正文
我是去年3月报名Kaggle信用风险模型赛题，5月出结果。Kaggle会提供相关数据，参赛人需要以代码的形式提交自己构建的模型，平台将运行特定程序对所有参赛模型进行评估，依据预测的准确率来打分，最终得分最高者获奖。
我个人不太熬夜，但国内公司的面试时间都在凌晨，所以
我常常深夜对着笔记本屏幕写coding题，回答VI等
。这里我和大家分享一下HSBC的面试过程。
HSBC
总共是3轮左右的笔试和面试。从简历投递到最后出offer大概总共是4~5个月的时长。
1st round：
online assessment+video interview（BQ）
大概40分钟就可以做完。
WST有相应的笔试和video interview题目。
HSBC的video interview会有一定难度，需要你用英文回答。而且也不是单纯给你很结构化的问题，会给你一个场景，你读完场景以后再去回答问题。
对我来说，第一轮面试是难度最大的。之后的面试，我觉得只要英语和代码没有问题就比较好过了。
2nd round：coding test
3rd round：现场给题
写道简单的python算法，面试官问你为什么这么写的思路。另一位面试官问你BQ（终面会用英文问，之前都是中文）
不要被名字骗了，NYU DS项目其实很‘Quant’
在我申研究生项目的
大四暑假
，我才开始量化求职。至于‘Why Quant？’我留到后面一段来说。
我当时是没有Quant实习的，申请金工、金数项目肯定会成为炮灰，所以我的选择是申请数据科学项目。当时除了NYU之外，我还拿到了USC、Columbia、JHU等学校的offer。在综合比较各个学校DS项目的知名度和行业认可度，我在NYU开始了读研之旅。
NYU的DS项目是非常硬核的。项目课程是为研究生群体（涵盖硕士与博士阶段）量身定制，课业难度较高，想学好很难。
它对于数学的基本功要求是非常高的
。以研一的数学课为例，课程重点偏向理论证明，像统计和线性代数这类数学分支，在课程里呈现出很强的理论性，与实际求职的直接关联性较弱。但是在强化数学思维、提升逻辑推理与抽象思考能力上有很大的帮助。
至于编程的话，机器学习和深度学习这两门课上的人比较多。NLP这种新闻文本提取也比较有帮助。
留学生是很难平衡学业和求职的。那我的建议是研究生不要太看重GPA，
研究生阶段不必过度追求 GPA，不妨将更多时间与精力投入到求职准备中，因为这能带来更为直观的成果反馈。
现实一点，把面试里会问的数学和编程题目准备一下。
当然，NYU的DS项目也会开设一些很有实践性的课程，这些课程能显著提升大家简历的竞争力。
我说说我完成过的一个“实践课”。我们需要与外部公司的人员对接，协助他们完成项目。这是一个非常注重实践的项目，和我们开会的是一位十分厉害的印度领导。他在计算机内存和GPU运用方面造诣颇高，而这恰好是我平时了解较少的领域，并且他自身水平高，对我们的要求也相应很高。由于项目所需的数据量巨大，对内存要求极高，所以要么申请Google的线上GPU来开辟运行空间，要么就得搬来4090显卡进行运算，在硬件方面有着严苛的要求。
我一门心思想走量化，是因为我本科和研究生项目比较针对时间序列、时间建模和概率论方面，这些领域的技术积累与市场匹配度较高。
量化交易是结果导向型，我喜欢这种八仙过海各显神通的感觉，只要你身怀过硬的专业能力与前沿技术，能够切实拿出成果，就能拥有属于自己的舞台。就像有些人运用看似和金融毫无交集的物理学理论，却能在量化交易中斩获丰厚收益。
通过实力收获成果带来的成就感，让我很上瘾
。
券商和公募基金量化实习名额都非常少，一般不超过5个。
