朱景行不再说话，转身走向专用通道。电梯门合上前，他最后听到的，是那个07号女生正用很小的声音，对旁边那个之前提问的男生说：“你刚才提到的Autoencoder，我其实在另一个项目里试过，如果你需要那部分的代码框架和对比结果，我可以分享GitHub链接。”

……

面试室里，压力如同精密的数据管道，严密而高效。

五位面试官轮番提问，从随机森林与梯度提升树在时序预测中的过拟合差异，到如何利用自然语言处理从财报电话会议录音中提取情绪因子，再到处理多模态复杂数据（如卫星图像、社交媒体）时面临的非结构化数据清洗和噪声滤除问题。

刘余坐在中间，背挺得很直。当被问及“如何处理高频交易数据中的微观结构噪声”时，她没有直接引用教科书，而是调出电脑里的一个简化的代码示例。

“通常会用卡尔曼滤波或小波变换，”她一边说一边快速展示了几行关键代码和效果对比图，“但我发现对于我们要模拟的特定流动性环境，一个结合了Hodrick-Prescott滤波和自适应阈值的简单方法，在保证延迟可控的前提下，信噪比提升更显著。这是在不同市场状态下的回测结果对比。”

她展示的图表清晰，代码注释详细，甚至标注了可能存在的局限性。讲解时，她眼中是一种沉入算法逻辑本身的专注，用语简练精确，像在调试一段代码。

面试结束前，量化部负责人，一位头发微卷、眼神锐利的中年男性，问了个问题：“如果你的多因子模型在样本外测试中突然持续失效，你的前三个排查步骤是什么？”

刘余思考了几秒，语速平缓：“第一，检查数据管道和预处理代码是否有变更或错误，这是最常见原因。第二，分析失效是否集中在特定市场或行业，判断是否是因子本身的经济逻辑基础发生结构性断裂。第三，查看同期其他相关因子的表现，进行归因分析，区分是单一因子问题还是整体模型环境问题。我会按这个顺序，因为排查成本递增。”

面试官们交换了一下眼神。负责人最后说：“可以了。结果会在三个工作日内通知。”

刘余起身，礼貌致意，离开。

她没有看到，面试室隔壁的观察室里，单向玻璃后，朱景行端着一杯黑咖啡，静静地看完了她后半程的面试。他面前摊开着几份简历，其中一份，贴着07号标签。

简历平平：学校非顶尖C9, 中上游985，实习经历在一家中型量化基金，以及本地一家人工智能初创公司。

但旁边附着的，是她提交的代码仓库链接的审阅摘要，以及刚刚同步过来的面试记录。记录最后，量化部负责人手写了一句备注：“扎实，逻辑洁癖，实用主义者。缺点：缺乏‘包装’，技术栈偏传统务实，缺乏对最新复杂模型（如深度强化学习）的展示。”

朱景行的目光掠过“技术栈偏传统务实”几个字，落在她提交的一个小项目描述上。那是一个利用相对简单的聚类算法，从混乱的航运AIS数据中有效识别出大宗商品运输模式变化的小工具。代码高效，文档清晰，解决了实际的数据获取痛点。

他放下咖啡杯，对身边的助理说：“把07号，刘余，放进待定名单。”

助理这次谨慎地确认：“老板，她的技术展示确实实在，但终面里至少有三位候选人有顶级对冲基金实习经历，或者发表过相关论文。待定名单通常……”

“我知道待定名单是什么，也知道今天有哪些候选人。”朱景行语气平淡无波，“按我说的做。”

他站起身，最后看了一眼窗外。楼下，那个背着沉重电脑包的灰色身影，正快步走向地铁口，很快被早高峰的人流吞没。

在量化投资这个领域，很多人热衷于谈论最前沿的模型，仿佛那才是通往阿尔法的圣杯。但朱景行深知，能冷静地在过拟合风险与信息增益间做权衡，懂得数据管道可靠性优先于模型复杂度，并且能用简洁方案解决实际脏数据问题的人，往往才是策略在实盘中真正活下去的基础。

简历或许会蒙尘，但代码和逻辑不会撒谎。

而有些人，就像一段看似朴实无华却异常健壮的核心算法，需要放入真实市场数据的洪流中，才能看到她如何稳定运行，并悄然进化。