金融和计算机作为当下申请最热门的两个专业，其热度不减的原因最主要取决于互联网行业的快速发展以及传统金融行业转型速度加快。作为就业大户，这两个专业可以说是行走在时代浪潮上中的热门。而金融工程(Financial Engineering)作为将这二者合二为一的专业，可以说是顺应时代发展的最佳衍生物。那在座诸位可能不仅要问了：“这样一个热门专业到底适不适合我呢？”为了给大家更好地答疑解惑，本期干货我们请来了来自美国名校金融工程专业的学长学姐给大家带来关于金工项目，就业，申请条件等一系列的分享。相信他们的经验和建议能给你带来有价值的参考。
导师学术背景
Cecilia 学姐
本科：国内Top 2
专业：金融学（主修）& 应用数学（双学位）
硕士：哈佛大学
专业：计算科学与工程
申请项目：金融学/金融工程/数据科学
Yusu学长
本科：上海财经大学+加拿大麦吉尔大学
专业：数学/经济/金融专业
硕士：加州大学伯克利分校
专业：金融工程
申请项目：金融工程
一、金融工程是什么？
金融工程是以数学工具来建立金融市场模型和解决金融问题的新兴学科。其本质是利用各种衍生金融工具，如期权、期货、互换等，对金融领域中的各种风险进行管理。从金融工程的不同名称来看("Financial Engineering，也称Financial Mathematics，Mathematical Finance，Quantitative Finance 或者 Computational Finance")，顾名思义，这是一门融合了金融学，数学，统计学及计算机科学的交叉学科。
上世纪90年代金融工程项目在华尔街兴起。当时恰逢苏联解体，不需要再和苏联进行军备竞赛的美国大幅度削减了实验室经费，因此很多物理学，工程学，航空航天工程的专家博士为了谋求生计来到了华尔街。大家都知道，股价回报率可以从概率论的角度解释，对于这些长期浸润在偏微分方程的博士们来说，一身相当坚实的数学基础在华尔街这样一个以数字论天下的地方谋生还是比较简单的。
自从CMU(Carnegie Mellon University)于1990年开设了世界上第一个金工硕士项目，就被经济学人杂志指出，这是通往华尔街的一条简便廉价的可行之路。为什么这么说呢，因为一般理工科博士至少要读5-6年之久，少数甚至可达6-7年，而金融工程则一般都是一年到一年半的项目，这些毕业生在毕业了之后就能和PhD从事类似的工作。在和博士生竞争岗位时，大家切要记得这些博士生虽然有自己的学术背景且数学基础很强，但是他们或许并没有金工的学生了解如何在金融领域应用所学。在一年的硕士项目，目的性很强的金融工程的课程设置直接以就业为导向，因此机会成本比读PhD.要低很多。
以下书籍电影均和量化分析这一职业有关，感兴趣请自行搜索。
My Life as a Quant-Emanuel Derman
How I Became a Quant-Interviews with practitioners
When Genius Failed-LTCM
Flash Boys-Michael L. Lewis
The Big Short
Margin Call
二、金融工程能让你学到什么?
Prerequisite
数学
Stochastic Calculus 随机微积分
现在所有Pricing Theory的基础理论
统计
Econometric 计量经济学
Probabilities and Statistics 概率论与统计
关于Quant的种类，两个Probability Measures下有不同的说法 ：
Q Quant : 金融危机前为主流。秉持Risk Neutral(风险中性)理论，也就是风险中性测度。资产定价理论中最基本的原理，就是风险中性测度对应着无套利，无套利对应着可以完美对冲各种风险。所以Q Quant主要是协助Structuring Desk和Exotic Trading Desk来做衍生品定价。银行卖那些复杂的衍生品是为了赚手续费(1%左右)，并不是与客户对赌。在Q Quant的协助下，银行把衍生品卖出去，对冲掉所有风险，收客户一笔手续费，这才是sell-side最本职的工作。
P Quant：金融危机后为主。需要大量计量经济学(Econometric)知识。
Quant来自于Physical Probability Measure，也就是"预测未来走势"，常见于买方和卖方的自营交易部。所谓预测未来走势，无非就是寻找Under-Priced Risks/Over-Priced Risks，也就是所谓的"找Alpha"，因此P Quant也叫Alpha Quant。
编程
学得不如CS专业深入，但是写Script，Test Strategy是必须要做到的。
Monte Carlo Simulation蒙特卡罗模拟算法（非常重要的技能，金工必学技能）
Big Data techniques大数据技术
Machine Learning机器学习
金融
别看课程多，Workload其实是最少的，主要就是讲上面三个方向如何在金融领域具体应用。MFE整体来说是非常Quantitative的，需要理科背景。
Financial Market Theories and Financial Derivatives
金融市场理论与金融衍生工具
Fixed Income Market and Asset-backed Securities
固定收益市场和资产抵押债券
Asset Management and Risk Management
资产管理和风险管理
High-frequency Finance
高频交易
三、金融工程学生的职业发展路径
八大主要职位
S：Sell-side
B：Buy-side
FS：Financial Services Company
|
Type of Quant |
Firms |
Job Market |
|
Trading/Desk strategist |
S/B |
美国萎缩，亚洲持平 |
|
Quantitative Researcher |
S/B |
持平 |
|
Model Validation Quant |
S/FS |
扩张 |
|
Market Risk Quant |
S/FS |
扩张 |
|
Capital Quant |
S/FS |
扩张 |
|
Valuation Quant |
FS |
扩张 |
|
Quant Developer |
S/B/FS |
持平 |
|
Data Scientist |
S/B/FS/IT |
扩张 |
Trading/Desk strategist
在投行中，前台分析师的研究成果并不会公开发布，仅供内部交易员参考。很多公司都会请经济学家来发布研究成果并作出官方预测，而另外一种研究者则被称为"前台分析师"，他们的服务对象为内部交易员而非客户。通常意义上的经济分析师更受人瞩目，因为他们能够在研究结果上署名，但前台分析师的职业发展可以通往风险承担这一方向的，例如量化分析师。特别值得一提的是High-Frequency Trading Firm 目前主要招收本身就是CS专业的学生，Strategy-wise 已经非常developed了，Strategy只要一个会Coding地Trader即可。具体如何implement需要很高技巧。
Quantitative Researcher
主要从事量化方面的研究，研究宏观微观两个层级的产品。像Black-rock，AQR这种大型Investment Firm会偏向量化管理，因此岗位需求会比较多。
Model Validation Quant
Model Validation基本的职责就是测试模型中的风险(包括假设，数据来源等，这些FRM教材有说)。技能要求也比较广，数学(看得懂模型)，金融(理解得了逻辑)，英语(撕得了逼和写的了报告)。Model validation虽然是偏Quant的职位，但本质上是金融企业中的一个职能部门，因此模型是否符合金融内在的逻辑就很重要。模型在技术上的问题是很容易发现的，但是其在金融本质上的问题却难以察觉。一些问题需要对金融以及相关产品有着长时间的了解才能发现，这个部门必须处理来自整个公司的新型和先进模型和交易技术。然而，在次贷危机之前，公司的薪酬结构导致MV团队无法吸引和留住足够的员工，因此往往有天分的MV一有机会就会离开。这严重影响了公司管理模型风险和正确评估持有头寸的能力。
Market Risk Quant
这个职位近些年来的重要性与日俱增，其原因主要是次贷危机暴露了风险对冲机制中的漏洞。
Capital Quant
也是次贷危机爆发后，重要性逐步增加的一个岗位。随着FED(Federal Reserve System)对银行的监管越来越严格，每个银行都在大量的招收这些人才，巴塞尔3提出后，监管压力增强，很多投行摩根士坦利，做stress test也会外包给FS例如安永，德勤去做。
Data Scientist
虽然最对口的专业还是CS，但是只要课程设置得当，UCB的MFE也会在这个职位供职。Data Scientist在Google被称作Quantitative Analyst，翻译过来大概类似于量化分析师。这类职位比较特殊，是一种非常technical、对学术能力要求非常高的职位。这类职位99%的同事都是统计或者数学的PhD，一般人听不懂他们在说什么～根据我个人的了解，他们的大部分工作是分析Google Search的增长。搜索是Google最核心、最赚钱的产品，我们希望更多人用我们的搜索，更多的人能够和搜索结果互动。Data Scientist解决的问题就是，如果我们对搜索的排序做一些改动，如何通过统计学的方法精确测量这个改动对搜索整体带来的影响。这个影响往往是非常小的(Google 1天平均10亿次搜索，这个量级上的任何改动都是至关重要的)。
Quantitative Developer
随着Fin-tech普及，市场有扩大趋势。
定量开发人员是计算机专家，可协助，实施和维护定量模型。他们倾向于成为高度专业化的语言技术人员，弥合软件开发人员和定量分析师之间的差距。
薪酬统计
MFE还是很好就业的，作为留学生也不例外，UCB MFE 2017年毕业生69人中90%都是留学生。
|
UCB 2017 MFE毕业生薪酬统计 |
|
|
毕业后首年平均年薪 Average First year total compensation |
$156,534 |
|
毕业后首年年薪中值 Median first year total compensation |
$145,000 |
|
毕业后首年基本工资 Average first year base salary |
$108,402 |
|
毕业后首年工资中值 Median first year base salary |
$105,000 |
|
平均入职&离职金 Average sign-on&relocation |
$24,005 |
|
中位入职&离职金 Median sign-on &relocation |
$10,000 |
|
Average first year guaranteed/ Unguaranteed year-end bonuses, housing/transportation and other compensations |
$49,883 |
|
Median first year guaranteed/ Unguaranteed year-end bonuses, housing/transportation and other compensations |
$40,000 |
就业地
北美：New York/Chicago/San Francisco/Toronto
欧洲：London and Frankfurt
亚太：Singapore/Hong Kong and Tokyo
中国：Beijing/Shanghai and Shenzhen
四、金融工程申请注意事项
需要具备的特质
扎实的数学，统计以及编程技巧。
Solid Mathematical, Statistical And Programming Skills
至少精通其中一门。
With expertise in at least on area
熟悉编程语言。
Knowledge of Python*/ Matlab/ C++/Java
Python目前是最流行的语言，如果没有任何偏好，建议学这个。
对金融领域感兴趣。
Genuine interest and passion in finance(capital market, or corporate finance)
对金融和资本市场要有强烈的兴趣，如果上过一两门入门级的金融课程也很好。如果不想去上课的话，去考一个CFA一级，对金融有个基本的认识就好。
善于与人沟通
Good Communication
Presentation And Interpersonal Skills
如何选校
择校五大标准：学校名气/地理位置/就业指导/校友资源/学术资源
First Tier：
CMU/UCB/NYU/Baruch
Second Tier：
Columbia(MSFE/MFin/OR)/Cornell/UCLA
/U of Chicago/U of T/U of Waterloo
Third Tier：
Gatech/U of Washington/BU/NYU Tandon/Stevens
硬性背景
GPA
GRE：V153，Q168，AW3
托福/雅思：100/7(根据选校决定考试类型)
CV：教育Education，工作经历Work Experience，科研Research，领导力，Leadership，技能Skills
PS：目标明确,有逻辑,有细节
推荐信：展现不同侧面(教授2封实习1封)
锦上添花
实习：相关性>名气
助研
补相关课程
编程：Python，C++，算法与数据结构，机器学习
数学：概率统计、stochastic calculus
金融
面试准备
绝大多数面试是都是Behavioral Interviews
熟悉PS/CV
提高口语
模拟面试
Baruch/Berkley是Technical interviews
提前刷题(150 Most Frequently Asked Questions On Quantitative Interviews)
充分的知识储备
Programming 编程
Algorithm 算法
Big data tools 大数据工具
Statistics 统计
Traditional statistical knowledge 统计基础知识
Machine learning skills 机器学习
Finance 金融
Pricing Model 定价模型
Risk Model 风险模型
早作准备，多投简历
五：一段话总结
如果你热爱金融资本市场，对数字有一种天生的热爱，同时具备一定编程能力，统计水平优秀，而且与人打起交道也不怵头，还对薪酬有一定期待和渴望，那金融工程可以说是为你量身打造的项目。希望这篇文章能让你对金融工程项目有一个初步的了解！
