The things you can't ask on LinkedIn — break-in advice, OA strategy, desk culture, comp benchmarks. Pay a working quant, stay anonymous, get a candid reply.
Browse current and ex-quants from prop shops, market makers, and hedge funds. Per-service pricing is visible upfront.
Submit a question, book a mock, or send a resume. Your identity stays a short anon handle — no name, no LinkedIn.
Private reply within the mentor's promised turnaround. Optionally publish for a refund to help the next candidate.
Anonymized askers, real mentors, public answers.
并不一定。买方和卖方对机器学习人才的需求都在快速增长，很多机构已经搭建了集中化的AI团队，同时既能写生产级代码又懂交易逻辑的hybrid型人才，正在比纯quant或纯engineer更快拿到offer。建议别把ML当“加分项”孤立学，而是整合进现有研究流程，用能落地生产环境的项目证明能力。另一方面，如果不是打算在一条路走到黑，往往把自己的长板补得更长更重要。真正稀缺的通常不是“又会一点ML的quant”，而是在某个具体领域深到没人能轻易替代的人。判断标准很简单：如果ML能直接放大你已有的优势（比如用它去改进一个你本来就很懂的execution或pricing模型），值得投入；如果只是为了补一个自己完全不熟、工作里也用不上的新方向，投入产出比往往不高，还不如把已经领先的部分继续拉开差距。
quant岗位正在向fintech、保险、资产管理等更广泛的领域扩散，不再局限于银行和对冲基金，同时数字资产交易和ESG建模也成为人才争夺最激烈的细分领域之一。如果更看重稳定性或想避开pod shop的高淘汰节奏，这些方向可能比想象中更有潜力，但竞争同样不轻松。需要清楚的trade-off是：这类方向的薪资天花板通常明显低于顶级hedge fund，晋升节奏也可能更慢；如果长期目标还是想回到传统buy-side，选择时要格外注意——尽量挑那些能积累“可迁移”技能的岗位（比如扎实的production系统经验、跟市场数据打交道的建模经验），而不是纯监管报表或偏行政性质的分析工作，否则跳回buy-side时容易被当成“绕了一圈”而不是加分项。
Buy-side quant研究岗位本身体量很小，候选人来源里有相当一部分其实是已经在sell-side工作、试图转向buy-side的人。所以如果应届就能拿到buy-side offer当然优先；如果暂时拿不到，sell-side做2-3年攒案例再横跳，是完全正常且被广泛采用的路径，不是“绕远路”。但desk要挑对：偏e-trading、structuring、quant risk这类跟市场microstructure贴得近的desk，是相对顺畅的跳板；纯衍生品pricing或者偏sales的岗位，转型时反而要多花力气证明自己的independent thinking。这条路也是越往后走越难走——工作5年以上再横跳buy-side，会被拿去跟同资历的buy-side track record候选人直接比较，comp和level都可能被reset，所以真想走这条路，最好在头2-3年就把跳板搭好，别拖到中后期才开始考虑。