统计学-目标投行
统计学进投行，核心是三件事：CPA、CFA和实习。
没有CPA，进不了核心岗位；没有CFA，简历关很难过；没有实习经验，面试官不会正眼看你。
我叫赵金融，211统计学毕业，现在在头部券商做量化研究，年薪加上奖金到手有40多万。
说实话，当年选统计完全是个意外——高考差了两分被调剂过来的。大一的时候整个人都懵了，不知道这专业以后能干嘛。室友都在聊金融、计算机，我就天天泡图书馆翻课本，想找找有没有什么”窍门”。
后来还真让我找到了。
误打误撞入行
大二有门课叫”金融工程概论”，老师放了段华尔街量化交易的电影片段。我记得很清楚，是讲一个数学天才用公式打败市场的故事。
“原来数学还能这么用？”
那一刻我整个人都通透了。统计不是死板的数字游戏，而是能解决真实问题的工具。从那以后，我开始疯狂自学金融知识——CFA、证券从业、期货从业，能考的证书全部拿下。
室友都说我魔怔了。但我知道自己在干什么。
大三的时候，我开始认真研究投行的招聘要求。我发现这个领域有两类岗位完全不一样：
传统投行岗（IBD）：做股权融资、债券融资、并购咨询。需要财务、法律、行业研究能力。
量化研究岗（Quant）：做量化策略、风险管理、衍生品定价。用数学和编程解决金融问题。
我是统计专业的，Quant岗位简直是为我量身定做的。
那些年踩过的坑
说实话，Quant这条路真不好走。
最大的坑就是”眼高手低”。
大二的时候我觉得自己挺厉害，花了三个月刷完了Python教程，写了几个小项目就飘了。结果大三去面试一家私募的实习，连自我介绍都没说完就被面试官问懵了——
“你这个策略回测用的年化收益是怎么算的？最大回撤怎么定义？夏普比率考虑了无风险利率吗？”
我一个都答不上来。
那天晚上我在宿舍躺了一整夜，反复回想起面试官的眼神——不是嘲讽，是一种”这小孩还没入门”的叹息。
痛定思痛，我开始认真补课。
数学方面，我把概率论、数理统计、随机过程、时间序列分析全部重新学了一遍。机器学习、数据挖掘、深度学习这些课我也啃了下来。
编程方面，Python成了我的主力语言。我用Python做过量化策略回测系统、金融数据爬虫、风险管理系统原型——每个项目都花了我至少两个月。
还有一个坑是”闭门造车”。
有段时间我天天泡在宿舍研究策略，看了大量论文觉得自己天下无敌。结果拿去回测，一塌糊涂。
后来我才明白，量化交易最忌讳的就是”我觉得”。市场不讲道理，数据不会说谎，你得用结果说话。
数学：统计的核心能力
很多人觉得统计专业的数学不如数学系。但我觉得，统计的数学知识结构比纯数学更实用。
核心课程：
- 概率论与数理统计
- 随机过程
- 时间序列分析
- 多元统计分析
- 回归分析
这些课程是量化研究的基础。
比如”随机过程”，你得理解布朗运动的定义和性质，才能理解Black-Scholes期权定价模型。
比如”时间序列分析”，你得掌握ARIMA模型的原理，才能构建金融时间序列的预测模型。
比如”多元统计分析”，你得会主成分分析（PCA），才能理解多因子模型。
这些东西，在面试中会被问到，在工作中会直接用到。
英语：被忽视的短板
英语是我花时间最多的科目之一。
六级我考了两次才过。第一次438分，第二次523分。
后来我意识到，六级523分远远不够。投行、券商的工作要接触大量英文材料和英文报告，英语阅读能力必须过关。
我开始每天读两篇英文金融文献，把不认识的单词记下来。这个习惯坚持了半年，英语阅读能力有了明显提升。
后来我还考了BEC商务英语，拿了个中级证书。这个证书虽然不如雅思托福有用，但能证明你的英语实战能力。
关于CPA和CFA：
CPA是”注册会计师”，财务会计方面的证书。投行、券商都需要CPA来签字确认财务报告。
CFA是”特许金融分析师”，金融投资方面的证书。CFA分为三级，考完需要几年时间。
我的建议是：先考CPA，再考CFA。 CPA的知识点更实用，更容易在面试中用到。CFA的知识面更广，可以作为知识体系的补充。
秋招的血与泪
大四上学期，秋招开始了。
我投了二十多家公司：券商、基金、私募、期货……主要都是量化相关的岗位。
笔试环节还好，行测加专业知识，专业知识考的是概率论、数理统计、金融衍生品。题目都是有套路的，刷几套真题就能摸清规律。
面试才是真正的修罗场。
大部分公司的面试都有三四轮，每一轮都是煎熬。
一面通常是技术面，问的是统计问题、编程问题、概率题。有一道题我印象特别深：
“一个盒子里有N个球，其中黑球的比例是p。现在从盒子里有放回地取出n个球，其中有k个黑球的概率是多少？”
我脱口而出：“这是二项分布，答案是C(n,k) * p^k * (1-p)^(n-k)。”
面试官点点头，继续追问：“那如果没有放回呢？”
我愣了一下：“超几何分布。”
“嗯，那两种情况什么时候可以用二项分布近似超几何分布？”
……
这种连环追问在技术面里太常见了。每个问题背后都有更深的知识点，你永远不知道面试官会问到哪里。
三面是终面，一般是部门领导面。气氛比较轻松，主要是看综合素质和价值观。
我那次面试的领导是个四十多岁的老quant，据说当年是某省理科状元。
他问我：“你觉得量化交易的核心是什么？”
我想了想：“风险控制？”
他笑了笑：“也对也不对。核心是活下去。市场永远是对的，你要学会与错误共处，而不是试图战胜市场。”
这句话我到现在都记得。
实习：第一次近距离接触真实市场
大三暑假，我去了一家私募基金做量化实习生。
这是我第一次近距离接触真实的量化交易。
实习的内容主要是：协助开发量化策略、进行数据分析、编写研究报告。
听起来挺高大上的，实际上大部分时间都在处理数据。
什么数据缺失怎么处理、异常值怎么剔除、停牌日怎么对齐……这些脏活累活占了80%的时间。
但我逐渐意识到，量化交易里，数据质量决定一切。
真正让我开眼界的，是看老交易员做决策。
有一次，我开发的一个策略回测效果特别好——年化收益30%，夏普比率2.5，最大回撤只有8%。我兴冲冲地拿给主管看，以为能受到表扬。
主管扫了一眼，问了我三个问题：
“你的数据是前复权还是后复权？”
“停牌和涨跌停的股票你怎么处理的？”
“你的滑点设置是多少？”
我全答错了。
主管叹了口气：“小赵啊，书本上的理论和实际的差距，比你想象的大得多。”
后来我才知道，前复权和后复权的价格差异在长期数据里会放大几十倍；停牌股票如果用前一天的价格参与计算，会严重失真；滑点设置太低，在实盘中根本成交不了……
这些坑，不亲自踩一遍永远不会懂。
入职：从新人到正式员工
毕业后，我拿到了4个offer：两家券商的量化研究岗、一家基金的量化交易岗、一家私募的策略开发岗。
综合考虑，我选择了其中一家头部券商，年薪40万+，base上海。
入职第一天，我被分配到了量化研究部的FICC组。
FICC是什么？Fixed Income, Currencies & Commodities——固收、外汇、大宗商品。
我的mentor是个清华数学系毕业的大神，比我大五岁，已经是部门的首席量化分析师。他告诉我：
“做量化这行，最重要的能力是’快速学习’。你不可能什么都学过，但你要能在最短时间内搞懂一个新领域。”
我记住了这句话。
入职三个月后，我独立负责的第一个因子上线了——基于债券久期结构的期限溢价因子。表现还不错，贡献了组合约5%的收益。
入职半年后，我开始参与一个利率期权定价的项目。这个项目涉及随机波动率模型、蒙特卡洛模拟等我之前没接触过的东西。我花了两周时间啃完了一本《利率衍生品定价》，又花了两周时间写代码验证。
上线那天，模型跑出来的结果和彭博终端上的定价差了不到0.1%。主管拍了拍我的肩膀：“可以。”
那一刻，我真的挺有成就感的。
现在的状态
工作两年了，我现在算是团队的骨干成员。
日常工作是这样安排的：
早上九点到公司，先看一眼隔夜市场的数据和美国那边的宏观新闻，然后开始处理前一天策略的表现数据。
十点开晨会，讨论当天的市场观点和策略调整。
之后的时间就是研究、写代码、回测、写报告……周而复始。
工作强度不算太大，朝九晚六是常态。 偶尔赶报告的时候需要加班到八九点，但不算多。周末基本不加班。
工资方面：
- 月薪到手约25000
- 季度奖金大约是月薪的1-1.5倍
- 年底还有一笔年终奖，大概是3-6个月工资
- 五险一金按全额工资交，公积金12%
- 加上一些补贴，全年综合收入在45-50万之间
在上海，这个收入不算高，但也不算低。扣除房租和生活费，每个月能攒一万多。
过来人的几点建议
很多人觉得统计专业就业难。说实话，不是就业难，是方向没选对。
统计学是万能工具，关键看你用在什么领域。往互联网走，可以做数据分析师；往金融走，可以做量化研究；往医药走，可以做生物统计……每一个方向都能找到好工作，关键是你要愿意深挖。
1. 早点确定方向，然后有针对性地准备
不要什么都学，什么都会一点，但什么都不精。选一个你感兴趣的方向，深耕下去，成为这个方向的专家。
2. 数学和编程是两条腿，缺一不可
统计专业的优势是数学底子好，但编程能力往往是短板。想办法补齐编程能力。你不需要成为程序员，但你需要能用代码实现你的想法。
3. 实习很重要，能去大公司就去大公司
量化这行很看重背景和经历。有大公司的实习经历，不仅能学到东西，还能为简历加分。
4. 不要迷信书本，多接触实战
回测赚钱不代表实盘赚钱。想办法找机会接触真实的交易，哪怕是小资金实盘，也能让你发现很多书本上没有的问题。
5. 保持学习的劲头，这行饿不死你
金融市场在变，量化技术也在变。不学习就会被淘汰。每年都有新的模型、新的方法、新的工具出现，你要持续跟进。
关联阅读
- 金融就业参考 4.【直接就业】高价值信息差
- 专业参考 统计学.md
- 案例索引 0000_1001案例总索引
- 知识库总索引 0000浪尖大学四年知识库_总索引
量化这条路不容易走，但只要你肯钻研、肯吃苦，回报是不会辜负你的。
加油！