
当我们谈论金融行业的时候,到底在说什么?
是高大上的工作环境?
人见人爱的薪酬待遇?
还是分分钟几个亿流转的金钱游戏?
嘴里说着“想进入金融行业”的你,可能已经输了一大截了。
因为你并不是真的了解金融行业。
金融行业其实是一个很泛的概念,和会计事务所、快消是不同的。
在金融之下,还有许多的分支,每一个分支的要求都不同。
今天小秘就带为你科普下,金融行业的不同分支和各个部门,想知道自己适合做什么样的岗位?想了解意向岗位对应的薪资待遇?
小秘接下来为你一一解答,想进入金融行业的你可要看仔细啦:
金融行业,分为若干个子行业,包括:VC、PE、基金、投行、证券、银行、保险、信托、资产管理、期货、租赁等。
在这些行业之下,可以分为相应的公司类型:基⾦公司、投⾏、证券公司(券商)、商业银⾏、保险公司、信托公司等。
再往下就是各个部门了。
有一些大家可能比较熟悉,有一些比较陌生,没关系,我们一点点来说。
先从比较熟悉开始吧:
投行/券商
投行就是投资银行,虽然有着银行两个字,但是你可不能存钱进去,重点在于“投资”两个字。
而券商是证券公司,虽然和投行名字不同,但是其实工作性质是相近的。
不同的是,国外的公司叫做投行,国内的公司叫做券商。(之后会具体说明他们的区别)
从商业模式来说,投行(狭义上的IBD)是提供中介服务,去满足公司的资本运作需求(包括股权债权融资、重组并购等),通过向客户收取佣金的方式来产生收入。
广义上的投资银行,除了投行部,还包括销售交易部、私人银行、资产管理部和投资管理部等等,当然也包括任何公司都具备的运营、行政、财务以及银行特殊的风控部门。
关于投行/券商的薪资,其实差别较大,大的公司和小的公司,差的不是一点点。
薪酬调查机构Emolument对欧洲各投行的MD(董事总经理)和Associate进行了调查。
通过下表,我们可以看到JP摩根MD的年薪将近92万英镑,远超第二名。
虽然摩根士丹利排名第二,高盛排名第四位,但MD的年薪大概都能拿到60万英镑上下。
Associate的年薪基本上全在10万英镑以上。
虽然国内和国外一线投行大咖薪资相比,确实逊色很多,但和国内其他岗位相比,薪资高出不是一点两点。
银行
这个是大家比较熟悉的了,因为每天都会和他打交道,而且算是父母心中最理想的职业。
一般来说,银行的业务有贷款类业务、存款类业务、国际业务、个金业务等。
就国内银行而言,目前银行业机构设置情况是:总行、省行、市行、支行、网点(储蓄所)。
高一级机构的岗位设置情况是:高级管理人员,就是所谓的行长、副行长等决策层。
下面若干部门:人力资源、公司、机构业务、个人金融业务、资产业务、信贷审批业务、法律事务、运营业务、计划财务等。
支行和网点基本都是营业人员,少数是管理人员。
关于银行的薪资,其实也差别挺大的。银行的待遇由四部分组成:基础工资+福利+补贴+绩效奖金。
以下是部分银行的人均薪酬,因为是平均,所以仅供参考:
基金公司
基金公司是指将众多投资者的资金集中起来,形成独立财产,由基金托管人托管,基金管理人管理,以投资组合的方法进行投资的一种利益共享、风险共担的集合投资专业机构。
根据基金来源,可以分为公募和私募,分别面向非特定投资者和特定投资。
核心的工作就是两件事:投资和销售。
投资做出好的业绩,销售才好卖基金。
业内人士表示,基金公司的薪酬一般由固定工资、津贴、年终奖组成。
固定工资一般会在合同中写明,津贴包括车贴、饭贴、出差补贴等。
国内前十的公募基金及部分私募基金的研究员起始待遇水平至少和MBB类似,有些甚至更高。
应届生做研究员的月薪就是2万~3万元,通常一个典型的前十的公募基金研究员入职三年之后,月工资可以到4~5万。
保险公司
提到保险公司,可能大家的观感都不太好,听到买保险的就十分厌恶。
但是保险其实并没有大家想象得那么不堪。
保险对我们来说,是及其重要的。
大众接触的比较多的是业务员,也就是负责找客户、维护客户关系的人。
而保险公司内也有不需要卖保险的岗位,包括培训部、营销部、核保部、核赔部、财务部、人事部等等,跟一般的公司没什么两样,这些人都不需要卖保险。
其中还有一种比较专业的工作叫做精算师。
精算师是分析风险并量化其财务影响的专门职业人员。
他们综合运用数学、统计学、经济学、金融学及财务管理等方面的专业知识,在保险、金融及其他领域中,分析、评估不确定的现金流对未来财务状况的影响。
但是精算从业者的圈子非常小,没有学长或亲友推荐很难入行,而且前期工作十分枯燥,很难坚持下来。
而保险公司的薪资可以参考以下数据。
但是保险公司的业务模式注定了他是旱的旱死,涝的涝死,具体如何,还得看自身能力。
信托公司
信托公司是相对比较陌生的领域。
信托就是委托人基于对受托人的信任,将其财产权委托给受托人,由受托人按委托人的意愿以自己的名义进行管理。
为此所成立的公司就叫做信托公司。
信托的核心部门是业务部门,俗称“前台”,人数占据总公司人数的50%以上,他们活跃业务的一线,是利润中心和效益的创造者。
另外还有风控、合规、运营、财务、审计、人力、行政等部门,俗称“中后台”。
这些职能部门主要负责支持信托业务的开展。
而信托公司的薪资,也算是十分可观。
金融行业的招聘要求
金融行业一直以高薪,吸引着无数学子投身其中,但是金融行业也不是那么容易进去的。
关于金融行业的招聘要求:
99%以上通过校园招聘,无论是总行还是分行,九月份到十一月份之间面试笔试。
70%以上通过实习留用,秋招会有少部分名额,也极有可能面试的人当中会有很多实习生,大型券商或者外企都是正规暑期实习,比如中金,中上游券商就是日常实习比如中泰证券等;
大型券商要多关注官网的招聘专栏,其余的需要关注求职公众号、论坛等日常实习发布地。
90%以上是校园招聘,当然如果保险集团下面的投资公司或者资管公司是可能会有暑期实习机会的,比方说中国人寿。
90%是通过日常实习留用的,很少见有校园招聘的公告,即便是有也是为之前的实习生准备的。
基金公司的核心岗位一般不招聘应届生,投资经理最少要有3年以上工作经验,招聘的主要是投资支持类的岗位和行业研究员,招聘最多的是销售类岗位。
销售类岗位通过秋季招聘比较多,投资支持和行业研究员都是通过实习留用的。
金融求职者的必备软硬条件
那么刚刚毕业的你要进入金融行业,需要哪些软硬条件呢?
1、学历,名校很重要(如果你不是名校,但是有名校的选修课或双学位,也比较贴近条件),最好还是理工科+经济学/金融学这样双料的教育背景。
因为一方面金融行业看重理科生思维,一方面看重你学习理科背后的行业知识。
2、相关专业知识,金融工作需要财务和法务知识,如果你能在这两块自己补补课,都是加分的。
可以自学,也可以考一些证书,例如金融行业从业资格证啊,CPA啊,CFA啊,司法考试啊,都是进入这个行业很好的敲门砖。
1、逻辑和分析能力
金融行业烧脑而且都是聪明人,如果你是个逻辑和分析能力不强的人,去了也只会被吊打。
平时多看一些行业分析,做一些逻辑训练会有帮助。
2、一定的文案写作能力
你要能踏踏实实的坐下来做Paper work才行,写行业分析的时候也能用得上。
3、超强的抗压能力
虽然各个岗位都有压力,但是金融行业在入职考察时很在乎一个人能不能抗压。
金融行业的压力主要来自与工作强度、竞争压力和业绩压力。
所以同学们要有办法充分证明,自己有很好的抗压能力。
其实金融行业真的是一个十分大的分类,各种行业类别很多,也比较神秘。
现在很多人进入金融领域,并不是因为他们想做金融,而是因为他们想赚钱。
我认为,你应该去做你想做的事情,你感兴趣的事情。如果你从事一个你有热情的领域,从我的经验来判断,你就一定能赚到钱。反之,如果你对金融没有热情,就算你进入金融领域,你也赚不了什么钱。很多人都犯了的这个错误。
在金融领域里面,对它有兴趣的人才能留下来,而没有兴趣的迟早都要走人。
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