阶段10求职准备●●●●●

简历筛选的45秒：量化简历的排版经济学

我的掌握程度：

q-903精讲

先掌握这个答案

阅读动线：第一眼→姓名下方的「一句话定位」（如：量化研究方向｜A股多因子+ML｜BRAIN 47合格Alpha）；第二眼→项目区的旗舰条目（前三个数字）；第三眼→竞赛/技能区。黄金结构：①一句话定位（10字内说清方向）②教育（院校/专业/GPA可选——应届放前、社招放后）③项目经历（旗舰在前，每条2-3行全带数字）④竞赛与开源（BRAIN/Kaggle/GitHub）⑤技能（Python/pandas/LightGBM/SQL——只写经得起追问的）。致命细节：格式——PDF文件名「姓名-岗位-量化」、单栏无花哨模板（ATS与阅读习惯）；措辞——禁「熟悉/了解」（一律用「用X做了Y达到Z」的及物动词句）。

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

把结论换成可核查证据

展示问题、数据版本、实验方法、基准与失败复盘；数字对应可复现报告。岗位分工、薪资和时间线随机构与年份变化，以当期JD和正式沟通为准。

本阶段实战方法 · 用可核查证据展示研究与工程能力

准备简历、答辩或从回测转向模拟盘时，优先展示过程、约束和证据。

用一页README交代问题、数据来源、运行命令、时间切分、基准、成本和已知限制。
把结果对应到文件、版本和实验记录；面试说明自己做了什么、失败在哪里、如何排查。
先进行模拟盘和故障演练，验证重复下单防护、持仓对账、告警与恢复，再评估进一步上线条件。

使用边界

回测漂亮不等于可实盘；还需要权限、稳定执行、成本与容量验证。
薪资、招聘时间和平台门槛会变化，应查当期职位说明；不要把固定数字当行业标准。

不懂的术语：Alpha（阿尔法）因子（Factor）Alpha 信号（Signal）LightGBM 常用参数 BRAIN（WorldQuant）Kaggle

背景 · 从一个困惑说起

量化机构的简历平均停留时间约45秒——不是面试官冷漠，是每天200份简历的物理约束。你的简历不是文档，是一张45秒的信息战场：每个位置、每个数字都在争夺注意力。

由此产生的问题

45秒的阅读动线（视线怎么走）？量化简历的黄金结构（顺序/密度/数字）？两类致命细节（格式与措辞）？

核心概念

为什么需要它

①信息密度即尊重：45秒战场里，空话（「负责相关开发工作」）是对读者时间的浪费——每个词要么是证据要么删掉；②筛选逻辑的适配：简历筛选择优的依据是「可验证信号」（竞赛/数字/GitHub）——你的证据地图（q-082）就是为这一刻建的；③自我营销的诚实版：好排版不是包装是索引——把真材实料放在能被看见的位置。

实际应用场景

自检清单：随机翻到简历任何一行，10秒内能说出「这行证明了什么能力」吗？说不出的行删掉；三个版本（研究员/开发/ML岗）各备一份，定位句与项目顺序不同。

与之前知识的联系

q-901（全景图）的落地排版；q-856（项目选型）决定哪条置顶；q-082（证据地图）是内容来源；面试的45秒预演——简历就是无声的第一轮面试。

⚠ 常见误解

简历越长越显丰富：一页纸是硬通货（应届）/两页封顶（资深）——第二页的阅读率断崖下跌
技能栏多列显得全面：写10项「了解」不如3项「能现场手写」——技能栏是承诺清单不是愿望清单
好项目自然会被看到：45秒动线里位置即命运——旗舰项目必须第一条、第一行带数字

🤖 AI导师

导师会先检查你的前置知识（证据化写法、三件套结构），再用案例、公式和代码帮助理解。此功能需要先启用服务。