← 返回部落格列表 Akuna Capital 面試全流程實錄:從 OA 到 Super Day Trading Game 的淘汰邏輯
Akuna Capital

Akuna Capital 面試全流程實錄:從 OA 到 Super Day Trading Game 的淘汰邏輯

2026-06-04

很多人把 Akuna Capital 的招聘理解成「過了 OA 就穩了」——這是最大的誤區。Akuna 是芝加哥起家、專注選擇權做市的 prop trading 公司,OA 只是一道程式 + 機率的入門篩子,真正的淘汰主力是 Super Day 的 Trading Game 和機率腦筋急轉彎

如果你只刷了 LeetCode、沒碰過做市直覺和心算,OA 可能輕鬆過,但 Super Day 會被打回原形。本文把 Akuna 的完整面試流程講清楚:每個環節考什麼、淘汰率多少、Trading Game 怎麼玩、brainteaser 怎麼練。(OA 三道程式題的完整解法,見站內另一篇 Akuna Intern OA 專題。)

一、Akuna 完整流程時間線

階段 形式 時長 淘汰重點
1. OA HackerRank 程式 + 機率 MCQ 70 分鐘 程式 90%+ AC、MCQ 全對
2. Recruiter Call 電話 HR 20-30 分鐘 動機、track 匹配、簽證
3. Super Day 一天連續 3-4 輪 半天 核心淘汰:技術 + 腦筋急轉彎 + Trading Game
4. Offer / Team Match 決議 1-2 週 委員會綜合打分

關鍵認知:OA 通過率 ~35%,但 Super Day 通過率只有 ~25%——疊乘下來,從投遞到 offer 不到 10%。Super Day 當天的 Trading Game 是最容易被低估、也最容易翻車的環節。

二、Super Day 第一輪:技術面(按 track 分流)

SDE Track

偏資料結構 + 系統題,常見:手寫一個簡化 order book(見站內 OA 專題)、設計一個低延遲訊息佇列、並行情境下的 cache 一致性。面試官會追問「你的實作在高頻更新下會不會成為瓶頸」。

Trader / Quant Track

很少寫完整程式,更多是白板推導 + 心算。例如:

給定一個公平的六面骰子,你可以選擇重擲一次(看到第一次結果後再決定),求最優策略下的期望點數。

解題思路:第一次 ≥ 4 就保留(期望 5),否則重擲(期望 3.5)。所以閾值是 4。

$$E = P(\text{第一次}\ge 4)\cdot\frac{4+5+6}{3} + P(\text{第一次}<4)\cdot 3.5 = \frac12\cdot 5 + \frac12\cdot 3.5 = 4.25$$

def expected_with_one_reroll():
    faces = [1, 2, 3, 4, 5, 6]
    avg = sum(faces) / 6          # 重擲的期望 = 3.5
    # 第一次擲出 v:max(v, 重擲期望)
    return sum(max(v, avg) for v in faces) / 6

print(expected_with_one_reroll())  # 4.25

為什麼這道題反覆出現:它考的是「最優停時」直覺——做市時你隨時要判斷「現在成交,還是再等更好的價」,這道骰子題就是最小化版本。

三、Super Day 第二輪:機率腦筋急轉彎(淘汰最狠)

Akuna 的 brainteaser 不是腦筋急轉彎式的「腦洞」,而是能口算的機率/期望題,要求你 1-2 分鐘內說清思路。幾類高頻:

類型 A:條件機率

一個家庭有兩個孩子,已知至少有一個是男孩且在週二出生。求兩個都是男孩的機率。

陷阱在「週二」這個資訊會改變樣本空間,答案是 13/27 而非直覺的 1/3。考的是你會不會嚴格列舉樣本空間

類型 B:等待時間 / 期望

不停擲一枚均勻硬幣,直到出現「正反」(HT)連續模式,求期望擲數。

def expected_until_pattern():
    # E0: 還沒開始; E1: 上一枚是 H
    # E1 = 1 + 0.5*0 + 0.5*E1   -> E1 = 2
    # E0 = 1 + 0.5*E1 + 0.5*E0  -> E0 = 4
    return 4

print(expected_until_pattern())  # HT 模式期望 4 次

:很多人把 HT 和 HH 當成一樣——其實 HH 的期望是 6,HT 是 4,差異來自「失敗後能不能複用前綴」。這正是 Akuna 想區分的細節。

類型 C:幾何機率

在 [0,1] 上隨機取兩點,求它們距離 > 0.5 的機率。答案 1/4(畫單位正方形,目標區域是兩個三角形)。

心法:所有 brainteaser 都先問自己三句——樣本空間是什麼?目標事件怎麼數?有沒有對稱性可以偷懶?

四、Super Day 第三輪:Trading Game(招牌環節)

這是 Akuna 最有辨識度、也最決定成敗的一輪。通常 5-6 人一組,30 分鐘做市

玩法

  1. 主持人給一個「資產」(可能是骰子點數之和、撲克牌數值等隱藏量)。
  2. 你要不斷報出 bid-ask 雙邊價格(我願意買的價 / 我願意賣的價)。
  3. 其他玩家會 hit(賣給你)或 lift(從你買),你的 inventory(持倉)隨之變化。
  4. 最後揭曉真實值,按你的成交盈虧排名。

三條核心心法

def fair_value_dice_sum(n_dice=2):
    # 隱藏量 = n 個骰子之和,公允價 = 期望
    return n_dice * 3.5

def quote(fair, inventory, base_spread=1.0, skew=0.2):
    # 持倉越多越想賣出 -> 整體往下偏
    mid = fair - skew * inventory
    return round(mid - base_spread / 2, 2), round(mid + base_spread / 2, 2)

print(quote(fair_value_dice_sum(2), inventory=3))  # 持倉偏高,報價下移

面試官在看什麼:不是你賺了多少,而是你的報價邏輯是否一致、是否在用資訊更新、是否控制風險。即使最後小虧,邏輯清晰 + 風控到位也能過;反之 all-in 賭一把贏了也可能被拒。

五、Super Day 第四輪:行為 / 文化匹配

Akuna 文化偏「直接、量化、愛玩遊戲」。常見問題:

模板:用 STAR,但結尾一定要落到「量化結果 + 我學到的可遷移原則」,這與 Akuna 的資料文化對味。

六、備考清單(針對 Super Day)

環節 重點 資源
技術面 order book / 並行 / 最優停時 LeetCode + 站內 Akuna OA 專題
Brainteaser 條件機率 / 等待時間 / 幾何機率 Heard on the Street + Green《考試》
Trading Game EV、bid-ask、庫存控制 YouTube「Akuna Trading Game」復盤
行為面 STAR + 量化結果 準備 5 個含數字的故事

FAQ

Q1:Akuna 過了 OA 是不是就穩了?

不是。OA 通過率約 35%,但 Super Day 只有約 25%,真正的淘汰在 Super Day 的 Trading Game 和機率腦筋急轉彎。只刷 LeetCode 的同學經常 OA 過、Super Day 掛。

Q2:Trading Game 一定要有金融背景嗎?

不需要。它考的是 EV 計算、bid-ask 報價邏輯和風險控制,這些都能練。背景再好但報價亂、不控庫存照樣被拒;零背景但邏輯清晰、會用資訊更新報價反而能過。

Q3:brainteaser 難度對標什麼?

對標《Heard on the Street》和《Quant Job Interview》裡的機率/期望題,不需要高等數學,但要能 1-2 分鐘口算說清思路。重點是條件機率、等待時間、幾何機率三類。

Q4:SDE 和 Trader track 的 Super Day 一樣嗎?

第一輪技術面按 track 分流(SDE 偏演算法系統、Trader 偏心算推導),但Trading Game 和 brainteaser 兩輪所有 track 都考。這也是為什麼 SDE candidate 也必須練做市直覺。

Q5:Super Day 結束後多久出結果?

通常 1-2 週。Akuna 用委員會綜合打分,單輪表現好但 Trading Game 風控差也可能被否。拿到 offer 後進入 team / desk match。


聯絡方式

如果你正在準備 Akuna Capital、Optiver、IMC、Belvedere、Jane Street 這類選擇權做市 + prop trading 公司,OA 只是門票,Super Day 的 Trading Game + brainteaser 才是淘汰主力。我們整理了 Trading Game 復盤、brainteaser 題庫與限時模考,歡迎聯絡交流。

立即新增微信 Coding0201獲取 Akuna Super Day 真題與 Trading Game 模擬