想进华尔街？先搞懂金工金数专业

嘿，大家好！我是你们在 lxs.net 的老朋友，专门帮大家扒留学那些事儿的小编。

还记得去年秋天，我收到一个学弟 Leo 的微信，语气那叫一个纠结。Leo 是国内顶尖大学计算机专业的学霸，GPA 3.9，刷过几道 LeetCode Hard 题，目标直指华尔街，想去做那个传说中“地球上最聪明的交易员”——Quant。

他当时拿到了好几个项目的面试，其中一个是卡内基梅隆大学的 MSCF（计算金融），另一个是纽约大学库朗研究所的 Mathematics in Finance。他兴冲冲地跟我说：“学长，我感觉 MSCF 更适合我，课程里全是 C++、机器学习什么的，一看就是华尔街的‘即战力’。NYU 那个太理论了，还在讲什么随机微积分，感觉有点虚。”

我当时就问了他一个问题：“你享受的是用代码实现一个交易策略并回测结果的快感，还是享受从零开始推导出布莱克-斯科尔斯公式的数学之美？”

Leo 沉默了半晌，回我：“肯定是前者啊！推公式也太枯燥了。”

你看，问题就出在这。Leo 差点就因为“名字听起来都差不多”而选错了赛道。虽然这两个专业最终都能通向华尔街，但它们的内核、培养路径和对学生的要求，简直是两条完全不同的路。选错了，不仅申请时会碰壁，就算侥幸录了，读起来也会痛苦万分，未来的职业发展更是可能南辕北辙。

今天，咱们就用大白话，把金工（MFE）和金数（MMF）这两个让无数留学生“傻傻分不清楚”的神仙专业，从里到外扒个底朝天。

金工和金数，到底是谁在造车，谁在研究发动机？

想搞懂它俩的区别，咱们先别急着看那些复杂的课程名。我给你打个比方：

金融工程（MFE）就像是“造车工程师”。他的任务是利用现有的物理学原理（金融模型），结合最牛的材料（数据）和最强的工具（编程、算法），造出一辆能上赛道跑赢别人的超级跑车（交易策略）。他关心的是车的性能好不好、速度快不快、在各种路况下（市场波动）稳不稳定。他需要动手能力极强，精通 C++、Python，会用各种数值方法和机器学习算法来优化每一个零件。

数理金融（MMF）则更像是“发动机原理科学家”。他痴迷于研究内燃机的工作原理（随机过程、偏微分方程），探索如何从最基础的物理定律出发，设计出效率更高、动力更强的发动机理论模型。他可能不亲自拧螺丝，但他写的那些理论和公式，是所有造车工程师的圣经。他需要有极其深厚的数学和理论功底，能玩转各种抽象的数学工具。

看明白了吧？MFE 的核心是“实现”（Implementation），是“How”；而 MMF 的核心是“理论”（Theory），是“Why”。一个偏“工科”，一个偏“理科”。

这个区别，直接决定了它们的课程设置、招生偏好和就业方向。

课程大比拼：代码VS公式，谁是你的菜？

空口无凭，我们直接潜入几所顶尖大学的官网，看看它们的课程表里到底藏着什么秘密。

先看 MFE 的代表选手：卡内基梅隆大学的 MSCF 和加州大学伯克利分校的 MFE。

CMU 的 MSCF（Master of Science in Computational Finance）是金工界的老牌劲旅，以硬核的计算机和量化课程闻名。你打开它的课程列表，扑面而来的就是一股“码农”的气息：

• Financial Computing I, II, III, IV：四个学期的编程课，从 C++ 基础一路讲到高性能计算，强度堪比计算机系的专业课。
• Machine Learning for Finance：直接教你怎么用机器学习模型去预测市场、做资产配置。
• Numerical Methods：各种数值算法，比如蒙特卡洛模拟、有限差分法，都是解决实际金融问题的利器。

根据 CMU 官方的说法，他们的课程中，有将近一半与计算机科学、编程和机器学习直接相关。他们培养出来的学生，就是那种能直接上岗，打开电脑就能开始写代码、跑模型的“即插即用”型人才。

再看 UC Berkeley Haas 商学院的 MFE 项目。它同样是 QuantNet 排名常年的霸主。虽然身在商学院，但它的“工科”味一点也不淡。除了随机微积分这种基础课，它的特色在于：

• Financial Data Science：一门课教你处理和分析海量的金融数据，这是现代 Quant 的必备技能。
• Empirical Methods in Finance：强调通过真实数据去验证和应用金融理论。
• Industry Projects & Internship：项目非常注重实践，学生在学习期间就有机会接触到业界的真实项目，甚至有为期12周的全职实习。

简单来说，MFE 项目就像一个“Quant 训练营”，目标明确，就是把你打造成一个能解决华尔街实际问题的工程师。

接着，我们再看看 MMF 的代表：普林斯顿大学的 Master in Finance 和纽约大学库朗数学研究所的 Mathematics in Finance。

普林斯顿的 MFin，光是听名字就散发着一股学术的庄严气息。它坐落在本德海姆金融中心（Bendheim Center for Finance），但其灵魂却是普林斯顿强大的数学和经济学系。它的课程表是这样的：

• Asset Pricing I: Pricing Models and Derivatives：深入探讨资产定价的理论基础。
• Stochastic Calculus and Financial Applications：这不是一门应用课，而是从测度论开始讲起的硬核数学课。
• Financial Econometrics：用严谨的统计模型去分析金融时间序列。

在这里，你可能不会花大量时间去学怎么用 Python 的某个库，但你会花几周时间去证明一个定理。普林斯顿 MFin 的学生，毕业时可能不是最快的 Coder，但他们对金融模型的理解绝对是最深刻的。他们知道模型在什么假设下成立，也知道在什么情况下会失效。

而 NYU 库朗研究所的 MS in Mathematics in Finance，更是重量级选手。库朗本身就是世界顶级的应用数学研究中心。它的课程设置，简直就是为数学狂人准备的：

• Core Courses：Stochastic Calculus, Risk and Portfolio Management, Computing in Finance...
• Advanced Electives：Martingale Theory, Partial Differential Equations, Algorithmic Trading and Quantitative Strategies...

这里的课程，默认你已经具备了极高的数学素养。老师上课可能直接从一个复杂的公式推导开始，如果你连“伊藤引理”（Itô's Lemma）都不知道是什么，那基本上就是天书了。

总结一下，MFE 的课程是“工具箱”，教你各种工具怎么用；MMF 的课程是“原理图”，教你这些工具是怎么被设计出来的。

招生官的“读心术”：他们到底想要什么样的你？

了解了课程设置，你就能大概猜到这两个专业的招生偏好了。他们想招的人，背景差异非常大。

MFE 项目，尤其是顶级的 MFE，最爱的是“复合型选手”。

他们的理想申请者通常具备以下特质：

1. 强大的数理背景：数学、物理、统计、计算机、工程等专业的学生是主力军。你的成绩单上必须有一连串漂亮的数学课成绩，比如微积分、线性代数、概率论、微分方程。
2. 过硬的编程能力：这是 MFE 申请的“硬通货”。你最好熟练掌握 C++ 或 Python，或者两者都会。如果你的简历上有相关的项目经历，比如在 GitHub 上有一个开源项目，或者参加过数据挖掘比赛（像 Kaggle），那绝对是巨大的加分项。我认识一个被 Baruch MFE 录取的同学，他本科是自动化专业，但自己写了一个简单的期权定价计算器，并把代码放在了简历里，面试官对此非常感兴趣。
3. 一定的金融知识：虽然不是硬性要求，但如果你对金融市场有基本的了解，甚至考过 CFA 一级，会让你在众多申请者中脱颖而出。这表明你不是一时兴起，而是真的对这个行业有热情。

而 MMF 项目，则是不折不扣的“数学天才俱乐部”。

他们对申请者的要求更加纯粹和极致：

1. 顶级的数学功底：这是最重要的，没有之一。他们不仅希望你学过基础数学课，更希望看到你修过更高阶的课程，比如实变函数（Real Analysis）、随机过程（Stochastic Processes）、偏微分方程（PDEs）。这些课程是 MMF 学习的基石。一个来自国内某顶尖大学数学系的同学，他本科期间几乎把所有高阶数学课都修了一遍，并且成绩优异，最后顺利拿到了普林斯顿 MFin 的 offer。
2. 清晰的逻辑和证明能力：MMF 的学习和研究充满了严谨的数学证明。面试时，教授很可能会当场给你一道数学题，考察你的推导能力。他们看重的不是你是否能立刻给出答案，而是你的思考过程是否清晰、严谨。
3. 编程是加分项，但不是决定项：对于 MMF 来说，编程能力是“锦上添花”。你会当然好，但如果你数学背景无懈可击，即使编程经验稍弱，他们也愿意录取你，因为他们相信你超强的学习能力可以很快补上这一环。

所以，申请前先问问自己：我的“王牌”是我的编程项目，还是我成绩单上那排A的数学课？

华尔街入场券：薪资和职业路径有多香？

好了，聊了这么多，终于到了大家最关心的部分：毕业后到底能干嘛？能挣多少钱？

可以肯定的是，无论是顶级的 MFE 还是 MMF，都是华尔街的“敲门金砖”，毕业生都非常抢手，薪资也相当可观。但细分来看，他们的职业路径还是有些微差别的。

MFE 毕业生：冲在一线的“全能战斗机”

由于 MFE 毕业生动手能力强，知识面广，他们几乎可以胜任所有类型的量化岗位。根据各大项目发布的最新就业报告，我们可以看到一些惊人的数据：

• 加州大学伯克利分校 MFE (2023届)：毕业生的平均基础年薪达到了 $143,908，平均签约奖金为 $33,514。就业去向主要是顶级投行（高盛、摩根大通）、对冲基金（Citadel、Millennium）和资产管理公司。最常见的职位是量化分析师（Quant Analyst）、数据科学家（Data Scientist）和量化交易员（Trader）。
• 卡内基梅隆大学 MSCF (2023届)：平均起薪更是高达 $150,530，平均奖金 $49,089。他们的毕业生在量化交易（Quant Trading）和策略（Strats）岗位上尤其受欢迎，像 Jane Street, Hudson River Trading 这类顶级自营交易公司每年都会去 CMU 招人。

MFE 毕业生就像是特种兵，他们掌握了各种武器（编程、数据分析、机器学习），可以快速适应战场（市场）的变化，直接投入战斗。

MMF 毕业生：深耕模型的“理论大师”

MMF 毕业生，尤其是来自普林斯顿、纽大库朗这种殿堂级项目的，因为其深厚的理论功底，在某些特定领域有着不可替代的优势。

• 普林斯顿 MFin (2023届)：他们的就业报告显示，中位数基础年薪达到了惊人的 $175,000！毕业生的主要去向是顶级对冲基金和自营交易公司，比如 Citadel Securities, Jane Street, D.E. Shaw。他们从事的岗位，更多是量化研究员（Quant Researcher），负责开发和研究新的交易模型和定价理论。

这些岗位需要对模型有本质的理解，而不仅仅是会用。比如，当市场出现极端行情，旧模型失效时，能站出来改进甚至创造新模型的人，往往就是这些理论基础扎实的 MMF 毕业生。此外，还有一部分 MMF 毕业生会选择继续深造，攻读金融或数学博士，走向学术研究的道路。

总的来说，MFE 的职业路径更宽，更偏向执行和应用；MMF 的路径相对更专，更偏向研究和开发。但顶级人才的薪资天花板都非常高，最终能走多远，还是看个人能力和发展。

所以，我到底该选谁？

聊到这里，相信你对金工和金数已经有了清晰的认识。现在，是时候把目光转回自己身上了。

别再问“哪个专业更好”这种问题了，这就像问“锤子和螺丝刀哪个更好”一样。你应该问的是，“我想解决什么问题，我更适合用哪种工具？”

你可以试着回答下面几个问题：

• 当面对一个复杂问题时，你的第一反应是“打开电脑写段代码模拟一下”，还是“拿出纸笔开始列公式推导”？
• 你更享受完成一个项目、看到代码跑出结果的成就感，还是更享受攻克一道数学难题、理解一个抽象理论的愉悦感？
• 翻看 MFE 和 MMF 的课程表，哪一份让你觉得“哇，这些课太有意思了”，哪一份让你觉得“头皮发麻”？
• 你未来的理想工作，是和市场数据、交易执行打交道，还是在白板前和同事一起推演数学模型？

还有一个重要的趋势需要注意：MFE 和 MMF 正在变得越来越像。

随着金融行业对数据科学和机器学习的需求越来越大，很多 MMF 项目也在疯狂增加编程和计算课程。同时，MFE 项目为了让学生知其然也知其所以然，也在加强数学理论的教学。像哥伦比亚大学的 MAFN（Mathematics with a specialization in the Mathematics of Finance）和芝加哥大学的 MSFM（Financial Mathematics）就是融合得比较好的例子。

所以，在选校时，不要只看项目名字叫“Engineering”还是“Mathematics”，一定要点进去，仔仔细细地看它们的课程设置、师资背景和就业报告。这才是最关键的。

最后想说，去华尔街做 Quant，确实是很多理科生的梦想。它光鲜、高薪，充满挑战。但通往这条路的过程，也充满了枯燥的数学推导和无数个深夜 debug 的瞬间。

千万别因为“听说”这个行业很赚钱就盲目冲进来。真正能在这条路上走得远、走得开心的，都是那些真正热爱用数学和代码去解决问题的人。

你的热爱，才是你在这场艰苦的申请和未来高强度的工作中，坚持下去的唯一动力。现在，关掉这篇文章，去刷一道算法题，或者去推一个你感兴趣的金融模型吧。你的华尔街之路，从这个瞬间，就已经开始了。