如何靠做数学赚 50 万美元

如何靠做数学赚 $500,000 July 21, 2026 · 阅读时长 13 分钟 · 查看来源 ↗ Quant 金融 AI Youtube 有一个小众行业，它为数学能力支付的报酬，几乎超过了地球上任何东西为任何东西支付的报酬。它不是什么秘密，也不是骗局，而这笔钱之所以这么大，其原因比数字本身更有意思。 在 Manhattan、Chicago、London 和 Amsterdam 的某个地方，有几千个人正拿着职业运动员的薪水，做着从外面看起来像家庭作业的事。他们估算概率，盯着数据，争论某个规律到底是不是真的。他们中的许多人只有二十三岁，从没上过一节金融课。 他们中间的第一年新人，赚得比外科医生还多。干到第五年的优秀者，赚得比几乎所有中型公司的 CEO 都多。而奇怪的部分——也就是值得理解的部分——在于，他们的雇主认为这很便宜。 我想带你认真地走一遍这个世界。不是那个被玩梗的版本，而是真实的运作机制：谁在付钱、真实的数字是多少、这份工作是什么、所谓的数学到底是什么、人们是怎么进去的，以及招聘手册里从来不会写给你的那些诚实成本。无论你最终会不会申请，理解这笔钱为什么存在，能教给你关于市场如何运作的知识，比读一年的图表还多。 第一层——这笔钱为什么存在 先从那个唯一重要的问题开始。为什么会有人愿意付一个二十三岁的年轻人五十万美元？ 因为在这个特定的行业里，一个好决策和一个平庸决策之间的差距，是以每年数百万美元来衡量的，而且它每天都在复利。 想想 Citadel Securities 或 Jane Street 这样的公司到底在做什么。它站在买家和卖家之间，在每一笔交易上捕捉一个微小的价差，零点几美分。但它每天做这件事数百万次，跨越几千种金融工具。现在想象一位研究员把某个模型改进了一点点，小到几乎看不见，于是公司的报价比以前稍微少错了一点点。这个改进会作用于每一笔交易、每一天、永远。 一个微小的优势，乘以巨大的交易量，就是一笔巨大的钱。所以一个能产出微小优势的人，就值一笔巨大的钱。在这种算术里，付给某人 $500,000 去发现一件能为公司赚 $10 百万的事，不是慷慨，而是一笔划算的买卖，而且这些公司心知肚明。这就是这套薪酬存在的全部原因，也是它为何能熬过每一个市场周期。你拿到的钱，不是因为努力，也不是因为资历。你拿到的是你帮忙创造出的、可衡量、可归因的那笔钱的一个切片。 牢牢记住这一点，因为它能解释接下来的一切，包括那些令人不快的地方。 第二层——三种岗位（它们并不相同） 「Quant」不是一个岗位，而是三个，而且它们的薪酬和体感都不一样。人们浪费好几年，申请错了方向。 Quant Researcher（量化研究员）寻找信号。这是最接近当科学家的角色。你拿到海量数据，对某个能预测价格的东西提出假设，然后把大部分时间花在试图证明自己错了上。所需的技能是统计学、机器学习，以及最重要的研究纪律。你的大多数想法都会失败。这份工作就是廉价而诚实地把它们毙掉。这里的人背景严重偏向数学、统计、物理和计算机科学的博士。 Quant Trader（量化交易员）管理实时风险。研究员以月为单位思考，交易员以秒为单位思考。你要定价、对冲、决定承担多少敞口，并在屏幕上数字朝不利于你的方向跳动时保持冷静。所需的技能是概率直觉、快速心算和稳定的心态。这个岗位招很多聪明的本科生，不要求博士。 Quant Developer（量化开发）建造机器。如果系统无法在微秒级执行、无法干净地吞吐 TB 级数据、并且永不崩溃，那这些模型就一文不值。这是严肃的软件工程，通常是 C++ 和 Python，有时是冷门技术栈。Jane Street 以跑在 OCaml 上闻名——一种几乎没有别处使用的函数式语言——他们还把这种语言教给新员工。 如果你热爱证明问题、讨厌压力，那你适合做研究员。如果你热爱压力和快速决策，那你适合做交易员。如果你热爱构建不能出故障的东西，那你适合做开发。三种岗位都薪酬极高。诚实地选对方向，是第一个真正的决定。 第三层——真实的数字 这是所有人都想要的部分，但有个前提：这些是公开报道的区间，而且这里的薪酬严重依赖奖金。基本工资通常只占总数的 30% 到 50%，剩下的取决于你自己和公司那一年的业绩。 起步阶段。顶尖公司刚毕业的量化交易员，总薪酬一般在 $250,000 到 $450,000 之间。刚毕业的研究员大约落在 $225,000 到 $400,000。在市场最顶端，Jane Street 的入门级交易员据报道在 $350,000 到 $450,000 甚至更高。 Citadel Securities 公开列出的量化研究员基本工资在 $250,000 到 $350,000 左右，而一旦发放自主奖金，第一年的总薪酬据报道从 $400,000 到超过 $700,000 不等。 实习薪酬最能说明问题。Jane Street 给大多数实习生的年薪化薪酬约为 $300,000。Citadel 的量化实习生 2026 年项目每周大约赚 $4,300 到 $5,800，十一个星期的实习期约 $47,000 到 $64,000，外加 $15,000 到 $25,000 的签约奖金和价值接近每月 $5,000 的公司住房。Hudson River Trading 给十周项目的薪酬约为 $54,383，另有 $25,000 的签约奖金。由数学家 Alex Gerko 创立的伦敦公司 XTX Markets，为一个 AI 研究实习岗位开出的基本工资是每月 $35,000，一个完整实习期下来，不含其他任何东西就超过 $120,000。 再读一遍。这些还都是学生。公司之所以付这些钱，是因为实习是检验一个人是否真能干活的最便宜方式，而找到一个能干活的人，其价值远远超过整个实习预算。 再往后。差距会残酷地拉开。第一年新人拿 $250,000 到 $350,000。资深研究员或首席量化通常拿 $500,000 到 $150 万甚至更高。在 Citadel、Two Sigma、D.E. Shaw、Jane Street 和 Renaissance，资深研究员常年超过 $700,000，经常达到七位数。Renaissance Technologies 被广泛视为业内薪酬最高的雇主，这很合理：它的 Medallion 基金自 1988 年以来按费前计算年化约 66%，而里面的人共享这份收益。Renaissance 也几乎从不招没经验的人，而且它的基金完全不向外部资金开放。 粗略的层级。精英做市商——Jane Street、Citadel Securities、Hudson River Trading、Optiver、IMC、SIG、Jump——倾向于在毕业生层面给最多。伟大的量化对冲基金——Two Sigma、D.E. Shaw、AQR、PDT，以及凌驾于它们之上的 Renaissance——给有经验的研究员开最高薪。银行的量化岗位薪酬明显更低，但好进得多，而且是一条完全正当的入门路径。 第四层——所谓的「数学」到底是什么 这是大多数人感到意外的地方，而且是货真价实的好消息。你不需要高深的数学，你需要的是少数几样东西，理解得比大多数毕业生深得多。 概率，深入到骨子里。不是公式，而是直觉。条件概率、期望值、分布，以及在不依赖计算器、不欺骗自己的情况下回答「这个赌注值多少钱？」的能力。这是整个行业里被考察得最多的科目。 统计与推断。如何区分信号和噪音。样本量、显著性、过拟合、样本外测试。一个研究员整个职业生涯都在面对这个问题：「这是真的，还是我把数据折磨到它招供了为止？」 线性代数与优化。投资组合、协方差、回归、风险。一切最终都会变成矩阵。 编程，认真做。Python 是通用的，C++ 用在需要速度的地方。现在连研究岗都会直接考编程，常常是在数学之上再叠加算法题。 心算。专指交易岗。你会被要求快速心算，当着别人的面大声算出来。这听起来像聚会上的小把戏，但它真正检验的是你的思考在压力下会不会垮掉。 注意这份清单上没有什么：没有公司金融，没有会计，在入门层面也完全不需要任何市场知识。公司默认会教你领域知识。在他们看来，他们教不了你的，是如何在不确定中思考。 第五层——那扇门实际上是怎么打开的 这个流程以残酷著称，却又出奇地一致。 通常从在线测试开始，考数学，常常还有代码。然后是 45 到 60 分钟的技术面试，有时是纸笔或白板，你推理时全程被人盯着。预期以概率题为主，还有脑筋急转弯、估算题，而对研究员来说，是统计、机器学习和研究设计。 然后就是 Superday：几场面试连轴转，有时一整天，把更难的技术轮和案例分析、交易模拟、与高层的交谈混在一起。有些公司还会加一些不寻常的测试：IMC 用的是一套游戏化的认知测试，叫 NeurOlympics，大约 45 分钟的脑力游戏，测记忆、反应和策略。 有两件事比候选人预期的更重要。第一，他们看的是你的过程，而不只是答案。说「我认为大约是 30%，这是我的推理，这是会改变我想法的条件」，每次都胜过信誓旦旦却错得离谱的数字。第二，他们是在招一个同事。这是高压房间里的小团队。无论你数学多好，令人讨厌都是一票否决。 第六层——到底谁能进去 坊间传说只有国际数学奥林匹克（IMO）奖牌得主和 MIT 博士才进得去。现实比这开放得多，值得说清楚。 是的，公司确实会积极招募 Putnam 竞赛选手和奥赛奖牌得主。在最顶端，血统是真实的。Two Sigma 的联合创始人 John Overdeck 十几岁时就在 IMO 拿了银牌。但全世界的奥赛奖牌得主就那么多，而这个行业的规模远比那个池子大得多。 看看这些创始人到底是怎么走到今天的。Ed Thorp，第一位现代量化，曾是一名数学教授，先学会战胜二十一点，然后把同样的思路应用到市场。Jim Simons 是一位功勋卓著的几何学家，从没做过交易，雇的是密码破译员和物理学家，而不是金融从业者。David E. Shaw 是 Columbia 的计算机科学教授，而他手下一个名叫 Jeff Bezos 的年轻员工离开后开了一家书店。Ken Griffin 还是本科生时，就在哈佛宿舍里交易可转债，屋顶上架着卫星天线。Cliff Asness 在芝加哥大学 Eugene Fama 门下读完博士，之后创立了 AQR。Emanuel Derman 是一名粒子物理学家，误打误撞进了 Goldman Sachs，还为此写了一本书。 他们几乎没人出身金融。他们来自数学、物理、计算机科学，而 Thorp 的情况是来自赌场。这个行业一直以来招的是：原始的解析能力，加上你能完成困难事情的证据。一个过硬的量化学位、真正的编程能力、可展示的项目，以及认真的面试准备，每年都能让来自并非精英学校的人进去。真正的守门只是少数几家公司在做，而不是整个行业。 第七层——诚实的那部分 现在是招聘页面不会替你写出来的部分，因为你应该睁着眼睛走进去。 这笔钱是对你产出的押注，而不是工资。既然其中很大一部分是奖金，一个糟糕的年份就不只是数字变小，而可能是出局。尤其是研究岗位，评判标准就是你的信号有没有赚钱。有些公司以快速让人走人而闻名。 你的优势会衰减，这是永久的，也是设计使然。每一种奏效的策略都会引来模仿者，然后失效。研究员的职业生涯就是在替换自己过去的发现。工作永远不会完成，而去年的才华放到今年一文不值。 工时和压力是真实的。大多数公司不是投行那种通宵达旦，但持续的高强度是真实的，而对交易员来说，还有实时亏真钱的独特压力。 这份工作比你听起来更窄。你不会在数学的世界里自由游荡。你可能在某个问题的某个角落上耗上十八个月。需要变化的人常常会 burnout，哪怕拿着极高的薪水。 而且它真的很难进。顶尖公司的录取率非常残酷。很多优秀的候选人一申请就是好几年。正确的预期是：你是在试图进入现存竞争最激烈的劳动力市场之一，并据此做准备。 真正重要的那部分 把这些拼在一起，画面就清晰了，而且远没有那个数字所暗示的那么神秘。 这个行业薪酬如此之高，只因为一个原因：一个微小的解析优势，以极大的规模应用，就产生巨大的钱，而这笔钱可以被追溯到具体的人。不是资历，不是努力，而是产出。那五十万是你能够指认出来的价值的一份份额。 这意味着真正的问题不是「我如何靠做数学赚 $500,000」，而是「我能不能产出一个微小、真实、可证明的优势，并且诚实地证明它？」无论你是在面试 Jane Street、跑自己的策略，还是用你的生命做完全别的事，这都是同一种技能。这些公司不过是全世界购买这种技能最高效的市场。 而这是让我真正感到有希望的部分。那份技能清单上的每一件事都是公开的。概率、统计、线性代数、编程。教科书免费或近乎免费，大学课程在 YouTube 上，面试材料被过来人详细记录成文。没有人藏着课程大纲。稀缺的不是渠道，而是愿意把它学到成为本能这种深度的人数。 这是我会坐下来认真想的事。这些公司付钱买的不是知识，因为知识是免费的，而他们清楚这一点。他们买的是在不确定中经过校准的判断力——那种能说出你有多确定、并且对自己有多确定这件事判断准确的能力。这种技能在 Manhattan 的某一栋楼里值五十万美元。而且它恰好也是你在任何职业、任何生意、以及你此生会做的任何一次押注里，所能拥有的最有用的单一能力。那么，如果你从这一周开始刻意训练它，无论你最终会不会发出哪怕一份申请，情况会有什么不同？ 标签：# X # Quant # 金融 # AI # Youtube # 指南 相关文章 我用过的 7 个无露脸 YouTube 钩子，帮我做出了 2 亿+ 观看量（直接拿去用） 我已经为 50+ 个赛道写过 8,000+ 条 YouTube 脚本的钩子。 Youtube 营销 金融 AI 量化研究员如何用 AI 构建自适应交易策略（完整指南） 一个用于识别市场状态、并在状态变化摧毁你的 P&L 之前动态调整策略的实用框架。 AI 金融 Quant 营销 2026 年最容易印钱的无露脸 YouTube 赛道 我被问到这个问题比任何其他问题都多。连续六个月。 营销 Youtube AI 金融