为什么量化面试的数学题与考试题不同
大多数候选人在备考量化面试时犯同一个错误：把面试数学题当成考试题来准备——背公式、刷题库、记标准答案。但顶级量化公司（Jane Street、Optiver、Citadel）的面试官真正想看的，不是你能不能得出正确答案，而是你推导的过程：你如何分解问题、如何处理不确定性、如何在压力下保持逻辑清晰。
本文精选 15 道量化面试高频数学题，每道题都提供完整的推导过程和思维框架，帮你建立真正可迁移的数学直觉——而不只是记住答案。
第一章：条件概率与贝叶斯定理
条件概率是量化面试中出现频率最高的数学工具，也是最能区分"背公式"和"真理解"的考察点。
贝叶斯定理的直觉
贝叶斯定理的本质是：在获得新信息后，如何更新你的概率判断。公式 P(A|B) = P(B|A)·P(A) / P(B) 本身并不难，难的是在复杂场景中正确识别哪个是先验概率、哪个是似然度。
题目 1（经典三门问题变体）：你面前有 4 扇门，其中 1 扇后面有奖品。你选了第 1 扇门，主持人打开了第 3 扇门（空的）。此时你换到第 2 扇门，获奖概率是多少？
推导过程：
初始概率：P(奖品在门1) = P(奖品在门2) = P(奖品在门3) = P(奖品在门4) = 1/4
主持人打开门3（空的），这个行为包含信息。用贝叶斯更新：
- P(主持人开门3 | 奖品在门1) = 1/2（主持人可以开门3或门4）
- P(主持人开门3 | 奖品在门2) = 1/2（主持人可以开门3或门4）
- P(主持人开门3 | 奖品在门3) = 0（主持人不会开有奖品的门）
- P(主持人开门3 | 奖品在门4) = 1（主持人只能开门3）
用贝叶斯定理更新：P(奖品在门2 | 主持人开门3) = P(主持人开门3|奖品在门2)·P(奖品在门2) / P(主持人开门3)
P(主持人开门3) = (1/2)(1/4) + (1/2)(1/4) + 0·(1/4) + 1·(1/4) = 1/8 + 1/8 + 0 + 1/4 = 1/2
P(奖品在门2 | 主持人开门3) = (1/2·1/4) / (1/2) = 1/4
答案：换到门2的获奖概率为 1/4，与不换相同。（注意：这与三门问题不同，因为有4扇门时信息量不同）
面试技巧：遇到条件概率题，先画出所有可能的情景，明确每种情景的概率，再用全概率公式计算分母。不要试图在脑子里直接算，把推导过程写出来。
第二章：期望值的计算技巧
期望值是量化面试中最核心的概念，也是做市商定价逻辑的数学基础。掌握期望值的计算技巧，不仅能解答面试题，更能帮助你理解期权定价的直觉。
技巧一：利用线性性质分解复杂期望
E[aX + bY] = aE[X] + bE[Y]，无论 X 和 Y 是否独立。这个性质看似简单，但在复杂问题中极其有用。
题目 2（掷骰子期望）：掷一个公平的六面骰子，直到出现 6 为止。求掷骰子次数的期望值。
推导过程：设 X 为掷骰子次数，X 服从几何分布，参数 p = 1/6。
方法一（递推）：设 E 为期望次数。第一次掷：以概率 1/6 得到 6（共掷 1 次），以概率 5/6 没有得到 6（还需要 E 次）。
E = 1/6 · 1 + 5/6 · (1 + E) E = 1/6 + 5/6 + 5E/6 E/6 = 1 E = 6
方法二（几何分布公式）：几何分布的期望 = 1/p = 1/(1/6) = 6。
答案：期望掷 6 次。
题目 3（进阶：收集优惠券问题）：一共有 n 种优惠券，每次随机获得其中一种（等概率）。求集齐所有 n 种优惠券所需次数的期望值。
推导过程：利用线性期望分解。
设 Xi 为从已有 (i-1) 种不同优惠券到获得第 i 种新优惠券所需的次数。
当已有 (i-1) 种时，下一次获得新优惠券的概率为 (n-i+1)/n。
因此 Xi 服从几何分布，E[Xi] = n/(n-i+1)。
总期望 E = E[X1] + E[X2] + ... + E[Xn] = n/n + n/(n-1) + ... + n/1 = n·(1 + 1/2 + ... + 1/n) = n·Hn
其中 Hn 是第 n 个调和数。对于 n=50（如 50 种球星卡），期望约为 50·ln(50) ≈ 225 次。
面试技巧：当问题涉及"直到某事发生"的期望，优先考虑递推方程或几何分布。当问题可以分解为多个独立阶段，使用线性期望。
第三章：常见概率分布与量化应用
量化面试中，候选人需要熟悉常见概率分布的性质、参数和应用场景。
关键分布速查表
| 分布 | 参数 | 期望 | 方差 | 量化应用 | |------|------|------|------|--------| | 二项分布 B(n,p) | n次试验，成功概率p | np | np(1-p) | 期权定价（二叉树模型） | | 泊松分布 Pois(λ) | 单位时间事件数λ | λ | λ | 订单到达率建模 | | 正态分布 N(μ,σ²) | 均值μ，方差σ² | μ | σ² | 收益率分布、Black-Scholes | | 指数分布 Exp(λ) | 事件率λ | 1/λ | 1/λ² | 等待时间建模 | | 均匀分布 U(a,b) | 区间[a,b] | (a+b)/2 | (b-a)²/12 | 随机数生成 | | 对数正态分布 | μ,σ（对数的） | e^(μ+σ²/2) | — | 股价建模（GBM） |
题目 4（泊松过程）：一家做市商每分钟平均收到 5 个订单，订单到达服从泊松过程。求在某一分钟内收到 0 个订单的概率，以及收到超过 10 个订单的概率。
推导：X ~ Pois(5)。P(X=0) = e^(-5) ≈ 0.0067（约 0.67%）。P(X>10) = 1 - Σ_{k=0}^{10} e^(-5)·5^k/k! ≈ 1 - 0.9863 = 0.0137（约 1.37%）。
题目 5（正态分布应用）：某股票日收益率服从均值 0.05%、标准差 1.5% 的正态分布。求单日亏损超过 3%（即收益率 < -3%）的概率。
推导：标准化：z = (-3% - 0.05%) / 1.5% = -2.03。P(X < -3%) = Φ(-2.03) ≈ 2.1%。这对应约 50 个交易日（约 2.5 个月）发生一次的事件。
第四章：随机游走与赌徒破产
随机游走和赌徒破产问题是量化面试中最能区分候选人数学深度的考察领域，也是量化金融中最重要的数学工具之一。
随机游走基础
简单随机游走：从 0 出发，每步以概率 p 向右 +1，以概率 (1-p) 向左 -1。对称随机游走（p=0.5）是鞅（Martingale），即 E[Sn|S1,...,Sn-1] = Sn-1。
题目 6（赌徒破产经典题）：你有 £k，对手有 £(n-k)。每局以概率 p 赢 £1，以概率 (1-p) 输 £1。求你最终赢得全部 £n 的概率。
完整推导：设 Pk 为从 £k 出发最终赢得全部 £n 的概率。边界条件：P0 = 0，Pn = 1。
对于 0 < k < n：Pk = p·Pk+1 + (1-p)·Pk-1
这是一个二阶线性差分方程。特征方程：r² - r/p + (1-p)/p = 0，即 pr² - r + (1-p) = 0。
特征根：r1 = 1，r2 = (1-p)/p = q/p。
当 p ≠ 0.5 时，通解：Pk = A + B·(q/p)^k。代入边界条件：A + B = 0，A + B·(q/p)^n = 1。解得：Pk = [1-(q/p)^k] / [1-(q/p)^n]。
当 p = 0.5 时（对称随机游走），(q/p)^k = 1，需要用 L'Hopital 法则，结果为 Pk = k/n。
直觉验证：当 p = 0.5，k = 50，n = 100 时，Pk = 50/100 = 0.5，符合对称性直觉。当 p = 0.6，k = 50，n = 100 时，Pk = [1-(2/3)^50] / [1-(2/3)^100] ≈ 1（几乎确定赢），因为有利的概率优势在长期博弈中被放大。
题目 7（首达时间）：对称随机游走从 0 出发，求首次到达 +a 或 -b（a,b > 0）的期望时间。
推导：设 Ek 为从位置 k 出发首次到达 +a 或 -(b) 的期望时间。建立差分方程：Ek = 1 + (Ek+1 + Ek-1)/2，边界条件 Ea = E_{-b} = 0。
解为 Ek = (a-k)(b+k)，因此从 0 出发的期望时间 E0 = a·b。
应用：这个结果在期权定价中有直接应用——障碍期权的定价涉及随机游走首次穿越边界的时间分布。
第五章：面试中的数学沟通技巧
数学能力只是量化面试的一半，另一半是如何清晰地表达你的推导过程。以下是顶级量化公司面试官反馈最多的沟通原则：
原则一：先说方法，再算数字
不要一开始就埋头计算。先说"我打算用条件期望的方法来解这道题，先对第一步的结果进行条件化"，让面试官知道你的思路方向，即使后续计算出错，也能展示你的数学直觉。
原则二：主动检验答案的合理性
计算完成后，用特殊情况验证：当 p=0.5 时结果是否符合对称性？当 n→∞ 时结果是否趋向合理极限？这种"sanity check"的习惯是顶级量化研究员的标志。
原则三：承认不确定性，但不要放弃
如果遇到不会的题，说"我不确定标准解法，但我可以尝试用递推的方式推导"，然后开始尝试。面试官更看重你在不确定情况下的应对方式，而不是你是否记住了所有公式。
原则四：量化你的估算
Fermi 估算题（如"估算伦敦有多少台钢琴"）考察的是量化思维，不是精确答案。给出一个有合理假设支撑的数字范围，比给出一个没有解释的精确数字更有说服力。
AT&T Career 的量化数学备考体系
AT&T Career 的 Quant Track 提供系统化的数学备考课程，涵盖概率论（8 节课）、统计学（6 节课）和量化金融数学（4 节课），所有课程均由顶级量化机构的现任研究员讲授，配合真实面试题目练习，帮助学员在 6-8 周内达到面试标准。
常见问题 · FAQ
量化面试需要会随机微积分（Stochastic Calculus）吗？+
这取决于岗位类型。QR 岗位（尤其是衍生品定价方向）通常需要了解伊藤引理（Ito's Lemma）和布朗运动的基本概念。QT 岗位更注重概率直觉和快速计算，对随机微积分的要求相对较低。QD 岗位通常不考察随机微积分。建议根据目标岗位有针对性地准备。
贝叶斯定理在量化面试中有多重要？+
非常重要，尤其是在 Jane Street 和 G-Research 的面试中。贝叶斯定理不仅是概率题的核心工具，也体现了量化思维的本质——在获得新信息后更新概率判断。建议深入理解贝叶斯定理的直觉含义，而不仅仅是记住公式。
如何在面试中快速估算期望值？+
掌握以下技巧：利用线性性质分解复杂期望；利用对称性简化计算；使用条件期望 E[X] = E[E[X|Y]]，先条件化再求期望；对非负整数随机变量，E[X] = Σ P(X≥k)。在面试中，先说出你的解题思路，再进行计算，这样即使计算出错也能展示你的数学直觉。
赌徒破产问题的公式需要死记硬背吗？+
不需要。更重要的是理解推导过程——建立差分方程，求解特征根，代入边界条件。理解了推导过程，即使忘记公式也能在面试中重新推导出来。而且面试官更欣赏能够推导公式的候选人，而不是只会背公式的人。
如果面试中遇到完全不会的题怎么办？+
诚实地说"我不确定标准解法"，然后尝试用你知道的工具（递推、条件期望、特殊情况检验）来攻克问题。顶级量化公司的面试官见过太多背答案的候选人，他们更看重你在不确定情况下的思维过程。一个有逻辑的错误答案，往往比一个无法解释的正确答案更有说服力。
Free Resource
免费领取【Quant Finance 求职全套资料包】
包含 CV 模板、面试题库、Networking 模板信及完整的求职 Timeline。已有 1,200+ 学员领取。