高盛内部的data手册我只发一次
Goldman Internal Data Handbook Share
阅读重点
家人们谁懂啊，最近搞到一份高盛内部的data科学面试手册，简直不要太香！说实话，这年头想进投行，Data Science相关的技能几乎是必备的了，尤其是像Goldman Sachs这种Top Tier，对于候选人的要求更是高到离谱。我为了进...
高盛 Data / Quant 能力手册解读（2026）：面试准备应该先补什么
很多人看到“高盛内部 data 手册”这种说法，第一反应是去找资料本身。 但真正更有价值的问题是：如果你目标是 Goldman Sachs 的 Data、Strats 或 Quant 类岗位，到底应该先准备哪些能力，按什么顺序准备，什么东西看起来很高级但其实优先级不高。
这篇文章不做资料兜售，而是把这类岗位背后的能力框架拆出来。你可以把它当成一份 Goldman Sachs Data / Quant 方向的准备手册说明书。
目录
- 高盛 Data / Quant 岗位常见能力模型
- 面试流程里每一轮在看什么
- SQL、Python、Statistics、ML 哪些最重要
- Case Study 与商业问题怎么准备
- Behavioral 怎样体现 GS 看重的风格
- 4 周准备优先级
- 常见误判
高盛 Data / Quant 岗位常见能力模型
Goldman Sachs 的 Data / Quant 相关岗位，通常不会只问你“会不会模型”。 它更常评估的是：
- 定量基础
- 编程实现
- 业务理解
- 沟通表达
- 在压力下的稳定性
这和纯研究型实验室不一样。 高盛要的往往不是一个只会理论的人，而是一个能把分析和模型转换成业务输出的人。
如果你目标更偏 Strats，建议同步阅读 高盛 Strats / Quant 工作与面试体验指南。
面试流程里每一轮在看什么
1. 简历筛选
简历阶段最重要的不是课多，而是信号清晰：
- 你是否做过定量项目
- 你是否会
Python/SQL/ 数据处理 - 你是否能把结果量化
2. Technical Round
Technical 通常可能覆盖：
SQLPython- Statistics
- Case Study
- 概率与建模基础
不同岗位组合不同，但它们都在检验同一件事： 你能不能把定量思维转成可操作结果。
3. Behavioral / Fit
高盛不会只看智力和技术。 它也非常关心：
- 你是否能在高压环境中沟通
- 你是否有 ownership
- 你是否能和不同背景的人协作
SQL、Python、Statistics、ML 哪些最重要
SQL：基础中的基础
很多 Data / Quant 相关岗位都默认你能处理真实业务数据。 所以 SQL 不是附加项，而是基本盘。
你至少要稳住：
- 聚合
JOIN- 窗口函数
- cohort / retention
- 异常排查
如果你 SQL 本身还不稳，先补 美国 SQL 高频训练指南。
Python：实现与分析的桥梁
高盛常见的 Python 期待，不一定是复杂算法，而是：
- 数据清洗
- 统计计算
- 基础建模
- 快速写出可靠脚本
所以准备重点不只是语法，而是：
pandasnumpy- 代码鲁棒性
- 复杂度和可读性
Statistics：很多候选人的短板
常见高频包括：
- 假设检验
- 回归
A/B testing- 置信区间
- bias / variance
很多人刷了很多 coding 题，但被统计追问问倒。 这在 Data 岗尤其常见。
ML：要会，但不要空讲
高盛问 ML，通常不是想听你背模型库，而是想知道：
- 你为什么选这个模型
- 你如何评估
- 你如何处理过拟合
- 这个模型对业务到底有什么用
这类表达方式也和 美国 Data 面试 Storytelling 指南 高度一致。
Case Study 与商业问题怎么准备
高盛这类公司很喜欢把技术问题放进业务语境里。 例如：
- 如何评估某个新产品的市场潜力
- 如何判断某类用户的价值差异
- 如何用数据支持资源分配
一个稳妥的回答框架
- 明确目标
- 定义关键指标
- 说明数据来源
- 解释分析方法
- 给出决策建议
高分回答不是“我用了某个框架”，而是你能把框架变成判断流程。
Behavioral 怎样体现 GS 看重的风格
高盛风格通常偏：
- 结果导向
- 细节严谨
- 在压力下稳定推进
- 可以和业务方有效沟通
所以 Behavioral 故事里，重点不只是“我做了什么”，还要体现：
- 你如何面对高压 deadline
- 你如何和非技术同事对齐
- 你如何在复杂约束下推进项目
一个很容易被忽视的点是： 你要会把技术成果翻译成业务语言。 如果你只讲模型和代码，而不讲对收益、效率、风险的影响，故事就会失分。
4 周准备优先级
Week 1：补基本盘
- SQL
- Python 数据处理
- 概率统计基础
Week 2：业务语境训练
- 练 5 个 case
- 每个 case 都要把指标和建议讲完整
Week 3：项目与 Behavioral
- 准备 3 个项目故事
- 每个故事都能量化结果
- 每个故事都能承接 2-3 个追问
Week 4：全真 mock
- technical mock
- case mock
- behavioral mock
这一步能把“知道”变成“能说出来”。
常见误判
-
误判：高盛只看金融知识。 现实：很多 Data / Quant 岗更看重定量实现能力。
-
误判：会模型就行。 现实：不会
SQL和Python很容易先挂。 -
误判：Case Study 只要会框架。 现实：面试官更看你能不能落到指标和建议。
-
误判：Behavioral 很虚。 现实：它常常决定你是否像一个能合作的人。
-
误判：资料越多越好。 现实：优先级不清的人反而最容易空转。
一份更实用的能力优先级表
如果你只能用有限时间准备，高盛 Data / Quant 岗更推荐按这个顺序投入：
SQL + Python基础稳定性- 统计与实验推理
- 业务语境下的 case 表达
- 项目深挖与 Behavioral
- 再补更高级的 ML 或系统设计话题
这个顺序的原因很现实： 很多候选人还没把基本盘打稳，就去看大量“高级资料”，结果面试里连最常见的 SQL、case 和项目追问都答不顺。
自测问题
- 我能不能在 20 分钟内写出一个 retention query
- 我能不能解释一次实验为什么结果不显著
- 我能不能把一个分析项目讲成“业务问题 -> 方法 -> 结果”
- 我能不能回答“为什么是 Goldman Sachs，而不是其他银行”
如果这些问题里有两个以上还不稳，你的最优策略不是继续搜资料，而是回到高频基本盘。
不同岗位的准备重心其实不一样
如果你申请的是偏 Analyst / Data 的岗位，更应该优先：
- SQL
- 指标解释
- case 与业务表达
如果你申请的是偏 Quant / Strats 的岗位，则更应该优先：
- Python
- 概率统计
- 金融基础
- 项目深挖
把岗位先分清，再准备，会比“所有内容都学一点”更有效。
如果只剩 10 小时准备，最该做什么
如果你的时间已经非常有限，最值得优先做的是：
- 复习
SQL和Python高频基础 - 准备 2 个能量化结果的项目故事
- 练 3 个 case，把指标和建议说完整
- 想清楚为什么是 Goldman Sachs、为什么是这个岗位
这四件事的回报通常会比继续泛泛搜资料更高。
结语
高盛 Data / Quant 面试准备的关键，不是收集最多的“内部资料”，而是先搞清楚能力模型，然后按优先级补最值钱的部分。
只要你能把 SQL + Python + Statistics + business framing 这条线连起来，很多看起来神秘的面试其实会变得可拆解。