GS Quant Strat SPD 面经 2026：概率、DP 与固收高频题全拆解

GS Quant Strat SPD 面经 2026 是近期最该精读的案例。这是我们学员贡献的最新面经。因此，本文按 2026年最新标准复盘。与此同时，你会拿到可复用的解题模板。

2026 面试流程深度复盘：GS Quant Strat SPD 面经 2026

在 GS Quant Strat SPD 面经 2026 里，轮次切换非常快。岗位对应 Goldman Sachs Quant Strat SPD。首先，第一轮考概率与数论。其次，第二轮考最优停止与编码。最后，第三轮考固定收益与利率直觉。
因此，面试官先看数学速度。与此同时，也看业务表达能力。此外，建议按“结论-推导-校验”作答。

核心题目解析：GS Quant Strat SPD 面经 2026

在 GS Quant Strat SPD 面经 2026 中，难点是“快且准”。因此，你要先给一行答案。此外，再补核心证明。

第一轮 Q1-Q3：概率与同余

首先，Q1 是 12 面骰子集齐问题。
因此，期望可拆成分段等待时间。
[
E=12\left(1+\frac12+\frac13+\cdots+\frac1{12}\right)=12H_{12}\approx 37.24
]
换句话说，平均约 37 到 38 次。
其次，Q2 是 d10+d6 的最优猜测。
具体来说，和的组合数是 1,2,3,4,5,6,6,6,6,6,5,4,3,2,1。
因此，目标是最大化 (g\cdot P(S=g)=g\cdot c_g/60)。
结果在 (g=11)。最优期望收益是 (66/60=1.1)。
此外，Q3 问 101 个数的整除保证。
先看前缀和模 11。
如果某个前缀余数为 0，结论立刻成立。
但是若都非 0，必有两个前缀同余。
因此，两者差对应非空子集和，且可被 11 整除。

第二轮 Q1-Q3：最优停止与代码

首先，Q1 无成本且最多 3 轮。
终局值 (V_3=E[X]=3.5)。
因此，(V_2=E[\max(X,3.5)]=4.25)。第二轮阈值是 4。
进一步，(V_1=E[\max(X,4.25)]=4.67)。第一轮阈值是 5。
其次，Q2 每次 toss 成本为 1。
假设首掷也计费。
因此，(F_1=E[X]-1=2.5)。
进一步，(F_2=E[\max(X,2.5)]-1=2.83)。
最后，(F_3=E[\max(X,2.83)]-1=2.94)。
所以前两轮只在 1 或 2 时重掷。
此外，Q3 要把策略程序化，并做模拟验证。

from functools import lru_cache
import random

def optimal_value(sides=6, rounds=3, cost=0.0):
    """返回最大期望净收益。cost 为每次掷骰成本。"""
    faces = list(range(1, sides + 1))

    @lru_cache(None)
    def dp(r):
        # 只剩一轮时，必须掷一次
        if r == 1:
            return sum(faces) / sides - cost
        cont = dp(r - 1)  # 继续掷的价值（已含未来成本）
        return sum(max(x, cont) for x in faces) / sides - cost

    return dp(rounds)

def thresholds(sides=6, rounds=3, cost=0.0):
    """给出每轮保留阈值：点数 >= threshold 则停止。"""
    faces = list(range(1, sides + 1))
    v = [0.0] * (rounds + 1)
    v[1] = sum(faces) / sides - cost
    th = {}
    for r in range(2, rounds + 1):
        cont = v[r - 1]
        v[r] = sum(max(x, cont) for x in faces) / sides - cost
        th[r] = int(cont) + 1
    return v[rounds], th

def monte_carlo(trials=200000, sides=6, rounds=3, cost=1.0, seed=7):
    """蒙特卡洛验证 DP 结果。"""
    random.seed(seed)
    _, th = thresholds(sides, rounds, cost)
    total = 0.0
    for _ in range(trials):
        gain = 0.0
        r = rounds
        while r > 0:
            gain -= cost
            x = random.randint(1, sides)
            if r == 1 or x >= th.get(r, sides + 1):
                gain += x
                break
            r -= 1
        total += gain
    return total / trials

print("无成本:", optimal_value(cost=0.0))     # 约 4.6667
print("每掷成本1:", optimal_value(cost=1.0))  # 约 2.9444
print("模拟验证:", monte_carlo())             # 应接近 2.9444

System Design：重掷决策求解流程

与此同时，面试中可先画流程，再写代码。

flowchart TD
A[输入 sides/rounds/cost] --> B[计算终局期望]
B --> C[逆推 dp(r)]
C --> D[生成每轮阈值]
D --> E[输出最优期望与策略]
E --> F{是否做验证}
F -- 是 --> G[Monte Carlo]
F -- 否 --> H[结束]
G --> H

第三轮 Q1-Q4：固定收益与利率敏感度

首先，常见利率排序是 credit card > car loan > mortgage > bond。
因此，原因是信用风险、担保强度和流动性差异。
其次，利率下降时更易 prepay。
具体来说，再融资后月供下降，就会触发提前还款。
此外，Duration 有两层定义。
Macaulay 是现金流加权期限。Modified 是价格敏感度近似。
与此同时，到期越长，Duration 通常越大。
但是票息越高，Duration 往往越小。
此外，付息越频，Duration 也会更小。
总而言之，债券价格与利率方向相反。

专家备考策略与高频考点：GS Quant Strat SPD 面经 2026

因此，GS Quant Strat SPD 面经 2026 备考要双线并行。首先，数学题要模板化。其次，固收题要业务化表达。此外，回答要短句化和结构化。

BQ：核心考点

首先，考沟通结构。先结论，再推导。
其次，考压力稳定性。限时下要少犯错。
此外，考业务映射。公式要连到风险与收益。
与此同时，考自我校验。要主动给边界检查。

BQ：STAR 应对策略

首先，S 说清背景与约束。
其次，T 量化目标与时限。
此外，A 拆成建模、验证、沟通三步。
最后，R 给出数字结果与业务影响。

总结与行动号召（CTA）

总而言之，GS Quant Strat SPD 面经 2026 的胜负点很明确。因此，先吃透概率与 DP，再补固定收益框架。此外，建议做两轮 45 分钟全真口述模拟。
如果你要定制冲刺方案，请点击联系我们的专家进行一对一面试辅导。与此同时，算法基础可参考权威算法参考。