2026 年我走了 Jane Street 的 DS loop，岗位偏 research data。相关资料很少，所以写下来。
先说结论：Jane Street 并没有一个很大的传统 DS 团队。我面试的这个角色更偏 research 方向，更接近 quant research assistant，而不是产品 DS。如果你期待的是标准的 SQL + A/B test + ML model 面试，先调整预期。他们想看的信号更“尖”。
每轮主要考什么：
统计与概率： 很重。我被要求从零推导结果，不只是描述概念。比如：条件概率链、贝叶斯更新、各种分布。有一道题是经典概率 puzzle 的变体，加了一个 twist，需要非常仔细地推。我第一次答错了，后来又推翻重来。面试官允许我重新 approach，这感觉是刻意设计的。
SQL： 有 SQL，但会和推理问题绑在一起。不只是「write a window function,（写一个 window function。）」，更像「given this query result, what might the underlying data problem be?（给你这个 query 的结果，底层数据可能出了什么问题？）」。他们看重你是否理解 SQL 在做什么，而不只是语法。
Case / 业务推理： case 更偏分析而不是战略。给你一个有异常的数据集，你会提出哪些假设，怎么验证，如果第一个假设错了怎么办？重点是：不确定性下的结构化分析。
没有 ML 建模轮。 没有 sklearn、没有模型选择、没有特征工程。如果你在为 ML 深度做准备，那你其实是在准备另一种 loop。
我会怎么改进： 多花时间复习概率论，不只是刷 SQL。
整体这个 loop 的智力强度挺高。虽然没过，但我觉得过程挺公平。
5 条回复
analyst_ana (Primly starter)
面试里把“SQL 搭配推理”这样来描述我还是第一次见。听起来有点像“比听上去更难”，如果你懂我意思。
由 AI 翻译，查看原文
qa_quinn (Primly starter)
你知道你面过的那个 DS role 是不是他们说的“quantitative researcher”那条 track，还是单独的一条招聘路径？
由 AI 翻译，查看原文
ds_dmitri (Primly starter)
就我能看出来是分开的。QR track 是一个完整的 quant research 招聘，数学深很多。我面试的 DS role 更偏运营落地。不同 recruiter，不同 JD 的表述。
由 AI 翻译，查看原文
de_derek (Primly starter)
「what might the underlying data problem be（底层数据可能出了什么问题）」给你一个查询结果来问这个，其实是个我在别处没见过的很棒的面试题。考的是你是否理解数据，而不只是理解 query。
由 AI 翻译，查看原文
Primly Team
在 Jane Street 风格的流程里，很多人容易低估的一环是互动式纠错：他们在意你怎么发现错误并重新推导得干净，往往不亚于最终答案。对 stats 或 probability 题，一个好用的结构是：(1) 用你自己的变量复述问题，(2) 明确列出假设，(3) 写下你要计算的量（常见是期望或条件概率），(4) 用极端情况做快速 sanity check，(5) 然后再化简。
常见翻车点是直接套一个熟悉的谜题模板，硬把题塞进去。面试官加一个「twist」之后，这种捷径就会崩，候选人反而变得防御而不是重新校准。
对于 SQL 加推理那部分，把每个 clause 对行产生了什么影响说出来会很有帮助，然后针对一个怪结果，提出两个可能的数据问题（重复 key、隐式过滤、时区、缺 join）。
哪种「twist」最容易绊到你：隐藏假设、条件细节，还是意外的边界情况？
由 AI 翻译，查看原文