【成功案例】26年入学，LSE- 运筹研究和分析硕士申请攻略

课程预计开学及结束时间：2026年9月23日至2027年9月26日
（迎新周：9.18-9.25，数学系将于 2026 年 9 月 24 日（周四）开设一节 3 小时的线下入门预修课程，内容为 Python 编程，该课程非强制参加。）
学费： £32,500英镑
录取接受状态：未接受，接受需要提供护照首页扫描件与护照尺寸大小的证件照。需要在offer发送后的六周内处理。

录取需满足条件：

（1）学术条件：提供中英文版本的：学位证、毕业证、最终成绩单。最终均分达到至少85%。截止日期：无固定截止日期，获得后尽快提交
（2）语言条件：提供雅思总分7.0，小分至少6.5的成绩单。或提供其他同等水平的考试成绩，或参加语言班。截止日期：无固定截止日期，获得后尽快提交
（3）押金：该项目无需缴纳押金占位。
（4）资金承诺表（Financial Undertaking Form），在系统内提交。

截止日期：2026年7月31日

申请难点

今天要分享的，是我高中学弟，O同学。黄老师，非常荣幸，可以在学弟家长的信任下，托举他到世界名校LSE。

语言成绩：
初始雅思总分 6.5（口语 5.5，小分未达标）
申请过程中，更新了雅思总分 6.5（小分全 6.0，刚好达到 LSE 最低语言课要求）

本科背景：
西南财经大学，税收学（经济学学士）
GPA 3.8/5.0，专业前 10%，数学 / 统计 / 编程相关课程均分 90+

从官网信息可以看出，LSE 数学系的目标，是做社会科学领域的数学研究，核心研究方向是：
-离散数学
-数学博弈论
-金融及相关数学
-优化和算法（OR&A 的直接对口方向）

OR&A 项目的本质，就是用「优化、随机建模、机器学习」三大核心工具，解决企业、政府、非营利组织的实际决策问题，课程和培养目标都围绕这三点展开。O同学的背景，刚好从数理基础、科研项目、编程能力、实习应用四个维度，完美覆盖了这些要求。

核心亮点：
1、数理 & 编程硬实力打底：数学分析、高等代数、优化方法、统计等核心数理课成绩亮眼，Python/R/ 机器学习课程均分 90+，完美匹配 OR&A 对数学 + 算法 + 建模的高要求。
2、科研 / 项目强绑定专业方向：信用风险评估、碳税预测、时空动态系统建模等项目，全是 “数据清洗 + 模型搭建 + 优化分析” 的 OR 核心技能，还拿到了数学建模国赛二等奖。数学建模竞赛里的建模、优化、算法实现、代码编写，都是 OR 项目最看重的能力，尤其是国家的奖项，能直接证明你的实操能力，一定要在 CV 里写清楚模型、方法、结果，而不是只写 “拿了 XX 奖”。
3、实习精准踩中量化 & 分析赛道：从银行信贷评估，到券商债券数据分析，再到零售端 GMV 拆解与预测，全是用数据建模解决实际决策问题，完美呼应 OR 的应用场景。
4、审理过程中，Love Letter 精准 “救场”：不是单纯催进度，而是补短板 + 强匹配：
1）更新达标雅思成绩，解决语言硬伤；一旦更新成绩立刻发邮件通知学校，主动递材料，让招生官看到你在为了项目努力，而不是被动等审理。
2）主动同步最新成绩单，证明学术状态稳定；
3）把毕业论文的 DID 模型、政策优化框架，和 OR 的 “系统建模 + 决策优化” 核心直接挂钩，让招生官看到你对专业的理解和适配度。

留学规划与提升

以下是黄老师的申请LSE的小TIPS：

1、别让 “非对口专业” 成为劣势，要学会 “转译背景”

学生本科学的是税收学，不是纯数 / 运筹，但我们在申请过程中，文书方向把所有课程、科研、实习都往 OR 的核心能力上靠：
-数理课：强调线性代数、统计、优化方法的成绩；

-经济学论文：突出 DID 模型、数据处理、政策优化框架，和 OR 的 “不确定性下的决策优化” 挂钩；
-实习：不说 “做了信贷评估”，而是说 “搭建了信用风险评估系统，用机器学习模型优化企业信用评级”。

2、Love Letter 不是 “催信”，是 “第二次自我介绍”
别写模板化的 “我很期待”，要写招生官想看的：
-补短板：更新雅思成绩 / 在校成绩单，解决学校可能的顾虑；
-强匹配：把研究、课程、实习和项目的具体模块（比如 Optimisation Theory、Machine Learning）对应起来，让招生官一眼看到你能跟上课程；
-展热情：说清楚你为什么选这个项目，你的研究方向怎么和 OR 的应用场景结合，而不是空喊口号。

3、补充科研 / 项目，别只写 “我做了什么”，要突出 “OR 相关的技能和结果”
比如信用风险项目，别只说 “我用了机器学习”，要说 “对比了多个模型，用 LightGBM 搭建了多分类信用评级系统，F1-score 97.15%，为中小企业风险评估提供了优化方案”，把数据、方法、结果、和 OR 的关联都写清楚

院校解读

那么我们具体看看，简历中是如何进行拆解，增加项目匹配度的呢？

科研经历：中小企业信用风险评估（发表了一篇国际会议论文）——这是和项目匹配度最高的一段经历。
方法上：对比了 Logistic 回归、决策树、随机森林、LightGBM 等多类模型，用准确率、F1 值评估模型，选出最优方案，和 LSE必修课的 “分类 / 回归算法、模型评估” 内容完全对应；

应用上：搭建信用风险评估系统，本质是 OR 里的风险建模 + 决策优化，直接呼应了项目 “用数据驱动的方法解决金融决策问题” 的培养目标；

加分细节：做了特征重要性分析，识别影响信用风险的关键因素，展示了 OR 项目非常看重的 “模型解释性 + 决策依据” 能力。

碳税政策预测项目——这个项目完美匹配了项目的「随机建模 + 政策优化」方向：
用随机森林、XGBoost、LSTM 模型预测碳税税率，本质是 OR 里的时间序列预测 + 政策模拟，对应 LSE必须课的“仿真建模” 内容；

用 MSE、MAE、R² 评估模型，选出最优模型并提出分级税率、排放权交易协同的政策建议，呼应了项目 “用 OR 方法解决政府决策问题” 的应用场景。

本科毕业论文——哪怕是经济学论文，也可以精准提炼出了 OR 相关的核心能力：

用 DID 模型、动态面板回归、中介效应分析，构建了 “财政压力→非税收入→企业退出” 的传导框架，本质是系统建模与路径优化问题，和项目 “在不确定性中做优化决策” 的核心高度契合；涉及大规模数据清洗、标准化，展示了 OR 项目必备的 “数据驱动决策” 基础能力；并且在后续的 Love Letter 里明确提出，未来想把这个研究拓展到供应链优化、风险管理等 OR 的核心应用场景，让招生官看到你对项目的理解不是空泛的，而是有明确的研究规划。

全国大学生数学建模竞赛（CUMCM）国家二等奖——天然加分项，直接展示了学生对项目核心方法的掌握：
构建了大规模时空模拟模型，用阿基米德螺旋约束、四阶龙格 - 库塔法求解非线性 ODE，处理 400 万 + 数据点的复杂动态系统，对应数学系「优化和算法」的研究方向；

实习经历：把金融 / 零售场景，转化为 OR 的「应用案例」：
学生的三段实习，都不是纯运筹相关，但我们精准地把它们和 OR 的核心应用场景绑定，展示了 “用 OR 方法解决真实商业问题” 的能力：

一段：JD Retail 商业分析实习：用 24 个月的 SKU 级数据做 GMV 拆解，分离定价和销量的影响，诊断品类表现，本质是 OR 里的因素分析 + 业务优化；做新品线的销量和库存预测项目，结合类比建模、价格弹性、搜索指数回归，支撑需求规划和库存控制，完美对应了项目的「供应链优化」应用场景。

一段：中信证券市场发展实习：用决策树、随机森林、LightGBM 预测企业到期后持续发债的可能性，识别潜在业务机会，展示了 OR 里的量化预测 + 风险建模能力；处理了 5 万 + 债券交易记录，用 Python 做数据清洗、标准化，解决 7% 的缺失数据，体现了 OR 项目必备的数据处理能力。

一段：光大银行南宁分行公司银行实习：参与公司债发行项目的信用评估和风险评估流程，接触了 OR 在金融风险控制中的实际应用，为项目的金融方向打下了基础。

最后黄老师想说，LSE的MSc Operations Research & Analytics 这种硬核项目，每年录取率9%不到，招生官不是在找 “完美背景” 的人，而是在找 “真正懂这个项目、有匹配的能力、能跟上课程节奏” 的人。哪怕你本科不是纯运筹、语言踩线，只要你把每一段背景都往项目的核心能力上靠，主动沟通、精准展示，完全可以逆风翻盘！