焦点关键词相关的博文配图，直观展示文章核心观点

Optiver QR Intern 面经 2026：三道高频题实战拆解

SEO Title: Optiver QR Intern 面经 2026：三道高频量化题深度拆解与备考策略

Optiver QR Intern 面经 2026：三道高频题实战拆解

Optiver QR Intern 面经 2026 是本篇主线。
首先，三题都不长。
其次，三题都很考建模。
更关键的是边界处理能力。

此外，这对应 2026年最新 面试经验。
并且，这是我们学员贡献的最新面经。
因此，题型和追问都很贴近实战。
与此同时，你可以直接按题训练。

2026 面试流程深度复盘：Optiver QR Intern 面经 2026

首先，Optiver QR Intern 面经 2026 的节奏很快。
常见顺序是 OA、技术面、终面。
与此同时，每轮都看推导表达。
最后，面试官会临场改条件。

其次，OA 题面通常很短。
但是，约束会非常密。
比如，是否允许负持仓。
因此，先做最小样例最稳。

另外，技术面重视口头建模。
你要先给状态定义。
然后，再讲状态转移。
换句话说，结构先于代码。

最后，终面看工程意识。
你要主动讲异常处理。
同时，说明数值稳定策略。
因此，可读性和鲁棒性都重要。

面试节奏建议：
- 先读题并圈定约束。
- 先写状态，再过样例。
- 先讲正确性，再谈优化。
- 先给边界，再给代码。

核心题目解析

题目一：有限步持仓路径计数

首先，设 dp[t][h] 为走 t 步到 h 的方案数。
每步只能买一股或卖一股。
因此，转移来自相邻持仓。
若禁负持仓，就截断 h<0。

其次，目标是从 k 到 n。
步数最多为 m。
因此，答案是 t<=m 时到 n 的总和。
但是，t 与 n-k 需同奇偶。

同时，可用组合数学做校验。
若走 t 步，净变化是 n-k。
买入次数是 (t+n-k)/2。
若不是整数，则该 t 无解。

另外，复杂度要主动说明。
若持仓上界为 H，时间是 O(mH)。
同时，空间可滚动到一维。
因此，工程上可稳定落地。 

from collections import defaultdict

def count_trade_sequences(n: int, k: int, m: int, allow_negative: bool = True) -> int:
    # dp[h]: current step ways to reach holding h
    dp = defaultdict(int)
    dp[k] = 1
    ans = 0

    for step in range(1, m + 1):
        nxt = defaultdict(int)
        for h, cnt in dp.items():
            nxt[h + 1] += cnt  # Buy one share
            if allow_negative or h - 1 >= 0:
                nxt[h - 1] += cnt  # Sell one share
        dp = nxt

        # Parity pruning: only valid when step and net change parity match
        if (step - (n - k)) % 2 == 0:
            ans += dp.get(n, 0)

    return ans

# Example: n=2, k=1, m=3 => 4

题目二：目标权重下的资金分配与调仓

首先，这题是再平衡系统设计。
输入是目标权重和价格矩阵。
第一步先归一化权重。
这样可避免权重和漂移。

其次，每日先算组合总市值。
然后计算目标股数。
交易量等于目标减当前。
并且，要考虑整股与现金约束。

此外，数据质量决定上限。
缺失价格可做前值填充。
停牌标的可暂缓调仓。
与此同时，要持续记录跟踪误差。

但是，小权重会引发抖动交易。
可设置最小交易门槛。
小于门槛时先不下单。
因此，交易成本会更可控。 

flowchart TD
A[读取当日收盘价] --> B[更新持仓市值与现金]
B --> C[归一化目标权重]
C --> D[计算目标持仓股数]
D --> E[生成买卖交易量]
E --> F[执行交易并更新账户]
F --> G[记录跟踪误差与风控指标]
G --> A

def rebalance_portfolio(prices, target_weights, init_cash):
    """
    prices: List[List[float]], shape = [T][N]
    target_weights: List[float], length N
    return: daily logs with holdings, cash, and tracking error
    """
    n = len(target_weights)
    w_sum = sum(target_weights)
    w = [x / w_sum for x in target_weights]  # normalize weights

    shares = [0] * n
    cash = float(init_cash)
    logs = []

    for day, px in enumerate(prices):
        total_value = cash + sum(shares[i] * px[i] for i in range(n))

        # target shares with integer constraint
        target_shares = [int((total_value * w[i]) // max(px[i], 1e-12)) for i in range(n)]
        trade = [target_shares[i] - shares[i] for i in range(n)]

        # enforce cash constraint on buy side
        buy_cost = sum(max(trade[i], 0) * px[i] for i in range(n))
        if buy_cost > cash and buy_cost > 0:
            ratio = cash / buy_cost
            trade = [int(t * ratio) if t > 0 else t for t in trade]

        # execute trades
        cash -= sum(trade[i] * px[i] for i in range(n))
        shares = [shares[i] + trade[i] for i in range(n)]

        new_value = cash + sum(shares[i] * px[i] for i in range(n))
        cur_w = [(shares[i] * px[i]) / max(new_value, 1e-12) for i in range(n)]
        tracking_error_l1 = sum(abs(cur_w[i] - w[i]) for i in range(n))

        logs.append({
            "day": day,
            "cash": cash,
            "shares": shares[:],
            "tracking_error_l1": tracking_error_l1
        })

    return logs

题目三：均匀分布价格下的最优成交期望

首先，这题是序贯决策模型。
价格服从 Unif(a,b) 且 iid。
你要完成 n 单位成交。
并且，最多可用 k 次固定价 p。

其次，设 V[i][j] 为最优总收益。
i 是剩余成交单位。
j 是剩余固定价次数。
因此，状态定义很直接。

具体来说，每步先观测 x。
然后比较两种动作收益。
其一是按市场价成交。
其二是按固定价成交。

此外，这是阈值策略。
阈值可写成常数 c。
当 x<c 时，用固定价更优。
否则，按市场价更优。

同时，可先做极端值自检。
若 p<=a，固定价价值很低。
若 p>=b，固定价通常更优。
因此，结果应符合该直觉。 

def e_max_uniform(a: float, b: float, c: float) -> float:
    # E[max(X, c)] for X ~ Unif(a, b)
    if c <= a:
        return (a + b) / 2.0
    if c >= b:
        return c
    return c * (c - a) / (b - a) + (b * b - c * c) / (2.0 * (b - a))

def expected_fill_price(n: int, k: int, a: float, b: float, p: float) -> float:
    # V[i][j]: max expected total revenue with i units left and j fixed-price rights
    k = min(k, n)
    V = [[0.0] * (k + 1) for _ in range(n + 1)]
    ex = (a + b) / 2.0

    for i in range(1, n + 1):
        V[i][0] = V[i - 1][0] + ex

    for i in range(1, n + 1):
        for j in range(1, min(i, k) + 1):
            c = p + V[i - 1][j - 1] - V[i - 1][j]
            V[i][j] = V[i - 1][j] + e_max_uniform(a, b, c)

    return V[n][k] / n  # expected average fill price

专家备考策略与高频考点：Optiver QR Intern 面经 2026

首先，Optiver QR Intern 面经 2026 的共性很明显。
题目看似交易问题。
核心却是状态建模能力。
因此，要先练“状态-转移-边界”模板。

其次，你要准备口头证明。
先讲不变量。
再讲边界与反例。
同时，补上复杂度上界。

此外，行为题也很关键。
面试官会看协作方式。
你要把结果数据化表达。
这样更像真实工程实践。

最后，可按四周冲刺。
第一周刷路径计数。
第二周刷再平衡实现。
第三周刷 Bellman 推导。

核心考点：
- 约束条件下的状态定义能力。
- 路径计数与奇偶约束判断。
- 价格矩阵下的持仓更新能力。
- 数值稳定与交易成本权衡。
- 口头推导与代码一致性。

STAR 应对策略：
- S：波动加剧，组合偏离阈值。
- T：两周内重构调仓模块。
- A：先归一化权重，再加现金缓冲。
- R：跟踪误差下降，成交更稳定。

总结与行动号召（CTA）

总而言之，Optiver QR Intern 面经 2026 值得反复刷。
它同时考数学直觉。
也考工程细节。
而且，2026年最新题风更偏实战。

因此，建议你先做限时复盘。
先独立写三题。
再做对拍与压力测试。
随后，做一次口头讲解演练。

最后，可先看权威算法参考。
同时，预约联系我们的专家进行一对一面试辅导。
然后，用 Optiver QR Intern 面经 2026 做二次模拟。