统计和金工申请竟然差距这么大！UCB 学长以亲身经历解析给你听！

很多同学常常会进入一个认知误区，认为统计学和金融工程是同一类学科。

然而统计学是关于数据的学科，从经济、医疗制药、概率论、工业质量控制到如今的大数据、机器学习等都发挥着根本性的作用。金融工程只着眼于金融上，但往往会用到统计学、计算机编程等知识。

在提到美国 Master 申请统计学和金融工程专业的时候，大家都会格外关注申请难度、跨专业申请的准备、毕业后两者就业方向的区别与优劣势等问题。

我们也邀请了刘勇晟导师以亲身经历来为大家解析如何申请统计学和金融工程专业！他曾经申请统计学硕士和金融工程硕士，后来选择了伯克利大学统计学专业的 offer ，该院校专业的排名也一直名列全世界的 Top 3！

刘勇晟

棕榈大道专业导师

本科：北京航空航天大学统计学专业

硕士：伯克利大学统计学专业

统计学&金融工程专业解析

1

Stats vs MFE 专业解析　

2

专业排名参考

3

三维硬件计划

Stats （统计学） vs MFE （金融工程）专业解析

统计学（硕士）侧重方面：

1. 统计学相关知识技能
2. 数学的功底

 

统计学核心课程：

随机过程，数理统计，概率论，回归分析，非参数检验，时间序列分析，多元统计分析...

 

如果本科背景是数学或统计学，在培养计划中则会直接上这些课。那如果跨专业申请，需要辅修这些课程，对以上课程有一定了解，会对申请有一定帮助。在实习中，也会运用到这些基础知识，比如对数据运用统计的分析。

---

金融工程（MFE）侧重方面：

1. Math （数学）
2. Statistics （统计学）
3. Finance （金融）
4. Programming （编程）
   

 

实习中会运用下述技能：

 

Math: 

PDE, Numerical Analysis,Mathematical Analysis

Statistics: 

Mathematical Statistics,Stochastic Processes, Regression Analysis

Finance: 

Corporate Finance,Macroeconomics

Programming: 

C, C++, Python, R,MatLab

 

尤其是会运用数学、计算机编程的技术，对金融领域中的一些问题进行解析。

专业排名参考

统计学排名：

USNewsStatistics Ranking

---

金融工程排名：

可参见 QuantNet 和 TFE Times ，会依据申请者 GRE 、毕业率、毕业后薪资等综合排名。

QuantNet：

https:///mfe-programs-rankings/

TFE Times：

https:///best-financial-engineering-program-rankings/

三维硬件计划

结合伯克利大学金融工程给到的官方数据，针对申请Master项目，我个人给出的建议是：

TOEFL：

至少100+，争取105+，110+则有望拿到 bonus 。

要求更高的课程，则要求更高的分数。

 

GRE：

至少320+，争取325+，330+ 则有望拿到 bonus 。

作文分数达到3.0+，争取3.5+，4.0+ 则有望拿到 bonus 。

申请理工科项目时，最好是数学达到170+，语文达到 160+ ，作文达到 3.0+ 。

GPA

至少3.3+，争取3.6+，3.8+ 则有望拿到 bonus 。

Berkeley MFE数据👇

CMU MSCF数据👇

敲 · 黑 · 板

最后也给大家推荐一些备战资源，可以申请专业前使用，尤其是写文书和 PS 时，或者面试时进行针对性备考。

有两本书籍非常有帮助，其中一本人称是 MFE 的绿皮书——主要讲述金融工程后期求职中遇到的问题：期权、期货、概率论等，了解思维方式和分析方法。

A Practical Guide to Quantitative

FinanceInterviews by Xinfeng Zhou

Heard on the Street: QuantitativeQuestions from Wall Street Job Interviews by Timothy Crack

平时可以通过华尔街日报、经济学人、金融时报等这些网站，多去了解金融时事，以及善加利用Coursera 上的网课资源。

也建议大家尽早去考出这两个证书，在申请 master 的时候也是加分项：

1. FRM（金融风险管理师）

2. CFA（特许金融分析师）

无论是不是跨专业申请，实习经历都起着锦上添花的作用，不仅仅看重项目结果，也侧重于在项目中的技术应用，比如项目中运用的数据分析、研究的策略，其中运用到哪些学习到的技能，比如数据分析等。