江苏龙网

  1. 首页 > 生活 > >

金融偏文，程序偏理审计?

先说观点：金融偏理，程序偏文
据说华尔街一半以上的人是物理、计算机、数学专业转的金融行业。
据说写代码的大多数人是不必要精通算法和数学的，高中知识完全足矣。

金融和计算机号称工科最强两大专业，最近几年一直以绝对优势称霸就业率排行榜第一第二名从未跌落。那我就暂且瞎扯几句，谈谈我对这两门学科的认识。
一 · 金融
【金融偏文，程序偏理审计?】 金融素来偏理，金融其实在大多数学校是被分为两个专业的：金融学、金融数学。金融学挂在金融系下面，金融数学多数挂在数学系下面。很多偏文认识的人会选择金融学进行修读，只需要一点点数理知识就可以应付整个学科，但说白了还是纸上谈兵、道行不能精深。而那些在金融界混得风生水起的大佬，却多数都是物理系这类专业转行而来的。为什么呢？因为金融需要解决的实质问题就是生活问题，生活中的经济方向的问题，而物理系毕业的学生对建模认知具备天然优势，所以能够建立良好的模型去解决某一类问题，比如炒股的预测问题、人口流动对经济发展的影响问题。稍微控制一下变量建个模型就能得到一个大致不错的结果。而那些文金融的学生大都却无能为力，只能拿着别人的模型看看，然后几个定性图分析分析，难以深入才是硬伤。
后来随着计算机的发展，量化投资这方面的金融问题得到巨大发展，这里就引用 @Folido Zhang 在问题「量化投资和金融工程是怎样的一种关系？」下的回答作为侧面补充说明：
量化投资与金融工程是两个相互联系但是又不同的概念。其实在如美国这样的一些发达的资本市场，大部分的交易（百分之70以上，没有具体数据） 都是由计算机完成的。量化投资大体有两个分类，一个是基于一些技术投资的指标（计算机计算原理类似技术分析流派中的一些“金叉”、“趋势线”一类的指标，但是更加全面和复杂，然后根据这些指标下单），这种分析其实是量化了的技术分析，是否盈利不具有确定性，往往是时间纵向的，国内这种程度居多。而另一类量化分析则是利用金融工程内的无套利定价原理，利用计算机强大的计算能力寻找市场是上的无风险套利机会，赚区无风险利润，往往是同一时点空间横向截面的。（期权里的各种策略组合计算量非常大，无套利机会往往稍纵即逝，所以必须由计算机完成）我是一名念金融工程的研究生...金融工程越学越有些“仰之弥高，钻之弥坚”的意味。金融工程是金融学、数学、统计学、计算机等学科的交叉产物，目的往往是为了创造性的解决一些金融问题。继而有其三大主题，设计、定价、风险管理。理想状态就是设计出能满足你的风险收益要求的任何产品...所以要想在金融界内混得不错，并且有稳当的饭碗和不错的薪资，你不可能避免开数学基础，这是这个行业的语言，你得会交流才行。随着计算机的发展，深度学习这类人工智能的解决方法被应用到量化投资中，并且得到了极大的成功。深度学习说到底也是建模而已，所以，怎么谈都避不开数理问题的。不知道有没有人愿意补充回答一下什么样的金融不需要太多数理知识，我也好拓宽一下视野，不至于太单一认为金融是发展在数学的基础上的。
二 · 程序
我是初中接触的计算机，都是在谭浩强的毒物熏陶下成长的一代人，后来做 Java，时常每周代码量一万左右。这个量不高，但说明我还算是行业内人。
我暂且认为题主理解的程序是大多数程序员写的业务代码，所以个人比较偏向于程序偏文的想法。因为在你 99% 的时间里面是不需要专门抽时间去完成算法的。你只需要有一些常识就可以完美理解各个业务之间的逻辑耦合关系。
但我还是要声明一句：计算机偏理，很理。单纯写程序自然不需要太多计算机知识，单纯解决某一类问题自然也是不需要大量理论知识做基础指导。但是，计算机这一行又不是人人都去写业务代码的，很多人很多人可能在做图像处理、机器学习方向，他们更多的时间是在分析算法，然后再稍微用代码表示一下就去计算机上面跑跑而已，所以 Python 这种脚本解释语言反而成了深度学习最热门的语言，尽管它效率一点都不算高。我大学二年级在学校实验室做过一段时间 SLAM 的课程，虽然是用的前人的包进行项目构建，自己可能连算法都没改两行，但却必须了解很多数学常识。而且这些工程学问题必然需要工程地解决，比如机器人扫描周围图像一圈 360 度却发现图像不能闭合，这类回环检测问题就是因为机器人本身的物理误差产生的，这还真不是你代码里面写了旋转 360 度机器人就给你转 360 的。所以需要一个更复杂的消除误差的系统来解决各种各样的工程问题。


推荐阅读


上一篇：有哪些网站可以看到原油相关的数据资料

下一篇：信息设计和文化有何联系 它在当今社会的那些领域用途广泛 未来又会向哪些领域发展