quant 和 MLE 经验分享 | 求大米

avatar 355742
dwang35
11761
24
找工作阶段终于结束了,最终拿了几家银行的quant offer和一家金融公司的AI research scientist offer。

这个过程比较曲折,半年前进了两家的onsite,但是感觉当时也没准备到位,就挂掉了。后来休息一段时间,写paper什么的,又好好准备了下各方面,就突然发现似乎打开了任督二脉,重新找工作一下就来了四五个offer。

所以想写这个笔记来分享下我的经验,希望能帮助到没有上岸的你们。这篇笔记重点是分享如何准备以及每个点至少需要掌握到什么地步。

我背景是FE phd, 我research 方向是ML在金融方向的应用,我找工作也是只找了两个方向,quant,和 MLE (金融公司)。

总结下来,quant就是 统计 + prob + 随机 + live coding (medium), MLE (research scientist)就是 research + ML基础 + NLP理论 + coding (medium)

先说quant:

1. 统计 + prob + 随机 = 绿皮书, 虽然我是这个方向的phd,但是很多面试题和书本上学得还是不大一样,我只能说绿皮书是Bible。我大概看了2-3遍,做到书里提到的每个问题都能在1s钟内知道考的哪个点,应该怎么解。由于是zoom interview,我其实觉得在时间不够的情况下可以做到面试官问你问题你知道在那一页就够了,因为可以翻着看。对于统计概率问题我在面试最后可以做到每个点都展开讲,这是什么知识点,来之什么,有什么优缺点。
2. 统计 + prob + 随机 进阶,由于我在学校都学过相关知识,所以我的理解程度也就是书本上讲的那些,不过如果你直接没有上过课,那可能绿皮书上的有点太浅了,你需要找本相关资料看看。
3. coding = LC,几乎所有(我面过的除了一个没live coding)都有coding session。一般quant的coding比较简单,easy + medium,然后分析下时间复杂度。我大概做了不到350题,前100题非常struggle,感觉为啥每道题都不会啊,后来看了图灵星球,,感觉对没有solid cs经验的人来说看一两遍上面的基本数据结构知识和刷题套路来说就够了。(本人没有上过cs基础课)
4. 有时候有些很前面的round会问问Python,不过都很简单。

然后是MLE:
1. 整体来说coding部分是一样的,research scientist要求的基本上是MLE + SDE。所以coding基本上考得也是medium level。 对了lc买个会员按照tag里面freq从高到低刷题就没啥大问题,同时结合地里的面经就够!
2. ML:对于一个模型来说,我的理解是有四个level: 1. 会掉包, 2.理解数学原理 3. 理解算法原理 4. code实现,并且能做相应修改。 对于传统ml的所有模型,除了一两个复杂的我没有code实现,其他我都自己全写过一遍。我觉得大家要面这个岗的至少得尝试写写,一是帮助加深理解,而是你会考虑到很多复杂度相关东西。
3. DL-NLP理论:从rnn到bert每个模型怎么发展了,算法原理和数学原理,每个模型的优点缺点至少也得知道,(我被问过transformer 比lstm好在哪里这种需要比较两个模型的问题,这种问题需要你对两个模型都了解)(我还被问到bert原理,然后follow到transformer的原理,然后follow到 self-attension原理,到attention原理,到rnn)。这部分不需要code实现,需要理论非常solid。帮助我理解的方法一般是先从原理上理解后,我总是掉包来test一些东西看看和我想的一不一样,如果不一样看看是哪里除了问题,思考这个过程非常重要。

最后说说流程:一般都是一个screening:确认你是不是个人,有一家考了我python基础, 然后是一轮coding,然后是一轮research/cv, 然后是onsite。这个流程quant和research scisentist 都是一样的。

最最后说一下我觉得面试实力占80%,还是20%的运气真的很重要,之前有一个position,我把地理所有面经都看过了,完全没问题,结果onsite时候遇到一个脑残面试官,结果挂了。后来我看地理又有几个post onsite面经,那些题我又都会。所以啊,运气真的很重要!

求大米!
  • 183
24条回复