Point72 面试辅助：OA、C++ 与数据工程轮、Super Day 多团队面

C++ 实现：LZ77 压缩简化版（找第一个匹配而非最近匹配）、SmartString 类模板（模板参数控制存储大小、c_str、常数时间 length、max_size）、以及在不增加空间的前提下突破存储上限的技巧。

统计与数据处理：对多组输入计算平均值、中位数与标准差；流式数据中位数与 percentile 在内存受限下的实现。

数据工程基础：Python 与 SQL 广度、内存与堆栈区别、垃圾回收、以及 monitoring 与 schema management。

API 数据处理：分页、过滤、schema 处理的实现与边界。

QR 数学：二价拍卖（Vickrey）的最优报价与占优策略、First-price 拍卖的策略差异、以及基础组合概率题。

OA 同学提供的面经样本是 3 小时 4 题：前两题是 C++ coding（第一题实现 LZ77 压缩算法的简化版——不是找最近匹配而是找第一个匹配；第二题使用第一题的实现计算压缩率，并对多个字符串求平均值、中位数与标准差），后两题是简答题，解释所用数据结构以及改变算法参数会导致什么变化。

OA 的 test case 设置被候选人反馈很坑：实现能通过第一题全部测例，却无法通过第二题的 sample test case（1000+ 个字符串、每个长度约 100+），只知道最终统计量不对却无从 debug。

C++ 底层实现题是 Cubist / HFT 组的高频题：同学提供的面经样本要求实现 SmartString 类模板（接受 size_t 模板参数 STORAGE_SIZE、默认 16，支持默认构造与 (const char*, size_t) 构造，c_str 返回以空字符结尾的常量指针，length 常数时间返回，max_size 为 STORAGE_SIZE - 1），follow-up 要求在不使用额外空间的前提下支持存储超过 STORAGE_SIZE 的字符。

数据工程条线流程长且考广度：同学提供的面经样本历时 3 个多月、4+5 轮，OA 全对却等了一个多月才推进；Hiring Manager VO 考知识面广度（Python、SQL、以及编译相关的内存、堆与栈、垃圾回收），两轮 coding VO 分别考 API 请求数据与查询（分页、过滤、schema 处理）和流式数据中位数与 percentile（内存受限场景），并追问 monitoring 与 schema management。

Super Day 是一天见多个团队：同学提供的面经样本是一天见 4 个 team lead（其中一个临时换成手下的 senior）加 hiring manager 本人，内容覆盖数据工程各方向。

QR 条线公开流程是五轮：第一轮包含行为面试（自我介绍、为什么想做 Quant、分享了解的交易策略、相关实习经历）与数学题（二价拍卖的最优报价、以及 32 张牌一类的概率题），并会追问该策略属于统计套利还是完全套利。

流程体验差异较大：有候选人反馈 OA 全对却等一个多月才推进、HR 邮件不回、面试时间被安排在当地早上七点且不能推迟（面试官不在美国），也有反馈 Super Day 环节面试官会临时更换。

实现 LZ77 压缩算法的简化版（不找最近匹配而找第一个匹配），然后用该实现计算多个字符串的平均、中位数与标准差压缩率；解释所用数据结构以及改变匹配策略后的影响。

设计 SmartString 类模板：模板参数 STORAGE_SIZE 默认 16；支持默认构造与 (const char*, size_t) 构造；c_str() 返回以空字符结尾的常量指针；length() 常数时间；max_size() 为 STORAGE_SIZE - 1。进阶：不使用额外空间支持超过 STORAGE_SIZE 的字符。

设计一个流式数据中位数与 percentile 的计算方案，要求在内存受限的情况下工作，并说明精度与资源占用的取舍。

实现一个 API 请求数据的查询接口，支持分页、过滤与 schema 处理；说明如何做 schema 管理与监控。

在二价拍卖中，你的估值为 v（0<v<1），对手估值在 [0,1] 均匀分布，你的最优出价策略是什么？该策略属于统计套利还是完全套利？如果改成 First-price 拍卖会有什么变化？

解释堆与栈的区别、垃圾回收的基本机制；在编译与内存层面，一个长生命周期对象的常见性能陷阱有哪些？

一道压缩题加一道统计题，二者必须复用

Point72 的 OA 同学提供的面经样本是 3 小时 4 题，结构很有辨识度：前两题是 C++ coding，后两题是简答题。第一题要求实现 LZ77 压缩算法的简化版，简化条件是『不找最近的匹配，而找第一个匹配』；第二题要求使用第一题的实现计算压缩率，并对多个字符串求平均值、中位数与标准差。这种设计意味着第二题直接建立在你第一题的接口上——如果第一题写成了只处理单个字符串的脚本而没有可复用的函数，第二题就要重写。同学提供的面经里有一条很具体的坑：候选人的实现通过了第一题的全部测例，却无法通过第二题的 sample test case（包含 1000+ 个字符串、每个长度约 100+），而因为只知道最终统计量不对，根本无从 debug。这提示两件事：第一，在长输入下要自己写小规模验证（先用手算的小样本校验压缩率再跑大数据），第二，统计量的口径要严格按题目定义（压缩率的分子分母是什么、取平均时是否按字符串长度加权）。后两题是简答题，要求解释你使用的数据结构以及改变算法某个参数会发生什么，这类题的准备方式是提前想清楚『如果我改这里的参数，时间与空间会怎么变』。

SmartString：把长度藏进最后一个字节

Cubist / Point72 的 HFT 组在同学提供的面经样本里考了一道非常经典的 C++ 内存布局题：设计 SmartString 类模板，接受一个 size_t 模板参数 STORAGE_SIZE（默认 16），支持默认构造与 SmartString(const char* s, size_t len) 构造，c_str() 返回以空字符结尾的常量指针，length() 在常数时间返回字符串长度，max_size() 等于 STORAGE_SIZE - 1，并保证传入的 char* 不含空字符。Follow-up 是修改 SmartString 使其能存储超过 STORAGE_SIZE 的字符。公开的解法思路很巧妙：因为类内只能有一个 char[STORAGE_SIZE] 且不能用额外空间记录长度，所以用最后一个字节存长度——如果字符串长度正好是 STORAGE_SIZE - 1，最后一位就是 0，正好与结尾的空字符重合；如果长度小于 STORAGE_SIZE - 1，就在最后一位存长度，c_str() 直接返回数组起始地址。这道题考的是对内存、字节语义与类型设计的理解，而不是算法能力。另外该组还有一道『设计一个快速可扩展的字符串类』的题目，方向类似。准备方式是把这类题完整写一遍并解释每个设计决策的取舍（长度上限、溢出行为、拷贝语义），因为面试官会追问细节。

广度为王，流程很长

Point72 的 Data Engineer（proprietary）条线同学提供的面经样本是历时 3 个多月的长流程：OA、Hiring Manager VO、两轮 coding VO、然后到纽约办公室 Super Day。OA 全对却等了一个多月才收到推进通知（还是候选人发了两封邮件之后），所以时间预期要放宽。Hiring Manager VO 考的是知识面广度——从 Python 到 SQL，再到编译相关的基础（内存、堆与栈的区别、垃圾回收）。两轮 coding VO 都是 HackerRank 形式：一轮是 API 请求数据与查询（分页、过滤、schema 处理），另一轮是流式数据中位数与 percentile 且要求在内存受限的情况下实现，中间还穿插了大量数据工程问题（monitoring、schema management 等）。Super Day 是一天见 4 个 team lead（其中一位临时换成手下的 senior）加 hiring manager 本人，内容覆盖数据工程的各个方向。准备重点因此很清楚：不需要在单一领域做到顶级，但 Python、SQL、流式统计、数据建模与监控要都能讲清楚；同时要做好长周期等待的心理准备，期间继续推进其他投递线。

五轮结构，数学题偏博弈与概率

Point72 的 QR 条线同学提供的面经样本是五轮面试。第一轮是行为加数学：行为部分包括自我介绍、为什么想做 Quant、分享自己了解的交易策略、以及相关实习经历；数学部分第一题是二价拍卖——两人竞标一件商品，出价最高者获得商品并支付另一人的出价，你的估值 v 在 (0,1) 之间、对手估值在 [0,1] 上均匀分布，问最优出价策略是什么。答案是出价等于真实估值（真实报价是占优策略），因为出高只增加亏损风险、出低会错失本来能赚钱的机会；follow-up 问这属于统计套利还是完全套利，答案是完全套利，因为策略不依赖概率预测；再延伸会问如果改成 First-price 拍卖策略会怎么变。这类题的特点是结论简洁但必须能讲清推导与直觉。流程体验方面，同学提供的面经里有两点值得提前知道：一是结果可能延迟很久且 HR 响应不积极，二是有候选人的面试被安排在当地早上七点且不可推迟，原因是面试官不在美国时区——这种安排在投行与量化机构并不罕见，提前把时间冲突与可用性沟通清楚会减少被动。

Point72 常见目标岗位

建议重点模拟这些轮次

Point72 面试流程一般有几轮？

Point72 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。

Point72 最常考什么题型？

根据同学提供的面经信号，Point72 最常考的题型包括 C++ 实现：LZ77 压缩简化版（找第一个匹配而非最近匹配）、SmartString 类模板（模板参数控制存储大小、c_str、常数时间 length、max_size）、以及在不增加空间的前提下突破存储上限的技巧。、统计与数据处理：对多组输入计算平均值、中位数与标准差；流式数据中位数与 percentile 在内存受限下的实现。、数据工程基础：Python 与 SQL 广度、内存与堆栈区别、垃圾回收、以及 monitoring 与 schema management。、API 数据处理：分页、过滤、schema 处理的实现与边界。。建议先从高频题型入手，再做项目深挖和模拟面试。

Point72 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。

Point72 Quant 岗位最难的是什么？

Point72 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。

Point72 面经应该怎么看？

同学提供的面经适合用来判断 Point72 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。

Point72 代面、面试辅助、OA 代写多少钱？

Point72 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。