DRW 面试辅助：量化 OT 硬核数值题与 AI 研究岗笔试

量化数值题：贝叶斯后验与条件概率、逆矩阵特征值之和及其偏导、泊松过程与到达间隔期望、相关系数矩阵的取值范围、马尔可夫链稳态、最优策略下的期望与方差。

概率与最优化结合题：在有限信息下选择行动顺序以最大化期望收益，并计算收益与标准差之比这类风险调整指标。

ML 基础选择题范围：PCA、决策树、正则化、ResNet、transformer 等模型与概念的定义、适用场景与常见误区。

pandas 与 sklearn 实操：CSV 读取、分组聚合、类型转换、类别不平衡的处理与评估指标选择，以及在给定数据上提升 metric 的建模思路。

Codility 类实现题：数组与位运算（找出现次数最多的分数、按位与为正的最大子集）、模拟类题目（栈式虚拟机、对战晋级树）的现场实现。

自测能力：在不提供隐藏用例结果的平台上，如何用边界用例与随机对拍验证自己的实现。

量化研究员方向的 OT 是限时 45 分钟、共 7 题、只需提交数值答案，难度被候选人形容为相当大，范围覆盖线性代数、概率论、随机过程与微积分。

同学提供的面经样本里的两份量化 OT 题型高度一致：不均匀硬币的贝叶斯后验、逆矩阵特征值之和的偏导、泊松过程下公交车的平均乘客数、三变量相关矩阵中未知相关系数的极值差、两党互转模型的稳态分布、盲盒最优拆盒策略的期望与标准差之比、以及随机 2x2 矩阵行列式的期望定价。

AI Research 的 OA 结构固定为三部分：10 道 ML 基础单选（涉及 PCA、决策树、正则化、ResNet、transformer 等）、pandas 读取 CSV 的操作题、以及在 imbalance data 上提升 metric 的 model coding。

SWE 方向的笔试时长差异明显：有样本是 150 分钟、不提供 hidden case 的运行结果、提交后也没有反馈，反馈建议是多写 testcase 自行测试。

有一份 SWE C++ 实习（新加坡）样本是 Codility 150 分钟 3 题，包括 2 的幂规模下的对战模拟（n 不超过 200,000）、选出两个没有公共数字且和最大的数、以及网格路径类题目。

另有一份编程测试样本要求用 pandas 与 xmltodict 从 XML 文献数据里抽取字段并构造成规定列的 DataFrame，说明这条线也会考数据清洗与结构化输出，而不仅是算法。

一枚硬币已知以某个概率偏向某一面，但偏向正面还是反面各有一半先验；抛掷若干次后观测到一定数量的正面，求它偏向正面的后验概率。

定义三元矩阵的逆矩阵特征值之和为一个函数，要求对其中两个变量求混合偏导并代入给定取值，答案保留规定的小数位。

乘客与公交车分别按泊松过程与指数分布到达同一站点，求任意一班公交车上的平均乘客数。

若干外观相同的盲盒中分别装有价格不同的物品，未拆封可按固定价出售，拆开后只能按物品价出售；求最优拆盒策略下收益的期望与标准差之比。

给定长度相同的能力值数组，按锦标赛形式逐轮两两比较晋级，在最优安排下求某人所在位置能取得的排名；或从数组中选出两个没有公共数字的元素使和最大。

给出若干 ML 基础概念选择题，再用 pandas 读取并处理一份 CSV，最后在类别不平衡的数据上训练模型并提升指定评估指标。

45 分钟 7 题考点图

量化研究员方向的笔试在同学提供的面经样本里被完整回忆过，形态很稳定：45 分钟、7 题、只提交数值答案，没有代码也没有解释，难度被形容为相当硬核。把两份样本的题型放在一起，可以画出一张很实用的考点地图。第一类是贝叶斯后验：给定一枚有偏硬币的偏置概率与偏向方向先验，观测若干次结果后求后验概率，属于口算级别的条件概率，练熟公式就能拿分。第二类是矩阵与微积分结合：把逆矩阵特征值之和写成原矩阵特征值的倒数和，再用特征多项式的系数表示，最后对某个变量求二阶偏导，思路直接但计算量大，样本作者也提到自己算到一半就跳过了。第三类是随机过程：乘客与公交车的到达都服从泊松过程，求车上平均乘客数，本质是到达率与间隔期望的乘积关系。第四类是相关系数矩阵：三元相关矩阵给定两个系数后求第三个系数的最大最小值之差，用矩阵正定约束或几何方法都能做。第五类是马尔可夫稳态：两党互转的迭代模型，求长期稳态分布；第六类是最优策略求期望与方差：在有限个盲盒上决定开几个，样本要求的是期望除以标准差。第七类是随机矩阵：独立与相关混合的 2x2 矩阵求行列式期望，考的是协方差与期望的线性性质。这七类的共同点是不需要推导长篇证明，但要求公式熟练、单位与精度不出错，因此准备方式应当是限时刷同类题，把每一步的计算路径固化下来。

三段式结构与常见失分点

AI Research 方向的 OA 在同学提供的面经样本里结构固定，三段内容一次性提交，时长以邀请邮件为准。第一段是 10 道 ML 基础单选，同学提供的面经样本点到的考点包括 PCA、决策树、正则化、ResNet 与 transformer，候选人反馈不算难，只要系统复习过相关知识就能应付。第二段是 pandas 操作与读取 CSV，看起来简单，但多位候选人把自己的失败归因在这里，理由是平时对 pandas 与 sklearn 不够熟。第三段是 model coding：在 imbalance data 上提升某个 metric，也就是要求你针对类别不平衡做处理并给出可评估的模型。这三段放在一起，考的不是深度学习前沿，而是工程化的机器学习基本功。可操作的准备路径有三步。第一，把 pandas 的高频操作写成清单并逐条敲一遍：读取 CSV 时指定类型、处理缺失与异常值、分组聚合、时间字段解析、以及输出格式的对齐。第二，把类别不平衡的常见做法与适用条件整理清楚：重采样、类别权重、阈值调整、以及为什么准确率在这类数据上会失真、该换成哪类指标。第三，复习 sklearn 的 API 习惯，包括训练与验证的切分、交叉验证、以及指标计算，避免在限时环境里因为忘记参数名而丢分。最后一点提示来自同学反馈：这一家笔试之后大约一周左右会收到结果通知，无论过与不过，都不必在等待期反复揣测。

隐藏用例与自测习惯

SWE 方向的笔试形态相对多样，同学提供的面经样本之间差异不小，这条线的准备重点因此是通用能力而不是背题。时长上，有样本是 150 分钟的长测，明确不提供 hidden case 的运行结果，提交之后也没有任何反馈；另一份 C++ 实习（新加坡）样本是 Codility 150 分钟 3 题。题型的共同点偏向实现与模拟：2 的幂规模下的对战晋级模拟、从数组里选出两个没有公共数字且和最大的数、网格与路径类题目、以及围绕数据清洗的 XML 解析题。把这些放在一起，最值得投入的能力有三项。第一是自测：既然平台不给你隐藏用例的结果，就必须自己构造边界用例，包括空输入、单元素、极值规模、重复元素与非法输入，并在提交前留出几分钟跑一遍回归。第二是输入输出与复杂度意识：多份样本提到规模可以到二十万级别，因此实现时要主动判断自己写的是线性还是平方，必要时换成哈希或前缀和。第三是跨语言的基本功，C++ 方向会考位运算与数组技巧，Python 方向则会出现 pandas 与 xmltodict 这类库的使用。需要特别说明的是，同学提供的面经样本以笔试为主，关于 DRW 完整面试轮次结构与 onsite 环节的同学反馈目前比较有限，因此不要按网上流传的轮次表去排准备计划，先把自己收到的流程确认清楚更稳妥。

同学提供的面经样本有限时怎么补

DRW 的公开素材有一个明显特点：笔试信息很充足，但流程后半段的信息相当少。同学提供的面经样本里有完整的量化 OT 与 AI Research OA 回忆，也有零散的编程测试记录，但基本没有覆盖电面结构与 onsite 轮次的细节，甚至连不同岗位的轮次数量都无法从现有材料里确认。这不是准备上的死路，而是要求换一种策略。第一步是向 recruiter 直接确认：这一轮是什么形式（限时笔试、结对编程还是纯问答）、时长多久、是否需要开摄像头与共享屏幕、有没有隐藏用例的反馈、以及后续还有几轮，把这些写进邮件记录，避免按错误假设准备。第二步是把公开确认的考点吃透，因为它们覆盖了大部分淘汰点：量化方向的七类数值题、AI 方向的三段式结构、SWE 方向的自测与复杂度意识，这三块练扎实，笔试环节的通过率就会显著提升。第三步是把可迁移的基础准备好，因为交易公司的技术面通常会围绕简历与基础展开：数据结构的复杂度分析、并发与内存的基础概念、以及概率统计的直觉题，这些不依赖具体题库。最后，同学提供的面经里提到的拒绝通知通常在一周左右发出，节奏偏干脆；等待期间把时间投在下一家的准备上，比反复猜测结果更有价值。

DRW 常见目标岗位

建议重点模拟这些轮次

DRW 面试流程一般有几轮？

DRW 的面试流程通常包括 OA / Phone Screen、VO / Onsite 多轮技术面、Behavioral 面和 Hiring Manager 面。具体轮次取决于岗位和 Level，建议提前了解目标岗位的标准流程并针对性准备。

DRW 最常考什么题型？

根据同学提供的面经信号，DRW 最常考的题型包括 量化数值题：贝叶斯后验与条件概率、逆矩阵特征值之和及其偏导、泊松过程与到达间隔期望、相关系数矩阵的取值范围、马尔可夫链稳态、最优策略下的期望与方差。、概率与最优化结合题：在有限信息下选择行动顺序以最大化期望收益，并计算收益与标准差之比这类风险调整指标。、ML 基础选择题范围：PCA、决策树、正则化、ResNet、transformer 等模型与概念的定义、适用场景与常见误区。、pandas 与 sklearn 实操：CSV 读取、分组聚合、类型转换、类别不平衡的处理与评估指标选择，以及在给定数据上提升 metric 的建模思路。。建议先从高频题型入手，再做项目深挖和模拟面试。

DRW 面试需要准备多久？

建议至少提前 7-14 天开始冲刺准备。如果还在投递期，可以先做题型地图和岗位定位，拿到面试邀约后集中做模拟面试和表达训练。

DRW SWE 岗位最难的是什么？

DRW 的面试以严格的 Hiring Bar 著称。最常见的失分点包括：前置澄清不充分、边界测试缺失、系统设计只背模板、项目深挖无法体现 ownership。针对性模拟可以有效降低这些风险。

DRW 面经应该怎么看？

同学提供的面经适合用来判断 DRW 高频题型、轮次和常见挂点，但不要只背原题。更稳的做法是把面经拆成 OA / Coding / Design / Behavioral / HM 五类信号，再按目标岗位和 level 做限时训练。

DRW 代面、面试辅助、OA 代写多少钱？

DRW 代面（对口型）$499/轮起，多轮连面有打包价；SWE 辅助（实时）$299/轮起；OA 代写 $199 起，提前 1 天交付。最终价格按岗位、轮次和具体面试情况浮动，添加微信 interview_coach_pro 先聊 30 分钟免费咨询再报具体价格。