2022 Spring UCB MFE Round4 面经和一些准备建议（已录取）
472613
总共面了一个小时，面试官是20年毕业的做data analyst的中国小哥，人非常nice。一开始就说这个面试不会特别formal叫我不要紧张，然后我答题答不上来或者答不全的时候也会给一些hint，面试结束以后还说如果有其他关于项目或者学校的问题还可以继续问他，泪目了家人们。
问题：
1. walk through resume：简历里用过的模型要特别熟，比如说我用过CNN和LSTM，小哥就让我说说LSTM是什么（我答了是RNN的变体，然后介绍了门机制），LSTM和CNN的最大区别（数据有序/无序）
2. R square的取值范围（小哥自己被问懵过的题，我也懵了，我答了[0,1]，答案是(-∞,1]）
3. linear regression assupmtions（我看了好多份面经都有这个，一定要准备真的！！！）
4. federal通过什么手段影响interest rate（我就答了一个QE，小哥补充说还有调整存款准备金率）
5. 我有在自我介绍里说喜欢derivatives，小哥就问了为啥喜欢derivatives，还问了一道forwards和futures有什么区别
6. coding题，用到了深度优先搜索算法，中等难度，面试的时候和小哥一起讨论思路，然后小哥要求面试完半小时内写代码发给他（没有CS背景的同学应该不用太担心，小哥说是因为我CS major才让我做的）
7. 想问面试官或者项目的问题
tips：
1. 面试官是committee根据申请人的背景匹配的，收到面试邀请后可以去领英看一下面试官的背景
2. 面试邀请邮件里可能有面试官的zoom id和密码，如果没有密码可以提前问一下面试官或者admission committee需不需要密码，如果需要，密码是什么（我就是因为没有密码，committee又弄错了面试官邮箱，导致我一直联系不上面试官，第一次面试才没面成的，估计第一次面试我和面试官互相以为对方鸽了自己hhhhhh）
3. 自我介绍可以讲一些简历上没有的内容，吸引一下面试官的兴趣，也有一些个人特色，我感觉从反应来看，小哥挺喜欢我的自我介绍的
我面试之前看地里面经整理的知识点，供大家参考：
1. Economics: federal, QE, interest rate, CPI, etc.
2. Finance: BS model和assumption(以及假设不满足怎么办）, BS differential equation, put-call parity, Greeks, 二叉树期权定价法, CAPM, alpha, beta, Sharpe ratio, etc.
3. Brain teaser
4. Statistics&Econometrics: H0 hypothesis, p value, t test, CLT, linear regression assupmtions以及如果不满足这些假设会产生什么影响
5. CS: 类，继承，面向对象（仅限CS背景同学），一些简单算法比如各种排序（及时间复杂度）、swap 2 variables之类的
6. Machine Learning: 减轻overfitting的手段, regularization, normalization, encoding, embedding, 各种算法原理啥的, backpropagation, 各种activation及其适用场景, metrics（结合自己背景和面试官背景看情况复习吧，没做过没学过ML的同学应该不会问到，问到实话实说就行了，面试官不会为难的）
7. 微积分、线代、概率论: 范围应该不会超过绿皮书，具体还是结合自己的背景复习吧，比如说数学专业的同学我猜会问难一点
必备&必看&必做参考资料：
A Practical Guide To Quantitative Finance Interviews, Xinfeng Zhou（也就是绿皮书，其中第五章随机过程我从来没看到过有人被问到，我自己也没有）
可能因为是R4，面试完第二天就下offer了，我看地里比较普遍的情况是面试完三周到一个月拿offer
bg供参考：华五本刚毕业，CS&金工，均分九十差一点，T106，G329
如果对你有帮助的话，求大米~谢谢~
问题：
1. walk through resume：简历里用过的模型要特别熟，比如说我用过CNN和LSTM，小哥就让我说说LSTM是什么（我答了是RNN的变体，然后介绍了门机制），LSTM和CNN的最大区别（数据有序/无序）
2. R square的取值范围（小哥自己被问懵过的题，我也懵了，我答了[0,1]，答案是(-∞,1]）
3. linear regression assupmtions（我看了好多份面经都有这个，一定要准备真的！！！）
4. federal通过什么手段影响interest rate（我就答了一个QE，小哥补充说还有调整存款准备金率）
5. 我有在自我介绍里说喜欢derivatives，小哥就问了为啥喜欢derivatives，还问了一道forwards和futures有什么区别
6. coding题，用到了深度优先搜索算法，中等难度，面试的时候和小哥一起讨论思路，然后小哥要求面试完半小时内写代码发给他（没有CS背景的同学应该不用太担心，小哥说是因为我CS major才让我做的）
7. 想问面试官或者项目的问题
tips：
1. 面试官是committee根据申请人的背景匹配的，收到面试邀请后可以去领英看一下面试官的背景
2. 面试邀请邮件里可能有面试官的zoom id和密码，如果没有密码可以提前问一下面试官或者admission committee需不需要密码，如果需要，密码是什么（我就是因为没有密码，committee又弄错了面试官邮箱，导致我一直联系不上面试官，第一次面试才没面成的，估计第一次面试我和面试官互相以为对方鸽了自己hhhhhh）
3. 自我介绍可以讲一些简历上没有的内容，吸引一下面试官的兴趣，也有一些个人特色，我感觉从反应来看，小哥挺喜欢我的自我介绍的
我面试之前看地里面经整理的知识点，供大家参考：
1. Economics: federal, QE, interest rate, CPI, etc.
2. Finance: BS model和assumption(以及假设不满足怎么办）, BS differential equation, put-call parity, Greeks, 二叉树期权定价法, CAPM, alpha, beta, Sharpe ratio, etc.
3. Brain teaser
4. Statistics&Econometrics: H0 hypothesis, p value, t test, CLT, linear regression assupmtions以及如果不满足这些假设会产生什么影响
5. CS: 类，继承，面向对象（仅限CS背景同学），一些简单算法比如各种排序（及时间复杂度）、swap 2 variables之类的
6. Machine Learning: 减轻overfitting的手段, regularization, normalization, encoding, embedding, 各种算法原理啥的, backpropagation, 各种activation及其适用场景, metrics（结合自己背景和面试官背景看情况复习吧，没做过没学过ML的同学应该不会问到，问到实话实说就行了，面试官不会为难的）
7. 微积分、线代、概率论: 范围应该不会超过绿皮书，具体还是结合自己的背景复习吧，比如说数学专业的同学我猜会问难一点
必备&必看&必做参考资料：
A Practical Guide To Quantitative Finance Interviews, Xinfeng Zhou（也就是绿皮书，其中第五章随机过程我从来没看到过有人被问到，我自己也没有）
可能因为是R4，面试完第二天就下offer了，我看地里比较普遍的情况是面试完三周到一个月拿offer
bg供参考：华五本刚毕业，CS&金工，均分九十差一点，T106，G329
如果对你有帮助的话，求大米~谢谢~
