
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
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30