這次面的是 Optiver SDE 崗，三輪連著走，節奏非常快，但整體體驗兩個字：硬核。和傳統大廠不一樣，雖然崗位是 Software Engineer，但面試內容明顯不只是純後端開發，交易理解、數學直覺、表達能力都會被深挖。下面按輪次拆一下全過程。
第一輪：Technical Interview（45min）
第一輪整體偏技術表達 + 專案落地能力。
開場讓我介紹一個技術專案。我選了實習裡做的一個交易訊號回測系統，用 Python 搭建資料管道、訊號生成邏輯和 PnL 計算模組。我重點講了架構拆分：資料層、策略層、執行層是如何解耦的，以及如何保證回測結果可復現。
面試官沒有停留在做了什麼，而是馬上追問：如果資料量翻倍怎麼辦？如果延遲要求從秒級變成毫秒級怎麼辦？我講了向量化最佳化、減少不必要的 dataframe copy、用 C++ 擴充套件熱點函式，以及並行處理歷史資料。這裡明顯在看工程思維，而不是刷題能力。
接著出現一道降維表達問題：讓用非技術人員能聽懂的話解釋什麼是交易演算法。我把做市邏輯類比成奶茶店動態定價，人多就稍微漲價，人少就發優惠券，本質是動態平衡供需並賺取價差。面試官點頭，但也提醒不要堆術語。
最後給了一個期權敏感度小問題：如果 Call 的 Delta 是 0.5，股價漲 1 分錢，期權漲多少？我直接用比例解釋，而不是寫公式。重點在於邏輯清晰。
第二輪（60min）
第二輪強度明顯上升，開始更貼近 trading firm 的核心。
一開始是 Market Making 場景討論。假設某資產當前報價 4 萬美元，你作為做市系統開發者，會如何設計自動掛單邏輯？如果突然出現大額賣單砸盤，你的系統如何響應？我從系統角度講了：報價引擎如何根據庫存風險動態調整 bid/ask spread，如何根據訂單流變化擴大或縮小价差，以及如何透過限倉機制控制風險暴露。這裡並不要求你會交易，但必須理解撮合邏輯和風險控制思路。
隨後是一個 Fermi 估算問題：估算上海有多少家奶茶店。我沒有急著給數字，而是從人口規模、消費頻率、單店服務半徑逐層拆解。面試官更關心的是假設是否合理，而不是最終數字。接著進入偏量化的一段討論：從零實現 Black-Scholes 定價模型。剛寫完閉式解公式，面試官馬上要求用二叉樹方法重新推導。我只能一步步構建風險中性機率，再往回折現。中途卡了一下，他提示是否可以用伊藤引理簡化某一步。
第三輪：Behavioral + Culture Fit（45min）
終面反而更加細節化。
首先是 Why 公司。提前做過調研，我結合公開資料提到他們在亞太區的做市擴張、技術驅動文化，以及對工程效率的重視。這裡一定不能泛泛而談。
然後是衝突經歷。我講了實習時和 PM 就策略引數選擇產生分歧，當時爭論很激烈，最後透過回測資料對比驗證方案，策略收益提升約 15%。結構上嚴格按“衝突背景—採取行動—結果影響”展開。
最後我反問，如果作為應屆生入職前該準備什麼。面試官的回答很有意思：少堆模型，多練心算和博弈思維。這其實點出了 trading firm 的核心文化——反應速度和決策邏輯。
想更穩透過 Trading Firm SDE 面試？
我們長期針對 Trading / Quant / SDE 崗位做專項 mock、面試輔助 。已經幫助不少同學透過 Optiver、IMC、Jane Street 等交易公司技術面。如果你目標是 trading firm，而不是傳統大廠，準備方式一定要不同。
