量化职业路线不是18个月速成：从 Jane Street 招聘事实出发，重建 Quant Career Readiness Map
AH-0300 的开头很抓人： Jane Street 新人底薪 30 万美元； 总包 30–50 万； 全公司人均 140 万； 金融 AI/ML 招聘一年增长 88%； 不要求金融背景； 18 个月就能敲开行业大门。 这里面既有真实事实，也混入了没有可靠一手证据的数字和作者自己的学习时间估计。 所以这篇真正值得做的，不是： “普通人18个月进顶级量化。” 而是： 顶级量化岗位到底要
量化职业路线不是18个月速成：从 Jane Street 招聘事实出发，重建 Quant Career Readiness Map
AH-0300 的开头很抓人：
Jane Street 新人底薪 30 万美元； 总包 30–50 万； 全公司人均 140 万； 金融 AI/ML 招聘一年增长 88%； 不要求金融背景； 18 个月就能敲开行业大门。
这里面既有真实事实，也混入了没有可靠一手证据的数字和作者自己的学习时间估计。
所以这篇真正值得做的，不是：
> “普通人18个月进顶级量化。”
而是：
> 顶级量化岗位到底要求什么能力，以及如何用可验证作品判断自己有没有接近门槛。
一、先核最吸引人的数字：$300k base 是真的
截至 2026-08-14，Jane Street 当前纽约 Quantitative Trader 招聘页明确写：
> Base salary is $300,000.
而且说明：
base 只是总薪酬一部分，还有年度 discretionary bonus。
当前 Quantitative Researcher 的纽约岗位同样出现 $300,000 base。
所以：
> Jane Street 某些纽约量化岗位 base $300k
可以写。
但不能自动升级成：
所有新人； 整个行业； 全球办公室； 总包必定 30–50 万。
工资永远带：
Role / Location / Date / Base vs Bonus。
二、“不要求金融背景”也是真的，但最容易被误读
Jane Street 当前 Quant Trader 招聘页明确说：
Prior knowledge of finance or economics is not expected or required。
官方面试页面也强调：
Finance background: optional。
这句话是真的。
但它真正的意思是：
> 金融知识可以后学。
不是：
> 岗位门槛低。
同一页面仍然要求：
strong quantitative mind； problem solving； collaboration； programming comfort。
Quant Research 更明确要求：
数学/逻辑； Python； 研究能力； 数据科学/ML 背景通常有帮助。
所以新增：
> No-Finance-Background ≠ Low Barrier
三、“全公司人均 140 万美元”没有足够当前一手证据闭环
源文把这个数字放在最前面。
但在当前可核的 Jane Street 官方招聘资料中，无法把：
“全公司包括行政后勤人均年薪 140 万美元”
闭环成官方事实。
这可能来自：
利润分配推算； 媒体报道； 历史财务数据； 不同口径。
但没有可靠原始口径就不能放到 FINAL 标题或核心事实。
所以降级：
UNVERIFIED / SECONDARY CLAIM
四、“金融 AI/ML 招聘 +88%”也没有找到可靠原始来源
这类数字尤其要警惕：
它可能来自某招聘平台某关键词； 某国家； 某时间窗； 某岗位类别。
如果没有：
Dataset / Geography / Role Definition / Baseline / Period，
“+88%”几乎无法解释。
所以这条删除。
而不是为了故事完整去找一个“差不多”的行业报告顶上。
五、18 个月不是职业规律
源文说：
从零基础到敲开行业门大约 18 个月。
后面又给：
概率 3–4 周； 统计； 线代； 编程； 机器学习等阶段。
这是一套作者学习计划。
可以参考。
不能写：
> “普通人 18 个月可进 Jane Street。”
因为起点差异巨大：
数学基础； 编程； 英语； 学历； 研究经历； 面试速度； 时间投入； 地区； 签证； 竞争。
所以 Batch 30 新增：
> Career Readiness ≠ Calendar Duration
真正要过的是能力 Gate。
六、第一层：Probability & Expected Value
Jane Street 的官方 Interview/Probability materials 确实强调：
概率； 决策； 赔率； 期望值； 风险。
所以概率是核心。
但学习目标不是：
背 Bayes 公式。
是能够：
条件化思考； 更新信息； 比较赔率； 在不确定下决策； 解释假设。
验收可以是：
你能否自己写模拟； 解释结果； 发现直觉错误； 做简单 market-making game。
不是“学了四周”。
七、第二层：Statistics & Multiple Testing
源文提到：
测试 1000 个随机策略，在 5% 显著性阈值下可能出现约 50 个看起来显著的结果。
作为教学直觉，这是对 multiple testing 的好入口。
但金融研究还必须继续问：
Data snooping / Selection bias / Multiple hypotheses / Economic significance / Transaction costs / Out-of-sample。
p-value 小不等于：
有可交易价值。
所以验收不应该是：
会做 t-test。
而是：
> 能解释为什么一个漂亮回测可能只是筛选出来的噪音。
八、第三层：Linear Algebra
源文说：
500 只股票，两两相关关系很多，矩阵可以统一处理。
这是不错的直觉。
但后面：
“前 5 个隐藏因子解释全部波动的 70%”
不能作为市场通用事实。
PCA 解释比例取决于：
资产； 时间窗； 频率； 标准化； 市场 regime。
所以这类数字只能：
Dataset-specific Example
不能当知识定律。
九、第四层：Programming
Jane Street 当前 Quant Trader 并不要求特定语言。
官方甚至说明：
不要求特定 programming language。
但“comfortable programming”是加分； Quant Research 更明确需要 Python 能力。
所以真正学习目标不是：
必须刷某一个语言榜单。
而是：
Data
能处理数据。Simulation
能做 Monte Carlo。Research
能实现想法。Debugging
能发现 bug。Communication
代码和结论能让别人复现。一个不会工程化研究的“数学高手”也会卡住。
十、第五层：Machine Learning 不是越深越好
Jane Street 当前 Quant Research 页面明确表示：
不会迷信“一种模型解决所有问题”，从线性模型到深度学习都会根据问题选择。
这说明：
量化学习路线真正应该建立的是：
> Model Selection by Problem
而不是：
“学到 Transformer 才高级”。
先问：
目标变量是什么？ 数据量？ 非平稳？ 可解释？ 延迟？ 容量？ 验证方式？
线性模型能解决，就不一定需要神经网络。
十一、量化交易也不是“完全不预测具体股票”
源文为了纠正“量化=炒股”写：
Quant 不预测特斯拉明天涨不涨。
这种表达太绝对。
量化团队可能做：
single-name； cross-sectional； options； market making； stat arb； macro； ETF； event； ML forecasting。
真正区别不在：
“研究不研究某一只股票”。
而在：
> 用系统化、可验证、可执行的模型和数据处理不确定性。
十二、四类 Quant Role 要分开
“Quant”不是一个岗位。
至少：
Quant Trader
快速决策； 概率； 市场机制； 风险； 沟通。Quant Researcher
数据； 统计； 模型； 实验； 代码。Quant Developer / Engineer
系统； 性能； 基础设施； 执行。ML / Research Engineer
模型训练； 数据管线； 部署； 评估。不同岗位路线不一样。
一个统一“18个月路线”必然失真。
十三、真正应该建立 Career Readiness Map
Batch 30 新增：
> Quant Career Readiness Map
Probability
能否独立解决概率/期望问题？Statistics
能否识别过拟合和多重检验？Programming
能否实现研究并测试？Data
能否处理脏数据、时间戳、泄漏？Research
能否提出并证伪假设？Market reasoning
能否理解价格、流动性、交易机制？Communication
能否边想边解释？Interview
能否在压力下合作解题？Evidence of Work
是否有可复现项目？时间只是结果。
十四、作品比“学完课程”更有证据力
一个真正有价值的项目，不是：
“我做了一个年化 30% 的策略。”
而是：
Research question
问题是什么？Data provenance
数据从哪来？Leakage
如何避免未来信息？Baseline
和什么比较？Validation
OOS / walk-forward？Costs
费用和滑点？Failure
哪里失效？Reproduction
别人能否跑出来？这类项目即使最终：
“没有 alpha”，
也可能比一个漂亮但不可复现的收益图更能证明研究能力。
十五、面试真正考什么
Jane Street 当前官方 Interview 页面非常明确：
Quantitative Trading 关注：
problem solving； probability/statistics； 可能包含 coding； data analysis； communication。
并且强调：
不会考金融经济学背景知识。
这说明真正准备方式是：
Solve
现场解题。Explain
说清思路。Update
接受提示后修正。Collaborate
像和同事一起解决问题。Admit mistakes
发现错了就纠正。而不是背量化面经答案。
十六、薪资不应该成为路线图的第一驱动力
$300k 很吸引人。
但它同时意味着：
岗位筛选极强。
如果一个人真正喜欢的是：
快速致富， 却不喜欢概率、代码、研究和高压问题解决，
再高的薪资也不会把学习过程变简单。
所以职业选择还要增加：
> Work Preference Fit
喜欢什么：
数学推理？ 长时间 debug？ 数据实验？ 竞争性环境？ 高密度反馈？
职业适配不能只看 total comp。
十七、AI/ML 对普通人的真正启示
不是：
金融 AI 岗位增长 88%，赶紧冲。
更稳的启示是：
传统 Quant 越来越需要：
数据； 代码； 统计； ML； Agent-assisted research。
AI 可以帮助：
写模拟； 解释代码； 建立数据检查； 生成测试； 复现论文； 做面试练习。
但不能替你：
形成概率直觉； 判断数据泄漏； 发现研究设计错误； 现场解释推理。
十八、产品化
新增：
> Quant Learning & Evidence OS
Free
Quant Career Readiness Checklist。Low-price
能力矩阵 + 项目验收模板 + Interview Evidence Pack。Membership
岗位/薪资/技能要求动态更新。High-ticket
学习路线与作品 Portfolio Review。不卖：
“18个月进 Jane Street”。
卖的是：
> 你现在离目标岗位的能力门槛到底差在哪。
十九、V3
选择 10 个真实学习者。
先按“学习时间”自评。
再按 Career Readiness Map 测：
概率； 统计； 代码； 研究； 数据； 沟通。
比较：
自我感觉 vs 可验证能力。
然后 8–12 周后重复。
如果这个 Map 不能更准确地指导学习优先级，就降级。
最后
Jane Street 当前 $300k base 和“不要求金融背景”都是真的。
但这两条事实不应该被拼成：
> “普通人18个月就能进高薪量化。”
更准确的结论是：
> 顶级量化公司愿意从没有金融背景的人里招人，因为它们真正筛选的是另一套更难伪装的能力：概率、数学、代码、研究、问题解决和沟通。
职业路线真正应该问的不是：
“还要几个月？”
而是：
> 我还有哪一个能力 Gate 没通过？