学历与能力：量化行业到底看重什么
我的掌握程度：
先掌握这个答案
实况分层：①外资+头部私募：简历关确有院校倾向（效率筛选），但竞赛金牌（数学/ACM/Kaggle/BRAIN）+硬核项目可强穿透；②中部机构：能力权重更高，项目与实习经历决定性；③公募/券商：院校+专业+证书（CFA加分）的综合评估。能力证据金字塔：竞赛奖项 > 可复现的项目（GitHub） > 实习产出 > 课程/证书 > GPA。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 把行情数字变成可比较的收益
看股票、基金或策略业绩时，先对齐本金、起止日期、现金流与费用。
- 选一个固定区间，记录期初价值、期末价值、分红、出入金和交易费用。
- 没有中途出入金时，用（期末价值＋已取出分红－期初价值－费用）÷期初价值计算收益；有出入金时先区分时间加权与资金加权。
- 用相同区间的基准作比较，同时记录最大亏损；不要单凭一次盈利评价能力。
使用边界
- 不同期限的收益不可直接排名；年化只是换算，不是未来收益承诺。
- 模拟价格不是实时行情。普通股票交易手数、T+1和费用应按具体市场规则核对。
背景 · 从一个困惑说起
传闻「量化只要清北复交+海外名校」，吓退无数人。真相更立体：学历是简历筛选的效率工具（尤其头部），但「可验证的能力证据」能大幅穿透学历门槛——而能力恰恰是你可以主动积累的。
由此产生的问题
不同机构层次的学历门槛实况如何？哪些能力证据可以弥补学校背景？
核心概念
实况分层：①外资+头部私募：简历关确有院校倾向（效率筛选），但竞赛金牌（数学/ACM/Kaggle/BRAIN）+硬核项目可强穿透；②中部机构：能力权重更高，项目与实习经历决定性；③公募/券商：院校+专业+证书（CFA加分）的综合评估。能力证据金字塔：竞赛奖项 > 可复现的项目（GitHub） > 实习产出 > 课程/证书 > GPA。
为什么需要它
①策略明确：无法改变学校，可以改变证据——把时间投入到「可验证的产出」上（本课程的毕业项目就是为此设计）；②残酷真相：行业看重的是「快速学习+严谨思维」的上限信号，学历只是它的代理变量之一，任何能直接展示这两点的作品都优于代理变量；③窗口期：实习是学历普通者最有效的通道（实习表现→转正），大二就要启动。
实际应用场景
证据清单建设：GitHub仓库（数据管道+因子研究+回测报告）、BRAIN合格因子数、Kaggle名次、一篇研报复现笔记发知乎——每项都是面试时可以深挖40分钟的弹药。
与之前知识的联系
q-077岗位的能力要求落地为个人证据建设。q-083的时间线把这些证据排进日程。
⚠ 常见误解
- 非名校彻底没机会：中部机构、券商、公募每年大量录用非头部院校；且曲线入行（先中小后头部）常见
- 证书越多越好（CFA/FRM）：证书是公募/卖方加分项，私募研究岗更看重实战证据——时间分配要按目标岗位
- 竞赛必须拿金牌才有用：银牌/前10%+能把项目讲透，已胜过90%的竞争者；关键是有深度而非头衔
🛠 本题实践任务
写一份自己的「证据地图」：列出5项计划证据（参考代码清单），每项标注现状（无/进行中/完成）和目标完成时间。
💡 提示（先自己想5分钟再看）
诚实标注现状；完成时间要具体到月份；这份地图每季度更新一次。
✅ 验收标准
一份5行证据地图。它就是你未来一年求职准备的作战沙盘。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（岗位地图），再用案例、公式和代码帮助理解。此功能需要先启用服务。