关于简历：别让“堆经历”害了你
很多人觉得，简历上实习越多、课程越全，越容易拿面试。
其实这是一个误区。
盲目堆砌经历，反而会让你在面试中陷入被动——每段实习都要准备细节，准备量巨大，面试时也容易被追问到露怯。
职业规划第 一步：先看简历，别看喜好
北美求职市场现在很卷，我建议的思路是：
先看你的简历适合什么方向，而不是你“喜欢”什么方向。
先活下来，拿到工作，以后有的是机会调整。
如果连面试都没有，谈喜欢没意义。
投简历可以海投，但建议你做一个 Excel表格，专门记录那些与你的经历高度匹配的公司和岗位。
如果某段时间面试扎堆，一定要把主要精力放在你最想去的优先公司上，准备充分了再分精力给其他岗位。
买方面 vs 卖方面：这是最重要的方向选择
买方面（Buy Side）
包括：资管、对冲基金、做市商等。
可以简单理解为“买产品的一方”——衍生品、期货、股票，都是投行发行的产品。
面试特点：
薪资：普遍高于卖方面，且很大一部分来自奖金（策略表现好，奖金上百万美元也不罕见，身边就有例子）。
卖方面（Sell Side）
主要就是投行（Investment Bank）。
面试特点：
薪资：量化岗位起薪大多在 12.5万美元左右，年终奖看岗位，前台最 高，后台最低。
为什么要先定这个大方向？
因为在整个求职过程中，这可能是你唯 一能主动选择的方向。
现在大行招实习生，往往是统一的量化项目，进去后才由HR分配具体组，你个人很难主导。
如果你选买方面（尤其对冲基金、高频交易），面试机会会非常少，竞争极激烈。
但只要拿到面试，就别挑方向了，全力以赴准备。
具体岗位选择
根据你的简历，可以匹配：
-
量化研究员（Quant Researcher）：策略编写、模型定价、风险控制，对数学、统计要求高
-
量化开发（Quant Developer）：开发交易系统、实现策略代码，基本等同于程序员
-
自营交易员：用公司资金交易
-
基金经理（买方/机构）：用客户资金做决策或设计系统
-
卖方交易员（如投行期权交易员）：用银行资本，但非主要风险承担者
申请要点
1. 提前准备，开学前就开始
很多公司一开学就来项目里抢人。
如果你准备得比同学慢，机会就没了。
数学：概率、线性代数最重要
统计：数理统计要烂熟于心
算法：刷 LeetCode，掌握时间/空间复杂度、数据结构的优缺点
2. 做一份机会追踪表（Excel）
记录：职位名称、开放时间、可找谁推荐（附LinkedIn链接）、是否已投递。
投多了以后，条理化能极大提高效率。
3. 准备一份“简历笔记”
把所有跟简历相关的内容写下来：
细节、思考逻辑、推理过程、做法的利弊、涉及的知识点。
每次面试前读一遍。
很多人觉得难题是数学或脑筋急转弯，但实际上最难的是把简历说清楚——大部分求职者的简历根本经不起细问。
4. 推荐信/内推越来越重要
别忘了利用好兼职学生（part-time）的资源——他们很可能就是你心仪的那家对冲基金的员工。
持续学习：光靠学历不够
顶 级MFE项目的毕业生（比如CMU、Baruch、普林斯顿）确实能保证一份金融工作，但这是极少数。
十年前MFE项目还不多，现在美国几乎哪个学校都有。越来越多中国年轻人为了快速找工作，自费去读这些项目。
行业内的人都清楚：
基础不够扎实的同学，前几年还能靠岗位多、竞争少找到工作。
但现在MFE毕业生越来越多，华尔街形势又差，找不到好工作很正常。
相比之下，扎实的PhD依然很容易在街上找到工作。
你需要掌握的技能
编程语言：Python / C++ / R / SAS / SQL / MATLAB
其中 Python 最重要、最通用——无论是量化研究、数据分析、风险管理还是策略回测，大多数团队都用Python，生态也很成熟。
数据接口：跟各种数据库和API打交道是基本功。
软技能：强烈的好奇心、持续的兴趣、愿意深入挖掘新技术。
现在很火的是 AI与机器学习——国内外很多顶 级量化机构（如九坤、幻方、朱雀，以及海外大型对冲基金）都在将机器学习与量化策略结合，招聘公告上也能看出来。
微信扫一扫
