X 平台交易员 gemchange_ltd 发布长文，给出一份“如果重来一次会怎么学量化交易”的完整路线图。他把量化交易定义为数学问题，而不是选股观点或财报猜测，并称按顺序完成学习与练习，约 18 个月可以从零基础进入量化交易的初级门槛。
五个数学关卡按顺序推进
这份路线图把学习拆成五部分：概率论、统计学、线性代数、微积分与优化、随机微积分。作者认为，量化金融最终都能落到“胜率是否站在自己这一边”这一核心问题，因此概率论是起点。文中重点提到条件概率、贝叶斯更新、期望值和方差，并建议初学者先完成概率教材前 1 至 6 章练习，再用程序模拟抛硬币和贝叶斯更新。
第二阶段转向统计学。作者提醒，很多看似有效的发现其实只是噪声，尤其在回测阶段更容易误判。他举例说明假设检验、多重比较、Bonferroni 修正、Benjamini-Hochberg 方法，以及 Fama-French 三因子回归和最大似然估计在金融建模中的用途。这里的重点不是“找到一个高收益策略”，而是先学会排除伪信号。短句。先接受大部分初始策略都没有意义，成本会低很多。
矩阵、优化和随机微积分是量化核心工具
在线性代数部分，作者把矩阵视为量化系统的底层机器。投资组合构建、主成分分析、因子模型和协方差估计都依赖矩阵运算。他提到，对 500 只股票构建协��差矩阵时，会出现 125,250 个独特数值，而组合方差可写成 w'Σw。他还建议用 S&P 500 收益率做 PCA，并手动实现 Markowitz 均值—方差优化。
微积分与优化对应的是“变化”。价格、波动率、相关性都在不断移动，导数、泰勒展开和凸优化成为建模基础。作者建议学习《Convex Optimization》前 1 至 5 章，并从头实现梯度下降与带交易成本约束的投资组合优化。
在他看来，真正把人区分开的门槛是随机微积分。布朗运动、Itô 引理、Delta 对冲和 Black-Scholes 方程式构成了衍生品定价框架。文中给出从 Delta 对冲推导 Black-Scholes 的步骤，也列出 Greek 指标，包括 Delta、Gamma、Theta、Vega 和 Rho，并建议读者自己实现 Black-Scholes 与蒙特卡洛定价，检验结果收敛。
Polymarket、LMSR与预测市场数学
文章还把预测市场纳入量化学习图谱。作者点名 Polymarket 是当前“最有趣的市场”之一，背后涉及概率、信息论、凸优化和整数规划。他介绍了 Robin Hanson 提出的对数市场评分规则 LMSR，指出���价格函数本质上与 softmax 相连，价格总和恒等于 1，且始终位于 0 到 1 之间，做市商最大损失则被限制在 b×ln(n)。
量化岗位、薪资区间与面试结构
职业路径部分，作者将量化岗位分为四类：Quant Researcher、Quant Developer/Engineer、Quant Trader 和 Risk Quant。新兴方向则是 AI/ML Quant。按文中口径，2025 年金融业 AI/ML 招聘年增 88%。美国头部机构应届量化岗位总包约为 30 万至 50 万美元，中阶 55 万至 95 万美元，资深 100 万至 300 万美元以上，明星交易员或 PM 可达 300 万至 3000 万美元以上。中型机构应届总包约 25 万至 35 万美元。文中还提到，Jane Street 在 2025 年上半年员工平均薪酬达到年化 140 万美元。
面试流程也被拆得很细：先是简历筛选，再到线上测试、电话面试和 Superday。线上心算练习工具被点名为 Zetamac，目标分数是 50 分以上。作者提到，Jane Street 的题目有时会刻意设置到面试官自己也未必做完，考察的是候选人如何利用提示与协作推进解题。
工具栈、数据源和书单被集中列出
技术栈部分覆盖 pandas、polars、numpy、scipy、xgboost、lightgbm、pytorch、cvxpy、QuantLib、statsmodels、NautilusTrader 和 vectorbt。作者称，Polars 在大型数据集上可比 pandas 快 10 到 50 倍。数据源则从 yfinance、Finnhub、Alpha Vantage，一路列到 Polygon.io 与 Bloomberg Terminal，其中 Polygon.io 月费为 199 美元，Bloomberg Terminal 年费约 32,000 美元。
文章最后没有把重点放在“速成”。作者强调三件事：真正的敌人是估计误差；工具已经普及，但判断力没有；数学仍然是量化领域最深的护城河。这个顺序很硬，也很直接。学不会就卡住，学透了才可能往下走。