Гайды
Собеседование на quant researcher: вопросы и план подготовки
На собеседованиях в quant research проверяют, умеешь ли ты точно рассуждать в условиях неопределённости и можно ли доверить тебе шумные данные. Разбираем этапы, типичные вопросы с подходом к решению и реалистичный план подготовки.
Из каких этапов состоит отбор
- Скрининг: опыт, мотивация и пара быстрых задач на вероятность или устный счёт.
- Вероятность и задачи на логику: матожидание, условная вероятность, комбинаторика, случайные блуждания.
- Статистика и эконометрика: оценки, тесты, предпосылки регрессии, временные ряды.
- Код: Python и работа с данными, иногда алгоритмы, изредка C++.
- Research-кейс или домашнее задание: разобрать датасет или сигнал и защитить выводы.
- Обсуждение твоего проекта и поведенческие вопросы.
Вопросы по вероятности
Интервьюеру важна структура: определи случайную величину, раздели по первому шагу, используй симметрию и линейность матожидания.
- Сколько в среднем бросков кубика до первой шестёрки? Геометрическое распределение, матожидание 1/p = 6.
- Бросаем монету до двух орлов подряд. Матожидание числа бросков? Состояния по последнему исходу и уравнения первого шага; ответ 6.
- Вытянули две карты без возвращения; известно, что одна из них туз. Какова вероятность, что обе тузы? Аккуратно определи, что именно означает условие: такие задачи проверяют рассуждение, а не формулы.
- Палку ломают в двух случайных точках. Вероятность, что из кусков сложится треугольник? Геометрическая вероятность, ответ 1/4.
- Матожидание максимума двух независимых равномерных на [0, 1]. Функция распределения максимума — x², матожидание 2/3.
Вопросы по статистике и регрессии
- Какие предпосылки у МНК и что ломается при гетероскедастичности или автокорреляции? При экзогенности оценки остаются несмещёнными, но стандартные ошибки неверны — нужны робастные (HAC) ошибки.
- Корреляция или коинтеграция: два случайных блуждания могут сильно коррелировать случайно; коинтеграция означает стационарную линейную комбинацию — именно она нужна для парного трейдинга.
- Как проверить значимость Sharpe и почему перебор стратегий его завышает? Стандартная ошибка Sharpe, множественные сравнения, Deflated Sharpe.
- Регрессия y на x и x на y: почему наклоны не обратны друг другу? Каждая минимизирует ошибки по своей оси; произведение наклонов равно R².
- Что такое look-ahead bias и как его избежать? Point-in-time данные и сдвиг каждого признака на момент, когда он реально был известен.
Research-кейсы
Будет открытая задача вроде: «Вот моментум-сигнал с Sharpe 2 на бэктесте. Будешь торговать?» Сильный ответ проходит по пунктам:
- Данные: survivorship bias, корпоративные события, временные метки, выбор юниверса.
- Качество сигнала: information coefficient по годам, затухание по горизонтам, оборот и ёмкость.
- Риск: экспозиция к рынку, секторам и известным факторам; не замаскированный ли это фактор?
- Издержки: спред, импакт, стоимость шорта; чистый Sharpe после реалистичных издержек.
- Устойчивость: сколько вариантов перебрали, чувствительность к параметрам, out-of-sample и paper trading.
Вопросы на код
Почти всегда есть практический Python: посчитать скользящие статистики без заглядывания в будущее, выровнять два ряда с разными календарями, написать простой цикл бэктеста, векторизовать медленную операцию в pandas или быстро смоделировать вероятностную задачу. Тренируйся писать корректный код быстро и проговаривать граничные случаи.
Как рассказывать о своём проекте
- Начни с гипотезы и экономической причины, почему она должна работать.
- Объясни данные и валидацию раньше результатов.
- Покажи, что не сработало и что ты изменил.
- Знай каждую цифру: Sharpe, оборот, издержки, просадку и их неопределённость.
План подготовки на восемь недель
- Недели 1–2: ежедневно вероятность и задачи на логику; комбинаторика и матожидания.
- Неделя 3: статистика, проверка гипотез, бутстреп, доверительные интервалы.
- Неделя 4: регрессия, робастные ошибки, Fama–MacBeth, факторные модели.
- Неделя 5: временные ряды, стационарность, коинтеграция; своё исследование пар.
- Неделя 6: ловушки бэктеста, издержки, множественные сравнения; короткая research-записка.
- Неделя 7: задачи на Python и pandas на время.
- Неделя 8: mock-интервью и отработка рассказа о проекте.
Тренироваться с обратной связью
Читать решения и отвечать вслух на время — разные навыки. В Quantoros есть mock-интервью с практикующим квант-исследователем и тренажёр на 2 000 вопросов с интервальным повторением: вопросы, на которых ошибаешься, возвращаются чаще. В треке Quant Research две отдельные недели подготовки к собеседованиям.
Материалы
- A Practical Guide to Quantitative Finance Interviews — Xinfeng Zhou ↗Классический сборник задач на вероятность и логику.
- Brainstellar ↗Бесплатная коллекция задач для квант-собеседований.
- Лекции Quantopian (архив) ↗Ноутбуки по статистике, факторам и бэктестам для отработки кейсов.
- Учебник по машинному обучению от Яндекса ↗Повторить статистику и ML на русском.
Вопросы
Насколько сложные собеседования в quant research?
Требовательные к вероятности, статистике и точности рассуждений. При регулярной практике типы задач становятся знакомыми.
Нужно ли знать финансы для собеседования?
Базовые понятия о рынке помогают, но большинство вопросов проверяет вероятность, статистику, код и исследовательское мышление.
Сколько готовиться?
С хорошей математической базой — обычно шесть–восемь недель целенаправленной практики; дольше, если восстанавливаешь основы.
Нужны ли mock-интервью?
Да. Они учат думать вслух и структурировать ответ на время — чтение этого не заменяет.