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
在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27对数据分析从业者和学生而言,表结构数据是最基础也最核心的分析载体——CRM系统的用户表、门店的销售明细表、仓库的库存表,都 ...
2025-11-27在业务数据可视化中,热力图(Heat Map)是传递“数据密度与分布特征”的核心工具——它通过颜色深浅直观呈现数据值的高低,让“ ...
2025-11-26在企业数字化转型中,业务数据分析师是连接数据与决策的核心纽带。但“数据分析师”并非单一角色,从初级到高级,其职责边界、能 ...
2025-11-26