Appearance
主攻：Quant Researcher（最适配我的工作） 副押 AI大模型研究员
- the green book
- do 100+ leetcode problems (you want variety - Arrays,graphs,recursion,skim manipulation and don't skip dynamic programming)
- practice behavioral interviews like the offer depends on it
Quant Researcher的日常：用数学模型描述市场规律、推导因子、回测策略、分析数据。问题有结构、有逻辑、有对错，更接近做数学题和写论文的感觉。
找因子、建模型、回测、纯数学推导、挖掘Alpha。
技能准备： 编程基础：（Python/C++） 重点补习数学：概率论、统计推断、线性代数、时间序列分析。 细分方向选择： 最推荐： P-Quant（买方研究）。目标是通过模型赚钱。纯粹的数学游戏，最符合你的要求。 不推荐： Q-Quant（衍生品定价）。虽然数学极难，但往往是在卖方，需要处理大量合规文档和繁琐的业务流程，可能触及你的“琐碎”雷区。 一句话总结： 去做 Quant Researcher，可以用最纯粹的逻辑和数学，在几乎没有琐碎干扰的环境里，实现“赚大钱”的目标。这不仅是工作，更是我的思维模式的最佳变现。
现在要做的事因此也更清晰了 数学是核心竞争力，概率论、随机过程、统计推断要学得比课本深得多。实验室的科研经历是加分项，证明你有研究能力。硕士阶段如果能出一篇和时序、金融预测、因子相关的论文，直接敲门researcher岗。 方向定了，就不要再摇摆了。
现实问题 Researcher的门槛比Dev高，头部公司的researcher基本要求硕士起步，博士更有竞争力。本科阶段几乎拿不到researcher正式岗，能拿到researcher实习已经很好了。
所以路径是这样的 本科阶段：以researcher实习为目标去准备，拿不到就退而求其次投dev实习，先进去再说。 硕士阶段：实验室出论文，数学能力进一步提升，硕士毕业正式冲researcher岗。
现在最重要的一件事 想清楚硕士要不要读博。Researcher长期竞争力来自深度数学能力，博士背景在头部公司有明显优势。如果你对研究本身有兴趣，可以认真考虑直博——ZJU直博再去量化，竞争力会强很多。
更值得做的事 与其把精力押在顶会论文上，不如大三拿到头部量化实习。对量化公司来说，一段幻方或九坤的实习经历，比一篇顶会论文更直接说明问题。 论文是加分项，实习经历是敲门砖，优先级不要搞反。
简单来说 读硕：对，ZJU本校直研。顶会论文：选择性追，方向要和量化相关，别为了论文而论文。最重要的事：大三暑假拿到量化实习，这一步比其他所有准备都关键。
技能树点法： 既然有CS背景，重点补强概率统计、随机过程、时间序列分析以及机器学习。Python (Pandas/Numpy) 要玩得溜。 避坑指南： 投递简历时，尽量选择PM（Portfolio Manager）导向或Research导向的岗位，避开纯 Quant Dev（量化开发） 岗位。
顶会论文在量化圈的价值：
量化公司看的顶会论文主要是机器学习方向——NeurIPS、ICML、ICLR这些，如果你的论文和金融预测、时序建模、强化学习相关，含金量很高。 但如果只是为了"提升学历含金量"而追论文，方向选错了意义不大。量化公司不太在乎你发了CV或者NLP的论文，他们在乎的是你的数学能力和能不能做出赚钱的策略。
他人意见
若缺乏量化经验， 可强调互联网项目中与高性能、高并发、分布式系统相关的技术迁移能力， 如高频交易系统与互联网高并发服务的共性(低延迟、容错性)。
突出Linux系统开发经验，多进程/线程编程、Socket通信、epoll/select多路复用机制等。
如果你是金融/量化方向：建议按顺序阅读《Python金融大数据分析》 -> 《Python算法交易》 -> 《金融中的人工智能》。 如果你是C++开发方向：请确保先阅读过《C++ Primer》等基础书籍，再阅读《Effective Modern C++》。