Bloomberg 面试攻略：真题解答与面经
Bloomberg 的面试流程通常从细致的简历筛选开始，旨在评估候选人的教育背景、相关经验及专业技能。通过简历筛选的申请人，接下来一般会参加一到两轮在线编程测试（OA），这类测试通常具有一定挑战性，重点考察候选人的编码功底和问题解决能力，是决定能否进入下一阶段的关键。
成功通过 OA 的候选人，通常会进行一到两轮电话或视频面试。这些初步沟通旨在评估候选人的技术能力和与团队文化的契合度，有时会涉及实时编程或算法问题，候选人需要清晰地阐述解题思路。面试官也会深入了解候选人的项目经验和对软件开发原则的理解。
电话面试满意后，候选人将被邀请参加现场面试（Onsite Rounds），这通常包含三到四轮深入的技术面试，每轮时长约一小时。现场面试高度侧重技术，涵盖编程技能、系统设计和解决实际问题的能力，强调动手编码和设计专业知识。此外，现场面试中也会有一轮行为面试，用于评估候选人的沟通能力、适应性以及是否契合 Bloomberg 的企业文化。整个面试过程以其严谨和全面著称。
技术岗类型
软件工程师
岗位职责：设计、开发、测试和维护构成彭博社产品和服务的各种软件系统。
面试考察技术点：数据结构与算法（核心）、系统设计（中高级）、编码能力、操作系统和计算机网络，面向对象设计 (OOD)。
可靠性工程师
岗位职责：通过自动化、监控、容量规划、故障排除和灾难恢复来提高系统的可靠性。
面试考察技术点：软件工程、分布式系统、操作系统和网络、自动化和工具开发、云计算和容器技术，应急处理能力。
数据科学家
岗位职责：从海量的金融和非金融数据中提取洞察，构建预测模型，并为产品决策提供支持。
面试考察技术点：统计学和概率论、机器学习算法、编码能力、SQL 和数据库知识、数据清洗和特征工程，实验设计。
量化开发工程师
岗位职责：负责将复杂的金融模型（如衍生品定价模型、风险模型、交易策略）转化为高效、可靠的代码实现。
面试考察技术点：编码能力、高级数据结构与算法、金融数学和量化金融知识、系统设计。
技术面核心关注领域
在准备彭博社的编程面试时，掌握某些问题模式可以增加你成功的几率。根据 LeetCode 汇总的数据，最常考的模式是双指针、基础数据结构与算法和回溯法。BFS/DFS 遍历和图论在彭博社的面试中似乎不那么常见，不过它们仍然是非常重要的主题，可能会出现。此外，彭博社面试中动态规划问题的出现频率也高于一般水平。
| 技术考察点 | 面试中的占比 |
|---|---|
| 杂项(Misc) | 11.7% |
| 模拟(Simulation) | 1.7% |
| 双指针(Two Pointers) | 21.7% |
| 高级数据结构(Adv. Data Structure) | 1.7% |
| 回溯算法(Backtracking) | 13.3% |
| 基础数据机构与算法(Basic DSA) | 13.3% |
| 二分查找(Binary Search) | 6.7% |
| 堆(Heap) | 5.0% |
| 图(Graph) | 0.00% |
| 动态规划(DP) | 11.7% |
| 深度优先搜索(DFS) | 6.7% |
| 广度优先搜索(BFS) | 6.7% |
彭博社的编程面试难度通常属于中等水平，比一般的 FAANG 公司面试要稍微简单一些。面试者可以预期会频繁遇到关于双指针、回溯和动态规划的问题。这些概念对于展示解决彭博社复杂系统问题的能力至关重要。
若按题目的难度占比来分，仅有38.3%为简易题，中等难度题目占比高达55%%，剩余的6.7%为高难度面试题。
面试题与技术考察难度
| 常见面试题 | 考察技术点 | 难易度 |
|---|---|---|
| 合并排序数组 | 基础数据结构与算法，双指针 | 简易 |
| 搜索插入位置 | 二分查找 | 简易 |
| 跳跃游戏 | 动态规划、杂项 | 中等难度 |
| 查找排序数组中元素的第一个和最后一个位置 | 二分查找 | 中等难度 |
| 回文数 | 基础数据结构与算法 | 简易 |
| 文章浏览量 I | 基础数据结构与算法 | 简易 |
| 二叉树中序遍历 | 深度优先搜索 | 简易 |
| 子数组和等于 K | 双指针 | 中等难度 |
| 子集 | 回溯算法 | 中等难度 |
| 删除排序数组中的重复项 II | 双指针 | 中等难度 |
Bloomberg OA（在线评估）
彭博社 OA（Online Assessment）面试的目的是为了初步筛选出具备扎实编程基础和问题解决能力的候选人。候选人需要注意的是，OA 通常会考察你在规定时间内解决问题的能力，因此代码的效率和准确性至关重要。你需要提前准备的知识点和技术领域主要包括：数据结构（如数组、链表、树、图、哈希表）、算法（如排序、搜索、动态规划、贪心算法、回溯法、双指针、广度优先搜索/深度优先搜索）以及对时间复杂度和空间复杂度的理解。此外，熟悉并能熟练运用一门主流编程语言（如 Python、Java、C++）也是必不可少的。
软件工程师
软件工程师在彭博社是核心力量，负责构建和维护支撑金融市场运行的各种系统。面试会非常侧重基础知识、编码能力和系统设计。
考察的技术要点：
- 数据结构与算法： 链表、树（二叉树、B树）、图、哈希表、堆、队列、栈；排序、搜索、动态规划、贪心算法、回溯法、双指针、广度优先搜索 (BFS) / 深度优先搜索 (DFS)。
- 编程语言熟练度： 通常是 C++、Java 或 Python，要求对语言特性、内存管理（C++）、并发编程有深入理解。
- 系统设计： 考察如何设计可扩展、高可用、高性能的分布式系统，包括数据库选型、API 设计、消息队列、缓存等。
- 面向对象设计 (OOD)： 设计模式、SOLID 原则。
- 操作系统和计算机网络： 进程、线程、内存管理、TCP/IP 协议、HTTP。
常见面试题：
- 给定一个字符串，找出其中不含有重复字符的最长子串的长度。
- 设计一个LRU 缓存（Least Recently Used Cache），要求其get和put操作的时间复杂度为 O(1)。
- 实现一个函数，将一个二叉树转换成双向链表，不能创建新节点，只能调整现有节点的指针。
- 设想你需要设计一个高并发的股票报价系统，该系统需要接收实时股票数据并将其推送给全球的用户。请阐述你的设计思路，包括数据流、主要组件、存储方案以及如何处理高并发和数据一致性。
站点可靠性工程师
SRE 岗位融合了软件工程和运维的职责，旨在通过自动化和工程方法提升系统可靠性。面试会强调你对系统稳定性的理解和实际操作能力。
考察的技术要点：
- 软件工程基础： 编程能力（通常是 Python、Go 或 Shell 脚本）、数据结构与算法基础。
- 分布式系统： 分布式一致性（CAP 定理）、容错、负载均衡、服务发现、微服务架构。
- 操作系统和网络： Linux/Unix 命令行操作、进程管理、文件系统、网络协议（TCP/IP、DNS、HTTP）、故障排查。
- 自动化和基础设施即代码 (IaC)： Ansible、Terraform、Puppet、Chef 等工具，CI/CD 流程。
- 监控、日志和告警： Prometheus、Grafana、ELK Stack、Splunk 等工具的使用和理解。
- 云计算和容器技术： Docker、Kubernetes、AWS/GCP/Azure 等云平台。
- 故障排除和灾难恢复： 生产环境问题诊断、根因分析、预案设计。
常见面试题：
- 你负责维护一个关键的微服务，突然收到大量错误告警，服务响应时间急剧增加。你将如何诊断并解决这个问题？请详细描述你的排查步骤和可能采取的措施。
- 设计一个自动化部署流水线，用于将新的微服务版本从开发环境部署到生产环境，并确保部署过程中的零停机和快速回滚能力。你会使用哪些工具和技术？
- 一个运行中的服务出现了内存泄漏，你该如何发现并定位问题？有哪些常见的内存泄漏原因和解决方法？
- 解释CAP 定理在分布式系统设计中的意义，并举例说明在彭博社这样的金融场景中，如何在可用性、一致性和分区容忍性之间做出权衡。
数据科学家
数据科学家在彭博社利用数据驱动决策，构建预测模型和分析工具。面试会考察你的统计学、机器学习理论、编程实现和业务理解能力。
考察的技术要点：
- 统计学和概率论： 假设检验、回归分析、贝叶斯统计、描述性统计、中心极限定理。
- 机器学习： 监督学习（线性/逻辑回归、决策树、随机森林、SVM、XGBoost）、无监督学习（聚类、降维）、深度学习基础、模型评估（F1-score、AUC、RMSE）、特征工程、过拟合/欠拟合。
- 编程能力： Python（Pandas、NumPy、Scikit-learn、Matplotlib/Seaborn、TensorFlow/PyTorch）、R、SQL。
- 数据处理和清洗： 处理缺失值、异常值，数据转换。
- 实验设计： A/B 测试、多变量测试。
- 业务理解： 如何将数据科学方法应用于实际金融问题。
常见面试题：
- 解释偏差-方差权衡（Bias-Variance Tradeoff）在机器学习中的含义，并说明如何通过调整模型复杂度来管理它。
- 你正在构建一个模型来预测股票价格的波动性。你会选择哪些特征？如何处理时间序列数据的特性（如自相关性、非平稳性）？你会选择哪些模型，为什么？
- 彭博社希望推出一项新的新闻推荐功能，你该如何设计一个A/B 测试来评估这项功能的有效性？你需要关注哪些指标，以及如何判断结果是否具有统计显著性？
- 请描述一下梯度下降（Gradient Descent）算法的原理，以及它在训练机器学习模型中的应用。
量化开发工程师
量化开发工程师是金融量化分析和软件工程的结合体，他们将复杂的金融模型转化为高效代码。面试会侧重你的金融知识、数学功底和高性能编程能力。
考察的技术要点：
- 编程能力： 通常是 C++ 和 Python，要求极高的代码效率、并发编程和内存优化能力。
- 数据结构与算法： 针对数值计算和金融数据处理的特定算法优化。
- 金融数学和量化金融： 衍生品定价（Black-Scholes 模型）、随机过程、风险管理（VaR）、数值方法（蒙特卡洛模拟、有限差分、二叉树模型）。
- 高性能计算： 多线程、并行计算、GPU 编程、矢量化。
- 系统设计： 设计低延迟、高吞吐量的交易系统或风险计算引擎。
- 数据库： SQL、时间序列数据库。
- 金融市场和产品知识： 对股票、固定收益、外汇、衍生品等有基本了解。
常见面试题：
- 使用 C++ 实现一个高效的Black-Scholes 期权定价模型。你需要考虑哪些优化来提高计算速度？
- 解释蒙特卡洛模拟在金融中的应用。请描述如何使用蒙特卡洛模拟来估计一个复杂衍生品的价值，并讨论其优缺点。
- 设计一个低延迟的订单匹配引擎。请阐述你的设计思路，包括数据结构的选择、并发处理机制以及如何确保订单处理的公平性和原子性。
- 给定一个包含大量历史股票交易数据的文件，你需要计算每个股票的日均交易量加权平均价 (VWAP)。请描述你的实现思路，并考虑如何优化大数据处理的性能。
行为面试 (BQ)
行为面试通常重点都集中在描述你过往参与过的一些真实项目过程中的经验和个人参与过程的心态变化，认真准备好，将有利于与接下来follow up环节的答题面试，自信一点来说就是可以稍微夸大其词的描述你过往的经验，但不要直接瞎编，不然非常容易在follow up环节露馅，以下是常见的行为面试问题和一些参考回答角度：
经典行为面试问题与回答小贴士
1. 聊聊你为了完成一个项目，不得不学习新技术的经历吧。
回答这类问题时，重点要放在你如何快速有效地适应新技术上。不妨多强调你的好奇心、持续学习的热情，以及你的学习如何积极地影响了项目成果。
2. 描述一下你与一个意见相左的团队合作的经历。
这时，请着重展现你的沟通技巧、对多元想法的尊重，以及你如何运用策略来确保团队保持凝聚力，并最终成功完成任务。
3. 你能分享一次在之前工作中，处理高压情况的经验吗？
谈谈你如何在压力下保持冷静，运用逻辑解决问题，并高效管理时间。这能充分展示你在重压之下的韧性和能力。
团队合作行为面试问题与回答小贴士
1. 描述一次你和团队合作解决一个难题的经历。你在其中扮演了什么角色？结果如何？
请清晰地阐述遇到的问题和你的具体职责。可以聊聊你使用的技术或方法，并强调团队内部的沟通与协作。最后，别忘了总结通过集体努力所取得的成功成果。
2. 你能分享一次帮助提升团队绩效或流程的经历吗？你采取了哪些步骤？
着重突出你发现问题或改进机会的主动性。描述你如何收集反馈，以及你实施的解决方案。具体说明你的行动是如何带来效率或效益提升的。
3. 彭博社以创新和协作而自豪。你能谈谈一次你和团队一起创新，从而创建新软件解决方案的项目吗？
详细阐述项目的范围和所采取的创新方法。解释合作是如何进行的，你们遇到了哪些障碍，以及最终创造性的成果。最后，将这种合作方式与彭博社致力于以协作精神引领技术解决方案的承诺联系起来。
