立志做Quant，应该如何在纯数学、应用数学、统计中做选择？
本人的观点：都可以。每个专业都有各自的特色和优势。没有最好的专业，只有最适合自己的专业。
Quant这个行业，与许多其他行业，如计算机，会计，医生，法律等相比，可以说是最不看出身的。前面提到的那几个行业，如果没有相应的专业学位，基本上没有入行的可能性。而Quant则不然，对于专业的要求非常宽松。或者说，能不能入行做Quant，以及入行后的发展道路，完全取决于你个人的基础和能力，而与你读的什么专业或者学位关系不大。
Quant的发展大概经历了这么几个阶段(以美国华尔街为主线):
·年之前。这个行业最偏爱的是硬核的理工科专业，包括数学，物理，计算机的博士。原因是博士具有较强的个人研究能力，基本上都具有独立工作完成项目的能力。年左右这个行业非常卷，花街的投行网罗了大量的常青藤PhD,许多还都曾经是奥赛奖牌得主，甚至是知名大学的教授或者研究员。面试最常见的三类问题是brainteaser,数学难题(主要是概率和随机过程以及PDE)和C++/算法。日常工作主要是各种衍生品的定价与对冲，包括奇异期权，TARN,Snowball,CDO/CMO这些东西，以及Heston,SABR这类模型。
·-年。这一阶段发生了金融海啸，雷曼，贝尔斯登等一批投行倒下了，已有的高盛和大摩也进行了转型。监管加强了对于自营交易的限制和对资本金的要求，结构化产品如CDO等被打上了有毒资产的标签被视为洪水猛兽，各大投行的Exotics部门急剧萎缩。金融产品的趋势是以简单的flowproduct为主流，但是需要考虑各种之前没有被充分考虑的风险，如对手交易风险，融资风险等。搞得一个简单的香草利率互换都变得复杂无比。Quant的主要任务也发生了变化，不少人去做风险管理以及模型验证。由于风险模型的特性，统计开始比纯数学和应用数学更受青睐。
·年到现在，机器学习，大数据在各个行业都风起云涌，金融行业也不例外，许多传统的Quant都开始研究基于机器学习的策略和量化方法，更加偏重对于数据的解读。所谓的P-Quant开始变得更有话语权。编程方面，Python开始受到青睐，许多金融机构开发并采用了以Python为核心的平台，C++不再是一家独大。这段期间也是互联网和IT技术飞跃的时期，传统金融机构面临巨大的竞争，包括在人才方面，内卷的局面有所缓和。招聘Quant也不再一味地要求名校博士了。
尽管Quant大多出身理工科，但是金融本质上是一门社会科学。金融市场的主体是受情感支配的个人。因此做金融绝对不能闭门造车，而必须不断地自我学习，自我提高。学习和提高的来源在于与同行的交流。
每个专业其实都有其特点和优势。纯数学，应用数学，以及统计，它们对于金融的作用体现在不同的层次：
·纯数学看似脱离实际，与金融更加风牛马不相及，但是确实可以培养缜密的思维，甚至极大地改造世界观。许多金融界的奇才都是学纯数学的，包括文艺复兴的创始人西蒙斯。这些大牛尽管研究了这么多年的纯数学，思想不但没有僵化反而越来越灵活，不仅对于数字敏感，对经济和市场形势乃至人心的把握都相当精准。长期资本管理公司创始人之一的约翰.梅里韦瑟就是这样一位出身纯数学的大牛，该公司最初几年的成功，离不开其卓越的公关才能和对于人心的精确把握。纯数学对于金融提供了世界观和认知论。
·应用数学同样与量化金融密切相关。量化金融中许多的方法和工具都是来自于应用数学，包括PDE的数值解法，最优化方法，随机模拟方法等。甚至金融数学本身就是量化金融的一个分支。应用数学对于金融提供了方法论。
·统计与量化金融也同样密切相关，也是提供了方法和工具。只不过这些方法和工具更加具体，比如如何根据一组历史数据拟合一个具体分布的参数。统计对于金融提供了工具箱。
·此外，物理专业对于Quant也是有帮助的。物理学家曾经占据了华尔街量化部门的半边天，许多金融量化的大师都具有物理背景。笔者的校友，大名鼎鼎的EmanuelDerman就是其中杰出的代表。金融中的许多模型，其实都可以看到物理的影子，蕴含了物理的思想。物理为金融提供了模型的素材。
最后，无论你学的是什么专业，学校有多好，学历有多高，入了行之后都必须不断地学习以适应形势的发展。比如机器学习和Python，在本人当年入行的时候几乎没有什么人关心，面试也不要求掌握这些技能，但是目前的工作却是每天都在与之打交道，因此不得不在工作中自学。另外，非金融专业出身，如果希望在这一行发展下去，金融知识还是必须补的。因此许多华尔街上班的人都会在职考CFA和FRM。
Steven风控建模老师