金融IT女碼農回國並且轉行的職業規劃？

12-29

大家好，我是法國工程師CS碩，女生，畢業後進了某法國投行IT部門為前台開發衍生品交易工具，現在工作不到一年。

我的情況：

很喜歡技術，編程讓我覺得很開心。曾經參加過Google Summer of Code，用C++做界面。

但是在學校的時候數學和演算法一般，沒有過ACM之類的經驗。在學校學過機器學習，NLP等等，做過項目，但沒有相關實習工作經驗。實習的時候都是做項目，一個用C#，一個用Java，都是做後台伺服器端開發，兼有一些前端開發。兩個實習都做了數據可視化的項目，用d3.js，其中有一部分演算法研究。我非常喜歡實習時候的工作。

後來畢業找工作，曾經被一個瑞士做大數據，數據可視化等等的startup聯繫過，但是同時誤打誤撞得到投行IT offer，就來投行做Java後台開發。現在覺得自己喜歡的還是數據挖掘，演算法相關的工作，覺得能讓自己有興趣。

我的問題：

1－由於在投行工作學了一些金融知識，還考了CFA一級（但這大概不是很有用），所以希望轉行的工作能同時用到金融和編程（演算法方面，特別是數據挖掘我很感興趣），不知道我這樣的情況轉向哪個方向比較好呢？
2－一直感興趣國內互聯網金融方向，想請教下這方面有哪些不是後台開發這樣工作的發展方向和機會呢？
3－以我目前的情況應該在哪些方面努力呢？比如演算法，數據挖掘知識，數學？

謝謝大家！

PS：看到問題「怎麼用最短時間高效而踏實的學習python？」怎麼用最短時間高效而踏實的學習python？ - 數據分析下面大神@SimonS 的回答以及讀了所有評論之後很有啟發，希望大神能講講是怎麼從程序員轉到互聯網金融的。真心感謝！

謝邀。

我現在在互聯網金融企業的風控演算法部門，其實我還是在做程序員本該做的事情，金融那塊會有產品經理把其它部門的金融業務需求轉化為內部的技術需求，並不硬性要求你對金融知識理論有一個很高程度的認識，當然更好的認識也是會輔佐你演算法上的優化，屬於錦上添花。

關於學習方面，Mike Kuang已經講得比較好了，如果你通過怎麼用最短時間高效而踏實的學習python？ - 數據分析這個問題中我的答案的書來看，入門是沒什麼問題，想要再紮實一點的話，可以看Stanford的Machine Learning公開課（網易上有）。

然後再來談談你所說的方向，你應該還沒搞清楚數據挖掘工程師、演算法工程師和BI工程師有什麼區別。

從大類上來看，數據挖掘工程師和演算法工程師都屬於生產線上的，可能會承擔著項目壓力。數據挖掘工程師更注重於原始數據的清洗加工，利用一些機器學習演算法，變成你想要的樣子，並不斷地去迭代優化結果，比如我要預測一下這個用戶的信征，到底該不該採用決策樹，特徵怎麼定義，需不需要嵌套回歸模型等等；而演算法工程師則注重於機器學習演算法的性能，比如我能不能把這個決策樹的C4.5演算法發揮到極致，各項性能指標能不能表現得更好，在分散式或並行計算上的表現如何等等。

BI工程師則不屬於生產線，他們用得最多的一般就是SQL。大公司如果有自己的數據集市，那麼BI會在自己的平台上來做相關數據分析。比如評估一個模型建成了之後，會有BI來分析效果好不好；比如某個產品上線之後，會有BI來分析用戶流失率等等。這塊工作和編程的關係不大，主要就是靠一些統計學知識。

如果題主在國外想做Trader或者Quant的話，那估計需要回爐重造繼續讀書。量化投資不光是靠努力就能獲得成功的，還需要極高的智慧和一定的機遇。國內的量化交易市場不了解，雖然已經有相關股票基金是通過量化交易策略來做的，不過具體到底怎麼樣，也不得而知了。

謝邀！

先回答你的第一個問題，在投行做過，有IT背景，有沒想過量化投資這塊？量化投資在國內目前接近於空白，做這塊的公司用兩隻手指能數得過來，個人認為這塊應該是個風口【可以暫時不去看中國股市，A股的世界不好說，會講故事分分鐘顛覆你的模型，但是可以看美股、大宗商品、期貨等等】。而且這塊在國內如果你做得好，或許真的可以實現悶聲發大財。感覺這個崗位既滿足你投行和金融知識，又滿足你數據挖掘的才能，而且這一領域確實很有前景。如有一天飛黃騰達了，苟富貴勿相忘啊！

第二個問題，互聯網金融不等於P2P，但是在國內卻差不多都是P2P了，至少一大半吧（個人觀點，謝絕拍磚。）而且這塊今年出了幾次大事，感覺監管會越來越嚴格。至於另外幾家互聯網銀行、支付寶、各大錢包等等，如果你有機會可以去試試，一般最好是能爭取內推，不行就投份簡歷，大公司其實是給你的履歷整天一筆濃墨重彩罷了，估計你在裡面也不會幹得太長久。其實，除了互聯網金融，現在大數據與金融結合比較緊密的還有風控，這塊傳統金融很需要，如果不嫌廟小，或許可以給你介紹工作。

第三個問題，這個你最清楚自己的能力了，個人覺得技術源於實戰，只有在項目中發現自己哪些不足才好去補，別人很難給你一個客觀的建議。

熱愛大數據，歡迎加個微信：idacker

我現在做的正是你所謂的互聯網金融中的數據挖掘，要不咱換一下吧

自己對金融類接觸有限，不過對機器學習有點研究。郵件收到了邀請，先拋磚引玉吧。

我對金融界的一點點了解
------------------------------------------------------------------------------------------------
一般金融方向，做BI和高頻量化交易會用到許多高深的演算法和數學，但是大多數金融IT工作僅僅是編程而已（業內人士告知）。如果是做BI（比如金電聯行），其實基本上就是做數據挖掘，只不過涉及到的數據集是金融數據而已。但是如果是做高頻量化交易，就比較複雜了，主要運用時間序列方面的知識，外搭很多雜亂的方法（有人用偏微分方程來做，我真是服了）。國內的互聯網金融，基本上是做BI方面的；上次聽餘額寶介紹，基本上只做到預測資金流入流出量的程度，並沒有直接用餘額寶的資金進行量化交易（估計是因為A股比較危險）。

工作選擇
------------------------------------------------------------------------------------------------

本人不太建議從事高頻量化交易方向的數據挖掘，因為實踐證明，股票市場其實是不可預測的，特別是飽受詬病的A股（各種暗箱操作......）。題主真的想要從事高頻量化交易，最好去華爾街，人家的技術、管理和市場都比較成熟。在國內，目前興起的金融信貸，包括螞蟻信用等互聯網金融產品比較有創造力，可以去應聘嘗試。由於基本上做BI，所以只需要掌握機器學習的基本演算法就好（時間序列部分可以暫時忽略）。

學習方向
------------------------------------------------------------------------------------------------
如果題主希望有立竿見影的效果，看看Pattern Recognition And Machine Learning (豆瓣) 基本上就夠了。演算法什麼的，現在還沒有一本書籍能夠歸納全面，大數據集下基本上只有線性演算法可以求解，非線性的演算法只能呵呵了。工業界，一般也沒人去折騰演算法，搞一個Logistic Regression就差不多了（我就沒聽說哪個公司在生產系統上用過SVM，離線系統倒是有），畢竟搞搞feature效果提升最快。

如果題主希望深入了解，我只能說，還需要至少3年時間（讀個博士就正好了）。因為這個領域涉及到的數學知識實在是太多了，國內數學系應用數學專業所學的所有數學都要用到，外加一些研究生數學知識。如果真想自學的話，建議參照【機器學習系列】機器學習界大牛林達華推薦的書籍。按照我自己的理解，線性代數、概率論、統計推斷、凸優化、數值分析是最重要的幾門（微積分反而沒這麼重要了，因為應用上只要會普通的多變數微分積分就行了，高級點的曲面積分、曲線積分其實基本上沒用到）。

PS：我只是來逛逛的

題主你好！我提供一些觀點供你參考。
1.你在國外的投行相當於國內的券商，如果涉及衍生品也有可能期貨公司。現在國內市場只要品種（股票，指數期貨（3隻），期權（ETF的幾隻），權證（現在不發行））。
2.你之前提到有交易工具開發經驗，但在國內的交易環境中還是會有限制。首先，行情揭示和交易品種很受限制（上交所新一代的FAST行情揭示頻率還是沒有國際一流的速度，期權產品也只有幾隻ETF）；其次，國內券商的IT開發能力和驅動力不強，基本屬於採購第三方軟體公司產品，所以一直挖人。
3.你說得互聯網金融，基本屬於坑，絕大多數只是通過互聯網渠道將線下的小額貸款資產公布信息，我自己的觀察，互聯網金融還是要找螞蟻金服這些互聯網巨頭，開發能力，數據分析能力，都還不錯。也願意嘗試新的產品。
4.還有你提到數學建模，數據分析類的工作機會，我可能要給你提供一些負能量了，首先券商自己沒有這種內在需求，可能跟我們市場不是做市場商制度有關係；其次，我們也沒有像美國一樣發達的私募基金市場，私募基金還不是主流，隨意更多的私募沒有開發自動交易和量化交易系統的能力；再次，我們的交易規則變化大，新產品也越出越多，所以現階段的實踐看，量化交易基金產品的收益受交易規則的影響很大（2015年股災後，股指期貨當天手續被提高很多，造成很多量化策略更本沒有了交易空間）。當然，據我所知，浙江杭州有一家自動交易的私募基金做得很不錯，你可以關注下這方面的信息。
最後，祝順！