Quantitative Developer - Central Liquidity Strategies

优缺点分析

角色解读

• 在机构交易技术前台积累稀缺的低延迟量化工程经验，技术深度与业务理解同步提升
• 随着亚太执行与融资业务扩张，有机会成长为团队技术骨干或跨区域项目核心开发
• 掌握 q/kdb+ 等量化技术栈后，可向量化研究、交易技术架构或策略工程方向延伸
• 用 q/kdb+ 与 Python 为股票执行与融资业务开发多类应用，覆盖从数据处理到交易链路的不同系统
• 实现并优化计算密集的量化模型，重点解决大规模流式数据的高性能处理问题
• 与量化研究员、交易员及其他工程团队协作，定义技术规格与 API 集成方案
• 参与公司大量订单流的分析、优化、路由与内部化，支撑亚太区新计划落地
• 扎实的编程功底：同时掌握编译型与解释型语言，熟练在 Unix 环境下开发
• 高性能数据处理能力：能针对大规模流式数据做低延迟、高吞吐的工程优化
• q/kdb+ 与时序数据库：具备实践经验会有明显优势
• 金融业务理解与沟通：理解电子交易市场机制，能与研究员和交易员高效对齐需求

申请策略

• 简历与面试尽量用英文准备，团队为全球协作且职位描述全为英文
• 提前了解 Millennium 执行服务部门与中央流动性策略团队的业务定位，面试中展现对订单流执行与内部化的理解
• 突出在金融机构的开发经历，量化说明所负责系统的规模、订单流或数据量级、延迟指标
• 展示 q/kdb+ 或其它时序数据库的实战项目，以及 Python 在生产环境的工程化经验
• 用具体案例说明你做过的高性能/流式数据处理优化及其带来的性能提升
• 体现跨团队协作成果，例如与研究员、交易员对接 API 或技术规格的经历
• 补强 q/kdb+ 的基础语法与常见优化模式，即使非必需也能显著提升竞争力
• 熟悉股票电子交易的基本机制，如订单类型、路由、内部化与撮合流程，便于快速理解业务

面试指南

• 技术项目题用「背景—方案—结果」结构：先说明数据规模与延迟要求，再讲你的技术选型与优化手段，最后给出可量化的结果
• 业务理解题先讲你对交易机制的理解，再结合你做过的系统说明如何落地
• 协作类问题用具体的分歧或对齐案例，强调主动沟通与规格文档化的做法
• 请介绍一个你用 q/kdb+ 或 Python 处理大规模流式数据的项目，你是如何做到高性能的？
• 在 Unix 环境下，你如何定位并优化一个计算密集型的性能瓶颈？
• 你如何与量化研究员或交易员协作，把他们的模型需求转化为可交付的系统？
• 谈谈你对股票电子交易、订单路由与内部化的理解
• 面对多个并行的高优先级需求，你如何排定优先级并在高压下按时交付？