Akuna Capital 是芝加哥本土起家、專注選擇權做市的 prop trading 公司，在華人留學生圈知名度不如 Citadel / Optiver，但實習生招聘量卻是同體量公司裡最大的之一（2026 全球 ~90 個實習 offer，其中 SDE ~40 + Trader ~30 + Quant Research ~20）。
它的 OA 走 HackerRank，70 分鐘 4-5 題，特點是程式設計 + 機率 + 業務知識混合——只刷 LeetCode 的同學經常 OA 通過但 onsite 掛掉。本文按 2026 春季最新候選人回饋，把 OA 題型、三個 track 差異、備考路徑講一遍。
Akuna Intern OA 概覽
| 維度 | 細節 |
|---|---|
| 平台 | HackerRank |
| 時長 | 70 分鐘 |
| 題量 | 4-5 題（含 MCQ + 程式題） |
| 難度 | LC Easy/Medium 演算法 + 2 道機率/數學 MCQ + 1 道情境題 |
| 通過線 | 程式題 90%+ AC 且 MCQ 全對 |
| 回饋週期 | 7-10 天 |
| Next Step | Super Day（3-4 輪 onsite，含 trading game） |
重要變化：2026 cycle 起 Akuna 把 SDE / Trader / Quant Research 三個 track 的 OA 題庫部分分開——SDE 偏演算法 + 系統題，Trader / Quant 偏機率 + 心算。一份 OA 通常包含 2 道公共程式題 + 2-3 道 track-specific MCQ。
真題一：Order Book Simulator（SDE / Trader 共有）
題目描述
實作一個簡化的 limit order book，支援以下指令：
ADD <order_id> <BUY|SELL> <price> <qty>
CANCEL <order_id>
PRINT
ADD 後必須立即做 matching：buy 與 sell 價格交叉則成交（按價格優先 + 時間優先），輸出每筆成交 MATCH <buy_id> <sell_id> <price> <qty>。
PRINT 輸出 best bid / best ask 與各自掛單總量。
解題思路
經典 limit order book，用兩個heap維護：
- buy_book：最大堆（取 best bid 最高價）
- sell_book：最小堆（取 best ask 最低價）
注意：HackerRank 上 70 分鐘拿不完所有點，但只做 ADD + matching 部分通常夠 80% AC。CANCEL 用 lazy deletion（id → cancelled set）即可，不要真的從 heap 裡刪。
Python 解法
import heapq
from collections import defaultdict
class OrderBook:
def __init__(self):
self.buy = [] # max heap: (-price, ts, id, qty)
self.sell = [] # min heap: (price, ts, id, qty)
self.qty = {} # id -> remaining qty
self.cancelled = set()
self.ts = 0
def _alive_top(self, heap):
while heap and (heap[0][2] in self.cancelled or self.qty.get(heap[0][2], 0) == 0):
heapq.heappop(heap)
return heap[0] if heap else None
def add(self, oid, side, price, qty):
self.ts += 1
self.qty[oid] = qty
matches = []
if side == "BUY":
while qty > 0:
top = self._alive_top(self.sell)
if not top or top[0] > price:
break
sp, sts, sid, sqty = top
trade = min(qty, self.qty[sid])
matches.append(("MATCH", oid, sid, sp, trade))
qty -= trade
self.qty[sid] -= trade
self.qty[oid] -= trade
if self.qty[sid] == 0:
heapq.heappop(self.sell)
if qty > 0:
heapq.heappush(self.buy, (-price, self.ts, oid, qty))
else: # SELL
while qty > 0:
top = self._alive_top(self.buy)
if not top or -top[0] < price:
break
bp, bts, bid, bqty = top
trade = min(qty, self.qty[bid])
matches.append(("MATCH", bid, oid, -bp, trade))
qty -= trade
self.qty[bid] -= trade
self.qty[oid] -= trade
if self.qty[bid] == 0:
heapq.heappop(self.buy)
if qty > 0:
heapq.heappush(self.sell, (price, self.ts, oid, qty))
return matches
def cancel(self, oid):
self.cancelled.add(oid)
self.qty.pop(oid, None)
時間複雜度：amortized O(log n) per ADD
坑：matching 時一定要先看 _alive_top——否則 heap 頂可能是已取消訂單，會輸出錯誤的 match。
真題二：Coin Flip Expected Value（Trader / Quant Research 共有）
題目描述（MCQ 風格）
一枚均勻硬幣最多拋 10 次，但出現連續兩次正面（HH）就停止。設 X = 拋擲總次數。求 E[X]。
解題思路
經典狀態期望——設 $E_0$ = 當前沒有連續 H 時還需要的期望次數，$E_1$ = 當前已經一次 H 時還需要的期望次數。
不帶上限時：
$$E_0 = 1 + 0.5 E_1 + 0.5 E_0 \implies E_0 = 6$$
但題目有「10 次封頂」約束，要 倒推 DP：
def expected_flips(N=10):
# E[k][s]: 還剩 k 次時、當前狀態 s (0 或 1 = 已 H) 的期望拋擲次數
# 狀態 2 = HH 已出現（吸收態，貢獻 0）
dp = [[0, 0] for _ in range(N + 1)]
for k in range(1, N + 1):
# 狀態 0：本次拋一次
dp[k][0] = 1 + 0.5 * dp[k - 1][1] + 0.5 * dp[k - 1][0]
# 狀態 1：本次拋一次；若 H 則結束，T 則回到 0
dp[k][1] = 1 + 0.5 * 0 + 0.5 * dp[k - 1][0]
return dp[N][0]
print(expected_flips(10)) # ≈ 5.97
答案：約 5.97 次，逼近無上限的 6。 為什麼這道題反覆出現：Akuna 想確認你懂得把「最多 10 次」這一類有限邊界用 backward DP 處理——不是簡單套公式。
真題三：Pricing Permutations（SDE 偏 algo 題）
題目描述
給定一個長度 n 的浮點數陣列 prices，對每個位置 i，求「以 i 為起點、嚴格遞增子序列」的乘積之和 mod 1e9+7（每條子序列貢獻 ∏ prices[k]）。約束：n ≤ 1000，prices ∈ (0, 1e6)。
解題思路
類似 LC 300 LIS 的 sum-of-product 變種：
- $f[i]$ = 以 i 為起點的所有「嚴格遞增子序列乘積之和」
- 轉移：$f[i] = prices[i] \cdot (1 + \sum_{j > i, prices[j] > prices[i]} f[j])$
- 順序從右到左
Python 解法
MOD = 10 ** 9 + 7
def pricing_sum(prices):
n = len(prices)
f = [0] * n
for i in range(n - 1, -1, -1):
s = 1 # 子序列只含 i 自己
for j in range(i + 1, n):
if prices[j] > prices[i]:
s = (s + f[j]) % MOD
f[i] = int(prices[i] * s) % MOD
return sum(f) % MOD
時間複雜度：O(n²)，n=1000 完全 OK 坑：浮點 × 整數模運算——題目通常承諾 prices 是整數；如果是浮點，最後取整再 mod。
三個 Track 的 OA 差異
| Track | 程式題 | MCQ 重點 | 推薦準備 |
|---|---|---|---|
| SDE | 資料結構 + 系統題（order book、cache、graph） | 時間複雜度、記憶體模型、並行基礎 | LC + CTCI System Design 章節 |
| Trader | 簡化版程式題 + 模擬 | 心算、機率、博弈論、做市基礎 | Heard on the Street + 100 Brainteasers |
| Quant Research | numpy / pandas + 簡單 stats | 期望值、變異數、布朗運動、option 定價直覺 | Hull《Options》+ Cornell ORIE 課件 |
強烈建議：投遞時只選一個 track——Akuna 的 ATS 會把「投三個 track」標記為「focus unclear」，影響 recruiter screen。
備考時間表（4 週）
| 週 | 重點 | 資源 |
|---|---|---|
| W1 | LC Medium 50 題（heap / DP / graph） | LeetCode 高頻面經 |
| W2 | 機率 100 題 + 心算 | Heard on the Street + Akuna 歷年 brainteaser |
| W3 | Order Book / Trading 業務基礎 | Hull《Options》+ Akuna 官方部落格 trading article |
| W4 | Mock OA 2-3 次 + onsite trading game 模擬 | 一畝三分地 Akuna 真題貼 |
FAQ
Q1：Akuna Capital Intern OA 難度怎麼樣？
程式難度 LC Easy-Medium，但整體難在「通過線高 + 時間緊」。70 分鐘 4-5 題，意味著平均每題 12-15 分鐘必須做完。SDE candidate 通常報告程式題全做 + MCQ 錯 1 個是過關閾值。
Q2：Akuna OA 可以用什麼語言？
HackerRank 預設提供 Python / C++ / Java。Trader / Quant Research candidate 多用 Python（寫得快），SDE 多用 C++（Akuna 工程團隊偏 C++ 文化）。建議：選你能 70 分鐘內 debug 完的語言，不要為了 culture fit 選不熟悉的。
Q3：Akuna OA 不過還能再投嗎？
12 個月內同一 track 不能重投，但換 track 可以（例如 SDE 掛了之後投 Quant Research）。Akuna 內部會保留之前 OA 成績，所以第一次 OA 寫得差，第二次門檻會變高——慎選 track。
Q4：Akuna OA 通過後多久 Onsite？
通常 1-2 週 進入 Recruiter Call → Super Day（一天連續 3-4 輪）。Super Day 包含一個 Trading Game：5-6 人組隊，30 分鐘內做市 + 套利。這是 Akuna 招牌環節——OA 拿滿分但 Trading Game 表現差的 candidate 70% 被拒。
Q5：Akuna Trading Game 怎麼準備？
模擬做市，常見情境：（1）給定某 asset 的真實價格分布，你定一個 bid-ask spread；（2）市場會向你 hit 或 lift，你要動態調整 inventory。核心技巧：永遠算 expected value、控制單筆損失上限、不要 chase prices。**油管搜「Akuna Trading Game」**有玩家復盤影片。
Q6：Akuna 實習生薪資如何？
2026 cycle 美國實習：
- SDE / Trader / Quant Research 三個 track起薪相同：$10-12K/月（按 10-12 週計算）
- Sign-on：$5K（首次投遞有）
- Return offer 率：~60%，全職 base $135-160K + $50-150K bonus（按業績）
聯絡方式
如果你正在準備 Akuna Capital、Optiver、IMC、Belvedere 這類選擇權做市 + prop trading 公司的實習 / 全職，OA 只是入門門檻——onsite 的 trading game + brainteaser 才是淘汰主力。我們整理了 2025-2026 cycle Akuna 真題 + Trading Game 復盤 + brainteaser 題庫，歡迎聯絡交流。
立即加入微信 Coding0201，獲取 Akuna OA 真題與 Trading Game 模擬。
- Email：[email protected]
- Telegram：@OAVOProxy