从条件概率到微秒:
21 课其实在讲同一件事
hft.md 是一门把量化面试所需的知识画成 3D 交互模型的课程(英文,改编自 MIT Sloan Business Club 的《Quant Bible》)。本报告不是目录复述,而是把 21 课压成一条主线:成交即证据,报价即期望值 ± 宽度,宽度 ∝ 不确定性,长期靠 √n 和 LLN 把微小的 edge 变成生意。每课只留可背的公式、会被追问的数字、以及它在盘面上的用法。
来源:hft.md/learn(课程地图)+ 21 个课时页 + 题库 + 资源页。抓取日期 2026-11。
01这是什么
一句话:把"面试要会算的东西"做成能旋转、能拖、能玩的模型,每个概念配一段可复制代码和一个自测题。
- 定位:求职导向,不是教科书。目标是把 Jane Street / Citadel / Optiver / Virtu / HRT / SIG / Akuna / Two Sigma / Five Rings 电话面试与交易回合的内容走一遍。
- 结构:概率(5 课)→ 统计(2)→ 量化研究·数据科学(6,跟《Elements of Statistical Learning》走)→ 三个开放案例(Two Sigma / QuantCo 风格)→ 做市(5)→ 题库(50 题,24 题带仿真)。
- 每课形态固定:一段直观 → 公式 → 2 个交互图(3D 或可拖)→ 一段 Python → "Check yourself" 选择题(带解析)→ "Where it's used on a trading desk"。
- 它的卖点不是覆盖广度,而是"每个概念都给一个能算的数字":出租车题 41%、一千枚硬币 0.506、重掷骰子 4.25、三相关系 0.458–0.982、Sharpe 1 要 4 年、光纤每公里 4.9 µs。
- 可靠性可查:作者逐条对原版《Quant Bible》做了更正(4 处课时内、9 处题库内),改错的地方写得比对的还清楚——这一点比多数二手教程强。
02全站主干:八步,最后一课把它们缝在一起
第 21 课的原文几乎是课程的自我总结:现代做市商对每一次成交做贝叶斯更新、用期望值定价、用方差定规模、靠大数定律把极小 edge 变成稳定利润,而这一切要在微秒里完成。顺序就是下面这条链。
- 先验 → 证据 → 后验稀有基率能压过"很准的证人"(出租车 41%)。成交是证据:你被打了,说明对面大概知道得更多。
- 价格 = 期望值能往回看的期望才是决策(重掷骰子 4.25,而不是 3.5)。线性性让"期望的个数"变成指函数求和。
- 风险 = 方差,不是均值σ 相加要开方,n 个独立赌注让波动按 1/√n 掉;相关性给这个下降装了地板 ρσ²。
- 小 edge × 巨量次数 = 生意单笔 0.4 美分的期望,乘以一天十万笔,均值按 n 长、噪声按 √n 长——这就是 HFT 的全部经济学。
- 模型要抵抗过去训练误差永远奖励复杂度,检验误差才惩罚;所以收缩(ridge/lasso)、少特征、留出样本外。
- 归因要因果跑得好的策略可能只是选择偏差或漏了变量:β短 − β长 = π₁·γ,随机化或者加控制变量。
- 头寸 = edge / 方差Kelly:f* = p − q/b,连续版是 μ/σ²;估不准就下半个 Kelly。
- 速度 = 三个具体好处队列位置靠前(逆向选择更少)、不会被 stale quote 白送、跨场地套利先到先得。剩下的都是工程:colocation、kernel bypass、FPGA。
03第一部分 · 概率(1–5)
价格是概率的函数。这五课把"给定证据后值多少"和"波动有多大"算清楚。
01条件概率与贝叶斯
把世界缩到证据那一边,再问证据里有多少是假设。
P(H|E) = P(E|H)P(H) / P(E)出租车:85% 绿车、15% 蓝车、目击者 80% 准 → 蓝车概率 41%,不是 80%。一千枚硬币翻出 10 个正面 → 是假币 0.506(因为 2¹⁰≈1000)。
面试用法:成交后的公平价更新02期望与线性性
E[payoff] 就是价;线性性让"期望的个数"变成指函数求和,永远不需要联合分布。
E[ΣXᵢ] = ΣE[Xᵢ](不要求独立)重掷一次:4.25(留 4/5/6)。每次重掷 $1:23/6≈3.83。无限次 $1 重掷:V=4(留 3 以上)。20 人随机排队,男女相邻对数期望 恰为 10。
面试用法:任何"期望个数"03方差与分散
标准差是箭头:cos(夹角)=ρ,和的波动是和向量长度(余弦定理)。
sd(X̄) = σ/√n,下限 √ρ·σ公平骰子 Var=35/12≈2.92、σ≈1.71。四条独立数据把误差减半,不是四分之一。原文此处漏了条件:只有不相关才可加。
面试用法:分散、对冲、1σ 限仓04七个必须熟的分布
Bernoulli / 二项 / Poisson / 几何 / 均匀 / 正态 / 指数:认出分布,均值和方差就是白送的。
二项→Poisson:n↑ p↓, np=λPoisson 与指数是同一过程的两面(计数 vs 等待);两者都无记忆:等了 40 秒不改变再等 20 秒的期望。几何分布="报多少次价才成交"。
面试用法:委托到达、成交等待05联合分布与相关
相关是"线性关系"的度量:能完全决定却不相关(Y=X²),也能相关却看不出尾部同崩。
三相关边界:ρxyρyz ± √((1−ρ²xy)(1−ρ²yz))Jane Street 题:0.9 与 0.8 夹住第三个 → 0.458 ≤ c ≤ 0.982。几何上就是三个箭头夹角的可行范围(11.0°–62.7°),约束来自相关矩阵半正定。
面试用法:对冲比例 = Cov/Var;风险矩阵不是公式,而是先验的自觉:稀有事件的强信号仍然是稀有的("1% 概率 + 99% 准确 = 一半一半")。做市商每天都在用同一件事:被成交这件事本身就是坏消息。
04第二部分 · 统计(6–7)
从不看见的参数出发,只能靠样本说话。两个定理决定"一个数字能信多少"。
06大数定律与中心极限定理
LLN 说均值会收敛;CLT 说误差长什么样:不管来源分布多丑,平均值的误差近似正态,宽度 σ/√n。
t ≈ Sharpe × √yearsSharpe 1 的策略要 4 年数据才 t≈2。单笔 edge e、噪声 σ 的策略,要 n ≫ (σ/e)² 才让利润压过噪声——这正是高频"小 edge 大次数"的数学依据。
面试用法:回测是不是真的07置信区间
"95% 置信"描述的是程序,不是这一个区间:参数固定,区间随机。重复实验约 95% 的区间会盖住真值。
θ̂ ± q·σ/√n(1.645 / 1.96 / 2.576)σ 依赖未知参数时:保守取 p(1−p)≤¼,或用插值(Slutsky)。信号与次日收益相关 0.03、2000 天 → 标准误 ≈0.022,95% 区间含 0,别交易。
面试用法:报价区间;信号显著性把"95% 置信区间"读成"真值有 95% 概率落在这里"是贝叶斯可信区间的说法,需要先验;频派下这句话没有意义。面试官问这句就是想听你纠正它。
05第三部分 · 数据科学(8–13)
跟《Elements of Statistical Learning》的主线:从两个最简单的预测器出发,一路走到"哪个系数是真的"。
08最小二乘 vs 最近邻
刚性 vs 柔性:LS 高偏差低方差,1-NN 零训练误差、边界是 Voronoi 拼图。
Ŷ = β₀ + ΣXⱼβⱼ ;k-NN = 邻居均值k 只一个数字,但行为上等于 N/k 个参数——所以小 k 就是极柔模型。1-NN 的训练误差永远为 0,所以它毫无信息量。
面试用法:任何 alpha 模型的基线09偏差–方差与维数灾难
检验误差 = 噪声 + 偏差² + 方差。你只能在前两项之间交换,噪声拿不掉。
e_p(r) = r^(1/p):10 维抓 10% 要 80% 边长点会挤到边界:距某面 5% 以内的比例 1−0.9ᵖ,5 维 41%、50 维 99.5%——高维的"邻域"其实是外推。这解释了为什么维度一高,线性模型反而赢。
面试用法:回测过拟合、特征预算10线性回归:β、帽子矩阵、t 与 F
背下这一个就够:β̂ 是 y 在 X 列空间上的正交投影,残差垂直。
β̂=(XᵀX)⁻¹Xᵀy ;H=X(XᵀX)⁻¹Xᵀ ;t=β̂ⱼ/(σ̂√vⱼ)三个必答陷阱:① 把 Y 回归 X 与 X 回归 Y 的 β 相乘 = ρ² ∈ [0,1],不是倒数,也不是 −1…1;② 数据复制一份 β 不变、标准误缩 √2,t 值虚高(重叠窗口的隐形陷阱);③ 共线性:β̂ⱼ 只由"扣掉其他变量后剩下的那一点"决定。
面试用法:beta、对冲比、alpha 的 t 值11Ridge / Lasso / 弹性网
故意加偏差换巨大的方差下降。为什么 lasso 会把系数打成恰好 0:L1 的约束区域是菱形,角落在坐标轴上。
ridge=(XᵀX+λI)⁻¹Xᵀy ;lasso=软阈值 sign(β̂)(|β̂|−λ)₊正交输入下三种收缩一目了然:硬阈值(子集)、比例收缩(ridge)、软阈值(lasso,减完就停在 0)。LAR 一次最小二乘就能走完整条 lasso 路径。
面试用法:几百个噪声信号的组合12主成分
把数据转到大方差的几个方向。X=UDVᵀ,zj=Xvj 的方差是 dj²/(N−1)。
ridge 对第 j 个成分乘 dⱼ²/(dⱼ²+λ)一句话把三件事连起来:ridge = 按成分软收缩,PCR = 按成分硬截断。收益率曲线用 PCA 读就是 level / slope / curvature;股票 PCA 的第一主成分通常就是"大盘"。
面试用法:曲线对冲、统计套利残差、风险因子13因果:选择偏差、随机化、遗漏变量
相关性不是因果,因为被比较的两组本来就不同。随机化把选择偏差项变成 0。
β短 − β长 = π₁ · γ(π₁=处理对漏变量的斜率,γ=漏变量对结果的效应)偏误需要两件事同时成立:漏掉的变量既跟处理同向(π₁≠0),又影响结果(γ≠0)——所以没有数据时也能推符号。盘面上的版本:难单被路由给"聪明算法",比较平均滑点就是纯选择偏差。
面试用法:执行算法评估、信号归因06第四部分 · 三个开放案例(14–16)
没有标准答案,考的是从原始数据走到"你敢用的模型"的顺序:看分布 → 编码 → 归一 → 查相关 → 处理共线 → 样本外验证。
14纽约房价(Two Sigma 风格)
主模型一句话说清:价格 ~ 面积 + 卧室 + 卫生间 + 年份 + 位置。剩下的功夫全在让它成立。
log-log 的系数 = 弹性:面积 +1% → 价格 +0.9%面积与房价都右偏(对数正态)→ 取对数再标准化;borough 用 one-hot 并丢掉一列避免与截距完全共线;beds/baths 与面积强相关 → ridge 或逐步正交化;最后用近期成交做时间外验证。
面试用法:特征工程的通用流水线15歌剧院定价(QuantCo 风格)
从几何开始:每个座位是"附近已售座位"的核加权平均;再发现纯几何会系统性漏掉某些行。
价格 ~ 距离/角度 + log(开演−售出) + 余票数后排卖得比距离预测的更贵,因为那批票最后卖、买的人最想要——稀缺性/怕错过是几何看不到的变量。再往后一步:预测成交价 ≠ 选使收入最大的价,需要把支付意愿当分布来建模。
面试用法:用邻近流动性给冷门合约定价16CitiBike 需求(最开放)
一半的分数在"你想到了哪些变量",另一半在编码。
(sin 2πh/24, cos 2πh/24) + 谐波小时/月份是环:当数字用会在午夜造出假跳变,且线性模型只能画一条直线。三种修法:24 个哑变量、先分桶再哑变量、循环基(可加高次谐波)。天气与温度高度相关,且都随时间走——用 ridge/弹性网,或用"比昨天同一小时"的差分。
面试用法:日内成交量的周期编码07第五部分 · 做市(17–19)
全站最值钱的三课:把前面的概率统计,压缩成"报一个价、被人打、再报一个价"的循环。
报价的三个输入(第 17 课)
- 理论价值:你知道分布就报得窄(一个骰子 3.5),不知道就报得宽(帝国大厦能塞多少乒乓球)。宽度必须随你的不确定性变化,这是面试官唯一在看的。
- 最近成交价:市场实际成交在哪。与你的估值不同时,是"信模型"还是"信市场"的判断。重复进行的游戏里,对手的每一笔都是信息。
- 当前头寸:做市商想平。持多时把整条报价压低(0.45@0.55 → 0.43@0.53),在减少库存的那一边让出 edge。
被打了三次买单之后该往哪走?答案永远是往下、并且更宽:三次卖给你既是证据(逆向选择,价值更低),也让你变多(库存),两个力同向。同理,"0 @ 十亿"这种能包含真相的区间没有任何意义——市场是能成交的那一档,不是能涵盖的那一档。
三个经典游戏(第 18 课)
共同考四件事:能自圆其说的理论价值(并说出假设)、与不确定性匹配的区间、每笔成交后调整(早期动得多,被夹住后动得少)、以及脑子里不乱的持仓与盈亏账。
案例一 · 红袜队常规赛胜场
理论价值:162 场、近年 .519 / .667 / .400,加权下调换人损耗 → 取 .500 = 81 胜,开盘 76 @ 86。区间用 Binomial(162,0.5):σ=√(162·0.25)≈6.36,50% = [76.7, 85.3],90% = [70.5, 91.5]。
每一笔之后为什么动、动多少,比最终盈亏重要:一笔买入后往上移(他认为更值钱,而你变空);一旦上下都被夹住(86 到 90),就把中心放到 88 并收窄。
案例二 · 坦桑尼亚人口(ask ≤ 1.5×bid)
没有知识时动得不够的代价大于动得过多:25M → 75M → 夹住后 50 → 62.5("他们买 60 而不是卖 40,说明接近 60",所以只移动前一次的一半)。
这一局设计成大概率亏钱:考的是"在信息极少时,报价的移动幅度是否合理",不是结果。
案例三 · Trade or tighten(双方私有价值 U(90,110))
你的价值 100。开 90@110(你什么都不知道)。对手报 95@107,中点 101 → 他的价值大概在 100 以上:不要在他市场上成交(两边都对你亏),但要利用这条信息。
关键判断:他刚 bid 100,所以不太可能在 101 卖给你——挂 101 是"低成本占位",保留之后卖更高的选择权;到 103 再挂就太危险,改为在 105/104 卖。
五骰子游戏(第 19 课)
五个骰子藏起来,逐颗揭示,你对和报价,对手偷看过下一颗。这就是逆向选择的最小模型。
公平价 = s + 3.5h,σ = √(35/12 · h) → 开局 17.5 ± 3.8对手只有在你的 ask 比他估计低至少 1 时才买,bid 高至少 1 时才卖,否则不做,偶尔随机成交。四条打法:宽度跟着剩余不确定性(早宽晚窄)、成交是信息(他买 → 下一颗偏大)、盯头寸(最后一颗开 1 而你多 3 手就完了)、接受被收割(有信息的对手长期从你身上赚钱,你的利润来自随机成交的价差)。加宽市场确实少亏——这正是真实价差的定价逻辑。
08下注与速度(20–21)
第 20 课 · Kelly:下多少
找到 edge 只是一半,另一半是押多少。押太少浪费,押太多则"每注都占优仍会归零"。
f* = p − q/b(一般式 f* = p/a − q/b);f*≤0 就别下- 为什么取对数:财富是乘法复利,长期增长率 = E[log(1+r)],最大化它的策略以概率 1 获得最快长期增长。
- 两倍 Kelly ≈ 零增长,路径还剧烈得多——这是本课要你记住的反直觉点。
- 实战:真实 edge 是估出来的,高估就把你推到 Kelly 右边。多数人下半个 Kelly,留约 75% 的增长、换来小得多的回撤。
- 连续版:Kelly 杠杆 = μ/σ²,和均值–方差优化是同一个比;多个相关赌注变成 f* = Σ⁻¹μ。
- 站点自己更正了原书的袜子游戏:胜率是 1/3(不是 2/3),于是结论变成"反着下",f* = 2/3 − 1/3 = 1/3。
第 21 课 · HFT:所有东西在这里汇合
订单簿 → 队列 → 每笔的盈亏分解 → 为什么微秒有意义 → 物理上限。
订单簿与队列
限价单不穿价就挂进簿子(maker,加流动性);市价单吃最好的档,吃穿就叫 walking the book(taker)。price–time priority:同价先到先成交,所以队列位置值钱,而快就是买到好位置的方式。
数据结构:按价格索引的数组 / 价格→FIFO 队列的映射微价格与失衡
中间价忽略了挂单量。900 手在买、100 手在卖时,下一笔更可能打 ask。
micro = (b·Qa + a·Qb)/(Qa+Qb) → 100.008;imb = (Qb−Qa)/(Qb+Qa)订单簿失衡是 HFT 研究里最著名的短期信号之一。
每笔成交的经济学
价差付的是风险钱,而"被成交"本身是坏消息(第 1 课的贝叶斯)。
E[PnL/笔] ≈ s/2 − 逆向选择 − 费用 + 返佣例:报价 99.99@100.01(s=2 美分),成交后价格平均逆向走 0.6 美分 → 每笔 0.4 美分。0.4 美分要变成生意,只能靠大数定律:一天 1k/10k/100k 笔时,亏损日占比约 38% / 16% / 0.1%。
为什么速度值钱
不是为了多交易,而是三件具体的事:队列位置(前排成交的逆向选择更少)、不被 pick off(行情一变,陈旧报价就是白送)、跨场地套利(先看到两边的人拿走差价)。
tick-to-trade:收包→解码→更新簿→决策→风控→发包压缩手段:colocation、kernel bypass、精写的 C++、FPGA(整条回路做进硬件)。
物理上限
玻璃里光慢到 c/1.47 ≈ 204,000 km/s,每公里光纤约 4.9 µs;空气 n≈1,所以芝加哥–新泽西用微波塔链切掉毫秒。
1150 km:空气 3.84 ms vs 光纤 5.64 ms(直线)风险控制是工作的一部分
每张单过盘前检查(头寸/单量上限、价格带),公司留 kill switch。2012-08-01 Knight Capital 因错误部署在约 45 分钟内亏掉约 4.4 亿美元——行业标准反面教材。
09它改掉了原书的哪些错
这是判断一个二手教程值不值得看的最快指标:它敢不敢说自己改了什么。以下四处在课时里明确标注,题库里另有 9 处。
| 课 | 原书 | 本站 | 为什么 |
|---|---|---|---|
| 03 方差 | Var(aX+b)=a²Var(X)+b | a²Var(X) | 常数 b 整体平移分布,不影响离散度 |
| 02 期望 | 无限重掷的最优是 3.5 | V = 4(留 3 以上) | 3 恰好等于 V−1,是临界点;两种规则都给 4 |
| 10 回归 | β₁β₂ ∈ [−1,1] | ∈ [0,1],等于 ρ² | 乘积是平方的余弦,不可能为负 |
| 20 Kelly | 袜子游戏胜率 2/3,应下注 | 1/3,应反着下,f*=1/3 | 15 种配对只有 5 种成立;原书自己的递推也给 1/3 |
顺带一提:这类"原书错误 + 本站更正"的组合,本身就是面试时的加分素材——面试官常问的正是这些边界(Var 里那个 b、两个 β 的乘积)。
10一页速查
面试前一晚只看这张表。
| 要记的东西 | 形式 | 典型数字 |
|---|---|---|
| 贝叶斯(赔率式) | 后验赔率 = 先验赔率 × 似然比 | 出租车 41% · 10 正面 0.506 |
| 期望与线性性 | E[ΣXᵢ]=ΣE[Xᵢ](无需独立) | 重掷 4.25 · 无限 $1 重掷 4 |
| 和的波动 | σ²ₓ₊ᵧ = σ²ₓ + σ²ᵧ + 2ρσₓσᵧ | 两策略 10%/ρ=0.5 → 8.7% |
| 平均值的误差 | σ/√n(相关时地板 √ρ·σ) | SE 0.4→0.1 需 16 倍数据 |
| 回测是否真实 | t ≈ Sharpe × √years | Sharpe 1 → 4 年 |
| 三相关可行域 | ρ₁₂ρ₂₃ ± √((1−ρ₁₂²)(1−ρ₂₃²)) | 0.9/0.8 → [0.458, 0.982] |
| OLS | β̂=(XᵀX)⁻¹Xᵀy,残差⊥特征 | β₁β₂=ρ² |
| 系数的显著性 | t=β̂ⱼ/(σ̂√[(XᵀX)⁻¹]ⱼⱼ) | |t|>2;复制数据缩 √2 |
| 多变量系数含义 | β̂ⱼ = ⟨zⱼ,y⟩/⟨zⱼ,zⱼ⟩,zⱼ = xⱼ 扣掉其他变量 | 共线 → 分母小 → se 爆 |
| 收缩 | ridge 比例 · lasso 软阈值 · 子集硬阈值 | 1:1000 特征且稀疏 → lasso |
| PCA 与 ridge | 成分 j 乘 dⱼ²/(dⱼ²+λ) | 曲线 → level/slope/curv |
| 遗漏变量偏误 | β短 − β长 = π₁·γ | 两项都非零才偏 |
| Kelly | f* = p − q/b;连续版 μ/σ² | p=0.6,b=1 → 0.2;半个 Kelly |
| 报价 | mid = theo − k·pos,半宽 = a + b·σ | σ=4 → 97.1@102.9 |
| 微价格 | (b·Qa + a·Qb)/(Qa+Qb) | 99.99/100.01, 900/100 → 100.008 |
| 每笔盈亏 | s/2 − 逆向选择 − 费用 + 返佣 | 1 − 0.6 = 0.4 美分 |
| 光纤延迟 | t = d·n/c,n=1.47 | 4.9 µs/km;空气快约 1/3 |
11评价与怎么读
强项
- 每课都落到一个可算的数字,而且和"面试官会追问什么"绑定。多数教程停在定义,这里停在"你能在白板上算出来"。
- 做市三课是全站最稀缺的部分:Red Sox / Tanzania / trade-or-tighten 的完整走法、移动幅度、配对记账,公开资料里很少写得这么细。
- 诚实:敢标出原书错误、敢说"这局你大概率亏钱"、敢说 Kelly 应该只下半个。
- 交互图是教学工具,不是装饰:三相关、偏差方差、Galton 板这类图,静态图确实讲不清。
局限(判断,不是站点自述)
- 数学深度到"面试够用"就停:没有随机微积分、没有期权定价推导(Natenberg/Hull 只在书单里),没有波动率曲面本身。
- HFT 只有一课,且偏概念:队列位置的微观模型、延迟套利的实证、市场影响、撤单率的监管,都只是提了一句。想读"系统怎么造",这课不够。
- ML 部分跟着 ESL 走,缺时序金融特有的东西:purged/embargo 交叉验证、多重检验(试了 N 个信号)、特征泄漏、非平稳。这些恰是回测骗人最常走的路。
- 案例止于"一个强答案",没有讨论"如果数据只有 200 行 / 如果分布有重尾 / 如果目标是最小化最大损失"。
- 交互图依赖 JS,抓下来的文本里 3D 部分只剩图注——它的价值有一半在浏览器里,离线读会打折。
三条读法
| 你的情况 | 读哪几课 | 耗时 |
|---|---|---|
| 电话面 / 一周冲刺 | 1–2、6、10 的陷阱、17、18 三个案例 + 题库里 JS / Citadel / Virtu 的题 | 约 2 小时 |
| 交易回合(trader 岗) | 17–19 三课,把三个游戏自己走一遍并写下每步的理由;再补 Kelly | 约 1.5 小时 |
| 研究员 / QR 岗 | 8–13 全读(尤其 10 的 FWL 与共线、11 的路径、13 的 OVB),案例 14–16 各做一遍,第 21 课当行业背景 | 约 3 小时 |
这不是一门"量化金融课",而是一份把面试可能问到的每个概念压缩成一个可算数字的地图,主线清楚(贝叶斯 → 期望 → 方差 → 大数 → 收缩 → 因果 → Kelly → 微秒),做市部分是真正稀缺的内容。它不会让你会写交易系统,但会让你在面试里说得出、在白板上算得对。