诡替身
在技术性强的专业中,这类专业申请难度最高,很多“高手儿”都折在这个专业上,最后颗粒无收的不在少数。今天早上接到一学生家长电话,他去年7月曾数次电话咨询,学生是国内TOP3大学工科背景,托福100+,GRE 320+,有某证券公司实习经历,一段儿工程专业科研经历,今年申请结果都收齐了,全部“悲剧”了。我一点儿都不意外,因为我见过太多“过度自信”的学生,由于对这类专业的实质把握不准、对申请形势估计不足。殊不知,这类专业云集了几乎所有专业背景的申请人,不信我们来分析一下: 01.数理背景的申请人 数理背景(数学、统计、经济学、物理等)的申请人这类申请人有着非常强的数理背景,而不仅仅是标准的高数、现代、概率与数理统计,而是数分、常微分、偏微分、实变、复变、统计学、博弈论、随机、回归。。。等等。但这类申请人的弱点通常是programming(编程),而programming在这个专业里,就是个工具,C++是工具,Matlab也是工具,当然如果会用Python就更好。即便没有,但如果有针对性的去弥补,是相对容易的。 举个例子,我一个美本客户,统计专业背景,数理背景是够用的,programming虽然和CS的学生比有差距,但在大三minor in CS, 最顶级的金工项目录取了4个,包括哥大、伯克利(16,000万美金奖学金)、纽大(7,000美金奖学金)、康奈尔。而学生本科金融的课程为零,为什么申请金工/金数项目,没学过金融能被这些顶级项目录取呢?就是因为美国大学不care你金融的背景,而最介意你数理的背景。因为你是去做modeling(模型),pricing (定价), validation(校验)的,这些是学这个专业的核心能力。 所以,当你听到留学中介的顾问们跟你讲,多选金融的课程,对申请金工是有很大帮助的,这顾问就基本是外行了。 02.工科背景的申请人 工科背景的申请人(EE、ME、IE当然也包括CS的)在工科背景的申请人中,以学CS的为主力,大家都戏称CS为“码农”,而把金工戏称为“矿工”, 从“码农”变身为“矿工”,虽然本质还是“工”,都是干“体力活儿”的,但贴上了“金”字儿,大家觉得也值了。正是出于这样的目的,无数工科背景的申请人扎堆儿申。这类申请人的在programming上是非常容易突出的,因为计算机在工程领域的应用十分广泛。但反过来,数理背景的缺失,通常弥补起来会难度很高。遍地都是的“美赛”(MCM)和“国赛"(CUMCM)已经很难弥补这方面的背景缺失。如果是美本的学生,可以通过minor和选课进行弥补;如果是大陆本,要想修个辅修专业基本会被累死,没有个10几门课程是很难的。因此,如果你是纯工科的背景,加强数理背景一定是重中之重。 工科学生的数理背景我们称之为“标配”,为了和数理背景更强的学生竞争,也有很多途径来弥补。比如,在很多工科的项目中,有涉及到算法、优化、模型的部分,这部分内容是相对容易挖掘数理背景的;还比如,我曾经一个客户设计了选课方案,其中一部分跑到北大去选,另一部分跑到美国大学的SUMMER去选。在T,G基本达标的情况下,也拿到了U.Chicago的MSFM的录取,要知道这个项目对math skill要求还是很高的。 03.商科背景的申请人 还有相当多的商科背景(金融、会计、市场等)的申请人。说到这里,我得多说两句,对于金融背景的申请人,如果去申金工专业,仔细掂量和上面两类人相比,你的优势在哪里?硬拼技术,拼代码,应该怎么也拼不过的,但是并不是所有的项目都招一堆技术大牛modeling 来programming去的,美国大学通常会考虑学生背景的diversity(多样性),因此对于这种技术性超强的项目并不是完全没有机会;并且,有些项目除了技术外,还是很看重business skills,这类项目可能即不在工学院,也不在文理学院,而是在商学院,但将来的出路和金工金数没有差别,这类项目是商科背景学生要重点考虑的。 可能有些人知道,MIT怎么没有金工/金数呢?其实不是没有,而是MIT的这个项目设立在Sloan商学院下了,其中的MSF下,就有专门的Quantitative方向,类似的项目还有WUSTL(圣路易斯华盛顿大学)的MSF,下面有个Q-Track。。。等等。 今年我有个英本(2:1学士学位)的学生,折换成美国的GPA大约3.4,GMAT 650,就是瞄准这类项目申请。MIT是不太可能录取了,因为分儿还是不太够,但WUSTL还是顺利的拿到了面试,拿到面试后,我们的优势就非常明显,最终学生被WUSTL录取了。 对录取核心把握不准确,导致申请定位有偏差,特别是在某些留学中介的所谓专家误导下,连实习定位都是错的,甚至在申请材料中生搬硬套,屡见不鲜。前面我们谈到了很多技术性很强的学术背景知识,但光有这些是不够的,还需要有experience来支持你这些学术背景在相关行业的应用。因此,几乎所有的申请人都知道,实际应用的能力很重要,要通过实习来体现。但什么样的实习是匹配的呢?如果你的顾问和你讲,“金融工程么,去找个银行去实习,或者金融公司,或者证券公司做实习”,那基本可以判断这个顾问没有理解金工、金数专业的本质。 事实上,由于我国金融体系的监管机制,决定了在金融企业中的衍生品有限,因此,大学本科生在企业的实习中接触到实质相关的内容是十分有限的。那什么样的实习内容是相关的呢?举个例子,对于某种金融产品,比如股票、期货、期权,通过分析产品的特性开发交易策略,而这种交易策略是量化的,这样的实习经历就更相关。这里只是简单提了这些概念,真正去判断相关的实习经历,是需要花时间去分析所实习中的工作职责,可能应用到的知识、原理、方法。如果你不能判断实习中的技术性,最好不要在文书中生搬硬套,别动不动就optimize、model之类的往上招活。。。对于美国的那些professor来说,你做的一切可以被人一眼看穿的。那真正找不到这样的实习怎么办?如果我是你的顾问,我会老老实实的分析大学期间做的各种project, 这些虽然不是实习中的应用,但如果真的懂,至少可以体现我匹配的skills及解决什么问题的能力。 抱着金工金数申,你可能会死的很惨。这句话是什么意思呢?了解这类专业的学生可能知道,美国顶尖的金工金数项目重合度非常高,不论你看US NEWS,Quantnet, TFE Times, 等机构的排名,虽然同一个项目在不同机构的排名会有差别,但如果把范围圈定在15-20所左右,这些项目几乎是固定。也就是说,如果一个学生申请10-15所学校,你和几乎所有的申请人锁定的项目超过2/3是一样的,不论你是美本、英本、大陆本, 还是数理背景、工程背景、商科背景,这件事儿还是很可怕的。 因此,在5,6年前金工、金数还不像现在这么热门的时候,我就提出了multi-solutions的解决方案:即金工、金数的顶级项目该申就申,但不要“抱着”申,要跳出这样的项目寻找的相关项目。比如,今年我有个美本纯商科背景的学生,在我们第一条分析中,应该属于学术背景相对弱的,但却录取了杜克大学商学院的量化管理硕士项目,这个项目的技术强的同时,比如课程涉及pricing, applied probability & Statistics,Data Visualization, Decision Strategy & Modeling,还非常注重学生的Business Context的培养。类似的项目还有很多,比如,我们之前提到的MIT的MSF, WUSTL的MSF Q-Track, 甚至有些IEOR下的项目,和纯的金工金数的课程重合度非常高。选择具有同样就业前景、学到同样技能、但并不损失学校质量的program, 你会发现,海阔天空在勇敢以后,要拿multi-solutions将命运的锁打破,你会和阿信一样厉害:).