京公网安备 11010802034615号
经营许可证编号:京B2-20210330
一年一度的高考结束了,除了焦急地等待成绩公布,是时候考虑下选专业的问题了。有些人把专业当成兴趣的延伸,更多的人把专业当成是工作的前奏。前者就不多说了,大可以跟着兴趣走;对于后者,就涉及到职业的选择问题。
最近一段时间,不少人来问我:如果以后想从事金融行业,该如何选专业?这着实是一个需要推敲的问题。
参加2017年高考的学生,将主要于2021年(本科)和2023年(硕士)走入工作岗位,所以,先要想一想,那个时候,金融业态有何变化?哪些岗位会“消失”,哪类人才又会受到青睐。只有对毕业时的行业需求做好预判,才能走好当下选专业的关键一步。
人工智能驱动金融人才需求高端化
主要意思是,人工智能在金融业的快速渗透将会替代很多单一的、操作性的岗位,一方面使得行业员工人数下降,另一方面也驱动金融行业的人才需求高端化。整体的影响便是,金融业的就业门槛越来越高。
随着新技术的出现,社会上现有工作的数量、类型和组成都要发生改变以适应新技术,而人工智能无疑是影响最大的变数之一。
所谓人工智能,是指通过研究人类智能行为规律(如学习、计算、推理、思考、规划等),构造具有一定智慧能力的人工系统,以完成往常需要人类智慧才能胜任的工作。换句话说,解放人类的“大脑”,是人工智能的天职。
2013年,牛津大学马丁学院做过一项研究,预测人工智能发展将经历两次“人工替代”的浪潮:
在第一次浪潮中,运输和物流业的大部分工人、大量的行政人员和生产领域的劳动者可能被计算机取代;在第二次浪潮中,所有涉及手指灵巧度、反馈、观察和有限空间内工作的任务都将受到人工智能的影响。
可能也正是基于这一点,霍金曾这么评价人工智能:
人工智能之于人类,可能是最好的事情,也可能是会终结人类的最坏的事情。
就金融业的柜员、客服、交易员等群体而言,人工智能扮演的便是“替代者”的角色,可能就是有一天会变成坐在柯洁对面的AlphaGo,替代他们“下棋”(指各种基础类银行服务)。
对于诸如风险管理、财务管理等中后台岗位而言,可能也会面临类似的问题。下面以科技驱动对风险管理岗位的影响为例,进行简要分析。
良好的风险管理是金融行业持续发展的根本保障,风险管理岗位在金融业内部也一直处于核心地位,在银行业尤其如此。所以,风险管理岗位一直都是金融业的金领,受大数据、物联网技术的冲击,未来三五年,其含金量可能会大幅缩水。
粗略来看,风险管理包括目标设定、事项识别和风险对策三个关键因素,其中,事项识别(风险识别、风险计量等)和风险对策(风险定价、风险监测、风险控制等)的数据驱动趋势越来越明显。在一个标准化的授信审批流程中,债项评级、押品评级、授信额度及定价等均可以通过大数据风控模型直接得出,而贷后管理很大程度上也可以通过负面信息引擎、风险预警模型、基于物联网的押品管理等减少对人力的依赖。
这种趋势的影响在于,随着风控人员的经验内化为模型,金融行业的风险管理岗位将从经验积累型的“金领”转变为诸如模型参数调整、系统日常运营等操作性“蓝领”,职业发展前景大大受限,行业所需从业人员数量也将大幅下降。
复合型人才一直并将继续受到青睐
一直以来,金融企业就偏爱复合型人才(在本文语境下,可简单理解成跨专业人才),未来的三五年,这一趋势还会加强。
一是金融业属于虚拟产业,通过服务实体经济而实现自身的发展,所以,金融业是需要和各行各业打交道的,跨专业的人才对于相应行业的理解更为透彻,也就受到金融企业的青睐。典型的是证券公司行业研究员招聘,最喜欢两类人:
一类是理工(本科)+金融(硕士)组合,处理数据、做模型能力强;
一类是行业(本科,如生物、医药等)+金融(硕士)组合,在研究相应行业时不会存在障碍。
不难理解,如果让一个本科学金融的去研究医药行业,这不是难为人嘛。不过,有一种说法是,人工智能在证券业的运用,第一类要取代的岗位便是行业研究员,因为机器更擅长基于历史数据的预测。
二是金融业自身的业务逻辑演变,不断提升对复合型人才的需求。举例来说,金融业的数据化和科技化趋势愈发明显,自然会导致对信息“IT+金融”的复合型人才的需求增加。以大数据建模为例,所有的模型归根结底是为业务服务,要服从于业务模式。对人才的需求便是,既需要有数据挖掘和建模能力,又需要对金融业务模式、风控逻辑等有着深入的了解。
三是金融跨界和业态融合逐步成为新的趋势,金融与实业的边界越来越模糊,在场景金融下,金融服务甚至成为消费场景中的一个环节,也在催生着对复合型人才的需求。
填报专业需要注意的一个风险点
首先,面对人才需求数量下降和人才结构高端化的趋势,需要仔细评估下自己未来如愿进入金融行业的可能性有多大。有理想是好的,但并非所有的理想都能照进现实,也并非每个金融专业的毕业生都能如愿做金融。
其次,关于复合型人才和跨专业策略。如果你再次明确了想要从事金融行业的决心,结合上文的分析,最好在你硕士毕业时具备复合背景。看上去,“理工+金融”的跨专业操作是最好的选择,但其实这里面也有“陷阱”,那便是你能否确保在本科考研时能“跨”成功。
要知道,为了进入这一高薪行业,很多人都会在考研时选择金融专业,跨专业考研的竞争绝对比你想象中激烈得多。能否在四年后的竞争中成功突围,并进入一个还不错的学校,这是“跨专业”策略需要考虑到的一个风险。实在没把握,老老实实地在本科就选择金融专业,也是一个可行的策略。
最后,高考并非是学习的结束,大学也只是持续学习的开始。所以,大家还是先好好过一个愉快的暑假吧,9月份开学后,等待你的,是人生的新征程。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在实验检测、质量控制、科研验证等场景中,“方法验证”是确保检测/分析结果可靠、可复用的核心环节——无论是新开发的检测方法 ...
2026-03-04在数据分析、科研实验、办公统计等场景中,我们常常需要对比两组数据的整体差异——比如两种营销策略的销售额差异、两种实验方案 ...
2026-03-04在数字化转型进入深水区的今天,企业对数据的依赖程度日益加深,而数据治理体系则是企业实现数据规范化、高质量化、价值化的核心 ...
2026-03-04在深度学习,尤其是卷积神经网络(CNN)的实操中,转置卷积(Transposed Convolution)是一个高频应用的操作——它核心用于实现 ...
2026-03-03在日常办公、数据分析、金融理财、科研统计等场景中,我们经常需要计算“平均值”来概括一组数据的整体水平——比如计算月度平均 ...
2026-03-03在数字化转型的浪潮中,数据已成为企业最核心的战略资产,而数据治理则是激活这份资产价值的前提——没有规范、高质量的数据治理 ...
2026-03-03在Excel办公中,数据透视表是汇总、分析繁杂数据的核心工具,我们常常通过它快速得到销售额汇总、人员统计、业绩分析等关键结果 ...
2026-03-02在日常办公和数据分析中,我们常常需要探究两个或多个数据之间的关联关系——比如销售额与广告投入是否正相关、员工出勤率与绩效 ...
2026-03-02在数字化运营中,时间序列数据是CDA(Certified Data Analyst)数据分析师最常接触的数据类型之一——每日的营收、每小时的用户 ...
2026-03-02在日常办公中,数据透视表是Excel、WPS等表格工具中最常用的数据分析利器——它能快速汇总繁杂数据、挖掘数据关联、生成直观报表 ...
2026-02-28有限元法(Finite Element Method, FEM)作为工程数值模拟的核心工具,已广泛应用于机械制造、航空航天、土木工程、生物医学等多 ...
2026-02-28在数字化时代,“以用户为中心”已成为企业运营的核心逻辑,而用户画像则是企业读懂用户、精准服务用户的关键载体。CDA(Certifi ...
2026-02-28在Python面向对象编程(OOP)中,类方法是构建模块化、可复用代码的核心载体,也是实现封装、继承、多态特性的关键工具。无论是 ...
2026-02-27在MySQL数据库优化中,索引是提升查询效率的核心手段—— 面对千万级、亿级数据量,合理创建索引能将查询时间从秒级压缩到毫秒级 ...
2026-02-27在数字化时代,企业积累的海量数据如同散落的珍珠,若缺乏有效的梳理与分类,终将难以发挥实际价值。CDA(Certified Data Analys ...
2026-02-27在问卷调研中,我们常遇到这样的场景:针对同一批调查对象,在不同时间点(如干预前、干预后、随访期)发放相同或相似的问卷,收 ...
2026-02-26在销售管理的实操场景中,“销售机会”是核心抓手—— 从潜在客户接触到最终成交,每一个环节都藏着业绩增长的关键,也暗藏着客 ...
2026-02-26在CDA数据分析师的日常工作中,数据提取、整理、加工是所有分析工作的起点,而“创建表”与“创建视图”,则是数据库操作中最基 ...
2026-02-26在机器学习分析、数据决策的全流程中,“数据质量决定分析价值”早已成为行业共识—— 正如我们此前在运用机器学习进行分析时强 ...
2026-02-25在数字化时代,数据已成为企业决策、行业升级的核心资产,但海量杂乱的原始数据本身不具备价值—— 只有通过科学的分析方法,挖 ...
2026-02-25