Expert Day 120

Expert Day 120 (附): Phase 2 资深量化面试题集（30道）

2026-08-29

Phase 2 综合产出

面试题量化求职

日期: 2026-08-29 方向: 量化 / 微观结构 / MEV / DEX 阶段: Phase 2 综合产出标签: #面试题 #量化 #求职

写在前面 / Foreword

这 30 道题是 Phase 2 (Day 61-120) 60 天笔记的"压缩萃取"，每道题对应一个或多个具体 Day 的深度内容。题目分为四大类，对应 Phase 2 的四个子阶段：

类别	题数	Day 范围	难度峰值
一、衍生品定价	8	Day 61-74	资深
二、市场微观结构与做市	8	Day 75-88	资深
三、统计套利与 Alpha	8	Day 89-102	高/资深
四、MEV 与 DEX 量化	6	Day 103-116	资深

标记说明：

⭐ = "高频核心题"（top 6），面试出现概率 > 60%
难度分级：资深 = quant fund 一面/二面级别 / 高 = 中高级岗位 / 中 = 必答基础题

使用方法：

先看"简短回答"，确保 30 秒内能给出核心观点
"详细回答"用 STAR-T 结构，控制在 2-3 分钟
"追问准备"是面试官层层深挖时的弹药库
涉及公式/代码的题，准备好白板复现

一、衍生品定价类（8 道，Day 61-74）

Q1. 推导 Black-Scholes PDE（含完整 replication argument）

类别: 衍生品定价 - 数学推导难度: 资深 考察点:

Itô lemma 的应用
自融资条件 (self-financing) 的精确含义
no-arbitrage 与 risk-neutral measure 的等价性
delta-hedging 的连续时间假设
BS PDE 的边界条件

简短回答（30秒，电梯版）: 构造一个由期权 V 和 Δ 单位标的 S 组成的对冲组合 Π = V - ΔS。对 V 应用 Itô 引理，选择 Δ = ∂V/∂S 消除 dW 项后，组合变为无随机源。在无套利条件下，组合瞬时收益必须等于 risk-free rate r·Π·dt，整理得到 BS PDE: $\partial_t V + \frac{1}{2}\sigma^2 S^2 \partial_{SS} V + rS\partial_S V - rV = 0$。

详细回答（2-3分钟版本）:

背景/定义: BS 假设标的服从 GBM: $dS_t = \mu S_t dt + \sigma S_t dW_t$。设期权价格 $V(S, t)$ 是 S 与 t 的二阶可微函数。
核心机制/原理:

Step 1 — 对 V 应用 Itô: $$dV = \left(\partial_t V + \mu S \partial_S V + \frac{1}{2}\sigma^2 S^2 \partial_{SS} V\right)dt + \sigma S \partial_S V \cdot dW_t$$

Step 2 — 构造对冲组合 $\Pi = V - \Delta S$，则: $$d\Pi = dV - \Delta dS = \left[\partial_t V + \frac{1}{2}\sigma^2 S^2 \partial_{SS} V + (\mu \partial_S V - \mu \Delta) S\right]dt + \sigma S(\partial_S V - \Delta) dW_t$$

Step 3 — 选取 $\Delta = \partial_S V$ 消去 dW 项（关键的 delta-hedging 步骤）： $$d\Pi = \left[\partial_t V + \frac{1}{2}\sigma^2 S^2 \partial_{SS} V\right]dt$$

Step 4 — no-arbitrage 强制 $d\Pi = r\Pi dt$： $$\partial_t V + \frac{1}{2}\sigma^2 S^2 \partial_{SS} V = r(V - S\partial_S V)$$

整理得 BS PDE: $$\boxed{\partial_t V + rS\partial_S V + \frac{1}{2}\sigma^2 S^2 \partial_{SS} V - rV = 0}$$
关键 trade-off:
- 这里 μ（标的真实漂移率）完全消失 — 这是 risk-neutral pricing 的精髓：定价不依赖个人风险偏好
- 假设连续 hedging（实际离散 → gamma 损失）、常数 σ（实际 IV smile）、无交易成本
真实案例/数据: Day 63 我用 PDE 推完后立刻在 Day 64 用 closed-form 解（call: $C = S\Phi(d_1) - Ke^{-rT}\Phi(d_2)$）拟合 Deribit BTC ATM 30D 期权，定价误差 < 1.2%（在 IV smile 平的 ATM 处）。
我的观点: BS 推导最被忽视的洞察是 "自融资条件的隐性假设" —— 我们要求 dΠ 不出现额外资金流入流出，意味着 Δ 的变动必须用借贷弥补。这才是连接 PDE 推导与"复制成本"产品逻辑的关键。在面试中能讲清这一层，比把公式背熟更体现深度。

追问准备:

Q: 为什么 μ 不出现在 BS 公式里？ → A: delta-hedging 完全消除了 randomness，剩下的对冲组合是 risk-free，因此只需 r。这是测度变换 P → Q 的几何含义。
Q: 离散对冲的 P&L 如何分解？ → A: 离散 hedging error 主要来自 gamma 项：$\Delta P&L \approx \frac{1}{2}\Gamma(\Delta S)^2 - \theta \Delta t$，著名的 "breakeven volatility" 公式。
Q: 如果 σ 是随机的（如 Heston 模型），推导如何变？ → A: 需要再加一个 Brownian motion，hedge instrument 必须包括另一个期权（vega hedge），最终得到二维 PDE，但 risk-neutral 框架不变。

Q2. BS 模型在 crypto 上的失效之处？SABR 如何修正？

类别: 衍生品定价 - 模型校准难度: 资深 考察点:

BS 假设的具体失效维度
IV smile/skew 现象
SABR 参数的金融含义
为何 crypto 需要 right-skew 而股票是 left-skew

简短回答（30秒，电梯版）: BS 假设常数波动率，但市场观察到 IV 随 strike 变化形成 smile/skew。Crypto 比股票更严重三件事：(1) 高频 jump 导致 fat tail；(2) 双向 right-skew（看涨期权 IV 也偏贵，与股票看跌偏贵相反）；(3) vol-of-vol 极高。SABR 通过引入随机波动率 α 与跳-相关参数 β/ρ/ν 拟合 smile，crypto 上 ρ 接近 0 或正值，与股票 ρ ≈ -0.7 形成鲜明对比。

详细回答（2-3分钟版本）:

背景/定义: BS 三大假设 — GBM、常数 σ、连续 hedging — 在 crypto 上几乎全部破坏。

核心机制/原理:

失效维度：

维度	股票	Crypto	失效程度
Skew 方向	left-skew (put 贵)	right-skew (call 也贵)	完全相反
ATM IV 水平	15-25%	60-100%	量级差异
Vol-of-vol (ν)	0.3-0.5	1.0-2.0	2-4x
Jump 频率	1-2/年	6-10/年	严重
Skew 半衰期	缓慢	突变	不稳定

SABR 模型： $$dF = \alpha F^\beta dW_1, \quad d\alpha = \nu \alpha dW_2, \quad \langle dW_1, dW_2\rangle = \rho dt$$

α: ATM vol 水平
β: 标的弹性（β=1 lognormal, β=0 normal, crypto 实证 β ≈ 0.7-0.9）
ν: vol-of-vol（控制 smile 曲率）
ρ: spot-vol 相关性（控制 skew 方向）

Hagan closed-form approximation 给出 IV： $$\sigma_{BS}(K, F) \approx \frac{\alpha}{(FK)^{(1-\beta)/2}} \cdot \frac{z}{x(z)} \cdot [1 + \text{correction terms}]$$

关键 trade-off:
- SABR 在小时间到期 (T < 1 月) 拟合好，长期到期失真
- 不能捕捉 jump，需要 SVJ (stochastic vol + jump) 进一步扩展
- 校准成本：日内不稳定，crypto 上需要每 6h 重校
真实案例/数据: Day 65-66 我用 Deribit 90 天 ETH option chain 校准 SABR：
- 2026-Q1 BTC 30D ρ ≈ +0.2 (vs SPX 同期 ≈ -0.65)
- ν ≈ 1.4 (vs SPX ≈ 0.4)
- 25Δ-25Δ skew = +3.5 IV pts (call wing higher) — 完全反向于股票
我的观点: Crypto right-skew 反映两个结构性因素：(a) 散户长期偏好 long call (lottery preference); (b) miner / validator 系统性卖 put 形成天然 demand。理解这点，才能在 crypto 期权 desk 上做相对价值交易，而不是机械套用股票 vol surface 的直觉。Day 65 的拟合实验让我把 mm_bot v1 的 σ 参数从 historical vol 改成 SABR-implied vol，效果显著好。

追问准备:

Q: 为什么 SABR 校准时要先固定 β？ → A: β 与 α 高度共线，三者联合拟合不收敛。业界惯例 β = 1 (lognormal) 或 β = 0.5。
Q: SABR 与 Heston 的本质差异？ → A: Heston 是 mean-reverting vol（有长期均值 θ），SABR 是 lognormal vol（无均值回归）。crypto 短期更适合 SABR，长期需要 Heston。
Q: 如何处理 deep OTM call 的 IV 拟合？ → A: SABR Hagan 在 deep wings 失真，需要切换到 SVI 或 eSSVI 参数化，或加 jump 项。

Q3. Power Perpetual 的 funding mechanism？为何 funding ∝ IV²？(Squeeth)

类别: 衍生品定价 - DeFi 衍生品难度: 资深 考察点:

Power perp 的复制
Variance swap 与 IV² 的关系
Squeeth 的协议设计
LP 与 trader 的资金流向

简短回答（30秒，电梯版）: Squeeth (ETH²) 是 ETH 价格平方的永续合约，Long Squeeth ≈ long variance + long convexity。其 funding 公式为 funding ∝ IV² 是因为持有 ETH² 的复制成本主要是 variance（σ²·dt 的连续累积），而 implied variance ≈ IV²。所以 funding 直接对应 implied variance，long pay short 即实质上买 variance 的人付 vol seller。

详细回答（2-3分钟版本）:

背景/定义: Squeeth (Opyn) 是首个生产环境的 power perpetual：标的为 ETH²，收益 ∝ S² 而非 S。
核心机制/原理:

Power perp 复制：持有 1 unit ETH² 等价于：
- 2·S 单位 ETH (delta hedge)
- +static portfolio of options (gamma hedge)
- 总价值 = $S^2 = \int_0^\infty \max(S - K, 0) \cdot 2 dK$（Carr-Madan formula）
这意味着 ETH² ≡ replicating call ladder，价格 ≈ variance swap notional。

Funding 推导：持有 ETH² 的连续时间收益： $$d(S^2) = 2S \cdot dS + (dS)^2 = 2S \cdot dS + \sigma^2 S^2 dt$$

Risk-neutral 下 $E^Q[d(S^2)] = (2r + \sigma^2)S^2 dt$，对应 Squeeth 应有 funding = $\sigma^2$（剔除 r 后）。

实际协议： $$\text{funding}{8h} \approx \frac{1}{3} \cdot \sigma{IV}^2 \cdot \Delta t$$

即 funding 直接 proportional to implied variance = IV²。
关键 trade-off:
- Long Squeeth = long variance，风险是 vega 暴露被 funding 持续抽税
- LP 在 Squeeth pool = short variance，是协议设计的对手方
- 优势：用户可用一个 token 表达 "做多 vol" 而不需要期权链
真实案例/数据: Day 70 实测 Squeeth 在 2024-2026 funding：
- ETH IV = 60% → annualized funding ≈ 36% (= 0.6²)
- ETH IV = 100% → annualized funding ≈ 100%
- 极端时（2024-04 ETH 减半前后）IV = 130% → funding > 150%/yr
- 长期持有 Squeeth ≈ 长期付高 vol carry，仅适合短期 vol 多头表达
我的观点: Power perp 是 DeFi 衍生品最被低估的产品创新 —— 它把 variance trading 从需要 expert-only 工具（variance swap, log contract）变成 token swap。Squeeth 的 funding ∝ IV² 关系是 elegant 数学和 DeFi composability 的结合，但产品上失败的地方是 funding 过高劝退散户。Phase 3 我会研究是否能用 Squeeth + put 组合做无 funding 的 long convexity 表达。

追问准备:

Q: Power perp k 次方是否可推广？ → A: 可以，funding ∝ k(k-1)/2 · σ² · S^k。k=2 是 squeeth，k=3 是 cube perp（Opyn 提议过）。
Q: 为什么 Squeeth funding 不直接用 realized variance？ → A: realized 是事后，oracle 必须在 funding 结算前给出 forward-looking IV，所以用 implied。
Q: Squeeth 与 variance swap 的差异？ → A: Variance swap 有固定到期，Squeeth 永续；Variance swap funding 一次性，Squeeth 滚动。

Q4. Deribit IV smile 的特征（ATM 附近 skew）？

类别: 衍生品定价 - 实证特征难度: 高 考察点:

Crypto IV surface 实证
Skew 的金融含义
Smile 时间结构
如何用 IV surface 做相对价值

简短回答（30秒，电梯版）: Deribit BTC/ETH IV smile 长期呈现 right-skew（call wing 高于 put wing），与股票 left-skew 相反。25Δ skew (call IV - put IV) 在 BTC 上长期 +2 到 +5 IV pts，反映散户对 long call 的结构性需求。短期 (7D) smile 极陡，长期 (180D) 趋平。重大事件前（halving / unlock / FOMC）skew 会急剧扩大。

详细回答（2-3分钟版本）:

背景/定义: IV smile = IV 关于 strike 的曲线。Skew = 25Δ call IV - 25Δ put IV（也有用 90% put vs 110% call 的）。

核心机制/原理:

BTC 30D IV smile 典型形态（Day 65 实测）:

IV (%)
 90 ┤                              ●  (deep OTM call)
 85 ┤                         ●
 80 ┤                    ●         right-skew
 75 ┤  ATM ─────────● ←── 70%
 70 ┤            ●
 65 ┤       ●
 60 ┤  ●  (deep OTM put)
     └─────────────────────────────────
     -25Δ          ATM              +25Δ

特征：

ATM 平台短：crypto smile 比股票更尖锐
call wing > put wing：25Δ call IV − 25Δ put IV ≈ +2 to +5
vol-of-vol 高：IV 自身波动 30-50%/yr
term structure：短期陡（contango/backwardation 切换快），长期趋于水平

关键 trade-off:
- Right-skew 不是套利机会，是结构性需求（不要做"卖 call 买 put"中性策略）
- 短期 smile 易受 mempool 巨鲸 limit order 短暂扭曲
- Term structure flat 是 vol regime change 信号
真实案例/数据: Day 65-66 三组实测数据：
- 2024-04 BTC halving 前：30D 25Δ skew = +6.8 IV pts (peak)
- 2025-01 ETH FOMC 前：7D ATM IV 飙至 95%（vs 30D 65%），sharp backwardation
- 2024-08 平静期：30D ATM IV ≈ 52%，skew ≈ +2.5 IV pts，最 "normal"
我的观点: Crypto IV smile 的不对称性是结构性的，不会消失。过去 5 年 right-skew 始终为正，我倾向认为根因是：
- 散户结构性偏好 long call (lottery preference)
- Miner / validator 卖 put 形成稳定 supply
- 但 call 端没有自然 supplier，只有 vol fund
这给 vol seller 的策略机会是 "卖 OTM call + 买 OTM put"（reverse risk-reversal），但需要严格 risk control，否则 ETH 突然 +30% 会爆仓。Phase 3 我想用 Deribit option chain 实测这个策略 1 年的 Sharpe。

追问准备:

Q: 为什么 7D smile 比 30D 更陡？ → A: 时间到期前，event risk 集中（FOMC/unlock），vol 不确定性极大。short-dated options 是 vol-of-vol 主战场。
Q: 如何用 smile 做信号？ → A: skew 极端值（如 +8 IV pts）通常是 reversal 信号；term structure inversion (短 IV > 长 IV) 是 short-term volatility regime 的信号。
Q: 为什么 ETH skew 比 BTC 更明显？ → A: ETH 散户基础更广，long call demand 更强；同时 ETH staking 的"自然 long ETH"导致 supply 不平衡。

Q5. 二阶 Greeks（Vanna/Volga）在 crypto 做市中的实际用途？

类别: 衍生品定价 - 风险管理难度: 资深 考察点:

二阶 Greeks 定义
Vanna-Volga 定价方法
Crypto 做市风险特点
Greeks-PnL 归因

简短回答（30秒，电梯版）: Vanna = $\partial^2 V / \partial S \partial \sigma$（delta 对 vol 的敏感度），Volga = $\partial^2 V / \partial \sigma^2$（vega 对 vol 的敏感度）。在 crypto 做市中，由于 vol-of-vol 极高（ν ≈ 1.5），二阶 Greeks 不能忽略：(1) Volga 用于估计 short vega 头寸在 vol shock 下的非线性损失；(2) Vanna 用于在 spot 大跳时调整 delta hedge。Vanna-Volga 定价法可在 BS-implied 上加 smile correction。

详细回答（2-3分钟版本）:

背景/定义: 一阶 Greeks (Δ, Γ, Vega, Θ, ρ) 在 BS 下完整。二阶 Greeks 在 stochastic vol 下不可忽略：
- Vanna: $\partial^2 V / \partial S \partial \sigma$ — delta 随 vol 变化
- Volga (Vomma): $\partial^2 V / \partial \sigma^2$ — vega 随 vol 变化
- Charm: $\partial^2 V / \partial S \partial t$ — delta 随时间衰减

核心机制/原理:

Vanna-Volga 定价法：不需要解 SVJ 完整 PDE，而是用三个 ATM/OTM 期权的市场报价反推 smile correction: $$V_{VV} = V_{BS} + \text{Vega}{ATM} \cdot \text{smile}{vega} + \text{Vanna} \cdot \text{smile}{vanna} + \text{Volga} \cdot \text{smile}{volga}$$

做市应用：

# 简化伪代码：mm bot vega + volga adjustment
def adjusted_quote(strike, vol_implied, sigma_realized):
    bs_price = black_scholes(strike, vol_implied)
    volga_adj = 0.5 * volga(strike, vol_implied) * (sigma_realized**2 - vol_implied**2)
    vanna_adj = vanna(strike, vol_implied) * (spot_skew - implied_skew)
    return bs_price + volga_adj + vanna_adj

关键 trade-off:
- Vanna-Volga 简单但只在 ATM ± 25Δ 内准确
- 计算成本低，适合 high-freq 做市
- 不能取代 SABR/Heston 的全曲面建模
真实案例/数据: Day 64-66 实测：
- ETH 30D ATM 期权，spot 突变 +5% 时，BS delta hedge 偏离实际 ~4%（来自 vanna）
- vol shock +20 IV pts 时，short vega 头寸的实际损失比 vega·Δσ 多 35%（来自 volga 凸性）
- Wintermute 公开 paper 提到他们用 Vanna-adjusted delta 做 BTC 期权动态对冲
我的观点: 二阶 Greeks 在传统股票期权（IV ≈ 20%）容易被忽略，在 crypto（IV ≈ 80%）必须重视。我把 Volga-PnL 归因加入 mm_bot v1 的 risk dashboard，发现单 vega P&L 解释力 < 70%，加上 volga 后达到 92%。这是一个高 ROI 的工程改进。资深面试中提这一点，能立刻区分"会用 BS"和"在 crypto 真做过 vol"两类候选人。

追问准备:

Q: Vanna 与 cross-gamma 的关系？ → A: Cross-gamma 是 multi-asset 概念，Vanna 是 single-asset 的 cross-greek（spot-vol 维度）。
Q: Volga 何时为正/为负？ → A: ATM Volga ≈ 0，OTM Volga > 0 (long vega 凸性)。short OTM 期权 = short vega + short volga，双重风险。
Q: 如何 hedge volga？ → A: 用 OTM 期权 (volga 高) hedge ATM 期权 (volga 低)，本质是 wing hedging。

Q6. 异类期权（barrier/asian）的 MC 定价收敛性？variance reduction 技术？

类别: 衍生品定价 - 数值方法难度: 高 考察点:

Monte Carlo 收敛速度
Antithetic / control variate / importance sampling
Barrier 期权的 brownian bridge 修正
收敛性诊断

简短回答（30秒，电梯版）: MC 收敛率为 $O(1/\sqrt{N})$，异类期权（barrier/asian）由于 path-dependence 噪声更大，收敛慢。常用 variance reduction：(1) antithetic：用 W 与 -W 一对路径，减半部分 vol；(2) control variate：用 Asian 期权的 geometric mean（有 closed-form）作 control variate；(3) importance sampling：在 barrier 期权中沿"被打到"的路径采样。Brownian bridge 修正解决离散监控的 barrier 概率低估问题。

详细回答（2-3分钟版本）:

背景/定义: 异类期权 closed-form 解少见，MC 是主流。
- Barrier: 价格触及边界后激活/失效（up-and-out call 等）
- Asian: payoff 依赖路径平均价 $\frac{1}{T}\int_0^T S_t dt$
- Lookback: payoff 依赖路径极值
核心机制/原理:

基础 MC： $$V \approx \frac{1}{N}\sum_{i=1}^N e^{-rT} \cdot \text{payoff}(S^{(i)}{path})$$ 收敛率 $O(\sigma{payoff}/\sqrt{N})$

Variance reduction 三招：

a) Antithetic variates：
```
# 对每条路径 W，同时模拟 -W 路径
payoff_mean = (payoff(S_W) + payoff(S_minus_W)) / 2
```
适合 monotone payoff，可减 30-50% variance。

b) Control variate（Asian 期权最有效）： $$V_{CV} = V_{MC} - \beta(C_{MC} - C_{closed-form})$$ 其中 C 是 geometric Asian (有 BS-like closed-form)。β 用 cov/var 估计。可减 90%+ variance。

c) Importance sampling (barrier 期权)：
- Up-and-in call: 默认大部分路径不触及 barrier，浪费样本
- 改用 drift-shifted measure $\tilde{dW} = dW + \mu^* dt$，让更多路径触及，再用 Radon-Nikodym 修正
Barrier 离散监控修正：连续 barrier 概率 > 离散监控（每天一次），需用 Brownian bridge 估计两次监控间触及概率： $$P(\text{hit between } t_i, t_{i+1}) \approx \exp\left(-\frac{2(B - S_{t_i})(B - S_{t_{i+1}})}{\sigma^2 \Delta t}\right)$$
关键 trade-off:
- Antithetic 简单但只对 monotone payoff 有效
- Control variate 强大但要求找到高 correlation 的 closed-form proxy
- Importance sampling 需要懂 measure change，门槛高
真实案例/数据: Day 68-69 我用 100K paths 定价 ETH 30D barrier (up-and-out call, B = $5000):
- Plain MC: std error $0.42 (price ≈ $34.20)
- Antithetic: std error $0.30
- Control variate (用 vanilla call): std error $0.08（提升 5x！）
- 加 Brownian bridge 修正后，离散监控 vs 连续解析解的偏差从 8% 降至 < 1%
我的观点: 异类期权 MC 在 crypto 实战的应用场景：(a) DeFi 结构化产品（如 Ribbon Finance 的 strangle）需要快速定价；(b) lookback 用于 LP 的 IL 估计。最被低估的是 Quasi-MC (Sobol sequences)：在 d ≤ 30 维度下收敛率接近 $O(\log^d N / N)$，比 MC 快几个量级。但 crypto 实战中很少有人用，反映行业工程深度还不够。Phase 3 我想把 Sobol-based MC 加到 options_lib v2。

追问准备:

Q: MC 与 finite difference 在异类期权上如何选？ → A: FD 适合维数低（≤2）的 PDE 已知结构（barrier）；MC 在 path-dependent + 多资产更优。
Q: 如何检测 MC 已收敛？ → A: 跑两次 N/2 取均值方差，看 95% CI；或者 batch means 法计算 effective sample size。
Q: Asian 期权为什么 geometric average 有 closed-form？ → A: Geometric mean of lognormal = lognormal，仍然是 BS 框架；arithmetic mean 不是，所以无 closed-form。

Q7. 加密利率与 perp funding 的本质差异？

类别: 衍生品定价 - 利率结构难度: 高 考察点:

Perp funding 的金融含义
DeFi 借贷利率 vs 永续 funding
Implied risk-free rate
跨市场套利

简短回答（30秒，电梯版）: 传统利率 = 时间价值（borrowing cost），是确定性的。Perp funding 是 perp-spot basis 的"惩罚机制"，包含 (a) implied risk-free rate, (b) implied dividend yield (staking), (c) market 对未来 spot 的方向偏见。所以 funding ≈ basis ≈ r - q + sentiment_premium，不是单纯利率。这导致 funding 高波动且不可单独反推 r。

详细回答（2-3分钟版本）:

背景/定义:
- 加密利率：DeFi 借贷市场的 interest rate（Aave/Compound 的 supply/borrow APR）
- Perp funding：永续合约 long-short 之间的现金流，每 8h 结算
核心机制/原理:

传统利率结构： $$F = S \cdot e^{(r - q)T}$$ r 是无风险利率，q 是 dividend yield。Forward 与 spot 的差由 r-q 唯一决定。

Perp funding 拆解： $$\text{funding} \approx \frac{P_{perp} - P_{spot}}{P_{spot}} \approx (r - q_{staking}) + \text{sentiment_premium}$$
- 当 sentiment 极度看多时，funding 远高于 r-q
- 2021-04 BTC funding 年化 60%+，远超任何 risk-free rate
- sentiment_premium 实质是"立刻 long 的便利收益（convenience yield）"
DeFi 借贷利率： $$\text{Aave borrow APR} = f(U) \quad \text{where } U = \text{utilization rate}$$ 是市场出清的"时间价值"，与 perp 性质完全不同。
关键 trade-off:
- Funding 是 forward-looking + sentiment-driven，DeFi 利率是 backward-looking + market-clearing
- Cash-and-carry 套利可桥接（Day 97）：long spot + short perp 收 funding，再借出 spot 收 supply rate（叠加）
- 风险：funding 反转时损失，DeFi 利率上行时清算风险
真实案例/数据: Day 73 + Day 97 实测：
- 2021 平均 BTC perp funding 年化 ≈ 22%，同期 Aave USDC supply rate ≈ 4%
- Carry trade（long spot + short perp + supply spot to Aave）累计年化 ≈ 28%（不计 cost）
- 2026 funding 平均降至 ≈ 4%，套利空间塌陷
我的观点: Perp funding 是 crypto 独有的金融工具 — 它把 forward curve, dividend, sentiment 三者打包到一个数字里，每 8h 重估。这种"高频议价"是传统市场没有的，给量化研究员极大空间，但也使得 funding-based alpha 极不稳定。永远不要把 funding 当作"crypto risk-free rate" — 这是新手最常犯的错误。从 funding 反推 r 必须先剥离 sentiment_premium，而这极难精确做到。我的建议是用 USDC borrowing rate (DeFi) 作为 crypto risk-free 代理，funding 只用作 carry signal。

追问准备:

Q: 为什么 Hyperliquid funding 和 Binance 不同？ → A: 不同所 spot 价格基准、premium index 计算窗口、clamp 区间都不同；Hyperliquid funding 还受 LP 池子结构影响。
Q: 如何从 perp funding 反推 implied risk-free rate？ → A: 极难。可以用 deep ITM call put-call parity 替代：$C - P = S - Ke^{-rT}$ 反推 r。
Q: Funding rate 与 basis trade 的关系？ → A: Basis trade = long spot + short futures (有到期)；funding-based carry = long spot + short perp (无到期)。前者 P&L 锁定，后者持续动态。

Q8. 固收 yield curve bootstrap 在 crypto 的对应（链上利率曲线）？

类别: 衍生品定价 - 利率曲线难度: 高 考察点:

Bootstrap 算法
DeFi 利率期限结构
Pendle PT 价格 → implied yield
链上 yield curve 构建

简短回答（30秒，电梯版）: 传统 yield curve bootstrap 用 deposit + FRA + IRS 不同期限的报价递归求解 zero rates。Crypto 对应：用 Aave/Compound 浮动利率（短端）+ Pendle PT 价格（中端，3-12 个月）+ Pendle YT 价格（隐含 forward rate）bootstrap 出链上 USDC zero curve。挑战是流动性碎片化、利率随 utilization 变化、无 OIS 基准。

详细回答（2-3分钟版本）:

背景/定义: Yield curve = zero coupon rate 关于到期的函数。Bootstrap = 从市场报价递归求解。

核心机制/原理:

传统市场：

1M deposit rate → r(1M)
3M deposit rate → r(3M)
1Y FRA → r(6M, 12M) → r(12M)
2Y IRS → r(24M)
5Y IRS → r(60M)
...

Cubic spline / Nelson-Siegel 平滑插值。

Crypto 对应：

工具	期限	信息
Aave/Compound USDC supply rate	即期/浮动	短端 0-30D
Pendle PT (3M, 6M, 12M maturity)	固定到期	中端 zero rate
Pendle YT 价格	隐含 forward yield	跨期信息
Maple Finance / Centrifuge	6-12M	信用利率

PT-based bootstrap： $$P_{PT}(T) = \frac{1}{(1 + y_T)^T} \implies y_T = P_{PT}(T)^{-1/T} - 1$$

YT 提供 forward yield 信息： $$P_{YT}(T) \approx \int_0^T \text{forward yield}(s) ds$$

关键 trade-off:
- DeFi 利率的 stylized fact：极短端高度市场化（毫秒重定价），但中长端流动性稀薄
- 不同抵押品/池子有不同 curve（USDC vs DAI vs sUSDe）
- 没有 OIS，难以建立 risk-free benchmark
真实案例/数据: Day 73 我用 Pendle 数据 bootstrap 2026-Q1 USDC curve：
- 即期 (Aave): 5.2% APR
- 3M PT: 5.5%
- 6M PT: 5.8%
- 12M PT: 6.0%
- 形态：normal (upward sloping)，反映 DeFi market 对未来 rate 上行的 mild expectation
我的观点: 链上 yield curve bootstrap 是 RWA 与 DeFi 桥接的核心基础设施 — 没有它，机构无法做 ALM。Pendle 是最重要的工具，因为它首次给出"固定到期"的 zero rate。但当前 DeFi curve 的最大问题是 30-90 days 之间断档：Aave 是即期，Pendle 最短到期 ≈ 90D，中间 30-90D 的利率对应的工具几乎没有，只能插值。这是 RWA 项目的产品机会。Phase 3 我想构建一个"DeFi yield curve dashboard"，把所有 PT/YT/lending rates 实时聚合成 zero curve，应该有 institutional 受众。

追问准备:

Q: 不同抵押品的 curve 如何统一？ → A: 不能，必须分别建。USDC curve / DAI curve / ETH curve 是独立的（如同 USD/EUR/JPY 各自 yield curve）。
Q: Pendle PT 与传统 zero coupon bond 的关键差异？ → A: PT 有 tradable AMM，价格随时间变化反映 implied yield 重定价；传统 zero bond 价格也随 yield 变，但 OTC 不易实时观测。
Q: 如何构建 swap curve？ → A: Crypto 上没有真正的 IRS 市场。可以用 perp funding 跨期 + Pendle implied forward 拼接，但是 noisy。

二、市场微观结构与做市类（8 道，Day 75-88）

Q9. ⭐ Avellaneda-Stoikov 的 reservation price 如何推导（HJB 方程）？crypto 参数如何调 γ/k/T？

类别: 微观结构 - 最优做市难度: 资深 考察点:

HJB 方程在做市中的应用
库存风险的 utility framework
crypto 参数标定
A-S 与 GLFT 的差异

简短回答（30秒，电梯版）: A-S 把做市建模为最优控制问题：做市商最大化期末效用 $E[-e^{-\gamma X_T}]$，其中 X 是 final wealth，γ 是风险厌恶系数。HJB 方程的解给出 reservation price $r = s - q\gamma\sigma^2(T-t)$ — 库存 q 越大越偏低（鼓励卖出）。Crypto 参数：γ 调到 0.1-0.5（比股票大，因 crypto vol 高），k（订单到达率衰减系数）从 LOB 数据估计为 1.5-3.0，T 用半天滚动窗口。

详细回答（2-3分钟版本）:

背景/定义: A-S (2008) 是首个把库存风险显式建模的做市文献。核心问题：在 [0, T] 内做市，目标 max $E[U(X_T)]$，约束：库存 q 影响未来 P&L。
核心机制/原理:

建模设定：
- 中间价 $S_t$ 服从 BM: $dS_t = \sigma dW_t$
- Bid order arrival 强度 $\lambda^b = A \cdot e^{-k \delta^b}$（δ 是 bid 与 mid 的距离）
- 类似 ask side
- Wealth $X_t = $ cash + q·S
- Utility: CARA $U(x) = -e^{-\gamma x}$
HJB 方程： $$0 = \partial_t u + \frac{1}{2}\sigma^2 \partial_{SS} u + \max_{\delta^b}[\lambda^b(\delta^b)(u(S, q+1, x - (S - \delta^b)) - u)] + \text{ask side}$$

假设解 $u = -e^{-\gamma X} \cdot e^{-\gamma q S} \cdot \theta(t, q)$，可化简为只有 q 的方程。

关键解：

Reservation price： $$r(s, q, t) = s - q\gamma\sigma^2(T-t)$$
- q > 0 (long inventory) → r < s → 报价偏低（鼓励出清）
- q < 0 (short) → r > s → 报价偏高
Optimal spread： $$\delta^a + \delta^b = \gamma\sigma^2(T-t) + \frac{2}{\gamma}\ln\left(1 + \frac{\gamma}{k}\right)$$
- 第一项：库存风险溢价
- 第二项：流动性补偿（与 k 反比）
关键 trade-off:
- γ 越大：报价越保守、spread 越大、参与频率低
- k 越大：流动性越深、可以用更小 spread
- T 越短：风险边界越紧，spread 收窄
- A-S 假设 mid-price 是 BM：在 trending market 失效（GLFT 修正这一点）
真实案例/数据: Day 78-80 实战标定：
- Hyperliquid BTC perp：估计 σ_5min ≈ 0.6%，A = 12 orders/sec, k = 2.1
- 设定 γ = 0.3, T = 12h (滚动窗口)
- 得到典型 spread ≈ 4 bps（vs Binance taker fee 5 bps，刚好可盈利）
- 7 天 paper trading Sharpe = 1.8（小样本）
GLFT (Guéant-Lehalle-Fernandez-Tapia) 修正：
- A-S 假设无限时间 horizon → GLFT 给出稳态解
- 加 drift μ → reservation price 加上 drift 校正项
我的观点: A-S 的真正价值不是公式本身，而是把"做市"形式化为"动态库存优化" — 这是 mm engineering 的范式转移。Crypto mm 必须做的修正：
- σ 用 vol-of-vol 调整（用 SABR-implied 而不是 historical）
- λ 不是常数，需要 OFI-aware
- 加 adverse selection 项（A-S 没显式处理）
Day 117 我把 A-S 升级版（含 inventory + microprice + adverse selection 三层）写进 mm_bot v1，效果显著好于 vanilla A-S。资深面试中，能解释清楚 HJB 推导 + 自己做过 crypto 标定 + 知道 A-S 的局限，三层加起来才是 quant 做市的真功夫。

追问准备:

Q: 如果 mid 是 GBM 而非 BM，结果如何变？ → A: 加 drift μ 后 reservation price = $s - q\gamma\sigma^2(T-t) + \frac{q\mu}{\gamma\sigma^2}$ 类似项，体现 trend hedge。
Q: 怎么估计 k？ → A: 从 LOB tick data 拟合 fill rate vs distance 的指数衰减，OLS 即可。
Q: A-S 在 momentum 期失效，如何修？ → A: 加 trend 项（非 stochastic vol），或用 GLFT, 或动态调 γ。我的实操是检测 trend 强度 → 进 trend 模式只做 backrun，不主动做市。

Q10. ⭐ Uniswap V3 的 tick math：sqrtPriceX96 和 tick 如何转换？liquidity 如何计算？

类别: 微观结构 - DEX 数学难度: 资深 考察点:

V3 集中流动性核心数学
定点数表示 (sqrtPriceX96)
L (liquidity) vs x, y 的关系
跨 tick 的边界条件

简短回答（30秒，电梯版）: Uniswap V3 tick 是离散价格刻度：$P = 1.0001^{tick}$，相邻 tick 价差 0.01%。$\sqrt{P}$ 用 Q64.96 定点数存储为 sqrtPriceX96 = $\sqrt{P} \cdot 2^{96}$。Liquidity L 表示 pool 内"等效深度"：在区间 $[P_a, P_b]$ 内 $L = \sqrt{x \cdot y}$（区间内）。pool 内 reserves: $x = L(\frac{1}{\sqrt{P}} - \frac{1}{\sqrt{P_b}})$, $y = L(\sqrt{P} - \sqrt{P_a})$。

详细回答（2-3分钟版本）:

背景/定义: V3 引入 concentrated liquidity，LP 在指定价格区间 $[P_a, P_b]$ 提供流动性，超出区间则单边持币。
核心机制/原理:

Tick 公式： $$P_{tick} = 1.0001^{tick}, \quad \text{tick} = \log_{1.0001}(P)$$
- 相邻 tick 价差 = 1.0001 - 1 ≈ 0.01% (1 bp)
- tick spacing 由 fee tier 决定：0.05% pool → spacing 10, 0.30% → spacing 60, 1% → spacing 200
sqrtPriceX96 (Q64.96 定点数)： $$\text{sqrtPriceX96} = \sqrt{P} \cdot 2^{96}$$

用 sqrt(P) 而非 P 是因为流动性公式里 sqrt(P) 更对称：
```
// 从 tick 转 sqrtPriceX96 (核心代码)
function getSqrtRatioAtTick(int24 tick) returns (uint160) {
    uint256 absTick = uint256(tick < 0 ? -int256(tick) : int256(tick));
    uint256 ratio = absTick & 0x1 != 0 ? 0xfffcb933bd6fad37aa2d162d1a594001 : 0x100000000000000000000000000000000;
    // ... 通过位运算高效计算 1.0001^tick
}
```
Liquidity L 与 reserves：

在价格区间 $[P_a, P_b]$ 内的 LP 持仓: $$x = L \cdot \left(\frac{1}{\sqrt{P}} - \frac{1}{\sqrt{P_b}}\right) \quad (P_a \le P \le P_b)$$ $$y = L \cdot \left(\sqrt{P} - \sqrt{P_a}\right)$$
- 当 $P > P_b$：全是 token Y (y), x = 0
- 当 $P < P_a$：全是 token X (x), y = 0
- 边界处发生 token swap
L 的物理意义： $$L = \sqrt{x \cdot y} \quad \text{(in active range, virtual reserves)}$$
关键 trade-off:
- 集中度越高 → 资本效率越高，但 LVR 越严重
- 跨 tick 时 swap 路径需 SwapMath 计算精确 in/out
- sqrtPriceX96 表示是 deterministic + gas-efficient 的核心
真实案例/数据: Day 84-85 实测：
- ETH/USDC 0.05% pool, 当前 P = $2400
- tick = log_{1.0001}(2400) ≈ 77820
- sqrtPriceX96 ≈ √2400 × 2^96 ≈ 3.88 × 10^30
- 一笔 100K USDC swap → ETH，跨过 ~ 4 个 active ticks，平均 slippage 0.04%
- 同样规模在 V2 (no concentration): slippage 0.18%
我的观点: V3 tick math 是 Uniswap engineering 最精巧的部分 — sqrtPriceX96 + tick spacing + L 三者的设计让 swap 路径计算保持 O(active_ticks) 而非 O(all_LPs)，这是为什么 V3 gas 成本只比 V2 高 ~ 30% 而非 10x。但其代价是 LP 必须主动管理范围，被动 LP 几乎必然被 LVR 套利者收割（Day 111）。资深面试中，能写出 sqrtPriceX96 公式并解释 Q64.96 定点数动机的候选人非常少 — 这是最容易区分"用过 V3"和"理解 V3"的题。

追问准备:

Q: 为什么用 Q64.96 而不是 Q128.128？ → A: gas 优化。Solidity 256 位限制下，Q64.96 留 160 位用于其他状态，平衡精度与 storage。
Q: 跨多个 tick 的 swap 如何计算？ → A: SwapMath.computeSwapStep 逐 tick 计算 in/out，直到达到 amount 或 price limit。每跨一个 active tick 触发 LP 重组。
Q: V4 的 hook 如何改变 tick math？ → A: V4 保留核心 tick 数学，但允许 hook 在 swap 前后注入逻辑（如 dynamic fee, custom curves）。

Q11. JIT 流动性 vs 三明治攻击的本质差异？JIT 能否被防御？

类别: 微观结构 - DEX MEV 难度: 高 考察点:

JIT (Just-In-Time) 流动性机制
Sandwich 与 JIT 的策略差异
LP 与 user 的利益冲突
防御方案

简短回答（30秒，电梯版）: JIT 是 LP 在大单 swap 之前一个区块加入流动性、swap 之后立即移除，赚取该笔的几乎全部 fee。Sandwich 是 searcher 通过插队 victim 来谋利，伤害 victim。JIT 不直接伤害 user（user 拿到接近 mid 的价格），但伤害普通 LP（fee 被 JIT 拿走）。JIT 难防御因为它技术上是合法 LP 行为；Uniswap V4 hook + flag of dynamic fee 是部分对策。

详细回答（2-3分钟版本）:

背景/定义:
- JIT: searcher 在 mempool 看到大单后，bundle 内先 mint position，swap 后立即 burn position
- Sandwich: searcher 用 frontrun + backrun 围攻 victim，吃滑点

核心机制/原理:

JIT 三步：

T0: Block builder 收到 victim 大 swap (~$5M)
T1: Searcher bundle:
    1. mint LP position 在 victim 的 swap 区间，提供 99% 流动性
    2. Victim swap 执行（fee 几乎全归 searcher）
    3. burn LP position
T2: Searcher 净赚：fee - mint/burn gas - LVR

Sandwich 三步：

T0: Builder 收到 victim swap with slippage
T1: Searcher bundle:
    1. frontrun: 推高价格
    2. Victim swap at worse price
    3. backrun: 回调价格，赚价差

核心差异：

维度	JIT	Sandwich
受害者	普通 LP	Swap user
User 体验	接近 mid 价 (受益)	滑点最大化 (受损)
法律性	合法 LP 行为	灰色，被部分 OFA 屏蔽
资本要求	高（需提供大量短期 LP）	低（只 frontrun 资金）
防御难度	极难	容易（OFA, MEV-blocker）

关键 trade-off:
- User 视角 JIT 是"良性 MEV" — user 获得最佳价格
- LP 视角 JIT 是"流动性窃贼" — 长期 LP 被排挤
- 协议视角矛盾：JIT 提升 user retention 但损害 LP base
真实案例/数据: Day 110 + Day 113 实测：
- 2024 Uniswap V3 ETH/USDC 0.05% 池：JIT-captured fee 占总 fee ~ 18-22%
- 单次 JIT 典型利润：$500-2000，需要 $1-5M 短期 LP
- 顶级 JIT bot：0x000000fee13a103a10d593b9ae06b3e05f2e7e1c 月利润 ~ $300K
- Curve、Balancer 上 JIT 占比更低（因 spread 机制不同）
我的观点: JIT 是 V3 集中流动性的"必然产物" — 只要 LP 可以瞬时 mint/burn，专业 LP 就会 outcompete 被动 LP。这不是 bug，是 V3 设计的特征。真正的问题是 fee 分配模式：当前 fee 完全归活跃 LP，没有分给 long-term liquidity provider。V4 hook 的潜在 fix：
- Dynamic fee：识别 JIT 时 fee 提高（但 JIT bot 也在演化）
- Time-weighted LP rewards：奖励长期 LP（破坏 V3 数学）
- JIT auction：把 JIT 利润显式拍卖（OFA 模型）
我的判断：JIT 短期不可防御，长期靠 OFA 把"提供流动性的权利"显式拍卖。这是 Phase 3 我想研究的产品方向。

追问准备:

Q: JIT 在 Curve 为什么少？ → A: Curve 的稳定币 swap 通过 stableswap invariant，单笔 fee 小且 LP 集中，JIT 边际收益低。
Q: V4 hook 如何阻止 JIT？ → A: 一种方式是 mint/burn 之间强制 cooldown（如 1 block），但这破坏了 V3 的 fungibility。
Q: 为什么 sandwich 在私有 mempool 也能发生？ → A: 私有 mempool 不是公开广播但 builder 仍能看到所有 tx，如果 builder 自营 searcher 或与 searcher 分润，sandwich 仍可发生。

Q12. Order Flow Imbalance (OFI) 信号在不同市场（spot/perp/L2）的有效性？

类别: 微观结构 - 信号研究难度: 高 考察点:

OFI 定义与计算
不同市场流动性结构
信号衰减
与 microprice 的关系

简短回答（30秒，电梯版）: OFI = bid 加单 - bid 撤单 - ask 加单 + ask 撤单（净 buy-side pressure）。在 spot 市场（CEX）OFI 与下一秒 mid 价变化 correlation ≈ 0.4-0.6（最强）；perp 市场上 0.2-0.3（弱化，因 funding 干扰）；L2 DEX (Hyperliquid) 上 OFI 信号反而强 ≈ 0.5（因 LP 池子流动性更结构化）。信号 half-life ~ 1-3 秒，必须高频 act。

详细回答（2-3分钟版本）:

背景/定义: Cont-Kukanov-Stoikov (2014) 引入的微观结构信号，量化"订单流压力"对短期价格的影响。

核心机制/原理:

OFI 定义（每个 tick 维度）： $$\text{OFI}_t = \sum_i \text{event}_i$$

bid 加单 +size
bid 撤单 -size
bid 成交 +size (有的定义不计 trade)
ask 加单 -size
ask 撤单 +size
ask 成交 -size

OFI → 价格预测： $$\Delta P_{t+1} \approx \beta \cdot \text{OFI}_t / \text{depth}_t + \epsilon$$

其中 depth 是 orderbook 总深度（normalize OFI）。

不同市场的有效性：

市场	OFI - ΔP corr	half-life	备注
Binance BTC spot	0.55	2s	流动性最深，信号最干净
Binance BTC perp	0.30	1s	杠杆放大噪声
Hyperliquid BTC perp	0.50	3s	LP 结构化，信号清晰
Uniswap V3 (block-level)	0.40	10s+	区块周期约束
Curve stableswap	0.10	n/a	价格不敏感（曲线设计）

关键 trade-off:
- 信号强但衰减极快，需要 < 100ms 反应
- 高 latency colo 是入场券
- OFI 在 trending market 反向（动量+反转切换）
真实案例/数据: Day 82-83 实测：
- 用 Hyperliquid 30 天 L2 orderbook 数据，OFI vs 1-second mid return：corr = 0.51
- 加入 microprice (vs midprice) 后 hit rate 从 56% 提升到 62%
- Out-of-sample（最后 5 天）：corr 衰减到 0.43，仍有用
我的观点: OFI 是 mm 的核心 alpha 之一，但在 crypto 上的应用有几个反直觉点：
- L2 DEX 信号反而比 perp 强 — 因为 LP 流动性结构化使 OFI 更干净
- 信号在 high vol 下衰减快，low vol 下 stable — 需要根据 vol regime 动态加权
- 极端 OFI 是 reversal 信号（contrarian），不是 momentum
实战中我把 OFI 用在 mm_bot v1 的 quote skew：当 OFI > threshold 时，把 bid 价格上调（预期价格上行），减少被 frontrun 风险。Day 117 后 7 天 paper trading：加 OFI 信号后 fill ratio 没降太多但 P&L 提升 ~ 15%。这是一个工程上 ROI 极高的改进。

追问准备:

Q: OFI 与 trade flow imbalance 的差异？ → A: TFI 只看成交，OFI 包括所有挂撤单事件。OFI 信息量大，但更易被噪声污染。
Q: 多深度的 OFI 如何加权？ → A: 通常用 exp(-k·level) 衰减，k ≈ 0.5-1.0 from data。深度越深信息越少。
Q: OFI 在 illiquid altcoin 失效如何处理？ → A: 切换到更慢的信号（如 vol cluster, RSI），或者直接退出 mm — 不要在 illiquid 市场强用 OFI。

Q13. 如何在 Hyperliquid 上做 delta-neutral 永续做市？

类别: 微观结构 - DEX 做市难度: 资深 考察点:

Hyperliquid 架构特点
DN hedging 跨所
库存风险管理
Fee tier 与 maker rebate

简短回答（30秒，电梯版）: Hyperliquid 是 L1 orderbook DEX（非 AMM），交易体验接近 CEX 但有 maker rebate（-0.005%）。DN 做市方案：(1) 在 HL 挂双边报价赚 spread + rebate；(2) inventory > threshold 时去 Binance/Bybit perp 对冲；(3) 用 microprice + OFI 防 adverse selection；(4) 跨所 funding rate 监控避免 negative carry。盈利 target：spread 4 bps + rebate 0.5 bps - hedge cost 1 bp ≈ 3-4 bps/round-trip。

详细回答（2-3分钟版本）:

背景/定义: Hyperliquid 架构：
- 自有 L1（HyperBFT consensus）
- On-chain orderbook（不是 AMM）
- 每秒 ~100K orders/s，sub-block latency
- Maker rebate -0.005%, taker fee 0.025%

核心机制/原理:

DN 做市架构：

┌─────────────────────────────────────┐
│        mm_bot core                  │
│  ┌───────────────────────────────┐ │
│  │  Hyperliquid orderbook (HOB)  │ │
│  │  - place bid/ask on HL        │ │
│  │  - get fill events            │ │
│  └───────────────────────────────┘ │
│             ↓ inventory             │
│  ┌───────────────────────────────┐ │
│  │  Risk engine                  │ │
│  │  - if |q| > threshold:        │ │
│  │    hedge on Binance perp      │ │
│  └───────────────────────────────┘ │
│             ↓                       │
│  ┌───────────────────────────────┐ │
│  │  Cross-venue arbitrage        │ │
│  │  - if Binance > HL spread:    │ │
│  │    take HL, hedge Binance     │ │
│  └───────────────────────────────┘ │
└─────────────────────────────────────┘

Pricing 公式： $$\text{quote}{HL} = \text{microprice}{HL} \pm \delta(q) - \text{adverse_selection_premium}$$

其中 $\delta(q) = \delta_0 + q\gamma\sigma^2 \tau$ (A-S inventory skew)。

Hedging strategy:

每 100ms 计算 net position q
如 |q| > Q_max (例如 5 BTC)，用 Binance taker 对冲
对冲 cost = taker fee + slippage ≈ 6 bps

关键 trade-off:
- HL 流动性比 Binance 浅，但 maker rebate 高
- 跨所 latency ~ 50-100ms (HL 自有共识 + Binance API)
- Funding rate spread (HL vs Binance) 变化是 alpha 来源也是风险来源
真实案例/数据: Day 117 mm_bot v1 实战 (paper trading 7 天):
- 标的：HL BTC perp
- 平均 spread 4.2 bps + rebate 0.5 bps
- 平均 hedge cost 0.9 bps（用 Binance maker order，部分 fill）
- Net P&L ≈ 3.8 bps/round-trip
- 7 天累计 vol $3.2M, P&L $1,200, Sharpe 1.8 (小样本)
主要风险事件：
- Funding rate 突变（HL +0.05% → Binance -0.02%）触发 carry 损失
- HL 偶发 latency spike → 短暂 inventory 累积
我的观点: HL DN 做市是当前 crypto mm 最好的入门战场：
- rebate 显著 > Binance（HL -0.005% vs Binance 0%）
- orderbook 深度足够测试策略，但远未饱和（vs Binance 上 Wintermute/Jump 完全不留空间）
- 跨所 hedging 是必需的，因 HL 单边深度有限
战略上做 HL mm 必须把握的关键点：(a) inventory 上限要紧（HL 单边耗尽时 hedge 滑点会暴涨）；(b) 监控 funding spread；(c) 加入 microprice 防 frontrun；(d) 不主动做 trending market（趋势期切换为 buy-hold）。Phase 3 我会继续深化 HL 的 mm 策略，目标是 1 个月真实小资金运行。这是一个能写进简历的"自营做市经验"。

追问准备:

Q: 为什么 HL 用 orderbook 而非 AMM？ → A: 衍生品（perp）需要精确价格匹配，AMM 在 perp 上效率低。HL 选择 orderbook 是产品定位决定。
Q: HL maker rebate 可持续吗？ → A: 短期可，由协议补贴；长期需要 fee 收入支撑。如果 token 价值支撑 rebate，可以持续。
Q: 如何处理 HL outage？ → A: 熔断机制：HL 无响应 > 1s 时立即 unwind 全部 position 到 Binance（接受短期亏损保护下行）。

Q14. Almgren-Chriss 最优执行的 frontier 如何推导？crypto 市场如何应用？

类别: 微观结构 - 最优执行难度: 资深 考察点:

AC 模型 mean-variance 框架
Temporary 与 permanent impact
Efficient frontier
Crypto 应用与限制

简短回答（30秒，电梯版）: AC 把执行建模为最小化 $E[\text{cost}] + \lambda \cdot \text{Var}[\text{cost}]$，其中 cost = temporary impact + permanent impact + risk variance。Closed-form 解给出 trajectory $x(t) = X \cdot \frac{\sinh(\kappa(T-t))}{\sinh(\kappa T)}$，其中 κ 由 σ²λ / η 决定。Efficient frontier = (E[cost], Var[cost]) 平面上的 Pareto curve。Crypto 应用：参数 σ 高、η（temporary impact 系数）从 LOB 估，frontier 显示 crypto 上"快执行 + 高 cost"vs "慢执行 + 高 risk"的 trade-off 极陡。

详细回答（2-3分钟版本）:

背景/定义: AC (2000) 定义最优执行为 mean-variance 优化：在 [0, T] 内卖出 X 单位，最小化 $C + \lambda V$。
核心机制/原理:

Cost 模型： $$\text{Total cost} = \int_0^T [\eta v^2 + \gamma X(t) \cdot v] dt + \int_0^T \sigma X(t) dW$$
- $\eta v^2$: temporary impact（执行速度的 quadratic cost）
- $\gamma X(t) v$: permanent impact (跌价 proportional to remaining)
- $\sigma X dW$: 等待期间的 price risk
Mean-variance: $$\min_{x(t)} E[C] + \lambda \text{Var}[C]$$

Closed-form 解 (常微分方程): $$x(t) = X \cdot \frac{\sinh(\kappa(T-t))}{\sinh(\kappa T)}$$ $$\kappa = \sqrt{\frac{\lambda \sigma^2}{\eta}}$$
- λ ↑ → κ ↑ → trajectory 更前置（risk-averse 早完成）
- λ → 0 → linear (TWAP)
- λ → ∞ → 立即 dump
Efficient frontier: plot (E[C], Var[C]) for different λ → 单调递减 curve
关键 trade-off:
- λ = 0 是 TWAP（minimum cost, max risk）
- λ → ∞ 是 immediate execution (max cost, min risk)
- 真实选择需考虑信息泄露 + 跨市场 hedging
真实案例/数据: Day 83 实测 ETH 1000 个的 1 小时执行：
- σ_5min = 0.6%, η ≈ 50 USD per ETH per second
- λ = 1e-5 → trajectory 接近 TWAP, cost = 0.05%
- λ = 1e-3 → trajectory front-loaded, cost = 0.18%, var 减半
- Crypto 上 frontier 比股票陡 ~ 3x（σ 高）
我的观点: AC 在 crypto 的应用有几个独特挑战：
- σ 高且 regime-switching：用 EWMA estimator 而非 historical
- temporary impact 在低流动性时段（亚洲早盘）暴涨：η 必须时间相关
- permanent impact 在 trending market 极不对称：买入 trend 时 permanent impact 大于卖出（market depth 不对称）
实战中我用 AC 框架做 crypto 大单执行：Day 119 我把这个写进《方法论白皮书》第 5 章。重要修正：crypto 上 λ 不应用 standard mean-variance，而应用 CVaR-aware optimization（因为 fat tail），这一点 AC 原版没有。Phase 3 想做 RL-based optimal execution，对比 AC 在 crypto 的优劣。

追问准备:

Q: 实操中如何估 η（temporary impact）？ → A: 跑一系列小单 size，回归 (impact, size)，斜率 = η。需要避免 self-impact 污染数据。
Q: AC 与 VWAP/TWAP 的关系？ → A: TWAP 是 λ=0 的 AC；VWAP 是按 volume profile 加权，不是 AC 的特例。
Q: 如何在 crypto market 切换 AC schedule？ → A: 监控 vol regime；当 σ 突变 ±30% 时，重新算 κ 并调整剩余 trajectory。

Q15. Kyle 模型的 λ（市场冲击）在 crypto 如何估计？

类别: 微观结构 - 信息不对称难度: 高 考察点:

Kyle (1985) 模型
λ 的金融含义
Crypto 估计方法
信息流与价格关系

简短回答（30秒，电梯版）: Kyle λ 衡量 informed trading 对价格的影响：$\Delta P = \lambda \cdot Q$（Q 是订单流，正负代表 buy/sell）。理论上 $\lambda = \sigma_v / (2\sigma_u)$（v 是 value，u 是 noise trader vol）。Crypto 估计方法：(a) regression Δ price on signed volume (5-min bucket)；(b) Kalman filter 动态估计；(c) 不同市场 λ 显著不同：BTC 主流所 λ ≈ 0.01-0.03 bps/$1000，altcoin λ ≈ 0.5-2 bps/$1000。

详细回答（2-3分钟版本）:

背景/定义: Kyle (1985) 经典模型描述 informed trader, noise trader, market maker 的均衡。Market maker 看 net order flow Q，给出 price = $\mu + \lambda Q$。
核心机制/原理:

Kyle's λ 解析解 (单期模型): $$\lambda = \frac{1}{2} \cdot \sqrt{\frac{\sigma_v^2}{\sigma_u^2}}$$
- $\sigma_v$: 资产价值的不确定性
- $\sigma_u$: noise trader order flow 标准差
直觉: 当 informed trader 信息越多（σ_v 大）或 noise 越少（σ_u 小），市场冲击越大。

实证估计 (crypto): $$\Delta P_t = \lambda \cdot Q_t + \epsilon_t$$
- 取 5 分钟 bucket
- Q = sum of (buy_volume - sell_volume), USD value
- regression OLS 得 λ
Kalman filter 动态版： $$\lambda_t = \lambda_{t-1} + K(\text{realized impact}t - \lambda{t-1} \cdot Q_t)$$
关键 trade-off:
- 静态 λ 假设忽略 regime change
- 估计需要 signed volume（trade side classification）
- 在 limit order 主导的市场，λ 估计偏低
真实案例/数据: Day 75-77 实测 (5-min bucket, 30 天数据):
- BTC Binance spot: λ ≈ 0.018 bps per $1K
  - $1M buy → 1.8 bps impact
  - $10M buy → 18 bps（线性，但实际有非线性 saturation）
- ETH Binance perp: λ ≈ 0.025 bps per $1K
- SOL Binance: λ ≈ 0.08 bps per $1K（流动性 1/3）
- PEPE Binance: λ ≈ 1.5 bps per $1K（altcoin 量级差异）
我的观点: Kyle's λ 是 crypto 市场流动性最简洁的"打分指标" — 它直接告诉 trader "$1M 买入会造成多少 bps 移动"。但 crypto 上的几个独特细节：
- λ 随 funding rate 变化：funding 高时 λ 减小（更多 informed flow 不持仓）
- λ 跨所差异极大：MEXC < Binance < OKX，反映 retail 流量
- λ 在 unlock event 暴增：信号 informed trader 集中 dump
实战中我用 λ 做两件事：(a) 计算自己交易的 impact cost；(b) 检测 informed flow（异常 λ 信号）。Phase 3 想用 ML 把 λ 做成实时信号 — 这跟传统 quant 的"流动性预测"研究领域接轨。

追问准备:

Q: 如何 sign volume（区分 buy vs sell）？ → A: tick rule（trade price > prev mid → buy）；Lee-Ready 算法；或交易所提供 aggressor flag。
Q: Kyle λ 与 Amihud illiquidity ratio 的关系？ → A: 都是 |Δ price| / volume 的变体。Kyle 是理论模型，Amihud 是实证 proxy。crypto 上更常用 Amihud（不需 sign）。
Q: λ 时间衰减如何？ → A: temporary impact 衰减快（< 1 hr），permanent impact 持续。Kyle 单期模型不区分。多期版本（Glosten-Milgrom）显式处理。

Q16. CEX 做市 vs DEX (CLMM) LP 本质差异？哪个对庄家更有利？

类别: 微观结构 - CEX vs DEX 难度: 资深 考察点:

CEX orderbook vs DEX AMM
流动性提供成本结构
LVR vs adverse selection
资本效率

简短回答（30秒，电梯版）: CEX 做市是 explicit order placement（每 quote 都是主动决策），DEX CLMM LP 是 passive function（一次设范围，被动响应所有 swap）。CEX mm 风险是 adverse selection（被 informed flow 套牢），DEX LP 风险是 LVR（被 arbitrageur 持续抽税）。哪个更优取决于：(a) 资本规模 — DEX 对小庄家友好（不需 latency 投资）；(b) 信息能力 — 有 alpha 的庄家选 CEX（能用信息变现）；(c) 流动性深度 — 大资金选 CEX（DEX 池子流动性碎片）。

详细回答（2-3分钟版本）:

背景/定义:
- CEX mm: 主动 quote bid/ask, fill 后立即 hedge
- DEX CLMM LP: 设定区间 [Pa, Pb] 提供 L 流动性，被动响应所有 swap

核心机制/原理:

风险结构对比：

维度	CEX mm	DEX CLMM LP
主要风险	Adverse selection	LVR (loss-vs-rebalancing)
收益来源	spread + rebate	swap fee
资本要求	margin (~ position size)	全额 deposit
资本效率	高（杠杆 5-100x）	中（V3 集中提升 4000x）
Latency 要求	极高（< 1ms）	低（per block）
算法复杂度	高（A-S, OFI, microprice）	中（range selection）
退出难度	即时（cancel order）	需 burn position（gas + slippage）

数学对比：

CEX mm 期望 P&L: $$E[\text{P&L}] = \text{spread} \cdot \text{volume} - \text{adverse}^2 \cdot \text{vol_of_vol}$$

DEX LP 期望 P&L (V3 in-range): $$E[\text{P&L}] = \text{fee revenue} - \text{LVR} = f \cdot V - \frac{1}{2}\sigma^2 \cdot \int |L| dt$$

场景对比：

$10K 散户：DEX LP 友好（无 latency，被动）
$100K 量化：CEX mm 更优（latency 投资有 ROI）
$10M 机构：CEX mm 更优（深度 + 多所对冲）

关键 trade-off:
- DEX LP 是隐式 short gamma + short vol（Day 111）
- CEX mm 的 adverse selection 可用 OFI/microprice 主动管理
- DEX 的 fee revenue 上限受池子大小 cap
真实案例/数据: Day 88 我做的对比报告 (BTC/USDC, $1M capital, 30 天):
- CEX mm (Binance perp): avg spread 3 bps + maker rebate 0.5 bps - adverse 1.5 bps = 2 bps/round
  - 30天 P&L ≈ $3500 (assumes 1.5x daily vol turnover)
- DEX LP (V3 ETH/USDC 0.05%, ±5% range): fee 0.05% - LVR 0.04% = 0.01%/year
  - 30天 P&L ≈ -$200 (亏损！LVR 吞噬 fee)
- 结论: 在 vol > 60% 期间，V3 LP 经常 underwater，CEX mm 优势明显
我的观点: 这个问题没有单一答案，关键看角色：

庄家（机构 mm）选 CEX：
- 资本规模 + alpha 信号 + latency 投资 → CEX 显著优
- DEX LP 对庄家是"低 ROI 工具"，仅用作 inventory parking
被动 LP（散户/PT）选 DEX：
- 不需要 latency
- V3 集中流动性 + 范围选择即可
- 但必须接受 LVR 是 vol regime 的"做空"
特殊机会: JIT searcher 是混合型 — 在 DEX 上模拟 CEX mm，是当前最盈利的策略之一（Day 111）。

面试中我会强调：LVR 的 ex-ante framework 把"DEX LP 是无风险被动收益"这个流行迷思彻底打破 — 资深面试官会立刻知道你做过 DEX 量化研究。

追问准备:

Q: V4 hook 是否能让 DEX LP 接近 CEX mm 体验？ → A: 部分可，hook 允许 dynamic fee + JIT 防御 + 自定义 curves。但 DEX 仍受 block-level latency 限制。
Q: Curve mm 风险结构与 V3 不同？ → A: Curve stableswap 的 LVR 极低（曲线设计），但 fee 也低。Curve LP 本质是 short tail-risk (de-peg event)。
Q: 庄家如何同时做 CEX + DEX？ → A: 大型 mm（Wintermute/Jump）跨 venues 做 hedge — DEX 上的 short vega 用 CEX option 对冲。这是最高级的玩法。

三、统计套利与 Alpha 类（8 道，Day 89-102）

Q17. ⭐ 如何防止 TSMOM 过拟合？walk-forward 与 CPCV 的差异？

类别: 统计套利 - 回测方法论难度: 资深 考察点:

过拟合的具体表现
Walk-forward analysis
Combinatorial Purged Cross-Validation
适用场景

简短回答（30秒，电梯版）: TSMOM (time-series momentum) 容易过拟合参数（lookback, threshold）。Walk-forward 是滚动训练-测试，sequential 但只用 1 个 fold。CPCV (Lopez de Prado 2018) 把数据分 N 块，所有可能的 train-test 组合都跑（C(N, k) 个），统计 mean Sharpe + 95% CI。CPCV 比 walk-forward 更保守、检验更严格，但计算成本 ~ 100x。Crypto 上 TSMOM 强烈推荐 CPCV，因数据短 + regime switch 多。

详细回答（2-3分钟版本）:

背景/定义: TSMOM 经典策略：$\text{signal} = \text{sign}(P_t - P_{t-L})$，holding period $H$。参数 (L, H, threshold) 极易 in-sample 过拟合。

核心机制/原理:

Walk-forward analysis：

Train: [0, T1] → Test: [T1, T2]
Train: [0, T2] → Test: [T2, T3]
Train: [0, T3] → Test: [T3, T4]
...

Anchor 或 sliding window，单一序列推进。

CPCV (Combinatorial Purged Cross-Validation)：

1. Split data into N=10 chunks
2. For each combination of k=2 chunks as test:
   - Train on remaining 8 chunks
   - Test on selected 2
3. Run 45 = C(10,2) experiments
4. Compute mean Sharpe + std + 95% CI

Purging：删除 train-test 边界附近的样本（避免 lookahead）。 Embargoing：test 区间后再加 buffer（处理 trade decay）。

关键 trade-off:
- Walk-forward: 模拟真实部署，但单一序列易受 regime 影响
- CPCV: 统计严格，但破坏时间顺序（可能引入 lookahead 如果 purging 不严）
- Crypto 数据 ≤ 5 年，CPCV 更适合（让 sample size 实际更大）
真实案例/数据: Day 91 + Day 95 实测：
- Naive in-sample TSMOM: 2020-2023 数据 grid search
  - L = 60D, H = 20D, Sharpe = 2.1 (惊艳)
- Walk-forward (1 yr train, 6 mo test):
  - mean Sharpe = 1.1 (退化 50%)
- CPCV (10 splits, k=2):
  - mean Sharpe = 0.85, std = 0.32, 95% CI = [0.21, 1.49]
  - 真实预期 Sharpe ≈ 0.85，远低于 in-sample
- 结论：naive backtest overestimates 2.5x
我的观点: 这是 Phase 2 学到最有价值的方法论之一。三个核心 take-away：
- 永远不相信 in-sample Sharpe — 至少 walk-forward
- Crypto 上 CPCV > walk-forward — 数据短、regime 多
- Sharpe 95% CI 必须报告 — 单点 1.5 vs CI [0.5, 2.5] 的策略实际差异巨大
Lopez de Prado 在 Advances in Financial Machine Learning 里花一整章讲 CPCV，我读完后立刻把 Day 95 的 strategy library 全部用 CPCV 重测，结果 3 个策略中 1 个被 KO（pairs 在 alts 上）。这是节省了大量"假以为有 alpha"时间的硬功夫。资深面试中提 CPCV + purging + embargoing 三件套，立刻能跟其他候选人区分开。

追问准备:

Q: 多少 splits 合适？ → A: N = 10-12 是 standard。N 太小 CV 太弱，太大计算爆炸 + 每 fold 数据少。
Q: 不平稳序列（如 BTC long-term trend）CPCV 是否适用？ → A: 需要先做 stationarity transform（return 而非 price）；如必须用 price，加 stationarity test 监控。
Q: 如何选 purging gap 长度？ → A: 用 strategy 的 holding period H 作为 purging 长度的下界。再加 vol-of-vol 时间尺度作 buffer。

Q18. ⭐ HRP（Hierarchical Risk Parity）相比 mean-variance 的优势？为何对加密更适合？

类别: 统计套利 - 组合优化难度: 资深 考察点:

Markowitz mean-variance 的局限
HRP 算法步骤
数值稳定性
Crypto 协方差矩阵特点

简短回答（30秒，电梯版）: Mean-variance (MV) 需要逆 covariance matrix Σ⁻¹，对 Σ 噪声极其敏感（Markowitz curse）。HRP (Lopez de Prado 2016) 三步：(1) hierarchical clustering 把资产按相关性树状分组；(2) quasi-diagonalization 重排 Σ；(3) 递归二分配权（同 cluster 内按 inverse variance）。优势：不需 invert Σ，对噪声鲁棒；多样化更自然。Crypto 上 Σ 高度不稳定（regime shift），HRP 的 out-of-sample 比 MV 显著好。

详细回答（2-3分钟版本）:

背景/定义: 组合优化的两大主流：
- MV (Markowitz 1952): $w = \Sigma^{-1}\mu$ (under risk constraint)
- HRP (Lopez de Prado 2016): 树状聚类 + 递归二分
核心机制/原理:

MV 的"诅咒": $$w_{MV} = \frac{\Sigma^{-1}\mu}{e'\Sigma^{-1}\mu}$$
- 需要 invert Σ（极不稳定，condition number 大）
- 估计误差被放大 ~ N²
- 输出 weight 极端（concentrate on 1-2 assets）
- 对 μ 估计极敏感（μ 几乎不可估）
HRP 三步:

a) Tree Clustering:
```
distance_matrix = sqrt(0.5 * (1 - corr_matrix))
linkage = scipy.cluster.hierarchy.linkage(distance_matrix, 'single')
```
b) Quasi-diagonalization: 重排 Σ 让相关的资产相邻，对角附近呈块状。

c) Recursive Bisection:
```
recurse(items):
    if len(items) == 1: return
    split items into top half / bottom half by tree
    allocate inverse-variance weights between halves
    recurse on each half
```
最终 weight = inverse variance × cluster discount.
关键 trade-off:
- HRP 不要求 Σ 可逆（鲁棒性）
- 不显式优化 Sharpe（不一定 ex-ante 最优）
- 在干净数据 + accurate Σ 下 MV 稍优；real-world 数据 HRP 几乎总优
真实案例/数据: Day 101 实测（10 个 crypto 资产，BTC/ETH/SOL/AVAX/MATIC/...）:

方法 In-sample Sharpe Out-of-sample Sharpe OOS Max DD
Equal weight 0.82 0.79 -28%
Mean-Variance 1.45 0.41 -32%
Risk Parity 0.95 0.88 -22%
HRP 1.12 0.96 -18%

HRP OOS Sharpe 比 MV 高 134%，max DD 减半。原因：crypto 上 Σ 估计噪声极大（30-day rolling 与 60-day rolling 的 corr 平均 0.3），MV 把噪声放大成极端 weight。
我的观点: HRP 是过去 10 年 portfolio optimization 最重要的算法创新，没有之一。其魅力在于：
- 直觉清晰：先聚类（相似资产归组），再均衡（组间 inverse variance），符合人类思维
- 代码简单：~100 行 Python
- OOS 鲁棒：在 crypto fat-tail + regime-switch 环境下尤其稳
实战中我把 HRP 写进 strategy_lib v1（Day 102），作为所有 multi-asset alpha 的默认 portfolio 层。Phase 3 我想做 HRP + Black-Litterman 的混合：用 HRP 处理 covariance 噪声，用 BL 处理 view（如 funding signal）— 这应该是 crypto 上最 robust 的资产配置框架。资深面试中能讲 HRP 推导 + 实测对比 + 知道何时 MV 仍优（信息真实丰富时），立刻凸显量化深度。

方法	In-sample Sharpe	Out-of-sample Sharpe	OOS Max DD
Equal weight	0.82	0.79	-28%
Mean-Variance	1.45	0.41	-32%
Risk Parity	0.95	0.88	-22%
HRP	1.12	0.96	-18%

追问准备:

Q: HRP 在 N=2（只有 2 个资产）时退化为什么？ → A: inverse-variance weighting，等同于 risk parity 简单版。HRP 的优势在 N ≥ 5。
Q: HRP 如何加 expected return view？ → A: HRP 标准版只用 Σ。可加 BL 思路：用 HRP 处理 risk，用 view 调 weight 偏移。
Q: Cluster 的 linkage method 如何选？ → A: single linkage（最近邻）经典版；complete/average/ward 也可，crypto 上经验是 ward 最稳。

Q19. funding rate 套利的真实年化？为什么会衰减？

类别: 统计套利 - Carry strategies 难度: 高 考察点:

Cash-and-carry 实操
容量曲线塌陷
历史数据演变
风险来源

简短回答（30秒，电梯版）: Funding arb（long spot + short perp）净年化收益从 2021 ~22% 衰减到 2026 ~ 4%（剔除 cost）。衰减原因：(1) 资本进入快于 alpha — 大量机构 + ETF 让 spot-perp basis 收窄；(2) 衍生品市场成熟，funding clamp 机制限制极端值；(3) BTC ETF 上线后 cash-and-carry 通过 ETF basis 替代了部分 funding arb 需求；(4) DeFi 借贷利率上行也压缩 net carry。

详细回答（2-3分钟版本）:

背景/定义: Funding arb = long spot BTC + short BTC perp，每 8h 收 funding（如果 funding > 0）。理论上 delta neutral。

核心机制/原理:

Carry 收益拆解: $$\text{Net APR} = \text{funding APR} - \text{borrow cost} - \text{rebalancing cost} - \text{operational cost}$$

funding APR = funding × 1095 (8h × 365)
borrow cost：USDT/USDC 借入成本
rebalancing cost：delta drift 修正 ≈ 0.5-1% 年化
operational cost：API/gas/exchange fee ≈ 0.5%

历史演变 (Day 97 实测):

年份	Avg funding 8h	Funding APR	Net APR	主要因素
2021	+0.02%	22%	18%	牛市 + 散户长 perp
2022	+0.012%	13%	9%	LUNA/FTX 崩盘
2023	+0.015%	16%	11%	ETF 预期
2024	+0.008%	9%	6%	ETF 上线后机构买盘
2026 (YTD)	+0.005%	5.5%	3-4%	完全机构化

关键 trade-off:
- 持仓资金占用大（需 spot + perp margin）
- Funding 反转时（牛市突然转熊）双倍受伤
- DeFi 版（Aave + GMX）有 smart contract 风险
- 不同所 funding 不同（spread arb 是高级版）
真实案例/数据: Day 97 + 我自己跑过的 funding arb 数据:
- 2024-Q3 实盘小资金 funding arb (Binance spot + Bybit perp): net APR 5.8%
- 2026-Q2 同样策略：net APR 3.2%
- 5 年 alpha 衰减 5x，与 SaaS 软件衰减完全不同量级
FTX 崩盘前后的对比 (2022-11):
- FTX funding 长期 +5-10 bps/8h（异常高 vs Binance +1 bps）
- Cross-exchange funding arb 年化 35%+（持续 6 个月）
- FTX 倒闭让这个 alpha 完全消失，且部分 trader 资金被困
我的观点: Funding arb 是 crypto alpha 衰减最直观的案例。三个 take-away:
- 永远假设 alpha 在 12 个月内衰减 50% — 这是 quant pipeline 设计的纪律
- Cross-exchange spread arb 比单所 funding arb 更稳 — 但需要应对 exchange risk
- DeFi funding（GMX/Hyperliquid）是新兴 niche — 比 CEX funding 高 ~2x，但 protocol risk
Phase 2 我学到的最重要教训：不要 over-allocate 到任何单一 alpha。Day 102 的 strategy_lib v1 用 HRP 把 funding arb 和其他 5 个 alpha 组合，单一 alpha 衰减不会致命。资深面试中讨论 funding arb 时，能说出"实测 5 年衰减 5x + 容量曲线塌陷机制 + 多样化必要性"三层，能体现真实操盘者的 mindset，不只是 backtest player。

追问准备:

Q: 为什么 funding arb 不会被完全套到 0？ → A: 容量受 spot 流动性 + margin requirement 限制；funding 短期可能反转，需要 risk premium 补偿。理论均衡 funding ≈ risk-free rate + risk premium > 0。
Q: 反向 funding (funding < 0) 套利如何？ → A: 短 spot + long perp。spot 借入成本 (Margin/DeFi borrow) 是限制因素，年化 alpha 较 forward 套利低 30-50%。
Q: 多 perp 跨所 funding spread 套利的风险？ → A: Exchange counterparty risk（FTX 教训）+ network risk（offline 时无法对冲）。

Q20. 如何对 Pendle PT/YT 设计 delta-neutral 策略？

类别: 统计套利 - DeFi 衍生品难度: 高 考察点:

Pendle 机制
PT/YT 价格关系
跨期套利
风险对冲

简短回答（30秒，电梯版）: Pendle 把 yield-bearing token (如 stETH) 拆成 PT (Principal Token, 等同零息债) + YT (Yield Token, 未来 yield 流)。Delta-neutral 策略：(1) Long YT + short underlying (借入 stETH 卖出) — 如果 implied yield > realized yield 则赚差价；(2) PT carry — 锁定 implied yield 直到 maturity；(3) PT-YT spread arb — 如果 PT × YT ≠ underlying，套利。风险：implied yield 与 realized 偏差、Pendle smart contract、underlying depeg。

详细回答（2-3分钟版本）:

背景/定义: Pendle 是 yield tokenization 协议：
- SY (Standardized Yield): wrapper of yield-bearing asset
- PT: 锁定到期价值 1（无 yield）
- YT: 持有期间所有 yield (无 principal)
- PT + YT = SY (always, by design)

核心机制/原理:

价格关系: $$P_{PT} + P_{YT} = P_{SY} \approx 1 \text{ (per unit)}$$ $$y_{implied}^{PT} = (1 / P_{PT})^{1/T} - 1$$ $$P_{YT} = 1 - P_{PT} \text{ (if SY = 1)}$$

DN 策略 1: YT vol arb

- Long YT (受未来 yield)
- Short underlying via Aave (借入 stETH 卖出)
- 锁定 spot price exposure
- Net P&L = realized yield - borrow cost - implied yield

DN 策略 2: PT carry to maturity

- Buy PT at discount (implied yield > risk-free rate)
- Hold to maturity, receive 1 unit
- P&L = 1 - P_PT - opportunity cost
- Annualized = implied yield - benchmark rate

DN 策略 3: PT-YT spread

- 检查 P_PT + P_YT 是否 = P_SY
- 如有 spread (rare due to AMM), 套利

关键 trade-off:
- Implied yield 可能 < realized（YT 多头亏）
- PT 在 maturity 前有 mark-to-market vol（虽然到期时回到 1）
- Underlying depeg (stETH < ETH) 风险
真实案例/数据: Day 99-100 实测 stETH-PT (June 2026 maturity):
- 2026-Q1 implied yield = 4.2% (PT 价格 0.97)
- 同期 Lido stETH realized APR = 3.6%
- Long YT + short stETH (via Aave) 策略：net loss -0.6% 年化（implied > realized）
- Long PT 策略：到期收益 4.2%，扣除 borrow cost 5% (USDC) 后 net negative
- 同期 fixed-rate USDC vault (e.g., Ethena fixed) 收益 7%，competing 产品
- 结论：当前 Pendle PT yield 性价比一般，alpha 集中在 specific maturities
我的观点: Pendle 在 DeFi 利率市场是核心基础设施 — 它首次给出"DeFi 上的零息债 + interest rate vol 衍生品"。但作为 alpha 来源，Pendle 的实际收益性取决于：
- Underlying yield 的稳定性（stETH 稳定，sUSDe vol 大）
- Maturity 长度（短期 ≈ 借贷利率，长期 yield arb 机会大）
- 流动性深度（小池子 spread 大但 size 受限）
Phase 2 学到的关键洞察：Pendle 是 DeFi yield curve 的"中端"流动性来源，必须与 Aave/Compound（短端）联合分析才能真正构建 yield curve。Day 73 我用 Pendle 数据做 yield curve bootstrap，PT 是核心 input。资深面试中能讲 Pendle PT/YT 数学 + 实测 DN 策略 + 给出 yield curve 视角，是少数能区分"懂 DeFi"和"做过 DeFi"的题目。

追问准备:

Q: Pendle AMM 相比 V3 有什么特殊？ → A: Pendle AMM 是 yield-aware（PT/YT 价格随时间收敛到 1/0），曲线设计内嵌时间因子。V3 是 spot price AMM。
Q: YT 价格如何随时间衰减？ → A: 类似 long option time decay。YT theta 显著，必须主动 trade。
Q: 如何对冲 Pendle smart contract 风险？ → A: 限制单 protocol 仓位 < 10%；用 Nexus Mutual / Sherlock 买 cover；监控 admin keys 与 audit。

Q21. 回测的 5 重陷阱在 crypto 具体如何表现？

类别: 统计套利 - 回测方法论难度: 资深 考察点:

Lookahead / Survivorship / Overfitting / Regime / Cost
Crypto 数据特点
实战教训
修正方法

简短回答（30秒，电梯版）: 五大陷阱：(1) Lookahead — 如用 close 价的策略却用 H/L 数据；(2) Survivorship — alt 池只含活着的 token，2021 alt season 看似无敌；(3) Overfitting — grid search 5+ 参数；(4) Regime — 2021 牛市策略在 2022 熊市反向；(5) Cost — 没算 slippage 和 fee。Crypto 特殊：survivorship 严重（每年 30% 长尾死亡），regime 切换频繁（牛/熊每 18 个月），cost 在 alts 上能吞噬 50% alpha。

详细回答（2-3分钟版本）:

背景/定义: 五大回测陷阱在 quant 业内是常识，但 crypto 上每个都有新维度。
核心机制/原理:

(1) Lookahead bias:
- 经典：用 t+1 数据计算 t 信号
- Crypto 特殊：funding rate snapshot 时间不一致（不同所有 8h, 1h, 4h），合并不同时区会引入 lookahead
- 修正：所有数据严格 timestamp，shift(-1) 谨慎使用
(2) Survivorship bias:
- Crypto 极严重：2017 ICO 时代死亡率 > 90%，2021 alt season 同理
- 看 CoinGecko top 100 历史，30% 已退市
- 修正：用 historical-as-of-date 数据集（如 Kaiko / Coin Metrics）
(3) Overfitting:
- Grid search 5 个参数：(L, H, threshold, vol_filter, asset_filter) 总组合 10^5 → 必然有 in-sample Sharpe > 2 的伪信号
- 修正：CPCV（Q17）+ 限制参数数量（< 3）+ Bonferroni correction
(4) Regime change:
- 2020-2021 牛市，TSMOM 王者
- 2022 熊市，TSMOM 反转（pump-and-dump 多）
- 2023-2024 mixed regime
- 修正：跨多个 regime 测试（最少含 1 牛 1 熊 1 horizontal）
(5) Transaction cost:
- Maker fee/taker fee
- Slippage (price impact)
- Funding cost (perp)
- Gas cost (DEX)
- 修正：模拟真实订单簿，每笔 trade 加 estimated impact
关键 trade-off:
- 严格回测会让大部分 strategy 失败 — 这是好事
- Naive backtest 误导决策成本极大（过早 deploy 然后亏）
真实案例/数据: Day 93-95 我对 5 个 strategy 的实测对比 (Day 102 strategy_lib):

策略 Naive Sharpe After all 5 fixes
TSMOM (top 50) 1.95 0.62
Pairs (top 50) 2.30 0.85
Funding arb 2.10 1.25
Carry basis 1.40 0.95
Mean reversion 1.80 0.30

平均退化 60%。其中 TSMOM 退化最大（regime + survivorship 双杀），funding arb 退化最小（机制相对稳定）。
我的观点: 这是 Phase 2 最痛的教训之一 —— 每个看起来惊艳的 backtest 都骗你。最坏的实战表现是在 alt 上的 momentum 策略，经过 5 重修正后 Sharpe 从 2.5 降到 0.4，根本不能 deploy。

Day 119 我把这条经验写进《方法论白皮书》第 4 章，明确给出 crypto backtest 标准流程：
```
1. Data sourcing: as-of-date, multi-exchange, normalize timezone
2. Stationarity check: ADF test on returns
3. Walk-forward + CPCV
4. Parameter robustness: ±20% sensitivity
5. Cost model: tier-aware fee + impact + funding
6. Regime decomposition: bull/bear/horizontal P&L 分别报告
7. Out-of-sample blind test: 完成 paper deployment 才算真实
```
资深面试中讲到这一段，最关键是"自己被骗过"的故事 — 比纯方法论更有说服力。比如 funding arb 我从 in-sample Sharpe 2.1 到实盘 0.8 的真实经历，是面试官最爱听的"war story"。

策略	Naive Sharpe	After all 5 fixes
TSMOM (top 50)	1.95	0.62
Pairs (top 50)	2.30	0.85
Funding arb	2.10	1.25
Carry basis	1.40	0.95
Mean reversion	1.80	0.30

追问准备:

Q: 如何检测自己有 overfitting？ → A: out-of-sample period 必须独立保留，不参与任何参数选择。如果 OOS Sharpe < IS Sharpe × 0.5，几乎肯定 overfit。
Q: 如何处理 Crypto 数据的 outlier？ → A: 不要直接 winsorize（会丢 information）。用 Tukey fence 或 robust 统计方法（median, MAD）。
Q: Survivorship bias 在 mev bot backtest 怎么处理？ → A: mev 不存在 survivorship（链上数据不删除），但有 builder/relay 可见性变化，需要小心。

Q22. 协整在 crypto 资产对的稳定性？为何 Engle-Granger 常 fail？

类别: 统计套利 - Pairs trading 难度: 高 考察点:

协整 vs 相关
Engle-Granger 测试
Crypto 协整不稳定性
替代方法

简短回答（30秒，电梯版）: 协整 = 两个非平稳序列的线性组合是平稳的。Engle-Granger 测试两步：(1) OLS regression Y on X 得 spread；(2) ADF test on spread。Crypto 上 fail 常见因为：(a) 协整关系 regime-dependent（2021 ETH/SOL 协整，2024 不再）；(b) 高 vol-of-vol 让 spread 看起来 stationary 但实际是 trend wrapper；(c) 半衰期 > 5 天的"协整"实际是 trend dressed as MR。修正：用 Johansen test (multi-asset) + rolling cointegration + half-life filter。

详细回答（2-3分钟版本）:

背景/定义: 协整 (Engle-Granger 1987) 是 pairs trading 的理论基础。两个序列 $X, Y$ 各自 I(1)，但 $Y - \beta X$ 是 I(0)，则 $X, Y$ 协整。
核心机制/原理:

Engle-Granger two-step:
```
Step 1: OLS Y_t = α + β X_t + ε_t
Step 2: ADF test on residual ε_t
    H0: unit root (not cointegrated)
    Reject H0 → cointegrated
```
Crypto 上 fail 的几种模式:

(a) Regime-dependent cointegration:
- 2021 H1: ETH/SOL corr 0.92, ADF p < 0.01 (cointegrated)
- 2022 H2: ETH/SOL corr 0.65, ADF p > 0.10 (not cointegrated, structural break)
- 一个 strategy 在 regime change 时把 spread 从 stationary 变 random walk
(b) Spurious cointegration in high-vol:
- 高 vol 让 OLS 估计 β 不稳，看起来 ε stationary 实际是 noise
- ADF test power 低
- 修正：用 robust regression (Theil-Sen) + bootstrap ADF
(c) Half-life > 5 days = "trend, not MR":
- 协整 spread 半衰期 = -ln(2)/ln(1+φ)
- φ > 0 (positive autocorrelation) → not 真正 mean-reverting
- Cutoff: half-life ≤ 5 days 才可交易
关键 trade-off:
- Engle-Granger 简单但只支持 2 asset
- Johansen test 支持 multi-asset 协整 vector，但参数估计噪声大
- Crypto 上 rolling cointegration（每 30 天 re-test）必须
真实案例/数据: Day 89 我测试 top 10 alts 的协整对：
- 30-day rolling Engle-Granger，2021-2026 数据
- 共 45 对 pair (C(10,2))
- 平均 cointegration persist time = 67 天
- 中位数 = 45 天
- 仅 ETH/SOL, BTC/ETH 长期 cointegrated（> 200 天）
- 大部分 alt 对 cointegration 来去匆匆
关键发现: ETH/AVAX 在 2024-Q1 显示 ADF p = 0.02 (cointegrated)，但半衰期 12 天 — 不可交易（trend dressed as MR）。强行 deploy 会被趋势锤死。
我的观点: Crypto pairs trading 是过去 5 年衰减最严重的策略类别之一。原因深刻：
- Crypto 资产之间相关性 regime-dependent — 牛市齐涨，熊市齐跌，去相关性的 idiosyncratic alpha 极少
- Sector rotation 极快：ETH/SOL 2021 vs 2024 完全不同，传统股票 5-10 年的 sector relationship 不适用
- Liquidity fragmentation 让 spread 容易 spike 而非回归
Phase 2 我学到：cointegration 不能信，必须用半衰期 + rolling test + regime detection 三层过滤。Day 89 实测后，我在 strategy_lib v1 把 pairs 策略限制只用 BTC/ETH（最 robust pair），其他 alt 对全部 reject。这是工程化的纪律。

资深面试中能讲 cointegration 的几个 fail mode + 真实测试数据 + 半衰期 cutoff，立刻能区分"会用 statsmodels"和"做过 pairs 实战"。

追问准备:

Q: Johansen test 与 Engle-Granger 的区别？ → A: Johansen 处理 multi-asset，给出 cointegration rank；Engle-Granger 只处理 pair。Johansen 更 powerful 但参数多。
Q: 如何处理 cointegration 的 structural break？ → A: 用 Bai-Perron break test 检测 structural break；break 后重新估计 β。我的实操是 rolling 30-day re-fit。
Q: 协整的 trading rule 应该多严？ → A: 入场 z-score > 2，出场 z-score = 0。但更重要的是 stop-loss：z > 4 强制平仓（避免 cointegration broken 后无限亏损）。

Q23. Liquidation 挖矿的盈利结构？Aave V3 vs Compound 清算流程差异？

类别: 统计套利 - DeFi 套利难度: 高 考察点:

Liquidation 机制
清算激励 (LB)
Aave V3 vs Compound 设计差异
实战利润结构

简短回答（30秒，电梯版）: DeFi 清算挖矿：当借款人健康因子 < 1 时，清算人偿还部分债务，获得抵押品 + 清算奖励 (5-10%)。Aave V3：close factor 最多 50%，清算激励 5-10% 取决于资产；Compound v3：close factor 100%（一次性清算全部），bonus 5-10%。差异：Aave 多步清算（gas 高，竞争激烈），Compound 单步清算（gas 低，但 capital lock 高）。利润结构 = bonus - gas - oracle delay risk - flash loan fee。

详细回答（2-3分钟版本）:

背景/定义: 清算 (liquidation) 是 DeFi 借贷协议核心机制，确保协议偿付能力。清算人 (liquidator) 是市场化角色，赚 liquidation bonus。

核心机制/原理:

触发条件: $$\text{Health Factor} = \frac{\sum (\text{collateral} \times \text{LT}_i)}{\sum \text{debt}_i} < 1$$

LT = liquidation threshold (e.g., ETH 0.825)

Aave V3 清算流程:

1. liquidationCall(debtAsset, collateralAsset, user, debtToCover)
2. close factor: max 50% (HF > 0.95) / 100% (HF < 0.95)
3. 清算人偿还债务
4. 收取 collateral + bonus (5-10%)

Compound v3 清算流程:

1. absorb(account) — 协议吸收 underwater account
2. buyCollateral() — 清算人按折价买入抵押品
3. 一次性 100% close

利润结构: $$\text{Profit} = \text{collateral received} \times \text{discount} - \text{gas} - \text{flash loan fee} - \text{slippage when selling}$$

常用 flash loan 实现：

1. Flash loan USDC
2. Pay debt → get discounted collateral
3. Sell collateral via 1inch
4. Repay flash loan + premium (0.05%)
5. Pocket profit

关键 trade-off:

维度 Aave V3 Compound v3
Close factor 50%/100% 100%
多步清算 Yes No
Gas cost 高 (500K) 中 (300K)
Capital lock 低高
竞争激烈度高中
Bonus 5-10% 5-10%
Oracle Chainlink Chainlink + redstone
真实案例/数据: Day 97 + 公开数据:
- 2024 Aave V3 清算总量 ≈ $850M
- 头部 liquidator (0x6f..., jaredfromsubway) 月利润 ~$2-5M
- 平均单笔利润 $500-2000
- 失败率 (revert) ~ 30%（被 frontrun）
2024-08 ETH crash (从 $3500 → $2300 in 3 hours):
- 单事件 Aave 清算 $180M
- Top 5 liquidators 总利润 $9M
- Gas wars 让 base fee 飙至 200 gwei
我的观点: Liquidation 挖矿是当前 DeFi MEV 中少数仍有 alpha 的领域（vs sandwich 被 OFA 杀死）。原因：
- 不损害用户（清算保护协议偿付）
- 不依赖 ordering manipulation（不是 sandwich 类）
- 但需要严格基础设施（mempool monitor + oracle prediction + flash loan）
实战难点：
- Oracle 延迟预测：Chainlink 更新约每 1-15 min，要在更新前抢清算位置
- Health factor monitoring：链下持续模拟全部 underwater positions
- Cross-protocol arb：同一用户在 Aave + Compound 都有借款，先清哪个？
Phase 3 想做 liquidation bot v1，目标在 Aave V3 上跑 1 个月。这个领域的好处是与 sandwich/OFA 的产品风险不冲突，可以同时做。资深面试中对 liquidation 流程的细节理解（Aave V3 close factor 规则、Compound v3 absorb 机制）能立刻区分"读过 doc"和"实战 deploy 过"两类。

维度	Aave V3	Compound v3
Close factor	50%/100%	100%
多步清算	Yes	No
Gas cost	高 (500K)	中 (300K)
Capital lock	低	高
竞争激烈度	高	中
Bonus	5-10%	5-10%
Oracle	Chainlink	Chainlink + redstone

追问准备:

Q: 为什么 close factor 不是总 100%？ → A: 部分清算保护小户（避免 cascade liquidation），同时让多 liquidators 共享市场。Aave V3 的 split 设计 (50%/100%) 更平衡。
Q: Flash loan 是必需的吗？ → A: 不是。如果有自有资本可以直接清算（无 0.05% premium），但占用大；flash loan 适合资本周转。
Q: 如何避免被 frontrun？ → A: 用 private mempool (Flashbots)、bundle 提交、或与 builder 直接 deal。

Q24. Risk parity / HRP / CVaR optimization 的边界条件？

类别: 统计套利 - 组合优化难度: 高 考察点:

不同 portfolio 方法
适用场景
Crypto fat-tail 问题
与 mean-variance 对比

简短回答（30秒，电梯版）: Risk Parity (RP)：每个资产贡献相等的 portfolio variance（均匀分散）。HRP：树状聚类版 RP（处理 covariance 不稳）。CVaR optimization：最小化条件 VaR（关注 tail loss）。边界条件：(a) RP 假设 vol 是良好风险度量 — 在 fat-tail 失效；(b) HRP 适合 Σ 噪声大的情况；(c) CVaR 适合 fat-tail，但需要更多样本估计 tail。Crypto 上推荐 HRP（covariance 不稳）+ CVaR 监控 (tail risk)，混合使用。

详细回答（2-3分钟版本）:

背景/定义:
- Risk Parity: $w_i \cdot \text{MRC}_i = \text{const}$ ，每个资产贡献相等风险
- HRP: 见 Q18
- CVaR: $w^* = \arg\min_w \text{CVaR}_{\alpha}(L)$, $L = -w'r$
核心机制/原理:

Risk Parity 公式: $$\text{MRC}_i = \frac{w_i \cdot (\Sigma w)_i}{w'\Sigma w}$$ 优化：让所有 MRC 相等（迭代求解）。

CVaR optimization（Rockafellar-Uryasev 2000）: $$\text{CVaR}\alpha = E[L | L \ge \text{VaR}\alpha]$$

线性规划形式 (with returns matrix $r_t$):
```
min  α + (1/(1-β)) * sum(z_t)
s.t. z_t >= -w'r_t - α, z_t >= 0
```
三种方法对比:

方法输入鲁棒性适合场景
Mean-Variance μ, Σ 低 clean data
Risk Parity Σ 中 stable volatility
HRP corr matrix 高 noisy Σ
CVaR full return distribution 高 fat-tail focus
关键 trade-off:
- RP/HRP 都不显式 optimize Sharpe，但 OOS 通常更鲁棒
- CVaR 需要大量样本估计 tail，对 short history 失效
- 三种方法可结合：HRP 给基础权重 + CVaR 给 tail constraint
真实案例/数据: Day 101 实测 (10 crypto assets, 2-year backtest):

Method Sharpe Max DD 95% CVaR (1d)
Equal weight 0.79 -28% -7.2%
Risk Parity 0.88 -22% -6.5%
HRP 0.96 -18% -5.8%
CVaR-min (95%) 0.82 -16% -5.1%
HRP + CVaR cap 0.91 -15% -5.2%

HRP + CVaR cap 是最优组合 — 平均 Sharpe 高，tail 控制好。
我的观点: 没有单一"最优"组合优化方法，重要的是理解每种方法的边界条件，根据数据质量和市场 regime 选择。
- Σ 估计可信 (e.g., 大盘股 + 5年数据) → Mean-Variance
- Σ 不稳但 vol 信息可信 → Risk Parity
- Σ 完全噪声 + correlation 不稳 → HRP
- Tail 是核心关切 (e.g., 风控部门) → CVaR
Crypto 上几乎总应用 HRP（数据短 + Σ 不稳 + regime 多）。但 production 系统应该叠加 CVaR 监控作为风控 overlay — 即使 HRP 给出 weight，CVaR 检测显示 tail 异常时强制减仓。

Phase 2 末我把这套思路写进 strategy_lib v1，作为所有 multi-asset alpha 的标准 portfolio 层。Phase 3 想加入 BL view（让 funding signal/momentum signal 直接进 portfolio optimization）。资深面试中讨论这一段时，能讲清不同方法的边界 + 给出实测对比 + 实战配方，能彻底拉开与"只会 cvxpy.optimize"候选人的距离。

方法	输入	鲁棒性	适合场景
Mean-Variance	μ, Σ	低	clean data
Risk Parity	Σ	中	stable volatility
HRP	corr matrix	高	noisy Σ
CVaR	full return distribution	高	fat-tail focus

Method	Sharpe	Max DD	95% CVaR (1d)
Equal weight	0.79	-28%	-7.2%
Risk Parity	0.88	-22%	-6.5%
HRP	0.96	-18%	-5.8%
CVaR-min (95%)	0.82	-16%	-5.1%
HRP + CVaR cap	0.91	-15%	-5.2%

追问准备:

Q: 为什么 Risk Parity 在 2008 失败？ → A: 大量 RP 资金 leverage 起来追求等 vol 贡献，但 2008 同向波动让 leverage 放大损失。问题不是方法本身，是 leverage + correlation regime change。
Q: CVaR 的 confidence level α 如何选？ → A: 取决于 risk appetite。机构常用 95%（较保守）或 99%（更严）。两个都跑，对比给出不同视角。
Q: HRP 如何与 Black-Litterman 结合？ → A: HRP 给 prior weights，BL 用 view 调整 — 这是我 Phase 3 想做的方向。文献尚少，是研究 niche。

四、MEV 与 DEX 量化类（6 道，Day 103-116）

Q25. ⭐ PBS 下 MEV 价值如何分配（searcher / builder / proposer / relay）？

类别: MEV - 价值供应链难度: 资深 考察点:

PBS 架构
价值流向
Builder 集中度
数据实证

简短回答（30秒，电梯版）: PBS 下 MEV 6 层分配：(1) User → 损失（被抽税）；(2) Wallet → 路由 fee；(3) Searcher → 9% (策略利润)；(4) Builder → 3% (block 构建竞价 spread)；(5) Relay → 0% (理论中立)；(6) Validator/Proposer → 88%（最大赢家）。2024 全年 ≈ $925M MEV，其中 validator 拿走 $815M。Builder 集中度高（HHI 0.36），Beaverbuild + Titan 占 80%+。Relay 中立性受怀疑（OFAC 兼容争议）。

详细回答（2-3分钟版本）:

背景/定义: PBS (Proposer-Builder Separation, 2022 The Merge 后) 把 block 构建从 validator 分离到独立 builder：
- Searcher: 找 MEV 机会，构造 bundle
- Builder: 接收 bundle，构造完整 block
- Relay: 中介，sealed-bid auction
- Proposer/Validator: 选择 highest-bid block，通过 mev-boost 接收 tip

核心机制/原理:

完整价值流:

User
 │ (1) 损失：滑点 + sandwich + JIT
 ▼
Wallet/Frontend
 │ (2) 收 routing fee 0-0.5%
 ▼
DEX/Router
 │ (3) swap fee 0.05-1%
 ▼
Mempool (public 或 private)
 │ (4) Searcher 看到，构 bundle
 ▼
Searcher
 │ 利润 ≈ 9% 总 MEV
 │ 提交到 Relay
 ▼
Relay (Flashbots, BloXroute, Manifold...)
 │ Sealed-bid forward 到 Builder
 ▼
Builder
 │ 利润 ≈ 3% 总 MEV (bid spread)
 ▼ via mev-boost
Validator
 │ 利润 ≈ 88% 总 MEV (winning bid as tip)

关键 trade-off:
- Searcher 利润看似多，但竞争激烈 + R&D 成本高
- Builder 集中度高（"赢家通吃"特性）
- Validator 几乎"被动收益"（mev-boost auto bid）
- Relay 是中介，理论中立但实际 OFAC compliance 争议
真实案例/数据: Day 105 数据:
- 2024 全年 MEV ≈ $925M
- Searcher: ~$83M (9%)
- Builder: ~$28M (3%)
- Validator: ~$815M (88%)
Builder 集中度 (Day 105):
- Beaverbuild: ~ 41%
- Titan: ~ 24%
- Rsync: ~ 14%
- Builder0x69 / others: ~ 21%
- HHI = 0.36 (中度集中)
顶级 searcher 月利润:
- jaredfromsubway: $5-15M (sandwich + atomic arb)
- 0x000000fee...: $300-500K (JIT)
- rsync's atomic arb bot: $1-3M
我的观点: PBS 的核心问题是它没有解决 MEV，只是再分配了。原本所有 MEV 进 miner 口袋（PoW 时代）；现在 88% 进 validator（PoS + mev-boost）。这有几个深层影响：
- Validator 收益结构性高于 issuance — 解释为什么 Lido/CB/Kraken 质押收益 ~5%（其中 1.5% 来自 MEV）
- Builder 寡头化是系统性风险 — 如果 Beaverbuild/Titan 联合审查，以太坊抗审查性受损
- Relay 中立性破裂 — OFAC compliance 让部分 builder 拒绝 sanctioned tx
核心洞察：MEV 是公开账本 + 确定性顺序的必然产物，不是 bug。问题不是消除它（zk + threshold encryption 也只能部分缓解），而是产品设计决定谁拿。OFA（Q26）是把 MEV 从"被抽"变成"竞价返还"的产品创新。这是过去 3 年 DeFi 最重要的范式转移。

资深面试中能讲完整 6 层分配 + 给出 2024 数据 + 讨论 Builder 集中度风险，绝对能让面试官印象深刻。Phase 3 我想深入研究 SUAVE / encrypted mempool 是否真能改变这个分配。

追问准备:

Q: 为什么 Validator 拿 88%？ → A: 因 mev-boost auction 是 sealed-bid，winner-take-all。Builder 之间竞争激烈，bid 的 spread 极小，最终 95%+ 都流到 validator 作 tip。
Q: SUAVE 如何改变这个分配？ → A: SUAVE 引入 cross-domain MEV market 和 encrypted mempool，理论上让 user wallet 也参与抽税分润。但 Adoption 慢，未达预期。
Q: Builder 集中风险有多严重？ → A: 短期不是 censorship 风险（多 relay 选择），但长期如 builder 寡头与 OFAC 合规绑定，会形成事实审查。Vitalik 多次警告。

Q26. ⭐ UniswapX / CoW / 1inch Fusion 的 solver 设计差异？哪个对机构最佳执行最优？

类别: MEV - OFA (Order Flow Auction) 难度: 资深 考察点:

OFA 三家协议设计
Solver 经济模型
机构需求
实证对比

简短回答（30秒，电梯版）: 三家都是 OFA + solver auction，但路径不同：(1) CoW Protocol — batch auction, 解决 CoW (coincidence of wants), 24h batch；(2) UniswapX — 单订单 auction, Dutch auction 价格衰减；(3) 1inch Fusion — 也是 Dutch auction 但带 resolver 网络竞争。机构最佳执行：CoW 适合大单 (CoW 减少 cost)，UniswapX 适合中单 (latency 友好)，1inch Fusion 适合多链 (网络最广)。但所有三家相比直接 router 都显著更优 (节省 5-15 bps)。

详细回答（2-3分钟版本）:

背景/定义: OFA = Order Flow Auction，把 user order 的执行权从 router 拍卖给 solver 网络，solver 之间竞争给 user 最优价。
核心机制/原理:

CoW Protocol (CoW Swap):
- Batch auction: 收集 24h 内所有 orders，集中处理
- Coincidence of Wants (CoW): A 想换 X→Y, B 想换 Y→X，直接 net 不需 AMM
- Solver 竞争: solver 提交 settlement plan，最优价者赢
- Reward: solver 拿 batch surplus + protocol token 奖励
UniswapX:
- Single-order Dutch auction: 价格从高到低衰减
- Filler 网络: filler 在某个价格点 lock 单
- No batch: 每个订单独立处理
- Reward: filler 拿 user 设定 price 与实际成本的 spread
1inch Fusion:
- Dutch auction + resolver: 类似 UniswapX
- Cross-chain support: 支持 7+ 链（最广）
- Resolver 网络: 1inch 自有 resolver 池
关键差异:

维度 CoW UniswapX 1inch Fusion
Auction 类型 Batch Single Dutch Single Dutch
时间窗口 30s-5min 60s 60s
CoW 优化是否否
多链仅 ETH/Gnosis ETH 7+ 链
Solver 数 ~ 25 ~ 50 ~ 100+
大单优势强中中
关键 trade-off:
- CoW 大单优势但等待时间长
- UniswapX 单订单 latency 短但单订单优化弱
- 1inch Fusion 多链便利但单链效率不如专属
真实案例/数据: Day 108 实测 (相同 $1M ETH→USDC swap):
- Direct Uniswap V3: cost 38 bps (slippage)
- CoW Protocol: cost 22 bps (saved 16 bps via CoW)
- UniswapX: cost 26 bps (saved 12 bps)
- 1inch Fusion: cost 28 bps (saved 10 bps)
机构 $10M+ swap 比较:
- CoW: 18 bps (CoW 大单越大效率越高)
- UniswapX: 32 bps
- 1inch Fusion: 35 bps
- 大单 CoW 优势 17 bps
我的观点: OFA 是过去 3 年 DEX 最重要的产品创新，让 MEV 从"被抽取"变成"竞标返还给用户"。但三家有明确差异：

机构最佳执行选 CoW：
- Batch 模式让大单 cost 显著低于 single-order
- Solver 网络成熟 (Gnosis 生态)
- 但 latency 30s-5min，不适合 vol 急变
散户/中单选 UniswapX：
- 单订单 latency 短
- Uniswap brand 信任度高
多链需求选 1inch Fusion：
- 跨链路径最广
- 单链效率次于另外两家但多链便利突出
关键判断: OFA 还在演化，Phase 3 我会跟进 (a) UniswapX V2 是否引入 batch；(b) CoW 是否扩展更多链；(c) 是否出现新的 OFA 玩家（如 Bebop, Hashflow）。机构最佳执行的最终形态可能是 multi-OFA aggregator（同时拍多个 OFA，取最优）。

资深面试中能讲清三家差异 + 给出实测数据 + 提出机构 use case 判断，体现的是产品+量化双视角，正是 crypto-native fund 的 PM 最稀缺能力。

维度	CoW	UniswapX	1inch Fusion
Auction 类型	Batch	Single Dutch	Single Dutch
时间窗口	30s-5min	60s	60s
CoW 优化	是	否	否
多链	仅 ETH/Gnosis	ETH	7+ 链
Solver 数	~ 25	~ 50	~ 100+
大单优势	强	中	中

追问准备:

Q: 为什么 batch auction 对大单更有效？ → A: 大单造成 price impact，但 batch 内可能有反向单子直接 net，避免 AMM swap 成本。CoW 的 CoW 机制就是这个原理。
Q: Solver 竞争是否真的让 user 受益？ → A: 实测是。CoW 上 solver surplus distribution 显示 80%+ 流到 user。但需要监控 solver collusion 风险。
Q: 长期 OFA 是否会淘汰传统 router？ → A: 不会完全淘汰。OFA 适合 explicit user intent；快速小单仍走 router。但市场份额 OFA 会持续增长（已 30-40%）。

Q27. ⭐ LVR (Loss-vs-Rebalancing) 如何度量？V3 LP 的真实 delta 是什么？

类别: MEV - LP 经济难度: 资深 考察点:

LVR 数学定义
与 IL (impermanent loss) 区别
V3 集中流动性 delta
实证测算

简短回答（30秒，电梯版）: LVR (Milionis et al 2022) = LP 相对"持续 rebalancing 的同等 portfolio"的 ex-ante 损失。公式 $\text{LVR}_t = \frac{1}{2}\sigma^2 P |L|$ — 与 vol 平方成正比。本质是 LP 是 short gamma + short vol 的隐式期权空头。V3 集中流动性的真实 delta 在 [Pa, Pb] 内是 dynamic 的：$\delta = -\frac{L}{\sqrt{P_b}} + \frac{L}{\sqrt{P}}$，区间外 delta 是 ±L (单边持币)。LVR 捕捉到 IL 漏掉的 ex-ante 视角 — IL 是事后框架，LVR 是 ex-ante 风险。

详细回答（2-3分钟版本）:

背景/定义: LVR (Loss-vs-Rebalancing, Milionis-Moallemi-Roughgarden-Zhang 2022) 是 V2/V3 LP 的 ex-ante 风险度量。

核心机制/原理:

LVR 公式 (V2 case): $$\text{LVR}_t \cdot dt = \frac{1}{2} \sigma^2 P |L| \cdot dt$$

推导：LP 持仓 $V_{LP}(P) = 2\sqrt{xy} \cdot \sqrt{P}$ (V2 in-pool value)，rebalancing portfolio $V_{REB}(P) = x_0 P + y_0$。两者差就是 LVR。Itô 化简： $$d(V_{REB} - V_{LP}) = \frac{1}{2}\sigma^2 P |L| dt + \text{martingale terms}$$

关键洞察:

drift 项是确定性损失 (与 vol² 成正比)
等同于 short gamma 连续对冲成本
fee 必须 > LVR LP 才赚钱

V3 集中流动性的 delta:

In-range $[P_a, P_b]$: $$\delta_{V3}(P) = \frac{\partial V_{LP}}{\partial P} = -\frac{L}{2 P^{3/2}} \cdot \left(\sqrt{P} - \sqrt{P_a}\right)^{?} \quad \text{(需要更细推导)}$$

实际 V3 delta 复杂，简化版： $$\delta_{V3} \approx \frac{x}{2} - \frac{y}{2P}$$ (区间内动态变化)

区间内 delta 持续变化（gamma 大）
P > Pb 时 delta = 0（全 token y）
P < Pa 时 delta = 1（全 token x）

LVR vs IL:

维度	IL	LVR
视角	事后	事前
公式	f(P_now/P_init)	$\frac{1}{2}\sigma^2 P L$
Path-dependent	否（仅依赖 net P 变化）	是（依赖 vol path）
隐含资产	"回到初始价无损失" 假说	"持续 hedge" assumption
实操意义	误导（隐藏 ex-ante risk）	准确（fee > LVR 才赚钱）

关键 trade-off:
- LVR 框架要求接受 LP = short option，对接受被动 LP 文化是冲击
- IL 在某些场景仍可作 sanity check
- 实操中 LVR 估计需要 σ 估计 — vol 不稳时 noisy
真实案例/数据: Day 111 实测 V3 ETH/USDC 0.05% pool (2024):
- TVL ~ $200M
- Annual fee revenue ~ $13M
- Annual LVR (用 30D historical σ ≈ 60%) ~ $12-14M
- Net LP yield ≈ -$1M to +$1M（基本 break-even）
- 意味着大部分被动 V3 LP 实际亏损或 break-even
LP 类型对比:
- Passive LP (无 rebalancing): full LVR
- Active LP (rebalance 范围): 部分缓解，但 gas + tax 成本
- JIT LP (前后 mint/burn): 完全规避 LVR，是真正赚钱的 LP
我的观点: LVR 是过去 3 年 DeFi 量化最重要的概念之一。它永久性地改变了我对 LP 的认知：
- "提供流动性 + 赚 fee" 这个表述是误导 — 真实是"卖 vol + 赚 fee"
- fee > LVR 是 LP 赚钱的必要条件 — V3 0.05% pool 在 σ > 60% 时几乎肯定亏
- 被动 LP 在 high-vol 期是慈善行为 — 价值持续被 arbitrageur 抽走
实战 implication：
- Stable pair (USDC/USDT) LP 仍可，σ 极低
- Volatile pair LP 必须 active rebalance 或用 V4 hook 动态 fee
- 机构 LP 需要 LVR-aware 风险预算（vol > X 时退出）
Phase 3 我想做一个 LVR dashboard，实时显示每个 V3 pool 的 fee/LVR 比率 — 这是给被动 LP 的"health check"工具，应该有强需求。资深面试中能推导 LVR 公式 + 给出实测数据 + 解释 short gamma 类比，绝对是 senior quant 级别的论证。

追问准备:

Q: V3 集中流动性下 LVR 公式如何变？ → A: 在 [Pa, Pb] 内 LVR 同 V2，但 effective L 高得多（集中倍数）→ LVR 也成比例放大。区间外 LVR = 0（因为已经全单边持币）。
Q: 如何对冲 LVR？ → A: short gamma 等于 long option。买 ATM straddle 可对冲，但成本 (option premium) 通常 > LVR savings — 不实际。更实操的方法：限制 LP 区间，区间外退出。
Q: V4 hook 如何缓解 LVR？ → A: Dynamic fee（vol 高时 fee 高）让 fee revenue 跟得上 LVR。但需要预测 vol，fail-safe 设计困难。

Q28. Curve Wars 的博弈均衡？bribery 长期可持续？(Convex/Aura/Frax 深度)

类别: MEV - 治理博弈难度: 高 考察点:

veCRV 模型
Convex 托管模型
Bribery 经济
博弈均衡

简短回答（30秒，电梯版）: Curve Wars 是 ve 模型 (vote-escrowed) + bribery 创造的博弈：CRV → veCRV → vote on emission → CVX 把 veCRV 流动性化 + bribe market → vlCVX (vote-locked CVX)。Bribery efficiency 长期 ~4×（每 $1 bribe → ~$4 emission redirected），过去 3 年保持稳定。可持续性核心问题：emission supply (CRV) 衰减 + bribery demand 是否仍存。结论：当前 ve 模型仍可持续，但博弈正迁移到 meta-governance 层 (CVX → CRV → 协议)。Frax veFXS、LayerZero veLZ 都在演化新模型。

详细回答（2-3分钟版本）:

背景/定义:
- veCRV: 锁 CRV 1-4 年 → veCRV (governance)
- CVX (Convex): 永久锁 CRV，用户拿 cvxCRV (流动性版)
- vlCVX: 锁 CVX 16 周 → 投票权
- Bribery: 协议 (e.g., FRAX) bribe vlCVX holders 投票给自己池子
核心机制/原理:

价值链:
```
Protocol (FRAX)
    │ wants emission to FRAX/USDC pool
    │ bribes vlCVX holders
    ▼
vlCVX holders
    │ vote with locked CVX power
    ▼
Convex's veCRV
    │ direct CRV emission
    ▼
FRAX/USDC pool
    │ gets CRV rewards
    ▼
FRAX LPs benefit
```
Bribery 数学: $$\text{Leverage} = \frac{\text{emission redirected}}{\text{bribe paid}} \approx 4$$
- 每 $1 bribe → ~$4 emission（peak 时 6×）
- leverage 来源：vlCVX 投票影响 5-10% 总 emission，bribe payer 只需付 vote-weight 比例
关键 trade-off:
- 持续可行性依赖 CRV emission 不衰减（halving 后下降）
- vlCVX 集中度高（top 5 holders > 40%）形成"governance 寡头"
- Bribery 平台 (Votium, Hidden Hand) 是 mev 入口
真实案例/数据: Day 112 实测:
- Bribery efficiency 年度变化:
  - 2022: 6.2x
  - 2023: 4.8x
  - 2024: 4.1x
  - 2026: 3.8x (略降但仍稳)
- 2024 全年 Curve bribery total: ~$185M
- vlCVX TVL: $850M (peak)
- Frax 累计支付 bribes: $42M (since launch)
- ROI: Frax 通过 bribery 拉到的 LP 流动性 ~ $2B,LP yield boost ~ 8%
我的观点: Curve Wars 是 DeFi 治理博弈最 sophisticated 的案例。三个核心 take-away:

(1) ve 模型不是过时:
- LayerZero veLZ (2024)、Frax veFXS v3 (2024)、Aerodrome veAERO (2024) 都在用
- 证明 long-term commitment + governance power 的组合仍受市场认可
(2) Meta-governance 是新前线:
- 博弈不再发生在 vlCVX 层（已成熟），而是 vlCVX → CRV → 协议的 meta layer
- Aura（Balancer 版的 Convex）+ Frax 间的多层博弈是 Phase 3 研究重点
(3) Bribery 长期可持续但 leverage 缓慢衰减:
- 4x → 3.8x 的下降是 healthy（更接近 efficient market）
- 长期均衡可能在 2-3x（仍有 bribery 必要）
- 完全消失需要 emission 模型本身废弃
实战 implication：bribery 套利仍是 alpha source（但 capacity 小，~$10K - $100K/月）。机构对 ve 模型的理解度极低 — 这是 PM 角色稀缺机会，能桥接传统投资逻辑与 DeFi governance 博弈。

资深面试中讲 Curve Wars 时，能给出 4x leverage 数据 + meta-governance 概念 + Phase 3 演化判断，能立刻凸显 DeFi 深度。

追问准备:

Q: 为什么 bribery 不会 arbitrage 到 1x？ → A: 因 vlCVX 必须 lock 16 周（机会成本），vote 时间成本（每周操作），且 governance 偏好不完全 financial。3-5x 反映 risk premium + opportunity cost。
Q: Aura vs Convex 博弈如何？ → A: Aura 是 Balancer 版本的 Convex (BAL → veBAL → auraBAL)。生态交叉度高 — 部分协议同时 bribe 两边。Aerodrome 又是 Velodrome v2 的演化。这条线越来越 nested。
Q: CRV emission 衰减后 Curve Wars 怎么演化？ → A: 短期 bribery 总量下降但 leverage 可能升（emission 稀缺更值钱）。长期需要新激励来源 — Curve Lite + veCRV v2 是潜在路径。

Q29. 搭建生产级 mempool 订阅系统的架构？延迟优化要点？

类别: MEV - 工程架构难度: 资深 考察点:

Mempool 订阅
节点架构
延迟优化
容错设计

简短回答（30秒，电梯版）: 生产级 mempool 系统三层：(1) Node 层 — 多 geth/erigon node 跨地理冗余，WS subscription newPendingTransactions；(2) Decoder 层 — multi-thread decode，按 tx target/value 分流；(3) Strategy 层 — 内存 hot path 处理 < 5ms。延迟优化要点：colo 服务器（接近 builder）、private mempool subscription（Flashbots Protect / BloXroute）、mempool decoder 用 Rust（vs Python 10x faster）、bundle 直接发 builder 不走 relay。

详细回答（2-3分钟版本）:

背景/定义: Mempool 订阅是 MEV searcher / liquidator / mm bot 的基础设施。生产级 = 24/7 可用 + 低延迟 + 高容错。

核心机制/原理:

三层架构:

┌─────────────────────────────────────────────────────┐
│ Layer 1: Node Cluster                               │
│  ├── Geth 1 (US-East, full sync)                    │
│  ├── Geth 2 (EU-West, full sync)                    │
│  ├── Erigon 1 (Asia, txpool subscription)           │
│  └── Failover load balancer                         │
│                                                       │
│ subscribe via WS: eth_subscribe newPendingTxs        │
└─────────────────┬───────────────────────────────────┘
                  │ raw tx hash
                  ▼
┌─────────────────────────────────────────────────────┐
│ Layer 2: Decoder & Filter                           │
│  ├── Multi-threaded decoder (Rust)                  │
│  ├── ABI lookup (precomputed cache)                 │
│  ├── Filter: target contract, value, gas            │
│  └── Output: structured tx event                    │
└─────────────────┬───────────────────────────────────┘
                  │ structured events
                  ▼
┌─────────────────────────────────────────────────────┐
│ Layer 3: Strategy Engines                           │
│  ├── Sandwich detector                              │
│  ├── Atomic arb searcher                            │
│  ├── Liquidation bot                                │
│  └── Each: in-memory hot path < 5ms                 │
└─────────────────────────────────────────────────────┘
                  │ bundle
                  ▼
┌─────────────────────────────────────────────────────┐
│ Layer 4: Submission                                 │
│  ├── Flashbots Relay                                │
│  ├── BloXroute Relay                                │
│  ├── Beaverbuild direct                             │
│  └── Titan direct                                   │
└─────────────────────────────────────────────────────┘

延迟分解:

Node 收 tx → emit (P50): 80ms
Decoder: 5-15ms (Rust) vs 50-100ms (Python)
Strategy logic: 1-5ms
Bundle submission to relay: 30-50ms
Total P50: ~150ms (vs 12s block time)

关键 trade-off:
- Multi-region node ↑ availability 但 ↑ ingestion delay (跨区 latency)
- Public mempool 多但可能 stale；private mempool 少但 fresh
- Bundle 直发 builder 跳过 relay 减 latency 但失去 sealed-bid 保护
真实案例/数据: Day 115 + Day 118 实战:
- 我搭的 mev_bot v1 三层架构
- Mempool ingest P50: 165ms (vs 顶级 searcher 80-100ms)
- Strategy logic: 3ms (atomic arb opportunity check)
- Bundle submit: 45ms (Flashbots only, single relay)
- 总 P50: 213ms — 中游水平，能抓到大部分 long-tail opportunities，错过 high-comp short-tail
延迟优化历程:
- V1 (Python, single node): P50 800ms — 几乎抓不到
- V2 (Python + multi-node): P50 350ms — 能抓 < 30% opportunities
- V3 (Rust decoder + colo): P50 213ms — 当前
- 顶级 searcher: P50 ~80ms (custom-built 节点 + colo at builder location)
我的观点: Mempool 订阅是 MEV searcher 的"engineering moat"。三个核心洞察:
- Latency 是入场券，不是 alpha — 即使你 latency 顶级，没有信号优势仍然亏。但如果 latency 太差，再好的信号也用不上
- Private mempool subscription 必须 — Flashbots Protect / MEV-blocker 是第二信息流，错过会少 30-40% 机会
- Bundle 发多个 relay — single point of failure 风险大，多 relay 提升 inclusion rate
实战难点：
- 节点同步问题（Erigon 偶尔 stale）
- Decoder cache invalidation (新合约 ABI 不在 cache)
- Strategy hot path 的 GC pause（Rust > Python > Go）
Phase 3 想把 mev_bot 升级到 production-grade（延迟 < 100ms），但承认距顶级 searcher 仍有 R&D 差距。资深面试中能讲完整架构 + 延迟分解 + 实测数据 + 自己的局限，体现"做过 MEV"而非"听说 MEV"，这是定位 quant + product 双能力的关键。

追问准备:

Q: 如何处理 reorg？ → A: Strategy 层接受 finality-aware 设计，bundle 在 confirmation < 2 blocks 时不计 P&L。Reorg 触发时 unwind 暴露的 position。
Q: 如何 monitor 系统健康？ → A: 三层 metrics — ingest rate, decode latency, bundle inclusion rate。Grafana + Prometheus，alerting 设阈值。
Q: Multi-builder submission 是否会被惩罚？ → A: Flashbots 不接受 same bundle 到多 relay (会 reject 或扣 reputation)。但发不同 bundle (slight 改动) 到不同 builder 是允许且推荐的。

Q30. Cross-domain MEV (SUAVE) 相比单链 MEV 的核心创新？

类别: MEV - 跨链架构难度: 资深 考察点:

Cross-domain MEV
SUAVE 设计
跨链 bundle 协调
实战影响

简短回答（30秒，电梯版）: 单链 MEV 限于同链交易顺序。Cross-domain MEV (e.g., L1 vs L2 vs CEX) 涉及跨域价格差套利，但传统不存在统一 sequencer，套利者必须跨域 race。SUAVE (Single Unified Auction for Value Expression, Flashbots 2023) 三大创新：(1) 统一 sequencer — 所有链用 SUAVE 排序；(2) Encrypted mempool — preferences 隐私；(3) Cross-chain bundle — 单 bundle 跨多链原子执行。但 SUAVE 实际 adoption 慢，多数 cross-domain MEV 仍由专业 searcher 通过多客户端 + 跨链桥实现。

详细回答（2-3分钟版本）:

背景/定义:
- Single-domain MEV: ETH L1 内的 sandwich, atomic arb, liquidation
- Cross-domain MEV: 涉及多 venue 的价值，如 (a) ETH L1 vs L2 套利；(b) ETH spot vs perp 套利；(c) DEX vs CEX 套利
核心机制/原理:

Cross-domain MEV 类型:

(a) L1-L2 atomic arb:
```
ETH USDC = $1.00 (L1 Uniswap)
ETH USDC = $0.998 (Arbitrum Uniswap)
↓
buy on Arbitrum, bridge to L1, sell on L1
But: bridge takes 7 days (optimistic) → not atomic
Workaround: Across/Hop 即时桥（Sub-min），但有 fee
```
(b) Spot-perp (CEX) arb:
```
Binance ETH spot $2400
Binance ETH perp $2401
↓
long spot + short perp
Need: CEX API + colo
```
(c) DEX-CEX arb:
```
Binance ETH $2400
Uniswap ETH $2410
↓
buy on Binance, bridge/withdraw, sell on Uniswap
Latency: 30-60 sec → mostly impossible at scale
```
SUAVE 三大创新:

(1) Unified Sequencer:
- 多 chain 用 SUAVE 排序，理论上能 atomic 跨链
- 实际：需所有 chain 接入 SUAVE，进展慢
(2) Encrypted Mempool:
- Threshold encryption，bundle 内容只在 inclusion 后揭示
- 防止 sandwich
- 但加密计算 overhead 大
(3) Cross-chain Bundle:
- 一个 bundle 描述 "L1 do X AND L2 do Y" 同时执行
- 失败时全部 revert
- 革命性，但需要 chain 间共识协调
关键 trade-off:
- SUAVE adoption 慢（仅 testnet + 少量 mainnet）
- Encrypted mempool 增加 latency
- Cross-chain atomicity 与现有链架构冲突
真实案例/数据: Day 107 实测 + 公开数据:
- 2024 cross-domain MEV ≈ $40-80M (估计)
- Top cross-domain searcher: rsync's Uni/Sushi cross-chain bot
- SUAVE testnet TVL: ~$5M (2024-Q3)
- SUAVE mainnet 计划：2026 H2
当前 cross-domain MEV 实战路径 (without SUAVE):
- Multi-chain node + Multi-CEX API
- 自己跑 cross-chain 逻辑（不 atomic）
- 用 bridge 风险 hedge (Across, Hop)
- 头部 searcher (Wintermute) 月利润 cross-domain ~$5-15M
我的观点: Cross-domain MEV 是 MEV 演化的下一个 frontier，但 SUAVE 的 adoption 比预期慢:

(1) SUAVE 概念正确，工程巨大:
- 跨链共识协调 = 跨 chain consensus 是计算机科学最难问题之一
- Encrypted mempool 在 production 难度高
- Vitalik 多次表达对 SUAVE-style 集中 sequencer 的担忧
(2) 短期 cross-domain MEV 仍由 specialized searcher 主导:
- 不需要 SUAVE，用 multi-client + bridge 即可
- Capacity 有限（< $100M 年化），但 alpha 高
- PM/researcher 视角：cross-domain MEV 是研究 niche，但产品化困难
(3) 长期方向: 跨链 MEV 可能演化为:
- Solver-based intent system (类 OFA but cross-chain) — 我认为最有希望
- Encrypted mempool 局部部署 (在某些 OFA 中)
- SUAVE 失败但其概念被吸收
Phase 3 我想跟进 SUAVE testnet 进展 + 实测一个 cross-chain atomic arb prototype。资深面试中讲 cross-domain MEV，关键是能区分"理论 SUAVE 创新"vs"当前实操 multi-client"两条路径，并给出 2026 时间线判断。

追问准备:

Q: 为什么 SUAVE 没像 Flashbots 一样快速 adoption？ → A: Flashbots 是 single-domain (ETH L1)，技术决策范围内；SUAVE 涉及多 chain consensus + 加密 mempool，工程量级 10-100x，且需要 chain provider 主动接入。
Q: Threshold encryption 在 mempool 的 latency 影响？ → A: 加密 / 解密 ~100ms 各，加 commit-reveal 时间 ~ 500ms。对 high-freq MEV 不可接受，对低频 OFA 可接受。
Q: Cross-domain MEV 如何 scale？ → A: 不太能 scale 到 $1B + 量级，因 capacity bound by bridge throughput + spread reverting time。$100-500M/yr 是更现实上限。

备考策略与时间分配建议 / Interview Preparation Strategy

按难度分层投入时间

难度	题数	推荐投入	优先级
资深 ⭐	6	每题 4-6 小时	必备，能在 5 分钟内完整讲清
资深 (非 ⭐)	11	每题 2-3 小时	必备，能 2-3 分钟讲清
高	11	每题 1-2 小时	必备，能 1-2 分钟讲清
中	2	每题 0.5-1 小时	必备，无需深度推导

总建议投入: 60-80 小时（≈ 10 个工作日，每天 6-8 小时）

按公司类型调整重点

Quant Fund (Galaxy / Jump Crypto / Wintermute):

重点：Q1, Q9, Q14, Q17, Q18, Q21
必备：BS 推导 + A-S + 回测方法论
加分：自己跑过的 strategy 数据

MEV / OFA Product PM (Flashbots / CoW / UniswapX):

重点：Q11, Q25, Q26, Q27, Q29, Q30
必备：MEV 6 层分配 + LVR + OFA 三家对比
加分：mev_bot v1 + bundle submission 经历

Crypto-native Trading Desk (DRW / Alameda 类):

重点：Q2, Q9, Q13, Q16, Q19
必备：crypto IV smile + DN mm + funding arb 实战
加分：跨所做市经历

Crypto Research Analyst (Messari / Galaxy Research):

重点：Q5, Q19, Q22, Q24, Q28
必备：alpha 衰减 + 协整稳定性 + Curve Wars 博弈
加分：公开发表的策略报告

每类题型常见陷阱 / Common Traps by Question Type

数学题（Q1, Q5, Q6, Q9, Q14, Q15, Q17, Q18, Q24, Q27）

陷阱:

推导跳步 — 面试官追问中间步骤会卡
公式背但不懂 intuition — "为什么 μ 在 BS 中消失？"是经典追问
不知道边界条件 — BS PDE 没有边界条件就不是定解问题

反陷阱策略:

准备白板演示 — 至少 BS 推导 + A-S reservation price 能现场重写
每个公式背后的"故事" — "这个公式回答的是什么问题"
知道 limits / special cases — λ → 0 / γ → 0 / σ → 0 时简化形式

代码题（Q3, Q10, Q13, Q26, Q29）

陷阱:

写 pseudo-code 但不能 actual run — # TODO 太多
不知道生产级别细节 — error handling, logging, metrics
算法 OK 但忽略 latency / gas

反陷阱策略:

准备 GitHub repo 链接 (e.g., mm_bot, mev_bot)
能写 ≤30 行的核心逻辑 (如 sqrtPriceX96 转换、A-S quote 计算)
知道每步的 latency / gas cost

案例题（Q4, Q11, Q19, Q21, Q23, Q25, Q28）

陷阱:

数据是去年 / 不更新 — 2026 vs 2024 数据差异大
只讲"是什么"不讲"为什么" — funding arb 衰减不能只说"机构进来"
忽略 counterfactual — "如果 SUAVE 完全 deploy 会怎样" 类问题

反陷阱策略:

准备 5-10 个高频数据点（2024 全年 MEV $925M、Curve bribery 4x、HRP vs MV OOS 提升 134% 等）
每个案例配 1-2 个 "为什么" 和 "怎么变化"
准备 1 个 contrarian view（如"OFA 不会替代 router"）

设计题（Q13, Q23, Q29, Q30）

陷阱:

给完美方案但没 trade-off — 实操中没有完美方案
忽略 cost / complexity — "用 ML 解决"是 lazy answer
不能 scale 到 production — paper design vs deployable system

反陷阱策略:

每个方案至少给出 2-3 个 trade-off
提到 cost/complexity 维度（gas, infra, headcount）
给一个 "最小可行版本" + "完整版本" 双层方案

30 题对应 Day 编号引用索引 / Day-Number Reference Index

Q#	题目	主要 Day	辅助 Day
Q1	BS PDE 推导	Day 63	Day 61, 62
Q2	BS 在 crypto 失效 + SABR	Day 65, 66	Day 64
Q3	Power Perp / Squeeth	Day 70, 73	Day 71
Q4	Deribit IV smile	Day 65	Day 67
Q5	Vanna / Volga	Day 64, 65	Day 66
Q6	异类期权 MC	Day 68, 69	Day 67
Q7	加密利率 vs perp funding	Day 73	Day 70
Q8	Yield curve bootstrap	Day 73	Day 99, 100
Q9 ⭐	A-S 推导 + crypto 参数	Day 78, 79, 80	Day 75, 117
Q10 ⭐	V3 tick math	Day 84, 85	Day 86
Q11	JIT vs sandwich	Day 110, 113	Day 103
Q12	OFI 信号有效性	Day 82	Day 75, 117
Q13	Hyperliquid DN 做市	Day 87, 117	Day 88
Q14	Almgren-Chriss 推导	Day 83	Day 119
Q15	Kyle's λ	Day 75, 76, 77	Day 82
Q16	CEX vs DEX 做市	Day 88	Day 75, 117
Q17 ⭐	Walk-forward vs CPCV	Day 91, 95	Day 102, 119
Q18 ⭐	HRP vs MV	Day 101	Day 102
Q19	Funding arb 衰减	Day 97	Day 96, 98
Q20	Pendle DN 策略	Day 99, 100	Day 73
Q21	回测 5 重陷阱	Day 93, 94, 95	Day 119
Q22	协整稳定性	Day 89	Day 90
Q23	Liquidation 套利	Day 97	Day 98
Q24	RP/HRP/CVaR 边界	Day 101	Day 94
Q25 ⭐	PBS MEV 价值分配	Day 105	Day 103, 104
Q26 ⭐	UniswapX/CoW/1inch 对比	Day 108	Day 110
Q27 ⭐	LVR + V3 delta	Day 111	Day 84
Q28	Curve Wars 博弈	Day 112	Day 105
Q29	Mempool 系统架构	Day 115, 118	Day 114
Q30	Cross-domain MEV / SUAVE	Day 107	Day 105, 106

书名	作者	Phase 2 用法
Options, Futures, and Other Derivatives	Hull	第 1-15 章 BS 基础（Day 61-66 核心引用）
Stochastic Calculus for Finance II	Shreve	Chap 4-7 Itô 推导（Day 62-63 推导基础）
Algorithmic and High-Frequency Trading	Cartea-Jaimungal-Penalva	全书做市理论（Day 75-83 核心引用）
Advances in Financial Machine Learning	López de Prado	Chap 7 CPCV + Chap 16 HRP（Q17, Q18 核心）
Active Portfolio Management	Grinold-Kahn	Risk-aware portfolio 框架（Q24 基础）
Trading and Exchanges	Larry Harris	微观结构必读，Kyle 模型（Q15）

Paper	用途
Black-Scholes (1973) "The Pricing of Options..."	Q1 source
Hagan et al (2002) "Managing Smile Risk" SABR	Q2 source
Avellaneda-Stoikov (2008)	Q9 source
Almgren-Chriss (2000)	Q14 source
Kyle (1985) "Continuous Auctions and Insider Trading"	Q15 source
Lopez de Prado (2016) "Building Diversified Portfolios that Outperform Out-of-Sample"	Q18 source
Milionis et al (2022) "Automated Market Making and Loss-Versus-Rebalancing"	Q27 source
Daian et al (2019) "Flash Boys 2.0"	Q25 MEV 起源
Bartoletti et al (2021) "SoK: Lending Pools in Decentralized Finance"	Q23

资源	内容
MIT 18.S096 Topics in Mathematics with Applications in Finance	BS / Itô 推导
Coursera Computational Finance (de Prado)	HRP + CPCV 实战
Cartea Lectures on Algorithmic Trading	A-S / GLFT / 微观结构
Flashbots YouTube MEV 101 series	MEV / PBS / SUAVE
Paradigm Research Blog (LVR papers)	LVR 推导细节

工具	用途
Deribit API	期权 IV surface 数据（Day 65, 66）
Hyperliquid L2 orderbook	做市策略测试（Day 87, 117）
Uniswap V3 Subgraph	LP / fee / LVR 分析（Day 111, 114）
Flashbots MEV-Inspect	MEV 分类与统计（Day 103, 105）
eigenphi.io	实时 MEV 监控
Dune Analytics	链上数据查询（Curve Wars / OFA）
mevboost.pics	Validator MEV 统计
token.unlocks.app	Tokenomics 数据

面试是手段，不是目的。这套题集真正的价值不在于"准备面试"，而在于强迫我把分散的知识点整合成可表达的论证。如果某道题我写不出 80 行的深度回答，说明对应的 Day 内容我还没消化透 — 这是 Phase 2 末最有价值的诊断。

6 道 ⭐ 题 (Q9, Q10, Q17, Q18, Q25, Q26, Q27) 是过去 60 天最值得花最多时间的核心：

Q9 / Q14 / Q17 是量化方法论核心
Q10 / Q26 / Q27 是 DEX 量化核心
Q18 / Q25 是 portfolio + MEV 框架核心

最大遗憾：Phase 2 结束时，我仍未做 1 个真实资金 deployment（全 paper trading）。Phase 3 的核心目标之一是把 mm_bot v1 / mev_bot v1 推到真实小资金（< $10K），积累 deployment scar。

下一站 Phase 3 (Day 121-180)：AI 系统工程 + ML in quant + RL-based execution + zkML 的实操探索。期待 60 天后的 EXPERT-DAY180-INTERVIEW.md。

"Alpha 不是被发现的，是被反复证伪后剩下的；剩下的也会衰减，所以必须持续找新的。"

— Day 95, Phase 2 Alpha 研究方法论笔记

Expert Day 120 (附): Phase 2 资深量化面试题集（30道）

写在前面 / Foreword

一、衍生品定价类（8 道，Day 61-74）

Q1. 推导 Black-Scholes PDE（含完整 replication argument）

Q2. BS 模型在 crypto 上的失效之处？SABR 如何修正？

Q3. Power Perpetual 的 funding mechanism？为何 funding ∝ IV²？(Squeeth)

Q4. Deribit IV smile 的特征（ATM 附近 skew）？

Q5. 二阶 Greeks（Vanna/Volga）在 crypto 做市中的实际用途？

Q6. 异类期权（barrier/asian）的 MC 定价收敛性？variance reduction 技术？

Q7. 加密利率与 perp funding 的本质差异？

Q8. 固收 yield curve bootstrap 在 crypto 的对应（链上利率曲线）？

二、市场微观结构与做市类（8 道，Day 75-88）

Q9. ⭐ Avellaneda-Stoikov 的 reservation price 如何推导（HJB 方程）？crypto 参数如何调 γ/k/T？

Q10. ⭐ Uniswap V3 的 tick math：sqrtPriceX96 和 tick 如何转换？liquidity 如何计算？

Q11. JIT 流动性 vs 三明治攻击的本质差异？JIT 能否被防御？

Q12. Order Flow Imbalance (OFI) 信号在不同市场（spot/perp/L2）的有效性？

Q13. 如何在 Hyperliquid 上做 delta-neutral 永续做市？

Q14. Almgren-Chriss 最优执行的 frontier 如何推导？crypto 市场如何应用？

Q15. Kyle 模型的 λ（市场冲击）在 crypto 如何估计？

Q16. CEX 做市 vs DEX (CLMM) LP 本质差异？哪个对庄家更有利？

三、统计套利与 Alpha 类（8 道，Day 89-102）

Q17. ⭐ 如何防止 TSMOM 过拟合？walk-forward 与 CPCV 的差异？

Q18. ⭐ HRP（Hierarchical Risk Parity）相比 mean-variance 的优势？为何对加密更适合？

Q19. funding rate 套利的真实年化？为什么会衰减？

Q20. 如何对 Pendle PT/YT 设计 delta-neutral 策略？

Q21. 回测的 5 重陷阱在 crypto 具体如何表现？

Q22. 协整在 crypto 资产对的稳定性？为何 Engle-Granger 常 fail？

Q23. Liquidation 挖矿的盈利结构？Aave V3 vs Compound 清算流程差异？

Q24. Risk parity / HRP / CVaR optimization 的边界条件？

四、MEV 与 DEX 量化类（6 道，Day 103-116）

Q25. ⭐ PBS 下 MEV 价值如何分配（searcher / builder / proposer / relay）？

Q26. ⭐ UniswapX / CoW / 1inch Fusion 的 solver 设计差异？哪个对机构最佳执行最优？

Q27. ⭐ LVR (Loss-vs-Rebalancing) 如何度量？V3 LP 的真实 delta 是什么？

Q28. Curve Wars 的博弈均衡？bribery 长期可持续？(Convex/Aura/Frax 深度)

Q29. 搭建生产级 mempool 订阅系统的架构？延迟优化要点？

Q30. Cross-domain MEV (SUAVE) 相比单链 MEV 的核心创新？

备考策略与时间分配建议 / Interview Preparation Strategy

按难度分层投入时间

按公司类型调整重点

每类题型常见陷阱 / Common Traps by Question Type

数学题（Q1, Q5, Q6, Q9, Q14, Q15, Q17, Q18, Q24, Q27）

代码题（Q3, Q10, Q13, Q26, Q29）

案例题（Q4, Q11, Q19, Q21, Q23, Q25, Q28）

设计题（Q13, Q23, Q29, Q30）

30 题对应 Day 编号引用索引 / Day-Number Reference Index

推荐配套学习资源 / Recommended Resources

已读过且强推的书

必读 paper

推荐视频 / 课程

数据源与工具

写在最后