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
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24