没经验、进量化？北大跨专业学长的实战经验

求职履历

问：请介绍一下过往求学和实习经历？

Andrew：我本科就读于北京大学工学院，攻读理论与应用力学专业，毕业后在本校直博，期间还前往耶鲁大学 （Yale University） 参与联合培养项目，进一步拓宽了学术视野。

回国后，我最初将求职目标锁定在互联网大厂，为此我先进入北京某知名互联网大厂从事大模型算法实习。2025年上半年，我将目光转向量化领域，灵均投资是我实习的第二家量化私募基金。

问：为什么最后没有选择互联网大厂？

Andrew：我主要是从工作节奏、个人状态与长期职业发展三个维度做了综合考量。首先，在工作模式上，我更推崇“高自主、高产出”的敏捷节奏。

相较于单纯依靠时长堆砌的传统模式，我倾向于在量化行业这种以结果和策略有效性为导向的环境中，保持身心健康与持续学习的平衡，确保持续的创造力。其次，量化行业有着很高的人才密度，汇聚了顶尖的智力资源，成长曲线也更陡峭，对我来说更是加速个人能力复利的最佳土壤。

另外，量化机构的技术栈已经堪比顶尖互联网公司，在 AI 与算法深度融入投研的当下，再加上市场反馈的即时性与严苛性，反而让量化行业具备了更强的技术驱动属性。

综合职业成长、技术前沿性和工作生活平衡等多方面因素，我最终选择在量化领域长期深耕。

问：你觉得成功进入量化行业，是过往哪些经历帮助了你？

Andrew：在北京大学攻读博士期间，学校开设的机器学习系列是我的重要启蒙，让我对AI产生了浓厚的兴趣。读博期间，通过跨院系选修课程，我系统构建了机器学习与深度学习的知识体系，并在“AI for Science”方向进行了前沿探索。

北大“厚理重工”的学术底色，赋予了我坚实的数理根基；同时，我在校期间深耕计算力学领域，依托C++完成大规模数值模拟，锤炼了扎实的算法功底。

2023年耶鲁大学交换期间，我有幸结识了一群投身金融前沿的理科PhD同仁，其中不乏对冲基金领域的佼佼者。他们的职业路径极大拓宽了我的视野，那段专注沉潜的时光，促使我跳出原有思维框架，重新审视并系统规划职业生涯。

恰逢ChatGPT掀起技术浪潮，我主动自学大模型核心技术，并投身于大模型可解释性的科研项目，初步确立了“AI技术与系统性研究”深度融合的交叉视角。

除此之外，我始终坚信：专业背景不应是职业发展的边界，而是通往任何赛道的基石。只要投入足够的时间与专注，便能在新领域构建起扎实的核心竞争力。

正是秉持这一信念，我成功打破了力学专业在求职中可能面临的刻板印象，顺利跨越行业壁垒，踏上了量化投研之路。

问：能再分享一下实践经验吗？

Andrew：在大模型科研实习阶段，我加入了专注于大模型可解释性的前沿团队。我们致力于揭开Transformer等核心架构的“黑箱”，深入剖析其决策逻辑，并尝试在Post-training（后训练）环节修正模型的固有偏差（Bias）。

从文本、图像到视频，这一研究在多模态场景下具有广泛应用。

这段经历让我深刻意识到：在深度学习已无处不在的今天，对于追求极致稳健的量化投资而言，模型的“过度黑箱化”潜藏着不可忽视的风险。

正是基于对底层原理的深刻理解，我学会了“从问题本质出发，设计Task-specific（任务特定）模型”的方法论。这种对黑箱模型保持审慎、坚持探究因果逻辑的思维习惯，与量化投资所要求的严谨性高度契合，成为了我独特的思维优势。

回国后的互联网实习中，我将这一理念付诸实践：聚焦模型后训练环节，改进强化学习（RL）算法，并系统性地落地了可解释性研究范式。这不仅验证了理论，更极大地锻炼了我的工程实战能力。

随后的量化实习，则是我能力闭环的关键一环。

2025年，正值大模型技术加速落地、全面爆发的关键节点。我在AI领域的深厚积累——尤其是对模型可控性与前沿架构的理解，恰好精准匹配了量化行业对“AI+Quant”复合型人才的迫切需求。

这几段层层递进、由理入实的经历，不仅构建了我坚实的技术护城河，更为我加入灵均投资、顺利通过严苛面试奠定了不可动摇的基石。