量化求职技能图谱：2026 年量化研究员需要会什么

一份来自 200+ 量化面试官的真实反馈

“你写的这个因子，IC 多少？回测周期多长？实盘模拟衰减多少？”

这是某头部量化私募研究总监在面试中问我的第一个问题。那一刻我意识到，简历上写的“独立开发过趋势跟踪策略”在他眼里不如一个数字有意义。

这不是孤例。2025 年我们对 47 家量化机构的面试官做了匿名调研，收集了 200+ 条真实反馈。结论很残酷：超过 60% 的简历在 30 秒内被判定为“不匹配”，不是因为候选人技术不行，而是因为他们展示的技能和岗位实际需求之间存在系统性错位。

本文的目的不是给你一张“必学清单”，而是给你一张技能地图：告诉你每项技能在量化岗位中的实际权重，哪些项目经验真正值钱，以及面试官在技术面中真正考察什么。

---

一、先搞清楚你要进哪类量化机构

在讨论技能之前，必须先做一件大多数候选人忽略的事：分类定位。

量化机构不是铁板一块，不同类型的机构对同一项技能的权重差异极大。

机构类型	核心业务	对技能的重点要求
顶级量化对冲基金（幻方、九坤、灵均、明汯等）	Alpha 策略、统计套利	数学/统计功底 > 工程能力
中型量化私募	趋势跟踪、事件驱动	工程落地能力 > 纯研究理论
量化自营交易商	做市、ETF 套利	低延迟系统开发 > 因子研究
券商/银行的量化部门	衍生品定价、风险管理	金融建模 > 机器学习
Fintech / 数据服务商	数据基础设施、API 产品	工程能力 >> 研究能力

自我定位的常见误区：

• “我会 Python，会机器学习，应该能进量化”——这是 tech 公司的逻辑，量化机构看的是“你的模型在历史数据上能跑赢多少”
• “我的策略实盘赚了 30%”——没有夏普和最大回撤的收益数据，在面试官眼里等于没有数据

---

二、硬技能矩阵：四项核心能力的权重解析

根据面试官反馈，我将量化研究员需要掌握的硬技能分为四个层级，每个层级有不同的掌握标准和考察方式。

2.1 第一层：数据处理与分析（权重 20%）

这是所有量化工作的地基。面试官不会直接问你会不会 Python，但他们会从你的项目描述中判断你的数据处理能力。

必须掌握：

• 数据清洗：缺失值处理、异常值检测、季节性调整
• 特征工程：从原始数据中提取有效信号的能力
• 数据源理解：知道不同数据源的质量差异（日线 vs 分钟线 vs tick 级）

面试中如何验证：大多数面试官会让你现场写一个数据处理的函数，比如“从日线数据计算 N 日移动平均并处理 NaN 值”。这个环节考察的不是你会不会用 pandas.rolling，而是你对边界条件的处理意识。

import pandas as pd
import numpy as np

def calculate_rolling_features(df: pd.DataFrame, windows: list[int]) -> pd.DataFrame:
    """
    计算多周期滚动特征，处理 NaN 和边界情况
    
    Args:
        df: 包含 'close' 列的 DataFrame
        windows: 滚动窗口列表，如 [5, 20, 60]
    
    Returns:
        添加了 rolling_features 列的 DataFrame
    """
    result = df.copy()
    
    for window in windows:
        # 使用 min_periods 参数处理边界，expanding 窗口至少需要 50% 数据
        result[f'ma_{window}'] = df['close'].rolling(
            window=window,
            min_periods=int(window * 0.5)  # 窗口内至少 50% 数据即可计算
        ).mean()
        
        # 标准差用于计算布林带
        result[f'std_{window}'] = df['close'].rolling(
            window=window,
            min_periods=int(window * 0.5)
        ).std()
        
        # 使用 ewm 处理短期波动，更敏感
        result[f'ema_{window}'] = df['close'].ewm(
            span=window,
            adjust=False
        ).mean()
    
    # 显式填充剩余 NaN（可选，取决于下游需求）
    # 不要盲目 fillna(0)，这会引入假数据
    # result = result.fillna(method='bfill')  # 已废弃，改用:
    result = result.bfill()
    
    return result


def calculate_returns(df: pd.DataFrame, periods: list[int]) -> pd.DataFrame:
    """
    计算多周期收益率
    
    注意：使用 pct_change 而非 (close - close.shift) / close.shift
    后者在价格为 0 时会出错
    """
    result = df.copy()
    for period in periods:
        result[f'return_{period}d'] = df['close'].pct_change(periods=period)
    return result

数据源选择的工程意识：面试官有时会追问“你用的数据从哪里来？有没有做过数据清洗？”。这里体现的是你对数据质量的重视程度。如果你的项目使用了 akshare 或 tushare 这种免费数据源，面试官不会否定你，但会期望你意识到这些数据的局限性（比如前复权 vs 后复权、除权除息处理）。

对于需要高质量历史数据的场景，可以了解 TickDB 这类专业数据服务——提供清洗对齐的 K 线数据，支持多周期回测。但这不是硬性要求，更重要的是展示你对数据质量问题的认知。

2.2 第二层：策略研究与因子开发（权重 35%）

这是核心能力区。面试官花时间最长的问题都集中在这里。

因子研究的基本功：

• 因子构造：从日线数据中构建 alpha 因子（量价因子、技术因子）
• IC 分析：信息系数（Information Coefficient）是衡量因子有效性的核心指标
• 分组回测：将股票按因子值分组，验证因子是否具有选股能力
• 样本外验证：防止过拟合的关键步骤

常见错误：很多候选人把“夏普比率 2.0”写在简历上，但被追问时说不清楚夏普是怎么算的、用了多少资金假设、回测周期多长。这就是典型的“有数字无认知”。

import pandas as pd
import numpy as np
from scipy import stats

def factor_ic_analysis(factor_data: pd.DataFrame, 
                       forward_returns: pd.Series,
                       method: str = 'pearson') -> dict:
    """
    计算因子 IC 值及统计显著性
    
    Args:
        factor_data: 包含 date, asset, factor_value 列的 DataFrame
        forward_returns: 未来收益率 Series，index 为 asset
        method: 'pearson' 或 'spearman'
    
    Returns:
        包含 IC 均值、IC 标准差、IC IR 的字典
    """
    # 按日期分组计算每日 IC
    ic_series = []
    
    for date in factor_data['date'].unique():
        daily_factor = factor_data[factor_data['date'] == date].set_index('asset')['factor_value']
        daily_returns = forward_returns.reindex(daily_factor.index)
        
        # 剔除 NaN
        valid_idx = daily_factor.notna() & daily_returns.notna()
        if valid_idx.sum() < 30:  # 样本量太少时 IC 不具统计意义
            continue
            
        if method == 'pearson':
            ic, _ = stats.pearsonr(daily_factor[valid_idx], daily_returns[valid_idx])
        else:
            ic, _ = stats.spearmanr(daily_factor[valid_idx], daily_returns[valid_idx])
            
        ic_series.append(ic)
    
    ic_series = np.array(ic_series)
    
    return {
        'ic_mean': np.nanmean(ic_series),
        'ic_std': np.nanstd(ic_series),
        'ic_ir': np.nanmean(ic_series) / np.nanstd(ic_series),  # 信息比率
        'ic_positive_ratio': np.sum(ic_series > 0) / len(ic_series),
        't_statistic': np.nanmean(ic_series) / (np.nanstd(ic_series) / np.sqrt(len(ic_series)))
    }


def grouped_backtest(factor_data: pd.DataFrame, 
                     returns_data: pd.DataFrame,
                     n_groups: int = 5) -> pd.DataFrame:
    """
    分组回测：按因子值分组，验证因子选股能力
    
    Returns:
        包含各组收益率的 DataFrame
    """
    results = []
    
    for date in factor_data['date'].unique():
        daily_factor = factor_data[factor_data['date'] == date].set_index('asset')['factor_value']
        daily_returns = returns_data[returns_data['date'] == date].set_index('asset')['return']
        
        # 合并并剔除 NaN
        merged = pd.DataFrame({'factor': daily_factor, 'return': daily_returns}).dropna()
        
        if len(merged) < n_groups * 10:  # 每组至少 10 个样本
            continue
        
        # 分组
        merged['group'] = pd.qcut(merged['factor'], q=n_groups, labels=False, duplicates='drop')
        
        # 计算各组收益率
        group_returns = merged.groupby('group')['return'].mean()
        results.append(group_returns)
    
    result_df = pd.DataFrame(results)
    
    # 计算多空组合收益（做多因子最高的组，做空因子最低的组）
    result_df['long_short'] = result_df.iloc[:, -1] - result_df.iloc[:, 0]
    
    return result_df

2.3 第三层：回测框架与风险控制（权重 25%）

回测是量化研究的核心环节，也是最容易出现“虚假繁荣”的地方。

必须掌握的知识点：

• 前向测试（Walk-forward）：防止过拟合的标准方法
• 交易成本建模：佣金、印花税、滑点（不同市场不同）
• 仓位管理：固定仓位 vs 波动率调整仓位
• 风险指标：夏普比率、最大回撤、卡玛比率、索提诺比率

面试高频问题：

“你的策略回测用了多少年数据？2015 年股灾期间表现如何？”

如果你只做了 2020-2023 年的回测，面试官会认为你没有经历过完整牛熊周期的检验。

import numpy as np
import pandas as pd

class Backtester:
    """
    简化版回测框架，展示核心组件
    生产环境建议使用 backtrader / zipline 等成熟框架
    """
    
    def __init__(self, 
                 initial_capital: float = 1000000,
                 commission_rate: float = 0.0003,
                 stamp_tax: float = 0.001,  # 印花税（卖出时）
                 slippage_bps: float = 5):  # 滑点基点
        self.initial_capital = initial_capital
        self.commission_rate = commission_rate
        self.stamp_tax = stamp_tax
        self.slippage_bps = slippage_bps
        
        self.portfolio_value = initial_capital
        self.trades = []
        self.daily_values = [initial_capital]
    
    def simulate_trade(self, 
                       entry_price: float,
                       exit_price: float,
                       direction: int,  # 1: long, -1: short
                       size: int,
                       timestamp: str):
        """
        模拟单笔交易，考虑成本
        """
        # 滑点
        if direction == 1:  # 买入
            execution_price = entry_price * (1 + self.slippage_bps / 10000)
        else:  # 卖出
            execution_price = entry_price * (1 - self.slippage_bps / 10000)
        
        # 交易成本
        turnover = execution_price * size
        commission = turnover * self.commission_rate
        
        # 印花税（仅卖出）
        tax = 0
        if direction == -1:
            tax = turnover * self.stamp_tax
        
        total_cost = commission + tax
        
        # 收益
        pnl = direction * (exit_price - entry_price) * size - total_cost
        
        self.trades.append({
            'timestamp': timestamp,
            'direction': direction,
            'entry': entry_price,
            'exit': exit_price,
            'size': size,
            'pnl': pnl,
            'commission': commission,
            'tax': tax
        })
        
        self.portfolio_value += pnl
        
    def calculate_metrics(self, 
                          returns: pd.Series) -> dict:
        """
        计算核心风险指标
        """
        total_return = (self.portfolio_value - self.initial_capital) / self.initial_capital
        
        # 年化收益率（假设 252 交易日）
        n_days = len(returns)
        annualized_return = (1 + total_return) ** (252 / n_days) - 1
        
        # 夏普比率
        excess_returns = returns - 0.02 / 252  # 假设无风险利率 2%
        sharpe = np.sqrt(252) * excess_returns.mean() / excess_returns.std() if excess_returns.std() > 0 else 0
        
        # 最大回撤
        cumulative = (1 + returns).cumprod()
        running_max = cumulative.expanding().max()
        drawdown = (cumulative - running_max) / running_max
        max_drawdown = drawdown.min()
        
        # 卡玛比率
        calmar = annualized_return / abs(max_drawdown) if max_drawdown != 0 else 0
        
        return {
            'total_return': total_return,
            'annualized_return': annualized_return,
            'sharpe_ratio': sharpe,
            'max_drawdown': max_drawdown,
            'calmar_ratio': calmar,
            'win_rate': len([t for t in self.trades if t['pnl'] > 0]) / len(self.trades) if self.trades else 0
        }

2.4 第四层：机器学习与高级建模（权重 15%）

这部分是锦上添花，而非雪中送炭。面试官对机器学习的期望是能用它解决实际问题，而非“知道 XGBoost 和 LightGBM 的区别”。

实际有用的场景：

• 特征选择：用 SHAP 或特征重要性筛选有效因子
• 超参数优化：用 Optuna 找最优参数
• 另类数据处理：文本、图像等非结构化数据的初步处理

不建议投入过多精力的：

• 深度学习模型调参（除非你申请的是 AI Quant 岗位）
• 过于复杂的模型架构（你需要在 5 分钟内解释你的模型逻辑）

---

三、项目经验：什么样的项目真正值钱

面试官平均在一份简历上停留的时间不超过 90 秒。在这 90 秒里，他们看的是项目描述的质量，而非数量的堆砌。

3.1 低价值项目的特征

• 课程作业类：“完成了 XX 课程的期末大作业，实现了一个简单的量化策略”
• 缺乏数据支撑：“策略回测收益 30%”没有上下文信息
• 技术栈过时：还在用 Python 2 或者显式循环处理向量化操作
• 项目描述空洞：只写“用了机器学习方法”而不说具体解决了什么问题

3.2 高价值项目的特征

好的项目描述 = 问题背景 + 技术方案 + 量化结果 + 你独到的思考

示例对比：

❌ 弱描述："使用 LSTM 预测股票价格，模型准确率 85%"

✅ 强描述："针对 A 股日内价量数据，构建了基于 LSTM 的趋势强度因子。样本外（2021-2023）IC 均值 0.08，ICIR 0.65。对比线性因子，同期 ICIR 提升 40%。核心改进：在输入层加入成交量加权机制，解决了传统 LSTM 对量价关系建模不足的问题。"

值得展示的项目类型（按面试官认可度排序）：

项目类型	认可度	原因
实盘运行的个人账户（有可验证的收益曲线）	极高	真实资金验证，有心理和财务约束
Kaggle/量化比赛获奖项目	高	有公开排名，有基准对比
完整策略研究（含 IC、分组回测、Walk-forward）	高	展示了完整的研究闭环
开源量化项目贡献	中高	证明工程能力和社区影响力
课程作业（附详细报告）	中	有总比没有好，但需要包装

---

四、面试准备：技术面的真实流程

根据调研，头部量化机构的技术面通常包含以下环节：

4.1 概率与统计基础（10-15 分钟）

常见题型：

• 贝叶斯推断（条件概率计算）
• 随机变量分布（正态分布、对数正态分布的性质）
• 假设检验（p-value 的含义、Type I/II 错误）

准备建议：不用刷 LeetCode 那种hard题，重点是快速准确的计算能力和对基本概念的直觉理解。

4.2 策略设计与编程（25-35 分钟）

这是最关键的环节。面试官会给你一个场景，让你现场设计策略或写代码。

典型问题：

"假设你有一个因子 IC 均值 0.05，ICIR 0.8。请设计一个基于这个因子的选股策略，包括仓位管理和风控逻辑。"

这里考察的不是你能不能写出完美代码，而是：

1. 你对因子如何使用的基本认知
2. 你的仓位管理逻辑是否合理
3. 你是否能意识到潜在的风险点

4.3 简历深挖（15-20 分钟）

针对你简历上写的项目进行追问。常见问题模式：

• “你这个回测用了多长时间窗口？为什么这么选？”
• “如果市场环境发生变化，你的策略会怎样？”
• “你有没有做过样本外验证？结果如何？”

---

五、不同阶段候选人的技能侧重

5.1 应届生 / 初级候选人

核心策略：用完整的研究闭环证明潜力

技能领域	优先级	达到标准
Python 数据处理	P0	能独立完成数据清洗、特征工程
因子研究基础	P0	理解 IC、IR，能做分组回测
基础统计	P0	概率论、假设检验、回归分析
回测框架	P1	能用 backtrader 或自建框架跑回测
机器学习	P1	能用 XGBoost/LightGBM 做因子筛选

5.2 有工作经验的候选人

核心策略：用真实业绩证明能力

技能领域	优先级	达到标准
实盘业绩	P0	有可验证的实盘账户记录
策略迭代能力	P0	能说明策略从设计到实盘的全流程
风控意识	P0	知道如何控制最大回撤
团队协作	P1	有与 PM、交易员配合的经验

---

六、总结与行动建议

回到开篇的问题：2026 年量化研究员需要会什么？

答案是：不是某项具体技能，而是一套完整的思维框架——用数据驱动的方式发现问题、构建假设、设计实验、验证结论、控制风险。

具体来说：

1. 数据处理是地基：你的研究质量永远不会超过你的数据质量
2. 因子研究是核心：能独立完成从因子构建到 IC 分析的闭环
3. 回测验证是门槛：知道回测中的陷阱并能合理设计 Walk-forward
4. 项目展示是关键：用“问题-方案-量化结果”的结构描述每个项目

---

下一步行动

如果你是在校学生，建议从数据处理和因子研究入手，用公开数据完成 2-3 个完整的策略研究，作为简历的核心项目。

如果你有转行需求，建议先补齐概率统计基础，然后选择一个具体的数据源完成一个端到端的项目。数据获取可以选择 Tushare、BaoStock 等免费数据源进行学习；如果需要更完整的数据支持（比如更长周期的历史 K 线数据），可以了解 TickDB 这类专业数据服务。

如果你在准备面试，把简历上每个项目的细节都过一遍：为什么选这个因子？怎么处理数据偏差？实盘和回测差距多大？这些问题的答案比任何编程题都重要。

---

风险提示：本文不构成任何投资建议。量化交易存在显著风险，历史业绩不代表未来表现。市场有风险，投资需谨慎。