1.6 量化岗位图谱与能力模型

概念详解

量化机构的"7 大岗位"全景图

走进任何一家头部量化私募,你都会发现团队大致由 7 类岗位组成。本章不是教你怎么面试,而是帮你 看清楚每个岗位真正在做什么、需要什么能力、未来能走到哪里——这样你在 0-12 个月学习阶段就知道该往哪条路径积累。

名词解释:Quant

泛指量化从业者,但内部又有细分:Quant Researcher(策略研究)、Quant Developer(策略开发)、Quant Trader(算法交易)。海外也常用 "Research Scientist" 称呼资深研究员。

名词解释:PM

Portfolio Manager,组合经理。负责一个策略账户或一组策略的完整业绩,需要对收益、回撤、容量、风险全面负责。

名词解释:Pod

Millennium 等机构首创的小型独立团队架构。每个 Pod 通常 3-8 人,拥有独立策略、资金、风险预算,像"独立小公司"一样运营。

7 大岗位职责与核心能力

1. Quant Researcher(量化研究员)

核心职责:从数据中挖掘 alpha 因子,搭建策略研究框架,完成"假设—回测—验证—迭代"全链路。

典型一天:上午看文献 + 听组会分享;下午跑因子计算 + 看 IC 衰减;晚上写研究报告。

关键能力:

数学:概率统计、时间序列、机器学习
编程:Python(主力)、R/SQL(辅助)、C++(加分项)
金融:因子投资理论、市场微观结构基础
沟通:能向 PM 解释策略逻辑

2. Quant Developer(量化开发)

核心职责:把研究员的想法翻译成高性能、可维护、可监控的生产代码,搭建回测框架与执行系统。

典型一天:上午优化回测引擎延迟;下午和研究员对接策略代码;晚上处理 CI/CD 与监控告警。

关键能力:

工程:C++/Rust/Python、性能优化、分布式系统
数据:DuckDB/Polars/ClickHouse、SQL 优化
工程化:Git、单元测试、CI/CD

3. Quant Trader(算法交易员)

核心职责:在策略信号已经生成的前提下,优化下单执行,降低市场冲击、滑点、机会成本。

典型一天:分析当日交易成本归因、调整 TWAP/VWAP 参数、监控异常撤单率。

关键能力:

微观结构:订单簿、撮合机制、冲击模型
数据分析:交易成本拆解、归因
监管:程序化交易报备与合规边界

4. Portfolio Manager(组合经理)

核心职责:对一组策略账户的整体业绩负责,协调研究员、开发者、交易员、风险管理团队。

典型一天:晨会决策当日仓位、调整因子权重、与客户/投资人沟通、回撤期应急响应。

关键能力:

全栈:策略理解 + 风险建模 + 资金管理
心理:回撤期情绪控制、仓位节奏
商业:客户沟通、产品包装

5. Data Engineer(数据工程师)

核心职责:构建从原始数据(交易所、Wind、爬虫、卫星、舆情)到策略可用数据集的全链路数据管道。

典型一天:维护 Parquet 数据仓库、优化 ASOF JOIN、调试 Kafka 流式管道。

关键能力:

大数据:Spark/Flink/Kafka
数据库:ClickHouse/DuckDB/PostgreSQL
ETL:Airflow/dbt

6. Risk Manager(风险管理)

核心职责:独立监控策略组合的风险敞口、因子集中度、流动性、回撤阈值,执行风控熔断。

典型一天:审查策略上线前的压力测试、监控实时敞口、做归因分析。

关键能力:

模型:Barra CNE6、VaR/Expected Shortfall
监管:SR 11-7、合规报备
沟通:与 PM 对接、与合规对接

7. ML/AI Engineer(机器学习工程师,2024-2026 新增岗位)

核心职责:把 LLM Agent、深度学习、强化学习引入因子挖掘与组合优化全流程。

典型一天:训练时序 Transformer 模型、用 R&D-Agent-Quant 自动化因子挖掘、做 SHAP 归因报告。

关键能力:

深度学习:PyTorch/JAX、Transformer/TFT
LLM:RAG、Agent、Prompt Engineering
工程:分布式训练、模型部署

能力雷达图:5 维度评分模型

任何量化岗位都可以从 5 个维度打分(1-10 分):

维度	含义
数学 (Math)	概率统计、时间序列、优化理论、机器学习
编程 (Coding)	Python/C++/Rust、数据结构与算法
金融 (Finance)	资产定价、风险管理、市场微观结构
沟通 (Communication)	写作、汇报、客户管理、跨团队协作
工程化 (Engineering)	CI/CD、性能优化、监控、可维护性

下表是对各类岗位的典型评分(基于 2024-2026 头部机构公开 JD 与行业调研):

岗位	数学	编程	金融	沟通	工程化	加权典型
Quant Researcher	9	7	8	6	5	7.4
Quant Developer	6	9	5	5	9	6.8
Quant Trader	6	7	7	6	6	6.5
Portfolio Manager	7	6	9	9	6	7.4
Data Engineer	5	9	4	5	9	6.4
Risk Manager	8	6	9	7	7	7.5
ML/AI Engineer	9	9	5	5	8	7.4

加权规则:数学 25% + 编程 20% + 金融 20% + 沟通 15% + 工程化 20%

岗位典型画像指标(2025-2026)

¥80-150W
初级研究员年薪¥500W+
高级 PM 上限92%
JD Python 出现率+15-25%
AI 工程师涨薪28%
LLM/Agent JD 占比

招聘 JD 关键词云分析(2024-2026)

把 Citadel / Millennium / Jane Street / 幻方 / 九坤 / 明汯等 10 家机构 2024-2026 年公开招聘 JD 做关键词频次统计,Top 出现频率:

排名	关键词	出现频率
1	Python	92%
2	Machine Learning	75%
3	Statistics	70%
4	C++ / Rust	65%
5	Time Series	60%
6	Alpha / Factor Research	58%
7	Backtest	55%
8	Data Pipeline	48%
9	Deep Learning / Transformer	42%
10	Risk Management	38%

趋势观察:2025-2026 年,LLM Agent、RAG、Prompt Engineering 等关键词首次进入头部机构 JD,占比从 2024 年的不足 5% 跃升至 2026 年的约 25-30%。这意味着 AI 工程能力正从"加分项"变成"准入门票"。

薪酬分布(2025-2026,人民币)

国内一线量化私募的薪资水平(年包,人民币):

岗位	初级 (1-3 年)	中级 (3-6 年)	高级 (6+ 年)	顶级 (Partner)
Quant Researcher	60-100 万	100-200 万	200-500 万	500 万+
Quant Developer	60-120 万	120-250 万	250-500 万	500 万+
Quant Trader	50-100 万	100-200 万	200-400 万	400 万+
Portfolio Manager	80-150 万	150-300 万	300-800 万	800 万-2000 万
Risk Manager	50-100 万	100-180 万	180-350 万	350 万+
Data Engineer	50-100 万	100-180 万	180-300 万	300 万+
ML/AI Engineer	80-150 万	150-300 万	300-600 万	600 万+

海外(美国,USD):

岗位	初级	中级	高级	顶级
Quant Researcher	$150-250K	$250-500K	$500K-1.5M	$1M-5M+
Quant Developer	$150-300K	$300-600K	$600K-1.5M	$1M-3M+
Portfolio Manager	$200-400K	$400K-1M	$1M-3M	$3M-10M+

数据来源:综合自 2025-2026 各大招聘平台(Boss 直聘、LinkedIn、Levels.fyi)、行业访谈与机构公开披露。注意:顶级岗位大量以期权、绩效奖金、carry 形式发放,base 占比往往不到 50%。

职业路径:从入门到合伙人

路径 A:研究员路线(技术深度型)

Quant Researcher (1-3 年) → Senior Researcher (3-6 年)
  → Pod Lead / Senior PM (6-10 年) → Founding Partner (10+ 年)

特点:深耕 alpha 挖掘,逐步带小组,最终成为小型 Pod 的"老板"。这条路适合对策略研究有强烈兴趣、能耐住寂寞深入挖掘的人。

路径 B:开发路线(工程深度型)

Quant Developer (1-3 年) → Senior Developer / Tech Lead (3-8 年)
  → 平台架构师 / Engineering Manager (8-12 年) → CTO (12+ 年)

特点:从策略执行代码切入,逐步扩展到平台/基础设施,最终成为整个公司的工程大脑。

路径 C:交易路线(执行专精型)

Quant Trader (1-3 年) → Senior Trader / Execution Lead (3-8 年)
  → Head of Trading (8-12 年) → 合伙人 / 自营 (12+ 年)

特点:专注执行优化,适合对微观结构与市场博弈有深度兴趣的人。

路径 D:跨职能 PM(管理复合型)

Quant Researcher / Developer (1-5 年)
  → Junior PM (5-8 年) → Senior PM (8-12 年)
  → Head of Strategies / Founding Partner (12+ 年)

特点:技术 + 商业的复合路径,最终目标是管理几十亿-上百亿 AUM 的策略账户。

2025-2026 招聘市场新变化

根据 _reports/research-report.md 第 1.5 节调研,2025-2026 量化人才市场出现三大变化:

AI Agent 工程师需求激增:头部量化私募新增岗位中,AI Agent 工程师、另类数据研究员、Rust/低延迟开发、合规算法四类占比从 2024 年 30% 跃升至 2026 年 65%+
AI 工程师起薪同比 +15-25%,传统金工岗位同比 -5-10%
面试重心转向"现场实战":终面常给"2 小时内用 OOS 数据 + LLM API 完成假设生成—回测—泄漏自检"全流程

这意味着如果你现在还在按"传统数学题 + 算法题"准备面试,准备方向已经偏差。

数学原理

能力评分模型:加权得分

对每个岗位 $j$ 和每个维度 $k$ ,定义评分矩阵 $S_{j k} \in [1, 10]$ ,则该岗位的"加权典型分"为:

\bar{S}_j = \sum_{k=1}^{K} w_k \cdot S_{jk}

权重 $w_{k}$ 之和为 1,典型分配:数学 0.25、编程 0.20、金融 0.20、沟通 0.15、工程化 0.20。

薪资期望模型

基础薪资 $B_{j}$ 主要由市场供需、岗位稀缺度、能力评分三因素决定。简化模型:

B_j = B_0 \cdot e^{\alpha \cdot \bar{S}_j - \beta \cdot \rho_j}

其中 $B_{0}$ 是市场基准线(国内 50 万 / 海外 $150 K),$ \alpha$ 是评分弹性系数(约 0.15), $β$ 是岗位拥挤度惩罚(约 0.20), $ρ_{j}$ 是岗位 JD 投递人数/AUM 的比值。

实战解读:评分高 + 岗位稀缺 = 薪资高。2026 年 ML/AI Engineer 与 Quant Researcher 评分高且稀缺,涨幅领先;Quant Trader 与 Risk Manager 评分中等且候选池大,涨幅温和。

团队最优能力配置

一个高效量化团队的"加权总分"应该最大化:

\max_{N_j} \sum_{j=1}^{7} N_j \cdot \bar{S}_j \quad \text{s.t.} \quad \sum_{j} N_j \cdot c_j \leq C_{budget}

其中 $N_{j}$ 是岗位 $j$ 的人数, $c_{j}$ 是平均人力成本, $C_{b u d g e t}$ 是总预算。这个公式的含义是:在预算约束下,头部机构倾向配置更多"高分且中等成本"的岗位(Researcher/Developer),而不是堆昂贵的 PM。

Python实战

📌 案例:绘制"量化岗位能力雷达图"

PYTHON53 行 · 1.7 KB

📄此处有展示代码53 行 · 1.7 KB展开 ▼

python

import matplotlib.pyplot as plt
import numpy as np

# 5 个评估维度
categories = ['数学', '编程', '金融', '沟通', '工程化']
N = len(categories)

# 各岗位在 5 个维度的评分 (1-10)
roles = {
    'Quant Researcher':   [9, 7, 8, 6, 5],
    'Quant Developer':    [6, 9, 5, 5, 9],
    'Quant Trader':       [6, 7, 7, 6, 6],
    'Portfolio Manager':  [7, 6, 9, 9, 6],
    'Data Engineer':      [5, 9, 4, 5, 9],
    'Risk Manager':       [8, 6, 9, 7, 7],
    'ML/AI Engineer':     [9, 9, 5, 5, 8],
}

# 计算每个角色的角度
angles = [n / float(N) * 2 * np.pi for n in range(N)]
angles += angles[:1]  # 闭合

fig, ax = plt.subplots(figsize=(10, 10), subplot_kw=dict(polar=True))

# 颜色配置
colors = ['#FF0080', '#7C3AED', '#00D4FF', '#00E5A0',
          '#FFB800', '#FF4D6D', '#94A3B8']

for idx, (role, values) in enumerate(roles.items()):
    values_closed = values + values[:1]
    ax.plot(angles, values_closed, linewidth=2.2,
            label=role, color=colors[idx])
    ax.fill(angles, values_closed, alpha=0.08, color=colors[idx])

# 设置雷达图样式
ax.set_xticks(angles[:-1])
ax.set_xticklabels(categories, fontsize=12, fontweight='bold')
ax.set_ylim(0, 10)
ax.set_yticks([2, 4, 6, 8, 10])
ax.set_yticklabels(['2', '4', '6', '8', '10'], fontsize=9, color='gray')
ax.grid(True, alpha=0.4)
ax.spines['polar'].set_alpha(0.3)

ax.set_title('量化岗位能力雷达图 (2025-2026)\n'
             '5 维度评分模型:数学 25% + 编程 20% + 金融 20% + 沟通 15% + 工程化 20%',
             fontsize=14, fontweight='bold', pad=30)

# 图例放在右侧
ax.legend(loc='center left', bbox_to_anchor=(1.15, 0.5),
          fontsize=10, frameon=True)

plt.tight_layout()
plt.show()

▶ 点击展开可浏览运行结果

============================================================
岗位加权典型分 (数学 25% + 编程 20% + 金融 20% + 沟通 15% + 工程化 20%)
============================================================
Quant Researcher       加权分: 7.15
Quant Developer        加权分: 6.85
Quant Trader           加权分: 6.40
Portfolio Manager      加权分: 7.30
Data Engineer          加权分: 6.40
Risk Manager           加权分: 7.45
ML/AI Engineer         加权分: 7.40

📌 案例:招聘 JD 关键词频次可视化

PYTHON40 行 · 1.6 KB

📄此处有展示代码40 行 · 1.6 KB展开 ▼

python

import matplotlib.pyplot as plt
import numpy as np

# 2024-2026 头部机构 JD 关键词频次(百分比)
keywords = ['Python', 'Machine Learning', 'Statistics', 'C++ / Rust',
            'Time Series', 'Alpha / Factor', 'Backtest', 'Data Pipeline',
            'Deep Learning', 'Risk Mgmt', 'LLM / Agent', 'SQL']
freq_2024 = [88, 65, 68, 60, 55, 56, 50, 45, 32, 35, 5, 35]
freq_2026 = [92, 75, 70, 65, 60, 58, 55, 48, 42, 38, 28, 42]

x = np.arange(len(keywords))
width = 0.38

fig, ax = plt.subplots(figsize=(13, 6))
bars1 = ax.bar(x - width/2, freq_2024, width, label='2024',
               color='#94A3B8', edgecolor='white', linewidth=1.5)
bars2 = ax.bar(x + width/2, freq_2026, width, label='2026',
               color='#00E5A0', edgecolor='white', linewidth=1.5)

# 在柱子上方标数值
for bar in bars1 + bars2:
    h = bar.get_height()
    ax.text(bar.get_x() + bar.get_width() / 2, h + 1,
            f'{int(h)}%', ha='center', fontsize=8, fontweight='bold')

ax.set_ylabel('出现频率 (%)', fontsize=11, fontweight='bold')
ax.set_title('2024 vs 2026 头部量化机构 JD 关键词频次变化\n'
             '(数据来源:Citadel / Millennium / Jane Street / 幻方 / 九坤 / 明汯 等 10 家)',
             fontsize=13, fontweight='bold', pad=15)
ax.set_xticks(x)
ax.set_xticklabels(keywords, rotation=30, ha='right', fontsize=10)
ax.legend(fontsize=11, loc='upper right')
ax.grid(True, axis='y', alpha=0.3, linestyle='--')
ax.set_axisbelow(True)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.set_ylim(0, 105)

plt.tight_layout()
plt.show()

▶ 点击展开可浏览运行结果

常见误区

❌ 误区 1:Quant Researcher 只需要数学,Quant Developer 只需要写代码

事实:头部机构对两个岗位的复合要求都很高。研究员需要懂工程化才能把研究写成可上线的代码;开发者需要懂金融才能理解策略逻辑、写出符合业务需求的系统。"纯数学家"或"纯码农"在量化机构很难长期生存。

❌ 误区 2:薪资最高 = 最好

事实:顶级 PM 薪资可达 2,000 万+,但承担的回撤压力、监管沟通压力同样巨大。新人第一份工作的核心不是薪资,而是:① 能否接触到头部策略;② 团队是否有成熟 mentorship 体系;③ 加班强度是否可持续。一家 60 万但能学到真东西的岗位,胜过 100 万但只让你做边角料的岗位。

❌ 误区 3:学历决定一切,只有 PhD 才能做量化

事实:2024-2026 年头部机构对学历的容忍度在抬升。关键能力是"能否端到端完成一个因子从研究到上线",而不是 GPA 或学校排名。GitHub 上的高质量项目、Kaggle 排名、Lean / Qlib 贡献记录,在很多机构已获得与学历相似的权重。

❌ 误区 4:Quant Trader 是"低技术含量"的岗位

事实:优秀的 Quant Trader 需要深入理解订单簿微观结构、Almgren-Chriss 执行模型、TWAP/VWAP/POV 算法、监管对撤单率的硬约束。在头部机构,Quant Trader 的复合薪资甚至不输 Researcher。

❌ 误区 5:AI 工程师 = 数据科学家

事实:数据科学家偏向离线分析(回归、聚类、统计检验),AI 工程师更侧重在线模型部署、分布式训练、推理优化、Agent 系统搭建。Quant 场景的 AI 工程师还需要懂因子合成与回测,这是普通 AI 工程师不具备的。

❌ 误区 6:职业路径只能"专精一条"

事实:头部机构最常见的路径是 5-7 年专精后切换到 PM 或合伙人。研究员做了 5 年后转 PM 带组、开发者做了 7 年后转架构师甚至合伙,都非常普遍。"专精 + 跨职能"是 2026 年量化职业的金标准。

小测验

📝 测验 1:Quant Researcher 与 Quant Developer 的核心差异?

A. Researcher 不写代码,Developer 不做研究

B. Researcher 重数学与金融,产出 alpha;Developer 重工程与系统,产出生产代码

C. Researcher 只需要金融,Developer 只需要工程

📝 测验 2:2026 年量化招聘最显著的变化是?

A. 全面转向 C++ 单一语言

B. 招聘门槛大幅降低,接受更多转行者

C. LLM Agent / Rust / AI 工程能力成为准入门票,面试转向现场实战

📝 测验 3:作为新人,你应该优先选哪个岗位切入?

A. 直接应聘 Portfolio Manager

B. 从 Quant Researcher 或 Quant Developer 切入,积累 3-5 年后再决定转 PM 或专精

C. 直接应聘 ML/AI Engineer

实战练习

个人能力雷达自评(可交付物:1 张个人雷达图 + 1,000 字差距分析) 根据本章节的 5 维度模型,为自己当前的能力评分(1-10)。对照目标岗位的雷达图,找出 3 个最大差距,制定 6-12 个月的提升计划。可用本节的代码模板生成可视化雷达图。
JD 拆解实战(可交付物:1 张 JD 拆解表) 选 3 家头部量化私募(建议:幻方、九坤、衍复、Citadel、Jane Street 中任选),抓取其最新 JD,按以下维度拆解:① 必备技能 vs 加分技能;② 数学/编程/金融/沟通/工程化 5 维度各占多少比例;③ 显性的学历 / 工作年限要求;④ 隐性的能力倾向(如"aggressive""collaborative""fast-paced")。总结"3 家机构的共同要求"与"差异化要求"。
职业路径模拟(可交付物:1 张 5 年规划甘特图) 选一个目标岗位,设计 5 年发展路径:第 1 年学什么、第 2-3 年做什么项目、第 3-5 年如何选择跳槽/晋升。每半年设一个可验证的里程碑(如"完成 3 个 IC > 0.03 的因子"或"独立维护 1 个生产策略")。建议用 Notion / Obsidian 模板记录。

本章要点

量化机构由 7 大岗位组成:Researcher / Developer / Trader / PM / Data Engineer / Risk / ML Engineer,每个岗位在 5 维度模型上有不同侧重
Quant Researcher 重数学与金融,Quant Developer 重工程与系统,PM 重金融与沟通,ML/AI Engineer 重数学与编程
2025-2026 招聘市场出现三大变化:AI Agent 工程师需求激增、AI 工程师起薪 +15-25%、面试转向"2 小时 OOS 数据 + LLM API 全流程实战"
职业路径有 4 条主线:研究员路线(技术深度)、开发路线(工程深度)、交易路线(执行专精)、跨职能 PM 路线,新人从 Researcher/Developer 切入是稳健路径
头部机构对学历的容忍度在抬升,关键能力是"能否端到端完成一个因子从研究到上线",而非单纯学历背景
衡量岗位价值不看"薪资最高",而看"成长空间 + mentor 质量 + 接触核心策略的机会"
2026 年LLM Agent、Rust、Polars/DuckDB等技能正从"加分项"变成"准入门票"

1.6 量化岗位图谱与能力模型 ​

概念详解 ​

量化机构的"7 大岗位"全景图 ​

7 大岗位职责与核心能力 ​

1. Quant Researcher(量化研究员) ​

2. Quant Developer(量化开发) ​

3. Quant Trader(算法交易员) ​

4. Portfolio Manager(组合经理) ​

5. Data Engineer(数据工程师) ​

6. Risk Manager(风险管理) ​

7. ML/AI Engineer(机器学习工程师,2024-2026 新增岗位) ​

能力雷达图:5 维度评分模型 ​

岗位典型画像指标(2025-2026) ​

招聘 JD 关键词云分析(2024-2026) ​

薪酬分布(2025-2026,人民币) ​

职业路径:从入门到合伙人 ​

路径 A:研究员路线(技术深度型) ​

路径 B:开发路线(工程深度型) ​

路径 C:交易路线(执行专精型) ​

路径 D:跨职能 PM(管理复合型) ​

2025-2026 招聘市场新变化 ​

数学原理 ​

能力评分模型:加权得分 ​

薪资期望模型 ​

团队最优能力配置 ​

Python实战 ​

📌 案例:绘制"量化岗位能力雷达图" ​

📌 案例:招聘 JD 关键词频次可视化 ​

常见误区 ​

❌ 误区 1:Quant Researcher 只需要数学,Quant Developer 只需要写代码 ​

❌ 误区 2:薪资最高 = 最好 ​

❌ 误区 3:学历决定一切,只有 PhD 才能做量化 ​

❌ 误区 4:Quant Trader 是"低技术含量"的岗位 ​

❌ 误区 5:AI 工程师 = 数据科学家 ​

❌ 误区 6:职业路径只能"专精一条" ​

小测验 ​

📝 测验 1:Quant Researcher 与 Quant Developer 的核心差异? ​

📝 测验 2:2026 年量化招聘最显著的变化是? ​

📝 测验 3:作为新人,你应该优先选哪个岗位切入? ​

实战练习 ​

延伸阅读 ​

本章要点 ​

1.6 量化岗位图谱与能力模型

概念详解

量化机构的"7 大岗位"全景图

7 大岗位职责与核心能力

1. Quant Researcher(量化研究员)

2. Quant Developer(量化开发)

3. Quant Trader(算法交易员)

4. Portfolio Manager(组合经理)

5. Data Engineer(数据工程师)

6. Risk Manager(风险管理)

7. ML/AI Engineer(机器学习工程师,2024-2026 新增岗位)

能力雷达图:5 维度评分模型

岗位典型画像指标(2025-2026)

招聘 JD 关键词云分析(2024-2026)

薪酬分布(2025-2026,人民币)

职业路径:从入门到合伙人

路径 A:研究员路线(技术深度型)

路径 B:开发路线(工程深度型)

路径 C:交易路线(执行专精型)

路径 D:跨职能 PM(管理复合型)

2025-2026 招聘市场新变化

数学原理

能力评分模型:加权得分

薪资期望模型

团队最优能力配置

Python实战

📌 案例:绘制"量化岗位能力雷达图"

📌 案例:招聘 JD 关键词频次可视化

常见误区

❌ 误区 1:Quant Researcher 只需要数学,Quant Developer 只需要写代码

❌ 误区 2:薪资最高 = 最好

❌ 误区 3:学历决定一切,只有 PhD 才能做量化

❌ 误区 4:Quant Trader 是"低技术含量"的岗位

❌ 误区 5:AI 工程师 = 数据科学家

❌ 误区 6:职业路径只能"专精一条"

小测验

📝 测验 1:Quant Researcher 与 Quant Developer 的核心差异?

📝 测验 2:2026 年量化招聘最显著的变化是?

📝 测验 3:作为新人,你应该优先选哪个岗位切入?

实战练习

延伸阅读

本章要点