3. 编程语言与数据结构高频题
量化交易系统开发岗位对编程语言与数据结构的考察，很少停留在“语法是否熟悉”的层面。面试官真正想确认的是：你能否在低延迟、高吞吐、强稳定的交易场景下，用合适的语言特性和数据结构做出工程取舍。换句话说，这一章考的不是背诵，而是工程判断力。很多候选人能写出快排和哈希表，却在“为什么这里用环形缓冲区而不是队列”“为什么C++里避免频繁new”这类追问中失分。本章帮你建立一套可复用的回答框架。
一、核心原理：语言与数据结构在量化场景中的真实约束
量化交易系统的核心约束通常有三条：延迟、吞吐、确定性。延迟决定你能否抢到行情，吞吐决定你能否处理全市场tick，确定性决定系统在极端行情下是否可预测。语言选择直接服务于这三条。C++常用于撮合、行情解析、策略执行等延迟敏感路径；Python多用于研究、回测、风控辅助；Go/Java常见于中台服务与运维工具。面试官不会问“C++和Python哪个好”，而是问“你为什么在这个模块选它”。
数据结构方面，量化场景高频出现的有：环形缓冲区（行情队列）、哈希表（订单索引）、跳表/红黑树（订单簿价格档位）、无锁队列（跨线程通信）、位图（涨跌停/交易状态标记）。回答时要能说出时间复杂度、内存布局、缓存友好性、并发安全性四个维度，而不是只背O(n)。
二、方法流程：四步回答法
- 场景定位：先说明这个结构/语言特性用在哪个模块，延迟要求是多少微秒。
- 候选对比：列出2～3个可选方案，比较插入、查找、删除、内存占用。
- 选型理由：结合缓存命中、锁竞争、GC停顿等工程因素给出结论。
- 验证方式：说明如何用压测或perf验证，例如“用perf stat看cache-miss”。
三、高频问题与回答要点
| 高频问题 | 考察点 | 回答要点 |
|---|---|---|
| C++中vector和list如何选？ | 内存布局与缓存 | 行情序列用vector，连续内存缓存友好；频繁中间插入才考虑list |
| 哈希表冲突怎么处理？ | 工程取舍 | 订单ID密集用开放寻址；键稀疏用链式；注意负载因子与rehash抖动 |
| Python GIL对量化回测的影响？ | 并发模型 | CPU密集用多进程或C扩展；IO密集可用线程；回测可向量化 |
| 如何实现无锁队列？ | 并发与内存序 | 环形缓冲+原子指针；注意ABA问题与内存屏障 |
| 浮点数能表示价格吗？ | 精度与确定性 | 价格用整数分或定点数，避免浮点误差累积 |
四、案例与场景：订单簿数据结构选型
假设你要实现一个订单簿，支持按价格档位快速查询和更新。候选方案有：数组、哈希表、红黑树、跳表。数组下标映射价格，查找O(1)但价格范围大时内存浪费；哈希表查找O(1)但无法按价格顺序遍历；红黑树有序但常数大；跳表实现简单且支持范围查询。实际生产中，很多系统用哈希表+有序数组混合结构：哈希定位档位，数组维护排序。回答时如果能说出“我们当时用跳表，因为需要频繁取最优N档，且插入删除O(log n)可接受”，会明显加分。
// 价格用整数分表示，避免浮点
using Price = int64_t;
struct OrderBookLevel {
Price price;
int64_t qty;
};
// 跳表节点示意
struct SkipNode {
Price price;
int64_t qty;
std::vector<SkipNode*> next;
};五、误区与复盘
复盘建议：每准备一个数据结构问题，都强制自己补充一句“在什么场景下我会换掉它”。这种边界意识是高级岗位的核心信号。同时准备一个你真实踩过的坑，例如“曾用float存价格导致对账差一分钱”，用STAR结构讲清楚，比背十道题更有说服力。