К содержанию
Quantoros

Гайды

Собеседование на quant researcher: вопросы и план подготовки

· 11 мин чтения

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

  1. Скрининг: опыт, мотивация и пара быстрых задач на вероятность или устный счёт.
  2. Вероятность и задачи на логику: матожидание, условная вероятность, комбинаторика, случайные блуждания.
  3. Статистика и эконометрика: оценки, тесты, предпосылки регрессии, временные ряды.
  4. Код: Python и работа с данными, иногда алгоритмы, изредка C++.
  5. Research-кейс или домашнее задание: разобрать датасет или сигнал и защитить выводы.
  6. 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

  1. Недели 1–2: ежедневно вероятность и задачи на логику; комбинаторика и матожидания.
  2. Неделя 3: статистика, проверка гипотез, бутстреп, доверительные интервалы.
  3. Неделя 4: регрессия, робастные ошибки, Fama–MacBeth, факторные модели.
  4. Неделя 5: временные ряды, стационарность, коинтеграция; своё исследование пар.
  5. Неделя 6: ловушки бэктеста, издержки, множественные сравнения; короткая research-записка.
  6. Неделя 7: задачи на Python и pandas на время.
  7. 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

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.

Направления менторства