NYU本科
Honor Math Major,CS Minor, Business Study Minor
Overall GPA:3.95
专业GPA:3.98
GRE: 阅读168,数学170,写作4.5
两个数学Research
一封牛推
无Publication
无美国大行实习
Offer:
MIT Data Science (MBAn)
MIT Finance (MFin)
Columbia MFE
Columbia Math Finance
NYU Math Finance (免1/4学费)
Northwestern Data Science(MSiA,$10000奖)
Cornell MFE($10000奖)
Waitlist:
Stanford Data Science
Reject:
Princton Finance, Harvard Data Science, Baruch MFE (二面拒)
NYU Math Finance
理想条件:GRE 330+,GPA 3.9+,提早申请
很多同学应该对这个项目有过耳闻。它活在名声响亮的Courant Institute下面,伴随着“从来不录NYU本科生”的传言。那么首先要在这里debunk一下谣言:这个项目录NYU本科生!就2018一届来说我所知道的NYU本科生就至少有4个录取,所以NYU学弟学妹们不要被谣言吓到了。但这个项目的难点在于它是分控。因为它没有面试,所以基本上完全是看分数和背景做决定。一般总录取人数在50-60左右。它的优势当然是很明显的:Courant的名声,靠近Wall Street。缺点就是Career Service不行,因为NYU没有对Math Finance的学生有点对点的服务。
Columbia MFE
理想条件:GRE 330+,GPA 3.85+
应该是很多人心中的dream program,其实每年录得人还是挺多的。一般来说会抽取200个人左右面试,录取100个左右。面试采用的方式其实就是简单的video interview。更重要的是,他们家的video interview的题库常年不变(10题左右)所以在面试前做好充足的准备是很简单的(我面试的时候5道题目全是之前准备过的)。但比较坑的一点是Columbia MFE的面试和offer发送时间都非常随机(所以会每次看到身边人拿到自己没拿到的时候都感觉心慌慌...)。这个项目的优势在于地理位置,校友联系以及历史沉淀,基本上也是属于申请金工项目的同学都会申请的项目。
Columbia Math Finance
理想条件:GRE 330+, GPA 3.8+,提前申请
很多人问我这个项目和Columbia MFE到底有什么区别。最重要的区别,在我看来,就是未来的方向。MFE的同学大部分进了industry之后都是做quant(尤其是quant trader),也就是在后台做算法做交易。Math Finance项目的课程则更加灵活,除了quant的基础课还会有很多其他方面的数学金融知识,就业面也更广。虽然在美国找工作可能没有MFE那么强势,但是很多毕业生都在香港找到工作,而且最重要的是就业面很广:IBD,Risk,Trading,etc。这个项目很适合数学功底扎实对金融有兴趣但是CS背景偏弱的同学。再说一点就是这个项目是Rolling的且没有面试,越早申请越越有机会很早拿到offer,所以建议提早申请。
Baruch MFE
理想条件:GRE 320+,GPA 3.7+,数学,金融,编程精通
传说中排名并列第一就业率100%的Baruch MFE项目。怎么说呢,这个项目会有两轮面试。面试发得比较多,达到基本要求就会有面试。但和其他项目不一样,Baruch的面试只有technical的题目!Pacehan自己是在二面的时候挂掉了。就考题范围来说真的是非常的广,会考很多研究生数学的东西(特别是stochastic calculus和derivative security)如果没学过那么多那么深的内容就可以不用浪费时间申请了。再说一点,二面的面试官一定是Dan Stefanica, who is the head of Baruch MFE program(准备他们家面试可以往下滑看看我推荐的MFE书单)。Baruch的优势就是在于100%就业率(因为career service极其给力)在美国找工作完全不用愁。Baruch的劣势么....在我说之前你们知道这个学校这么牛逼么哈哈哈哈。
MIT MFin
理想条件:GRE 325+,GPA 3.8+,综合素质/能力突出
虽然项目的名字叫做Master of Finance,但MFin项目还是偏向Financial Engineering方向的。此项目有18个月和12个月两个选项,还有三个不同的concentration可供选择。MFin出去就业面也是非常广的,除了在Boston做asset management里面的quant,很多也回国做IBD等等。这也造就了MFin项目里面的同学性格很diverse并且很合得来(之前去面试的时候感觉到他们的环境真的特别融洽)。这个项目一年全球面试400人,录取150人左右。NYU我们这一届面试了9+人,录取3人。MIT的面试基本上都是behavioral,但在普通的面试中怎么表现出自己的特点呢?可以参考下面的“面试技巧”部分,就不在这里详述了。补充一点:申请的时候optional video那里最好拿出一点有特点的东西。比如我是魔术集锦,有朋友是米其林后厨做饭,手工制作机器人扫地(他们都拿到了面试)。面试官真的会看这些。我在面试的时候面试官第一句话就是:“啊Pace我看了你的魔术,真的很棒!”一下子整个气氛就非常融洽不紧张了。
MIT Master of Business Analytics
Northwestern Master of Science and Analytics
CMU Master of Computational Data Science
Berkeley Master of Information and Data Science
NYU Master of Science in Data Science
Stanford Master of Science in Statistics: Data Science
GRE(比重大约25%) GRE是每个申请研究生的同学必须要考的。这里说的是GRE General Test (GRE subject的话一般只有PHD申请才需要)。GRE满分340,阅读满分170, 数学满分170,写作满分6。一般来说对申请MFE或者DS的同学来说,写作分数不需要很看重,达到4分即可满足要求。一般阅读达到160,数学达到170,总分上330较为理想。按分段来看的话,5分为一个档次。335-340基本拿面试没问题,330-335为比较不错的分数(在其他条件也不错的情况下结果不错),325-330是有一点风险的分数,需要其他申请material给力,320以下一定要其他条件有很逆天的(比如有美国大行实习,或者有publication,或者有牛推)才有可能被考虑。
GPA (比重大约25%)
GPA在申请中也占很大的比重。其实更重要的是你的专业需要对口研究生项目。比如说金融工程项目都喜欢数学或者CS专业,对经济专业也较为青睐。大数据则特别看重数学和CS能力。所以说自己的major一定要和项目对口,这是最基本的。从这个角度看,double major in math and cs 可能是最好的background了。
Pacehan我自己呢 GPA 3.95, Honor Math Major GPA 3.975。一般来说,3.9+的GPA在之前所有说到的排名靠前的项目中都很有竞争力,很多项目拿面试或者无面录完全没有问题;3.8-3.9这一段的GPA就是属于人比较多的段落,但也是非常强势的,属于不扣分不加分的段落(MIT大数据GPA平均3.9,西北大数据GPA平均3.87);3.8以下的GPA可能会偏低了一些但是不要慌,GPA只要在3.5+还是有希望的。这种时候就要多多展示自己其他方面的优势并且focus on那些对GPA要求不那么高的项目(比如Mit的finance平均GPA为3.7)。
[attach]704864[/attach]
Personal Statement (比重大约10%) 可能有人对10%这个看法异议。但在我看来,金融工程/大数据的研究生申请中文书的比重真的不是很大。基本上所有项目的文书都是雷同的why essay,我最后写的文章也基本每个学校雷同(除了最后一段小小改动一下)。
Technical类型 对于MFE的技术面试请参考我下面的MFE的推荐书单。一般来说MFE项目除了Berkeley和Baruch面试都不太问技术问题。而Baruch的技术面试是出了名的难。我Baruch二面的时候就有几个让我非常懵逼的问题。打个比方:为什么put和call with same S and T 有一样的iv?(当时内心MMP)解释一下Gamma的图像以及形成原因?如果这些问题作为读者的你不会回答,就还需要好好准备。
对于Data Science的面试,technical的问题就会更加广泛,经常会问到编程、数据库、算法、统计、概率等各方面的问题,可以说是防不胜防。唯一的准备方式就是打好基础+保持清醒的头脑。打个比方Mit面试的时候问了我几个问题:1. python和R的优劣势说一下?(内心os:根本不会R)2. 如何处理大数据库?(内心os: ???)3. 怎么算out of sample R square? (内心os:out of sample?)4. 一枚硬币连续投8次,请问能get至少连续3个head的概率多少?(只给了一分钟,当时想了三种方法去答,结果也算不出来。回来之后仔细想了一下这个题觉得根本不可能1分钟想出正确思路...)。这些题都是很有可能在大数据项目面试中出现的题目。如果读者你不太知道怎么回答这些问题,建议赶快再去巩固统计,编程和概率的知识。
市场类问题 这一类问题是真的很难准备,需要平时多关注industry里面的事情(比如多看WSJ)来积累自己的理解。然而在面试中,一定要expect会遇到类似的问题。打个比方,在Mit finance面试中面试官突然就问我你是否关注bitcoin?问我bitcoin最高价曾到过多少?Bitcoin是一个fad or not?我之前从来没准备过这方面的回答,也没有特别深入的了解过比特币。幸好湿湿老师在去boston的路上跟我讲了一下,我就蒙混过关了。在Mit MBAn的面试中,我和面试官也聊到了blockchain(热门话题)的优点缺点。整体来说,对金融/数据领域内的新闻或者话题关注并且保持思考是一定会对面试有帮助的。
歪门邪道面试法
人,一定要有特点。对于面试官来说,他们每天面试的人背景,经历都是千篇一律的。如果你没有特点,很容易就把你忘了。那,人的棱角是可遇不可求的。我在申请期间养成了一个习惯:每次面试结束给面试官变一个魔术(一个真正特别强的效果,甚至我魔术show的时候都不舍得拿出来的效果)。我内心里知道变魔术一定给我面试加了不少分,因为我给他们留下了印象,展示了我的特点,那他们也自然更可能记住我(Mit给我打电话录取的时候还说希望我以后多去给admission office变魔术)。
但这种,我称为“歪门邪道面试法”是不能强求得来的。因为很多人不一定有特长可以展示,或者在面试的场合下展示不出来。这个我没法提供建议,但是我想传递的信息是如果你有能力展示自己不一样的一面,一定要找机会展示自己,因为“歪门邪道”才是面试官记住你的关键。
《The Quants》
这本书基本上讲述了quant的历史背景以及历史上传说中特别强的几个quant(like Ed Thorp, Jim Simons)。我觉得这本书更着重的是提高读者对quant的兴趣。如果你不知道quant或者MFE到底是干嘛的,可以看看这本书。同时这本书里面的很多故事都很有借鉴作用。举个例子,我很喜欢里面描述Ed Thorp怎么面对1986年的黑天鹅事件的。而这又是一个经常出现的面试题:怎么面对黑天鹅?如果回答这个问题的时候你能引用一个Ed Thorp的例子再说自己观点,面试官是不是会觉得你学识渊博呢哈哈哈哈哈。好啦,重点就是,这本书还蛮好看的(充满了钱的味道)
《A Random Walk Down Wall Street》
中文译名“漫步华尔街”。这本书我觉得很多同学应该或多或少有听说过,是一个金融市场的经典之作,讲的主要是EMH(Efficient Market Hypothesis)。不过我刚开始看这本书的时候我是冲着random walk去看的(我以为是讲很多random walk的知识结果只是一个噱头...)。整体来说这本书我觉得不是很好看,但是让我对EMH有了深刻的理解,而EMH对一部分Quant来说也是很重要的。所以大家可以了解一下。
《Fooled By Randomness》
中文译名“随机漫步的傻瓜”(我是真的喜欢随机漫步)。这本书可以说是我的最爱了,主要讲的topic是survivorship bias和black swan。怎么说呢,我觉得这本书和下面推荐的《black swan》是MFE学生必须应该读的两本书。这两本书串在一起就构筑了一个人在金融领域基本的风险意识以及对小概率事件的理解。如果不理解这些,那你就是真的拿Luck在Trade了。
《Black Swan》
这本经典之作我觉得我不需要多介绍了(至少在我心中是经典之作)。也是因为这本书(和上面那本)让我对小概率事件/正负黑天鹅产生了浓厚的兴趣,并且我有种感觉我研究生在Mit做research我会把big data 和 black swan联系起来。整体来说,这真是一个让我特别感兴趣的话题。推荐阅读,更推荐来和我讨论哈哈。
《A practical guide to quantitative finance interview》
本来基于私心这本好书我是不准备给大家分享的(因为这本书真是太useful了)。但我想想还是要尽力帮助大家,那就把这本书和盘托出。这本书涵盖了很多很多MFE/quant工作的面试问题,这些问题你也是迟早会遇到的。讲句实话,在看这本书之前我quant interview基本上一个technical都没答出来过。精心看完这本书之后所有(注意是所有!)quant面试的technical题目我都轻松做出来。行了,不能再吹这本书了,再吹下去就不能arbitrage了。
《150 Most Frequently Asked Questions on Quant Interviews》
和上面那本一样,讲的都是相关面试题。这本书独特之处在于他的作者是Dan Stefanica, who is the director of Baruch MFE program。如果进了Baruch的二面,一定是Dan老哥来面试,那如果读过他写的这么interview的书就会比较helpful。
6. Data Science书单推荐
Data Science其实对读课外书要求并不是很高,更重要的是技术&Coding水平。最重要的两个语言:R and Python。数据库的学习:SQL。下面的书也基本上都属于半个教科书类型的书,大体讲了数学分析的理论方法。具体的实现还需要上上网课做做project。
《The Analytics Edge》
这本书可以说是非常非常comprehensive了,包含了data science的各个领域:healthcare, internet, finance, etc. 更重要的是,这本书对Analytics背景故事方面讲的特别特别全啊!很透彻很深入的讲解,可读性很高,是一本不可多得的好书。(By the way,作者Dimitris Bertsimas 是MIT Operation Center的老大(CV有34页...)业内大佬)