |\n|--------|------|------|\n| 🌟 Tushare Pro | 免费，股票/基金/期货/可转债 | [tushare.pro](https://tushare.pro) |\n| 🌟 AKShare | 开源免费 | [akfamily/akshare](https://github.com/akfamily/akshare) |\n| BaoStock | 免费，日K/分钟K/财报 | [baostock.com](http://baostock.com) |\n| Wind 万得 | 机构级，覆盖全面（付费） | [wind.com.cn](https://www.wind.com.cn) |\n| 东方财富 Choice | 机构级（付费） | [choice.eastmoney.com](https://choice.eastmoney.com) |\n| efinance | 开源爬虫 | [mpquant/efinance](https://github.com/mpquant/efinance) |\n\n### 券商金工研报\n\n| 团队 | 研究方向 |\n|------|-------|\n| 🌟 华泰金工 | 「人工智能选股」系列、因子体系 |\n| 🌟 光大金工 | 因子择时、事件驱动 |\n| 天风金工 | 基本面因子、另类数据 |\n| 中金量化 | 宏观量化、资产配置 |\n| 招商金工 | 多因子模型、行业轮动 |\n| 开源证券金工 | 覆盖面广 |\n\n### 面试备考\n\n- 🌟 [QuantGuide.io](https://www.quantguide.io) - 量化版 LeetCode；英文吃力可先用力扣中文搜同类题\n- [Brainstellar](https://brainstellar.com) - 量化面试脑筋急转弯；优先刷绿皮书\n- [Jane Street Puzzles](https://www.janestreet.com/puzzles/) - 简街（Jane Street）月度谜题，高于面试难度\n\n### 竞赛\n\n- [Jane Street Kaggle](https://www.kaggle.com/competitions/jane-street-real-time-market-data-forecasting) - $100K 奖金，真实市场数据\n- [WorldQuant BRAIN](https://www.worldquantbrain.com) - 10 万+ 用户，为 alpha 信号付费\n\n### 学术论文源\n\n- [SSRN](https://www.ssrn.com) - 量化金融工作论文\n- [arXiv q-fin](https://arxiv.org/list/q-fin/recent) - 金融领域最新预印本\n- NBER Working Papers\n- Risk.net / Journal of Financial Economics / Journal of Portfolio Management\n\n\u003c/details\u003e\n\n---\n\n\u003ca id=\"qa\"\u003e\u003c/a\u003e\n\n\u003cdetails\u003e\n\u003csummary\u003e\u003cstrong\u003e🧠 面试八股文：数学、编程、因子、机器学习（点击展开/收起）\u003c/strong\u003e\u003c/summary\u003e\n\n## 🧠 面试八股文：数学、编程、因子、机器学习\n\n\u003ca id=\"数学与统计基础\"\u003e\u003c/a\u003e\n\n### 数学与统计基础\n\n#### 概率论\n\n##### Q1：什么是条件概率？贝叶斯公式的直觉是什么？\n\n**标准答案：**\n\n条件概率表示在 B 已发生的条件下 A 发生的概率：\n\n$$P(A \\mid B) = \\frac{P(A \\cap B)}{P(B)}$$\n\n贝叶斯公式：\n\n$$P(A \\mid B) = \\frac{P(B \\mid A) \\cdot P(A)}{P(B)}$$\n\n**直觉**：贝叶斯公式是\"用新证据更新旧信念\"的数学表达。这里 P(A) 是先验（你原来的判断），P(B|A) 是似然（新证据在你判断下出现的可能性），P(A|B) 是后验（看到证据后的新判断）。\n\n**量化应用**：贝叶斯方法在信号衰减判断、因子择时、Black-Litterman模型中被广泛使用。\n\n---\n\n##### Q2：大数定律和中心极限定理的区别是什么？\n\n**标准答案：**\n\n- **大数定律（LLN）**：样本均值随样本量增大而趋近于总体均值。强调的是**收敛**。\n- **中心极限定理（CLT）**：无论总体分布如何，样本均值的分布在n足够大时近似正态分布。强调的是**分布形态**。\n\n**关键区别**：LLN告诉你\"平均值会收敛到真值\"，CLT告诉你\"收敛过程的波动长什么样\"。\n\n**量化应用**：CLT是计算VaR、构建置信区间、进行策略回测统计检验的理论基础。如果收益率不满足独立同分布假设（如存在自相关或异方差），CLT的收敛速度会变慢，需要用Newey-West等方法修正。\n\n---\n\n##### Q3：什么是鞅（Martingale）？它在金融中有什么意义？\n\n**标准答案：**\n\n鞅是一种随机过程，满足 $E[X_{t+1} | \\mathcal{F}_t] = X_t$，即给定当前信息，未来期望等于当前值。\n\n**金融意义**：\n- 在风险中性测度下，折现后的资产价格是鞅——这是期权定价的理论基础\n- 如果市场价格是鞅，则不存在趋势性的可预测利润，与有效市场假说一致\n- 鞅差分序列（Martingale Difference Sequence）常用于检验收益率的可预测性\n\n---\n\n##### Q4：解释常见的概率分布及其在量化中的应用\n\n**标准答案：**\n\n| 分布 | 特征 | 量化应用 |\n|------|------|----------|\n| 正态分布 | 均值对称、薄尾 | 收益率建模的基准假设（但实际中有偏度和峰度） |\n| 对数正态分布 | 取对数后为正态 | 股票价格建模（GBM中价格服从对数正态） |\n| t 分布 | 厚尾 | 更真实地描述收益率尾部风险，小样本推断 |\n| 泊松分布 | 离散事件计数 | 跳跃扩散模型中的跳跃次数 |\n| 指数分布 | 等待时间 | 订单到达间隔建模（高频） |\n\n**延伸**：实际收益率分布通常呈现\"尖峰厚尾\"（leptokurtic），正态假设会低估极端风险。用Student-t、GED或混合正态分布能更好地拟合。\n\n---\n\n#### 数理统计与推断\n\n##### Q5：什么是极大似然估计（MLE）？与矩估计（GMM）有什么区别？\n\n**标准答案：**\n\n**MLE**：寻找使样本似然函数达到最大值的参数，常写作：\n\n$$L(\\theta_{\\text{MLE}}) = \\max_{\\theta} L(\\theta)$$\n\n**GMM（广义矩估计）**：利用总体矩条件与样本矩的匹配来估计参数，不需要假定完整的分布形式\n\n**核心区别**：MLE需要完整的分布假设，效率高但对错误假设敏感；GMM更灵活，只需要矩条件，是半参数方法。\n\n**量化应用**：GARCH模型常用MLE估计；资产定价模型（如Fama-French）的参数常用GMM估计；Hansen（1982）提出的GMM框架是实证资产定价的核心方法论。\n\n---\n\n##### Q6：假设检验中的 p 值到底是什么？为什么不能说\"p值是假设为真的概率\"？\n\n**标准答案：**\n\np 值是**在零假设为真的前提下**，观测到当前统计量或更极端值的概率。\n\n不能说\"零假设为真的概率\"，因为p值是条件概率 $P(\\text{data} | H_0)$，而不是 $P(H_0 | \\text{data})$。后者需要贝叶斯框架。\n\n**量化应用中的陷阱**：\n- 策略回测中对数百个参数组合做假设检验，会出现**多重检验问题**（Multiple Testing）\n- 一个p \u003c 0.05的策略，如果是从1000个策略中筛选出来的，真实显著性远低于5%\n- 修正方法：Bonferroni 校正、Benjamini-Hochberg（FDR 控制）、Bailey-López de Prado-Marcos 的 **Haircut（折减）校正**\n\n---\n\n##### Q7：什么是协方差矩阵？为什么在量化中估计协方差矩阵是困难的？\n\n**标准答案：**\n\n协方差矩阵 $\\Sigma$ 的第(i,j)个元素是资产i和资产j收益率的协方差。它是组合优化、风险管理的核心输入。\n\n**困难之处**：\n1. **维度灾难**：N个资产需要估计 $N(N+1)/2$ 个参数，当N大于样本量T时，样本协方差矩阵奇异\n2. **噪声放大**：样本协方差矩阵中的小特征值会被取逆时放大，导致组合权重极端\n3. **非平稳性**：协方差结构随时间变化\n\n**常用解决方案**：\n- **Ledoit-Wolf收缩估计**：将样本矩阵向结构化目标（如对角阵）收缩\n- **因子模型降维**：假设 $\\Sigma = B F B^T + D$（因子部分 + 特异性部分）\n- **随机矩阵理论（RMT）**：用Marchenko-Pastur分布识别并剔除噪声特征值\n- **DCC-GARCH**：建模时变协方差\n\n---\n\n#### 线性代数\n\n##### Q8：特征值分解（EVD）和奇异值分解（SVD）有什么区别？在量化中怎么用？\n\n**标准答案：**\n\n**EVD**：仅适用于方阵，Λ 是特征值对角阵：\n\n$$A = P \\Lambda P^{-1}$$\n\n**SVD**：适用于任意矩阵，Σ 是奇异值对角阵：\n\n$$A = U \\Sigma V^T$$\n\n对于对称半正定的协方差矩阵，EVD和SVD等价。\n\n**量化应用**：\n- **PCA（主成分分析）**：对收益率协方差矩阵做EVD，前几个主成分通常对应市场、规模、价值等系统性因子\n- **降噪**：去除小特征值对应的成分\n- **正则化**：SVD用于病态线性回归（岭回归本质上是对奇异值做收缩）\n\n---\n\n##### Q9：什么是正定矩阵？为什么协方差矩阵必须半正定？\n\n**标准答案：**\n\n正定矩阵满足：对任意非零向量 x，都有\n\n$$x^T A x \u003e 0$$\n\n半正定则要求：\n\n$$x^T A x \\ge 0$$\n\n协方差矩阵必须半正定，因为组合方差在物理意义上不能为负：\n\n$$w^T \\Sigma w \\ge 0$$\n\n如果估计出的协方差矩阵不是半正定的（如用不同时间窗口的数据拼接），需要做\"最近半正定矩阵\"投影（如Higham算法）。\n\n---\n\n#### 随机过程与时间序列\n\n##### Q10：什么是平稳性（Stationarity）？为什么要关心它？\n\n**标准答案：**\n\n- **严平稳**：联合分布不随时间平移改变\n- **宽平稳（弱平稳）**：均值和自协方差函数不随时间变化\n\n**为什么关心**：几乎所有时间序列建模方法（ARMA、协整分析等）都假设平稳性。对非平稳序列直接建模会产生**伪回归**（Spurious Regression），R²虚高但没有真实关系。\n\n**检验方法**：ADF检验、PP检验、KPSS检验（注意KPSS的零假设是平稳）。\n\n**处理方法**：差分（I(1)序列差分一次变平稳）、去趋势、对数变换。\n\n---\n\n##### Q11：ARIMA 和 GARCH 模型的区别与联系？\n\n**标准答案：**\n\n- **ARIMA(p,d,q)**：建模条件均值。描述收益率本身的自回归和移动平均结构。\n- **GARCH(p,q)**：建模条件方差。描述波动率的聚集效应（volatility clustering）。\n\n**联系**：通常组合使用，ARIMA建模均值方程，GARCH建模残差的方差方程。完整模型：\n\n$$r_t = \\mu_t(\\text{ARIMA}) + \\epsilon_t, \\quad \\epsilon_t = \\sigma_t z_t, \\quad \\sigma_t^2 = \\omega + \\alpha \\epsilon_{t-1}^2 + \\beta \\sigma_{t-1}^2$$\n\n**量化应用**：GARCH族模型广泛用于波动率预测、VaR计算、期权隐含波动率建模。常用扩展包括EGARCH（捕捉杠杆效应）、GJR-GARCH等。\n\n---\n\n##### Q12：什么是协整（Cointegration）？和相关性有什么区别？\n\n**标准答案：**\n\n- **相关性**：衡量两个变量线性关联的强度，是静态的\n- **协整**：两个非平稳序列的某个线性组合是平稳的，是动态的长期均衡关系\n\n**经典例子**：醉汉和他的狗——各自随机游走（非平稳），但距离围绕某个均值波动（协整）。\n\n**量化应用**：配对交易（Pairs Trading）的理论基础。找到协整关系后：\n1. 构建价差 $S_t = Y_t - \\beta X_t$\n2. 当价差偏离均值时建仓，回归时平仓\n3. 常用Engle-Granger两步法或Johansen检验判断协整关系\n\n**注意**：高相关不代表协整，协整也不要求高相关。\n\n---\n\n#### 随机微积分基础\n\n##### Q13：什么是布朗运动？Itô引理是什么？\n\n**标准答案：**\n\n**布朗运动（维纳过程）** $W_t$：\n- $W_0 = 0$\n- 增量独立且服从 $W_{t+s} - W_t \\sim N(0, s)$\n- 路径连续但处处不可微\n\n**Itô引理**：随机微积分的\"链式法则\"。若 $dX_t = \\mu \\, dt + \\sigma \\, dW_t$，则对 $f(X_t, t)$：\n\n$$df = \\left(\\frac{\\partial f}{\\partial t} + \\mu \\frac{\\partial f}{\\partial x} + \\frac{1}{2}\\sigma^2 \\frac{\\partial^2 f}{\\partial x^2}\\right)dt + \\sigma \\frac{\\partial f}{\\partial x} dW_t$$\n\n比普通链式法则多了 $\\frac{1}{2}\\sigma^2 f''$ 项，因为 $(dW_t)^2 = dt$。\n\n**量化应用**：推导Black-Scholes公式、理解对冲比率（Delta）、推导各种衍生品定价公式。\n\n---\n\n##### Q14：几何布朗运动（GBM）的假设和局限是什么？\n\n**标准答案：**\n\nGBM模型：\n\n$$dS_t = \\mu S_t \\, dt + \\sigma S_t \\, dW_t$$\n\n解为：\n\n$$S_t = S_0 \\exp\\left[\\left(\\mu - \\frac{\\sigma^2}{2}\\right)t + \\sigma W_t\\right]$$\n\n**假设**：\n- 对数收益率独立同分布且服从正态\n- 波动率恒定\n- 无跳跃\n\n**局限**：\n- 实际中波动率不恒定（波动率微笑/偏斜）\n- 收益率有厚尾（极端事件被低估）\n- 存在跳跃（如财报发布、政策突变）\n- 收益率存在自相关和波动率聚集\n\n**改进模型**：随机波动率模型（Heston）、跳跃扩散模型（Merton）、局部波动率模型（Dupire）。\n\n---\n\n### 编程（Python / C++）\n\n#### Python基础与数据处理\n\n##### Q15：Python中 list、tuple、dict、set 的区别与适用场景？\n\n**标准答案：**\n\n| 类型 | 可变性 | 有序性 | 查找复杂度 | 量化场景 |\n|------|--------|--------|------------|----------|\n| list | 可变 | 有序 | O(n) | 时间序列存储、策略信号列表 |\n| tuple | 不可变 | 有序 | O(n) | 作为dict的key（如 (date, ticker)）、函数多返回值 |\n| dict | 可变 | 有序(3.7+) | O(1) | ticker→price映射、参数配置 |\n| set | 可变 | 无序 | O(1) | 股票池去重、集合运算（交集并集求共同持仓） |\n\n**面试高频追问**：dict的底层实现是哈希表，冲突解决用开放寻址法（CPython）；set也是哈希表。\n\n---\n\n##### Q16：深拷贝和浅拷贝的区别？在量化中踩坑的例子？\n\n**标准答案：**\n\n- **浅拷贝**（`copy.copy()` 或 `list.copy()`）：创建新对象，但内部元素仍引用原对象\n- **深拷贝**（`copy.deepcopy()`）：递归复制所有层级的对象\n\n**量化踩坑**：\n\n```python\n# 危险：portfolio_b 和 portfolio_a 共享内部列表\nportfolio_a = {'holdings': [{'ticker': 'AAPL', 'weight': 0.5}]}\nportfolio_b = portfolio_a.copy()       # 浅拷贝\nportfolio_b['holdings'][0]['weight'] = 0.3  # portfolio_a 也被修改了！\n```\n\n回测中修改了一个策略的持仓，另一个策略的持仓也被污染——这类bug极其隐蔽。\n\n---\n\n##### Q17：Pandas 中 `apply`、`map`、`vectorized operations` 的性能差异？\n\n**标准答案：**\n\n性能排序（快→慢）：**NumPy向量化 \u003e Pandas内置方法 \u003e apply \u003e 纯Python循环**\n\n```python\n# 最快：向量化\ndf['ret'] = df['close'].pct_change()\n\n# 较快：内置方法\ndf['log_ret'] = np.log(df['close'] / df['close'].shift(1))\n\n# 慢：apply（每行调用一次Python函数）\ndf['signal'] = df.apply(lambda row: my_func(row['a'], row['b']), axis=1)\n\n# 最慢：iterrows\nfor idx, row in df.iterrows(): ...\n```\n\n**原则**：能向量化就不用apply，能用内置方法就不自己写。处理大型tick数据时，性能差异可达100倍以上。\n\n**进阶**：对无法向量化的复杂逻辑，考虑用 `numba.jit` 加速或用 `polars` 替代Pandas。\n\n---\n\n##### Q18：Python GIL是什么？如何在量化中实现真正的并行？\n\n**标准答案：**\n\nGIL（全局解释器锁）使得CPython中同一时刻只有一个线程执行Python字节码。\n\n**影响**：CPU密集型任务（如大规模因子计算）无法通过多线程加速。\n\n**解决方案**：\n\n| 方案 | 适用场景 | 工具 |\n|------|----------|------|\n| 多进程 | CPU密集型因子计算 | `multiprocessing`, `joblib`, `concurrent.futures.ProcessPoolExecutor` |\n| 多线程 | IO密集型（数据下载、API请求） | `threading`, `asyncio` |\n| 向量化/C扩展 | 数值计算 | NumPy, Numba, Cython |\n| 分布式计算 | 超大规模回测 | Dask, Ray, Spark |\n\n---\n\n##### Q19：如何避免Pandas中的 \"SettingWithCopyWarning\"？\n\n**标准答案：**\n\n这个警告出现在对DataFrame切片的赋值操作中，因为切片可能返回视图（view）而非副本（copy），赋值行为不确定。\n\n```python\n# 危险写法：链式索引\ndf[df['sector'] == 'tech']['weight'] = 0.5  # 可能无效\n\n# 正确写法1：.loc\ndf.loc[df['sector'] == 'tech', 'weight'] = 0.5\n\n# 正确写法2：显式copy\nsubset = df[df['sector'] == 'tech'].copy()\nsubset['weight'] = 0.5\n```\n\n---\n\n#### Python进阶\n\n##### Q20：装饰器（Decorator）的原理？在量化系统中的实际应用？\n\n**标准答案：**\n\n装饰器本质上是一个接收函数并返回新函数的高阶函数，语法糖 `@decorator` 等价于 `func = decorator(func)`。\n\n**量化中的实际应用**：\n\n```python\nimport time\nimport functools\n\n# 1. 计时器：监控因子计算耗时\ndef timer(func):\n    @functools.wraps(func)\n    def wrapper(*args, **kwargs):\n        start = time.perf_counter()\n        result = func(*args, **kwargs)\n        elapsed = time.perf_counter() - start\n        print(f\"{func.__name__} took {elapsed:.4f}s\")\n        return result\n    return wrapper\n\n# 2. 缓存：避免重复计算（如日频因子值）\nfrom functools import lru_cache\n\n@lru_cache(maxsize=1024)\ndef get_factor_exposure(ticker, date):\n    ...\n\n# 3. 重试机制：应对数据源不稳定\ndef retry(max_retries=3, delay=1):\n    def decorator(func):\n        @functools.wraps(func)\n        def wrapper(*args, **kwargs):\n            for attempt in range(max_retries):\n                try:\n                    return func(*args, **kwargs)\n                except Exception as e:\n                    if attempt == max_retries - 1:\n                        raise\n                    time.sleep(delay * (attempt + 1))\n        return wrapper\n    return decorator\n```\n\n---\n\n##### Q21：Python中的生成器（Generator）是什么？在量化中的应用？\n\n**标准答案：**\n\n生成器是使用 `yield` 关键字的函数，它惰性地产生值，不会一次性将所有结果加载到内存。\n\n**量化应用**：处理大规模tick数据时避免内存溢出。\n\n```python\ndef read_ticks(filepath):\n    \"\"\"逐行读取数亿行tick数据，内存占用恒定\"\"\"\n    with open(filepath) as f:\n        header = f.readline().strip().split(',')\n        for line in f:\n            values = line.strip().split(',')\n            yield dict(zip(header, values))\n\n# 流式处理，内存友好\nfor tick in read_ticks('huge_tick_data.csv'):\n    process(tick)\n```\n\n也常用于滚动窗口计算、事件驱动回测引擎的信号生成等。\n\n---\n\n#### C++ 基础（QR 延伸阅读）\n\n##### Q22：C++ 中指针和引用的区别？\n\n**标准答案：**\n\n| 特性 | 指针 | 引用 |\n|------|------|------|\n| 可否为空 | 可以为nullptr | 不可以，必须绑定对象 |\n| 可否重新绑定 | 可以指向其他对象 | 不可以，绑定后不变 |\n| 语法 | 需要 `*` 解引用 | 直接使用，语法透明 |\n| 内存 | 占用空间（存地址） | 通常被编译器优化为别名 |\n\n**量化场景**：高频交易系统中传递大型订单簿对象时用 `const \u0026` 避免拷贝开销；智能指针（`shared_ptr`, `unique_ptr`）管理行情数据的生命周期。\n\n---\n\n##### Q23：C++ 中的虚函数（virtual function）和多态是什么？\n\n**标准答案：**\n\n虚函数允许通过基类指针/引用调用派生类的重写方法，实现运行时多态。底层通过虚函数表（vtable）实现。\n\n```cpp\nclass Strategy {\npublic:\n    virtual void on_market_data(const MarketData\u0026 md) = 0;  // 纯虚函数\n    virtual ~Strategy() = default;  // 虚析构函数（重要！）\n};\n\nclass MomentumStrategy : public Strategy {\npublic:\n    void on_market_data(const MarketData\u0026 md) override {\n        // 动量策略的具体实现\n    }\n};\n```\n\n**面试追问**：为什么基类析构函数要声明为virtual？——如果不声明，通过基类指针delete派生类对象时只调用基类析构函数，派生类资源不会释放，造成内存泄漏。\n\n---\n\n##### Q24：什么是 move 语义和右值引用？在高频系统中的意义？\n\n**标准答案：**\n\nC++11引入右值引用（`\u0026\u0026`）和 `std::move`，允许\"窃取\"临时对象的资源而非拷贝。\n\n```cpp\n// 拷贝：O(n) —— 分配新内存，逐元素复制\nstd::vector\u003cOrder\u003e orders2 = orders1;\n\n// 移动：O(1) —— 直接接管 orders1 的内存\nstd::vector\u003cOrder\u003e orders3 = std::move(orders1);\n// orders1 此后处于\"有效但未定义\"状态\n```\n\n**高频意义**：在微秒级延迟的交易系统中，一次不必要的深拷贝可能就是几微秒的延迟。移动语义在订单传递、行情数据转发等热路径上至关重要。\n\n---\n\n##### Q25：C++ STL 容器的选择原则？\n\n**标准答案：**\n\n| 容器 | 底层结构 | 查找 | 插入/删除 | 量化场景 |\n|------|----------|------|-----------|----------|\n| `vector` | 连续数组 | O(n) | 尾部O(1) | 时间序列、K线存储 |\n| `deque` | 分段连续 | O(n) | 头尾O(1) | 滑动窗口 |\n| `map/set` | 红黑树 | O(log n) | O(log n) | 有序订单簿 |\n| `unordered_map/set` | 哈希表 | O(1)均摊 | O(1)均摊 | ticker→策略映射 |\n| `priority_queue` | 堆 | 取极值O(1) | 插入O(log n) | 事件驱动引擎的事件队列 |\n\n**高频考虑**：`vector` 因内存连续、缓存友好，在遍历性能上远优于链表。高频系统中优先使用 `vector` + 排序，而非 `map`。\n\n---\n\n##### Q26：什么是模板（Template）元编程？在量化中有什么用？\n\n**标准答案：**\n\n模板允许在编译期生成特化代码，实现零开销抽象。\n\n```cpp\n// 编译期计算阶乘\ntemplate\u003cint N\u003e\nstruct Factorial {\n    static constexpr int value = N * Factorial\u003cN-1\u003e::value;\n};\ntemplate\u003c\u003e\nstruct Factorial\u003c0\u003e {\n    static constexpr int value = 1;\n};\n```\n\n**量化应用**：\n- **表达式模板（Expression Templates）**：避免临时对象，实现高效矩阵运算（Eigen库的核心技术）\n- **策略模式的编译期实现**：用模板参数选择不同的执行逻辑，避免虚函数的间接调用开销\n- **CRTP（Curiously Recurring Template Pattern）**：静态多态，高频系统中替代虚函数\n\n---\n\n#### NumPy / 数值计算\n\n##### Q27：NumPy 的广播（Broadcasting）机制是什么？\n\n**标准答案：**\n\n广播允许不同形状的数组进行运算。规则：\n1. 从最后一个维度开始对齐\n2. 每个维度要么相同，要么其中一个为1\n3. 维度为1的那个轴会被\"广播\"（逻辑复制）\n\n```python\n# 对每只股票的收益率减去其均值（截面去均值）\nreturns = np.random.randn(252, 500)     # (252天, 500只股票)\nmean_ret = returns.mean(axis=0)          # (500,)\ndemeaned = returns - mean_ret            # 广播：(252, 500) - (500,) → (252, 500)\n```\n\n理解广播是写出高效NumPy代码的关键，避免不必要的循环和内存分配。\n\n---\n\n##### Q28：如何用NumPy高效实现滚动窗口计算？\n\n**标准答案：**\n\n```python\n# 方法1：stride_tricks（零拷贝，最高效）\nfrom numpy.lib.stride_tricks import sliding_window_view\nwindows = sliding_window_view(prices, window_shape=20)  # (n-19, 20)\nrolling_mean = windows.mean(axis=1)\n\n# 方法2：cumsum技巧（O(n)，适合求和/均值）\ncumsum = np.cumsum(np.insert(prices, 0, 0))\nrolling_sum = cumsum[20:] - cumsum[:-20]\nrolling_mean = rolling_sum / 20\n\n# 方法3：Pandas（最方便，但慢于纯NumPy）\npd.Series(prices).rolling(20).mean()\n```\n\n在大规模因子计算中，方法1和2比Pandas快3-10倍。\n\n---\n\n\u003ca id=\"因子与-alpha-策略\"\u003e\u003c/a\u003e\n\n### 因子与 Alpha 策略\n\n#### 因子投资基础\n\n##### Q29：什么是因子（Factor）？Alpha 和 Beta 的区别？\n\n**标准答案：**\n\n**因子**：能够系统性解释资产收益率截面差异的变量。\n\n**Alpha vs Beta**：\n- **Beta**（系统性风险暴露）：承担市场、规模、价值等公共因子风险获得的补偿，人人可以获取\n- **Alpha**（超额收益）：在控制所有已知因子暴露后剩余的收益，来自信息优势或更优的执行\n\n$$r_i - r_f = \\alpha_i + \\beta_{i,MKT} \\cdot (r_{MKT} - r_f) + \\beta_{i,SMB} \\cdot SMB + \\beta_{i,HML} \\cdot HML + \\epsilon_i$$\n\n如果 $\\alpha_i$ 显著大于零，说明存在无法被已知因子解释的超额收益。\n\n**核心洞察**：今天的Alpha可能是明天的Beta——当一个信号被足够多的人知晓和使用后，它就变成了一个定价因子。\n\n---\n\n##### Q30：解释 Fama-French 三因子和五因子模型\n\n**标准答案：**\n\n**三因子模型（1993）**：\n- **MKT（市场因子）**：市场组合超额收益\n- **SMB（Small Minus Big）**：小盘股超额收益\n- **HML（High Minus Low）**：高B/M（价值股）超额收益\n\n**五因子模型（2015）新增**：\n- **RMW（Robust Minus Weak）**：高盈利vs低盈利\n- **CMA（Conservative Minus Aggressive）**：低投资vs高投资\n\n**核心贡献**：建立了因子投资的分析框架。任何策略的收益都应该用这些因子回归分解——如果Alpha不显著，说明你只是在承担已知风险。\n\n**争议**：HML在五因子模型中可能是冗余的（被RMW和CMA吸收）；动量因子（UMD）未被包含但实证上很强。\n\n---\n\n##### Q31：常见的量价因子有哪些？如何构建？\n\n**标准答案：**\n\n| 因子类别 | 代表因子 | 构建逻辑 |\n|----------|----------|----------|\n| **动量** | 12-1月动量 | 过去12个月累计收益（跳过最近1个月） |\n| **反转** | 短期反转 | 过去1个月/1周收益取反 |\n| **波动率** | 特质波动率 | 回归残差的标准差（IVOL） |\n| **流动性** | Amihud非流动性 | $\\|r\\| / \\text{Volume}$ 的均值 |\n| **换手率** | 平均换手率 | 日均成交量 / 流通股本 |\n| **量价背离** | 价升量缩 | 价格与成交量趋势方向不一致的程度 |\n\n**构建流程**：\n1. **原始值计算** → 2. **截面标准化**（z-score或排序） → 3. **异常值处理**（MAD/Winsorize） → 4. **行业/市值中性化** → 5. **缺失值填充**\n\n---\n\n##### Q32：什么是因子 IC（Information Coefficient）和 IR（Information Ratio）？\n\n**标准答案：**\n\n- **IC**：因子值与下期收益率的截面**Rank相关系数**（Spearman）。衡量因子单期选股能力。\n  - IC \u003e 0.03 就算不错了\n  - 更稳健的变体：RankIC、quantile-spread\n\n- **ICIR**：IC 均值除以 IC 标准差，衡量因子的稳定性：\n\n  $$ICIR = \\frac{\\overline{IC}}{\\sigma_{IC}}$$\n\n  - ICIR \u003e 0.5 通常认为是优秀因子\n\n- **IR（策略层面）**：年化超额收益除以年化跟踪误差，衡量策略承担主动风险的效率：\n\n  $$IR = \\frac{\\text{年化超额收益}}{\\text{年化跟踪误差}}$$\n\n**基本定律（Fundamental Law of Active Management）**：\n\n$$IR \\approx IC \\times \\sqrt{BR}$$\n\n其中 $BR$（Breadth）是独立决策次数。含义：微弱的IC也可以通过大量独立决策积累出好的IR。\n\n---\n\n##### Q33：因子的多重共线性问题如何处理？\n\n**标准答案：**\n\n当多个因子高度相关时（如EP和BP都是价值因子），回归系数不稳定，单因子测试有效但组合后失效。\n\n**处理方法**：\n1. **正交化**：对因子做Gram-Schmidt正交化或回归取残差\n2. **PCA降维**：提取主成分作为合成因子\n3. **因子分组**：同类因子等权合成为一个复合因子\n4. **弹性网络（Elastic Net）**：L1+L2正则化自动处理共线性\n5. **VIF检验**：方差膨胀因子 \u003e 10 视为严重共线性\n\n---\n\n##### Q34：什么是因子拥挤（Factor Crowding）？如何检测和应对？\n\n**标准答案：**\n\n**因子拥挤**：过多资金追逐同一个因子策略，导致因子估值过高、预期收益下降、崩盘风险上升。\n\n**检测信号**：\n- 因子多空组合的估值价差达到历史极端\n- 短边借股成本飙升（做空拥挤）\n- 同类策略的相关性上升\n- 因子回撤加深且恢复变慢\n\n**历史案例**：2007年8月量化危机——大量统计套利基金同时去杠杆，价值和动量因子在几天内回撤超过20%。\n\n**应对**：\n- 监控因子估值水平和拥挤度指标\n- 分散因子来源（基本面+量价+另类数据）\n- 动态调整因子暴露\n- 保持流动性缓冲\n\n---\n\n#### 组合优化\n\n##### Q35：均值-方差优化（MVO）的原理和问题？\n\n**标准答案：**\n\n**原理（Markowitz, 1952）**：\n\n$$\\min_w \\frac{1}{2} w^T \\Sigma w \\quad \\text{s.t.} \\quad w^T \\mu = \\mu_{\\text{target}}, \\quad \\mathbf{1}^T w = 1$$\n\n求解得到有效前沿上的最优组合。\n\n**实践中的问题**：\n1. **对输入极度敏感**：期望收益率微小变化会导致权重剧烈变动（\"误差最大化器\"）\n2. **估计风险**：期望收益率极难准确估计，协方差矩阵含噪\n3. **集中持仓**：最优解常常极度集中在少数资产上\n4. **忽略交易成本**：理论最优组合频繁调仓不现实\n\n**改进方法**：\n- Black-Litterman模型（融入主观观点）\n- 加入正则化约束（如持仓上下限、换手约束）\n- 风险平价（Risk Parity）：权重与波动率近似成反比\n\n  $$w_i \\propto \\frac{1}{\\sigma_i}$$\n\n- 最小方差组合（不需要估计期望收益率）\n- 收缩估计（Ledoit-Wolf）改进协方差矩阵输入\n\n---\n\n##### Q36：什么是风险平价（Risk Parity）？和等权有什么区别？\n\n**标准答案：**\n\n**风险平价**：使每个资产对组合总风险的贡献相等。\n\n资产 i 的风险贡献：\n\n$$RC_i = w_i \\cdot (\\Sigma w)_i$$\n\n风险平价要求：\n\n$$RC_1 = RC_2 = \\cdots = RC_N = \\frac{w^T \\Sigma w}{N}$$\n\n**vs 等权**：等权是 $w_i = 1/N$（权重相等），风险平价是风险贡献相等。在波动率差异大的多资产组合中，等权会让高波动资产主导风险。\n\n**典型应用**：Bridgewater的All Weather策略。股债配比中，股票波动率远高于债券，等权配比下股票贡献90%+的风险；风险平价下需要大量增配债券（通常加杠杆），使风险贡献均衡。\n\n---\n\n#### 回测与策略评估\n\n##### Q37：回测中常见的偏差（Bias）有哪些？\n\n**标准答案：**\n\n| 偏差 | 描述 | 危害 |\n|------|------|------|\n| **前视偏差（Look-ahead Bias）** | 使用了回测时刻不可得的未来信息 | 收益虚高，致命 |\n| **幸存者偏差（Survivorship Bias）** | 只用了存续至今的股票/基金数据 | 高估历史收益 |\n| **过拟合偏差** | 参数过度拟合历史数据 | 样本外表现崩塌 |\n| **交易成本忽略** | 不考虑滑点、手续费、冲击成本 | 盈利被吃掉 |\n| **时间段选择偏差** | 选择有利的回测区间 | 不具代表性 |\n\n**如何减轻**：\n- 严格使用 point-in-time 数据库\n- 在回测框架中内置时间戳检查\n- 分样本内/样本外/前向验证\n- 纸交易（Paper Trading）验证\n\n---\n\n##### Q38：常用的策略评估指标有哪些？各自的局限？\n\n**标准答案：**\n\n| 指标 | 公式/含义 | 局限 |\n|------|-----------|------|\n| **年化收益率** | $(1+R_{\\text{total}})^{252/T} - 1$ | 不反映风险 |\n| **夏普比率（Sharpe）** | $\\frac{R_p - R_f}{\\sigma_p}$ | 假设正态分布，忽略尾部风险 |\n| **索提诺比率（Sortino）** | 用下行偏差替代标准差 | 更关注下行风险，但对下行的定义依赖阈值 |\n| **最大回撤（Max DD）** | 峰值到谷底的最大跌幅 | 只描述单次最坏情况 |\n| **Calmar比率** | 年化收益 / 最大回撤 | 对单一极端事件敏感 |\n| **信息比率（IR）** | 超额收益 / 跟踪误差 | 依赖于基准选择 |\n\n**进阶指标**：\n\n- **t统计量**：检验夏普比率是否显著异于零\n\n  $$t = \\frac{SR \\times \\sqrt{T}}{\\text{correction}}$$\n\n- **Bailey-López de Prado建议**：至少需要 $t \u003e 3$ 才可信（考虑多重检验后）\n\n---\n\n##### Q39：什么是过拟合？如何在策略开发中避免？\n\n**标准答案：**\n\n**过拟合**：模型/策略在历史数据上表现优异，但在新数据上表现大幅衰减。本质上是拟合了噪声而非信号。\n\n**判断信号**：\n- 样本内夏普比率远高于样本外\n- 策略逻辑过于复杂（大量参数、特殊规则）\n- 对参数微调极度敏感\n\n**避免方法**：\n1. **数据层面**：训练集/验证集/测试集严格分离；使用 Walk-Forward 验证\n2. **模型层面**：限制参数数量；用简单模型作为基线\n3. **统计层面**：对多重测试做校正（Deflated Sharpe Ratio）\n4. **经济学层面**：策略逻辑必须有合理的经济学解释\n5. **稳健性检验**：更换时间窗口、市场、参数范围看策略是否稳定\n\n**Marcos López de Prado 的提醒**：回测更适合承担验证职责，研究本身应先来自假设与机制。\n\n---\n\n##### Q40：什么是交易成本模型？如何估计市场冲击成本？\n\n**标准答案：**\n\n**交易成本构成**：\n- **显性成本**：佣金、印花税、交易所费用\n- **隐性成本**：买卖价差（bid-ask spread）、市场冲击（market impact）、时机成本\n\n**市场冲击模型**：\n\n**Almgren-Chriss模型**（经典）：\n\n$$\\text{Impact} = \\sigma \\cdot \\gamma \\cdot \\left(\\frac{V}{ADV}\\right)^{\\delta}$$\n\n其中 V 是订单量，ADV 是日均成交量，γ 和 δ 是经验参数。\n\n**平方根模型**（业界常用简化版）：\n\n$$\\text{Impact} \\approx \\sigma \\cdot \\sqrt{\\frac{V}{ADV}}$$\n\n**重要性**：高换手策略（如短期反转）的收益可能被冲击成本完全吃掉。策略开发时必须将冲击成本纳入回测。\n\n---\n\n\u003ca id=\"机器学习--深度学习在量化中的应用\"\u003e\u003c/a\u003e\n\n### 机器学习 / 深度学习在量化中的应用\n\n#### 机器学习基础\n\n##### Q41：偏差-方差权衡（Bias-Variance Tradeoff）是什么？\n\n**标准答案：**\n\n$$\\text{MSE} = \\text{Bias}^2 + \\text{Variance} + \\text{Irreducible Noise}$$\n\n- **偏差（Bias）**：模型假设过于简单导致的系统性误差。欠拟合。\n- **方差（Variance）**：模型对训练数据过度敏感导致的波动。过拟合。\n\n**在量化中的含义**：\n- 高偏差模型（如简单线性回归）可能错过非线性alpha\n- 高方差模型（如深度神经网络）可能拟合市场噪声\n- 金融数据信噪比极低（信号微弱、噪声巨大），通常偏向低方差模型更安全\n- **原则**：宁可欠拟合也不要过拟合——错过一个机会的代价远小于错误地相信一个不存在的机会\n\n---\n\n##### Q42：正则化（L1/L2/ElasticNet）的区别和量化应用？\n\n**标准答案：**\n\n| 正则化 | 惩罚项 | 效果 | 量化场景 |\n|--------|--------|------|----------|\n| L1（Lasso） | $\\lambda \\sum \\|w_i\\|$ | 产生稀疏解，自动选择因子 | 从大量候选因子中筛选有效因子 |\n| L2（Ridge） | $\\lambda \\sum w_i^2$ | 缩小权重但不为零 | 因子共线性处理，稳定回归 |\n| Elastic Net | $\\alpha L1 + (1-\\alpha) L2$ | 兼具稀疏和稳定 | 高维因子选择的默认选择 |\n\n**直觉**：L1像用刀切（有的因子直接砍到0），L2像用手压（所有因子都缩小但保留）。\n\n**量化中的额外考虑**：正则化强度 $\\lambda$ 的选择不应只看交叉验证误差，还要考虑因子的经济学可解释性——如果L1选出了无法解释的因子，可能只是拟合了噪声。\n\n---\n\n##### Q43：时间序列的交叉验证应该怎么做？为什么不能用普通K-Fold？\n\n**标准答案：**\n\n**问题**：普通K-Fold随机划分，破坏了时间序列的时序结构，导致未来信息泄漏到训练集。\n\n**正确方法**：\n\n```\nTime →\n|---Train---|---Gap---|--Test--|                 第1轮\n|------Train-------|---Gap---|--Test--|          第2轮\n|---------Train-----------|---Gap---|--Test--|   第3轮\n```\n\n- **Walk-Forward（前向验证）**：固定或扩展窗口训练，向前滚动测试\n- **Embargo Gap**：训练集和测试集之间留缓冲期，防止特征计算中的信息泄漏\n- **Purged K-Fold**（López de Prado提出）：在K-Fold基础上，清除训练集中与测试集标签在时间上重叠的样本\n\n**Embargo的计算**：如果特征使用了过去20天的数据来预测未来5天的收益，Embargo至少应设为5天（标签的前瞻窗口）。\n\n---\n\n##### Q44：XGBoost / LightGBM 为什么在量化比赛中这么流行？\n\n**标准答案：**\n\n**核心优势**：\n1. **天然处理非线性和交互**：树模型自动捕捉因子间的非线性关系和交互效应\n2. **对异常值鲁棒**：基于排序分裂，不受因子分布影响\n3. **特征重要性**：内置特征选择，直接看哪些因子有用\n4. **缺失值处理**：原生支持缺失值\n5. **训练效率高**：GPU加速，大规模因子矩阵可快速训练\n\n**量化中的关键调参**：\n- `max_depth`：3-7即可，太深容易过拟合\n- `learning_rate`：0.01-0.1，配合较多的 `n_estimators`\n- `subsample / colsample_bytree`：0.5-0.8，增加随机性\n- `min_child_weight`：防止拟合噪声\n\n**注意**：树模型在量化中的表现上限可能不如线性模型——因为金融数据信噪比极低，复杂模型更容易拟合噪声。实际中线性模型+好因子常常比复杂模型+普通因子更稳定。\n\n---\n\n##### Q45：特征工程在量化ML中有哪些关键技巧？\n\n**标准答案：**\n\n| 技巧 | 描述 | 原因 |\n|------|------|------|\n| **截面排序/z-score** | 每个截面时间点标准化 | 消除时间趋势，保留截面排序信息 |\n| **滞后特征** | `feature_lag1`, `feature_lag5` | 捕捉因子动量或反转 |\n| **滚动统计量** | 均值、标准差、偏度、峰度 | 捕捉分布特征的时变性 |\n| **交互特征** | 因子A × 因子B | 捕捉条件效应（如\"价值+动量\"联合信号） |\n| **分位数编码** | 连续值→分位数桶 | 减少异常值影响，对树模型可提升稳定性 |\n| **目标编码的陷阱** | 不可对测试集做全局编码 | 信息泄漏的常见来源 |\n\n**最重要的原则**：每个特征必须在预测时刻（point-in-time）确实可以获得。回测中使用了未来信息的特征工程是最隐蔽的前视偏差。\n\n---\n\n#### 深度学习\n\n##### Q46：RNN / LSTM / Transformer 在量化时间序列预测中各自的优劣？\n\n**标准答案：**\n\n| 模型 | 优势 | 劣势 | 量化适用 |\n|------|------|------|----------|\n| **RNN** | 简单、参数少 | 梯度消失、长程依赖弱 | 基本淘汰 |\n| **LSTM** | 门控机制解决长程依赖 | 串行计算慢，超参敏感 | 中频时序预测 |\n| **GRU** | 比LSTM简化、参数更少 | 能力略弱于LSTM | LSTM的轻量替代 |\n| **Transformer** | 并行计算、全局注意力 | 对位置敏感，数据需求大 | 多因子截面学习，注意力权重可解释 |\n| **Temporal Fusion Transformer** | 专为时序设计，内置变量选择 | 复杂度高 | 多变量时序+可解释性需求 |\n\n**实践建议**：不要迷信模型复杂度。在低信噪比的金融数据中，简单LSTM配合好的特征工程和正则化，常常优于Transformer。\n\n---\n\n##### Q47：AutoEncoder 和 VAE 在量化中有什么用？\n\n**标准答案：**\n\n**AutoEncoder（AE）**：\n\n$$\\text{Input} \\xrightarrow{\\text{Encoder}} \\text{Latent} \\xrightarrow{\\text{Decoder}} \\text{Reconstruction}$$\n\n**量化应用**：\n- **因子降维**：从上百个原始因子中提取非线性压缩表示\n- **异常检测**：重建误差大的样本可能是异常行情\n- **缺失值填充**：用训练好的AE重建缺失的因子值\n\n**VAE（变分自编码器）**：\n\n在AE基础上引入概率，latent space是参数化的高斯分布：$q(z|x) \\sim N(\\mu, \\sigma^2)$\n\n**额外能力**：\n- 生成合成金融数据（数据增强）\n- 对市场状态的不确定性建模\n- 更平滑的latent space有利于下游任务\n\n---\n\n##### Q48：GAN（生成对抗网络）在量化中有哪些应用？\n\n**标准答案：**\n\n**金融数据生成**：\n- 生成合成的价格路径/收益率序列，用于扩充训练集\n- 生成极端行情场景（压力测试）\n- 保护隐私的数据共享\n\n**常用变体**：\n- **TimeGAN**：专门针对时间序列数据，保留时序依赖性\n- **WGAN-GP**：训练更稳定，避免模式崩塌\n\n**核心挑战**：\n- 评估生成质量困难——FID等图像指标不直接适用\n- 必须验证生成数据的统计特性（自相关、波动率聚集、厚尾、杠杆效应）\n- 用生成数据训练的模型，样本外表现仍需在真实数据上验证\n\n---\n\n##### Q49：图神经网络（GNN）在量化中的应用场景？\n\n**标准答案：**\n\n金融市场天然是图结构：股票之间通过产业链、股东关系、资金流、相关性等形成网络。\n\n**应用场景**：\n- **关联股预测**：上下游公司的信息传导（供应链图谱）\n- **行业传导**：行业龙头的涨跌对同行业/产业链的影响建模\n- **风险传染**：金融机构间的系统性风险传导\n- **知识图谱因子**：从企业关系图中提取因子（如\"供应商动量\"因子）\n\n**常用模型**：GCN、GAT（Graph Attention Network）、GraphSAGE\n\n**关键难点**：图结构本身是动态变化的（公司关系、股东结构会变），需要时序图网络（Temporal GNN）或定期更新图结构。\n\n---\n\n#### 强化学习\n\n##### Q50：强化学习（RL）在量化中的应用和挑战？\n\n**标准答案：**\n\n**应用场景**：\n- **最优执行**：将大单拆分为小单逐步执行，最小化冲击成本（Almgren-Chriss的RL版本）\n- **动态组合管理**：根据市场状态动态调整持仓，考虑交易成本\n- **做市策略**：动态调整报价价差和挂单量\n\n**常用算法**：\n- PPO / A2C / SAC（连续动作空间，适合权重/价格决策）\n- DQN（离散动作空间，适合买/卖/持有决策）\n\n**核心挑战**：\n1. **数据不足**：金融数据的有效样本远少于游戏/机器人场景\n2. **非平稳环境**：市场结构持续变化，训练好的agent可能快速失效\n3. **奖励设计困难**：简单用PnL做reward会导致高方差；需要设计风险调整后的reward\n4. **模拟器偏差**：回测模拟器无法完美还原真实市场的冲击和流动性\n5. **可解释性差**：策略决策过程不透明，难以获得风控信任\n\n**实践建议**：RL在执行优化（Optimal Execution）中最为成熟，在alpha策略中仍处于研究阶段。\n\n---\n\n#### 实战问题\n\n##### Q51：如何处理金融数据中标签（Label）不平衡的问题？\n\n**标准答案：**\n\n**场景**：预测涨跌时，实际中大量微小变动（噪声），真正大涨大跌是少数。\n\n**处理方法**：\n1. **标签重定义**：不用涨跌，用超额收益分位数（Top 20% vs Bottom 20%，中间丢弃）\n2. **重采样**：过采样少数类（SMOTE）或欠采样多数类\n3. **损失函数加权**：`class_weight='balanced'` 或 Focal Loss\n4. **评估指标**：不用Accuracy，用AUC、Precision-Recall、IC等\n\n**量化特有考虑**：金融中\"不平衡\"不一定是问题——中间区域的样本可能确实不包含有效信号，强行学习反而引入噪声。Triple-barrier方法（López de Prado）通过止盈、止损、最长持有期三个条件定义标签，是更好的方案。\n\n---\n\n##### Q52：如何在量化ML中防止信息泄漏？\n\n**标准答案：**\n\n**常见泄漏来源**：\n\n1. **特征泄漏**：\n   - 使用了包含未来信息的因子（如未来才发布的财报数据）\n   - 用全局统计量做标准化（应该用历史窗口内的统计量）\n\n2. **标签泄漏**：\n   - 收益率标签与特征时间窗口重叠\n   - 例：用t-20到t天的均值预测t到t+5的收益，但t-20到t已包含了部分t+5的信息\n\n3. **验证泄漏**：\n   - 用未来数据调参（如用整个时期做网格搜索选最优参数）\n   - K-Fold未保持时序\n\n4. **数据处理泄漏**：\n   - 先做全局PCA再划分训练/测试集\n   - 缺失值用全局均值填充\n\n**防御清单**：\n- 所有数据处理管道必须在训练集上fit，在测试集上transform\n- 建立 point-in-time 数据库，每条数据标注其可用时间\n- 用 `sklearn.pipeline.Pipeline` 封装所有预处理步骤\n\n---\n\n##### Q53：解释 Attention 机制在多因子选股中的应用\n\n**标准答案：**\n\n传统多因子模型对所有因子等权或固定权重组合，Attention机制允许模型**动态地**、**针对不同股票和不同时期**为因子分配不同权重。\n\n**具体做法**：\n\n```\n输入：N只股票 × K个因子 × T个时间步\n               ↓\n   时间维度 Attention：关注哪些历史时刻更重要\n               ↓\n   因子维度 Attention：关注哪些因子在当前市场环境下更有效\n               ↓\n   输出：每只股票的预测收益率 / 排序分数\n```\n\n**优势**：\n- 自动实现\"因子择时\"——在不同市场状态下侧重不同因子\n- Attention权重提供可解释性——可以看到模型关注了哪些因子\n- Cross-Attention可以捕捉股票之间的关联信息\n\n**挑战**：模型容易过拟合，需要较强的正则化和较大的样本量。\n\n---\n\n##### Q54：量化中的集成学习（Ensemble Learning）策略有哪些？\n\n**标准答案：**\n\n| 方法 | 原理 | 量化应用 |\n|------|------|----------|\n| **Bagging** | 多个模型在不同子样本上训练，平均预测 | 随机森林做因子打分 |\n| **Boosting** | 串行训练，每个模型修正前一个的残差 | XGBoost/LightGBM因子选股 |\n| **Stacking** | 用元模型组合基模型的预测 | 第一层多个异质模型，第二层线性组合 |\n| **Blending** | 简单加权平均多个模型的输出 | 多策略信号等权/风险平价组合 |\n\n**量化中的特殊集成技巧**：\n- **时间集成**：对不同时间窗口训练的模型取平均，增强稳定性\n- **因子集成**：同一个Alpha逻辑，用多个模型（线性、树、NN）分别实现，取中位数信号\n- **交叉验证集成**：K个Fold的模型全部保留，对新数据取K个预测的均值\n\n**核心洞察**：集成学习的价值不在于提高精度，而在于降低方差——在低信噪比的金融数据中，降低方差比提高精度更重要。\n\n---\n\n##### Q55：大语言模型（LLM）在量化中有哪些应用？\n\n**标准答案：**\n\n**已落地的应用**：\n- **新闻/公告情感分析**：用LLM解析财报电话会议、新闻、社交媒体的情绪\n- **事件提取**：从非结构化文本中提取并购、高管变动、产品发布等事件\n- **研报摘要与因子化**：将卖方研报的观点量化为多空信号\n- **代码辅助**：加速策略开发、回测代码编写\n\n**前沿探索**：\n- **LLM作为Alpha信号**：直接让LLM根据新闻判断涨跌方向\n- **多模态理解**：结合文本、表格、图像（如K线图）的分析\n- **策略推理**：让LLM解释因子失效原因或生成交易假设\n\n**关键限制**：\n- 推理成本高，实时交易中延迟大\n- 幻觉问题——LLM可能自信地给出错误的金融分析\n- 训练数据截止日期导致的信息滞后\n- 不适合需要精确数值计算的场景\n\n---\n\n\u003c/details\u003e\n\n---\n\n## 🌱 最后的话\n\n量化是一个需要持续学习的领域。市场在变，技术在进化，Alpha 在衰减。八股文是入门的钥匙，长期护城河来自对市场的理解、严谨的研究方法论，以及不断迭代的能力。\n\n---\n\n\u003ca id=\"维护说明\"\u003e\u003c/a\u003e\n\u003ca id=\"联系与贡献\"\u003e\u003c/a\u003e\n\n## 🤝 维护与参与贡献\n\n**维护边界**：Last reviewed: 2026-06。本仓库主线只做 QR；QD / Trader 相关内容只在能帮助理解 QR 时少量补充。社媒内容和个人面试复盘只作为观察材料。\n\n**参与贡献**：欢迎补充 QR 面试题、论文路线、因子研究项目复盘、失效链接修复和表达建议。可直接开 [Issue](https://github.com/SoYuCry/awesome-quant-interview/issues) 或提交 [Pull Request](https://github.com/SoYuCry/awesome-quant-interview/pulls)。\n\n**联系咨询**：[@0xYuCry](https://x.com/0xYuCry)（X）· [0xyucry@gmail.com](mailto:0xyucry@gmail.com)\n\n## 🛡️ 免责声明\n\n本 README 只保留可迁移的准备方法、公开资料和抽象后的通用追问，不含公司原题、未脱敏材料或任何非公开信息。若内容引用或整理存在不妥，欢迎通过 Issue / X 联系我，我会及时修改或删除。\n\n## 📄 许可证\n\n本项目采用 [MIT](LICENSE) 许可证。\n\n---\n\n\u003cdiv align=\"center\"\u003e\n\n**如果这个项目对你有帮助，欢迎点亮一颗 Star ⭐**\n\n## Star History\n\n\u003ca href=\"https://www.star-history.com/?repos=SoYuCry%2Fawesome-quant-interview\u0026type=date\u0026legend=top-left\"\u003e\n \u003cpicture\u003e\n   \u003csource media=\"(prefers-color-scheme: dark)\" srcset=\"https://api.star-history.com/chart?repos=SoYuCry/awesome-quant-interview\u0026type=date\u0026theme=dark\u0026legend=top-left\u0026sealed_token=XWse1w8rUIwmBb1V8jZ38P2mQYTknMFFLRVuaw4H5At9U9-nYZqfuP7Q8d5JordxnG0-2kOz3qlMy3MVDZPV0zUi5InUCSQRYy20dUae8TWKXddQJOFDmGSnVlaWaakyCR3ZY8-hsFofrugHC_b14CGAzz-QTj37PBno6l6kaf6hFTq0oLZ2hbWxCnMS\u0026v=20260713\" /\u003e\n   \u003csource media=\"(prefers-color-scheme: light)\" srcset=\"https://api.star-history.com/chart?repos=SoYuCry/awesome-quant-interview\u0026type=date\u0026legend=top-left\u0026sealed_token=XWse1w8rUIwmBb1V8jZ38P2mQYTknMFFLRVuaw4H5At9U9-nYZqfuP7Q8d5JordxnG0-2kOz3qlMy3MVDZPV0zUi5InUCSQRYy20dUae8TWKXddQJOFDmGSnVlaWaakyCR3ZY8-hsFofrugHC_b14CGAzz-QTj37PBno6l6kaf6hFTq0oLZ2hbWxCnMS\u0026v=20260713\" /\u003e\n   \u003cimg alt=\"Star History Chart\" src=\"https://api.star-history.com/chart?repos=SoYuCry/awesome-quant-interview\u0026type=date\u0026legend=top-left\u0026sealed_token=XWse1w8rUIwmBb1V8jZ38P2mQYTknMFFLRVuaw4H5At9U9-nYZqfuP7Q8d5JordxnG0-2kOz3qlMy3MVDZPV0zUi5InUCSQRYy20dUae8TWKXddQJOFDmGSnVlaWaakyCR3ZY8-hsFofrugHC_b14CGAzz-QTj37PBno6l6kaf6hFTq0oLZ2hbWxCnMS\u0026v=20260713\" /\u003e\n \u003c/picture\u003e\n\u003c/a\u003e\n\n\u003c/div\u003e\n","projects_url":"https://awesome.ecosyste.ms/api/v1/lists/soyucry%2Fawesome-quant-interview/projects"}