lz 目前在 T 读书，本科时候就苦于我交没有一些信息分享的平台。现抛砖引玉放一些 T 大比较优质的树洞内容与大家分享
10 Likes
《北邮人论坛》
看到有人问北邮人，dz 做个非正式的科普。
什么是 bt 和 pt：bt 是一种用户对用户的下载协议。当你下载文件 A 时，会向所有有文件 A 的人去请求这个文件。但这个协议最大的问题在于如果有文件 A 的人不分享（或者断网/关机），那么这个东西就无法下载了。pt 则通过维持用户的高质量，并要求分享率（简单说，你不能只下载不上传）来使得大家积极做种，使得大家能下载到各自需要的资源。北邮人是一个 pt 站点
为什么使用北邮人：之前最大的好处是 ipv6 免流，但这学期反正都免费了。另外的好处就是高清资源的及时更新，比如半泽二在每周一上午就会有人上传，欧冠比赛基本赛后几小时都会有全场录像。电影区/音乐区更是各种蓝光/无损的资源
如何使用北邮人：你需要能使用 ipv6，通常宿舍区的有线网，tsinghua-secure，tsinghua-ipv6，IVI 和 DIVI 等都可以。请访问 ipv6.tsinghua.edu.cn 寻求联网帮助。正常访问后，使用清华邮箱进行注册，大概半天左右会收到邀请码。
如何上传资源：首先，小白们大概率是没有资源值得上传的，因此你的上传量主要来自下载了资源后并保种后，别人再下载这个资源时从你这获取的数据量。这里给出几个小
建议：
长期保种是最有效的方式，因为你不知道这个资源什么时候别人会下。dz 在有了台式后已经 10T+ 上传了
限于条件没有办法长期做种后，最有效的方法其实是蹲一些刚发布的热门资源（），这种一般都会有足够的人下，只要你下的足够早，做个半天种就能收回下载的成本并得到正收益
下载免费/打折资源。免费资源不计下载量只计上传量，打折同理
如果对于 byr 的使用还有其他疑问欢迎留言。但我更建议留言之前先想办法去北邮人看一眼 FAQ，里面可以解答 99% 新人的问题
《体制内与互联网大厂薪酬对比》
趁着这轮 pdd 舆论事件，老学长科普一下体制内与互联网时薪对比吧。数据来源来自于自己和同学。
先说背景，dz 双清毕业在某垄断央企，里面有类似于高校的职称体系；同学在快手，本硕贵系科班，offer 是 sp。
dz 第一年实习期，到手 12w 左右，第二年转正到手 20w 左右，第三年升中级职称（相当于讲师），到手 25w 左右（不含出差补贴等），偶尔加班，出差一年大概有 100 来天，算上出差补贴到手 27w，平时不忙的时候 9 点上班 5 点下班，时薪￥120-130。
dz 同学签了 50w 总包，因为他还没入职，HR 宣称 995，然而快手前一阵子已经开始全员大小周了…这里按照高的算，全部按官方口径，也认为打包就是税前年薪，扣五险一金和税以后实际到手 35w-37w（看财务怎么合理缴税），时薪￥100-105。
知乎有华为拿了 50w 总包的哥们说到手只有 31w，工作强度大概是 997，时薪￥70-75。按照简单的计算方式，在公积金交满的情况下，税前收入的 77.8%（公积金 12%，医疗 2%，养老 8%，失业 0.2%，北京单边公积金封顶 3350 左右）再扣税就是到手收入，所以我同学打包 50w 可能实际到手 35-37w 不等。
也有同学可能会说，互联网行业涨薪快，体制内基本不涨，体制内第一年等于没有收入等等。
dz 由于不在互联网行业不太清楚行情，就说一下央企的涨薪：和高校类似，按照职称来升，30 岁副高之后加上讲课费、专家费等，大概一年能到手 32w-35w 左右，这是运气一般没当上领导的稳定收入。实际上，我们单位很少有因为钱走的，更多还是因为竞聘领导岗位失败或者干得不开心；至于第一年收入太少的问题，单位考虑还是很周到的，前两年没钱的时候有宿舍。
大家自己衡量吧，想赚快钱 dz 还是推荐去互联网，但是建议大家思考退路
1 Like
《留学中介测评》
看到大家开始说中介，我来写一点经验，不是捧一踩一。
Sbm，有点飞扬跋扈，本人是后 50%，直接对我一副你爱来不来的态度。但去的人不少，体验的话，一个人说有一点用，另一个人说可有可无。另外 sbm 的文案，太装了。中枢，比 sbm 还要贵一点，相对来说态度对我好一点，但贵于我的心理预期。
再来人，我的好朋友签了，我个人感觉比较 sbm 实在一点，没那么浮夸。但是具体服务我没体验过不敢说。
Nuts，我最终签的，当时图便宜，但是，血的教训告诉你们，便宜没好货。我还有几个朋友也签了，我只能说，从结果看都申的垃圾了。我分到的培训师，说话冷淡，知识欠缺，除了定时发点资料和邮件，没了。这些资料比如什么推荐信参考模版，其实也不见得有什么用。以至于后期，他们还想骗我延毕多给他们交钱续一年。（因为我成绩差当时忧虑。）所以我直接把他们拉黑了。
Dz 最后怎么上岸的呢，因为 dz 家里兜了一圈人脉，发现有个亲戚在国外大学当教授，然后全程由这个亲戚把关陶瓷，邮件，ps 等等，最后申得还不错。全是 80 分实力申到了 90 分学校。经验来说，最有用的是，native speaker 改文书加上一个熟悉国外大学的人。你自己要主导申请。如果关注的多，dz 可以更详细说说这些经验。
出国申请究竟是怎么一件事情。我这里说的话其实跟中介是一样的，你们也就明白中介怎么赚钱的，信息差。一般来说，分为三个阶段，第一阶段是准备实力，这个阶段，等于高考前学知识。你要提高 GPA, 科研实习经历，和英语。其中暑研陶瓷是技术活，我还是待会谈吧。第二阶段，是写文书，这个阶段，等于高考写试卷。你要把你的内容融化在 PS,CV，SoP 等，相信我，这件事，只有你自己写+native speaker 改，才有用。中介写的，80% 都是 shit。这一阶段，你还要陶瓷（如果申博士）。第三阶段，提交申请，然后等结果，然后 argue，这一阶段，前者是体力活，后者 argue，中介基本也是废物，你要找 native，因为外国人思维跟中国人不一样。你以为你 argue 得很谦虚，人家觉得你理由很 weak。
所以说，出国申请，本质是，你有多少分实力，能申到哪里。比如 80，你能伸到 60 分的大学还是 90 分的大学。信息充足，准备充分，你就能申到你对应的学校。
先说大家最熟的 sbm。sbm 文案深谙割韭菜的套路，篇篇都是 20 分实力伸到 90 分学校。我就说一句，别信。这里面，只是因为信息差。但这就能赚你几万块钱。sbm 申的好是因为这样，大概是他们会招揽年级前几名，而且他们的关系深入学校，能轻易进来打广告开讲座。所以说，sbm 申的好，其实是他们拉了一些大佬进去。跟他们关系多大？见仁见智。他们的工作模式是，培训师 + 国外大学在读的学长。据我的朋友 A，从大一签，是说中间一年多没联系，一直大三才恢复联系。我的朋友 B，最后不出国了，然后转手 sbm，他意思是，你如果没有人带（比如我的亲戚）、自己非常新手、英语也不好，那就有用。据我自己的经验，sbm 对成绩差的态度是比较一般的，大概就是你爱来不来，因为你很难给它的光荣榜添砖加瓦。然后有点装，也可能接待我那个人装。反正就是跟你搞“来前渣渣，来后名校”这种套路，你问具体怎么做，他就说你得加入，我们才教你。但是 sbm 的话，可能对年级前几名还是很好的，或者你交的钱很多，应该对你也负责。再或者就是给你分的老师，如果是你的学长曾经在 sbm 还不错，然后给你推荐的，这个可能靠谱。否则，我觉得还是要提醒各位，培训师，也是分售前和售后的。如果说个人感觉的话，sbm 应该是能，帮你把 80 分伸成 80 分。（可能会让大家觉得我贬低中介，我后面在谈中介的用处。因为你完全 DIY 也是不行的，中介毕竟比你熟）
中枢，这个机构老大本来是 sbm 的，后来出来单干，然后这几年渐渐搞出名堂。他跟 sbm 的区别就是，他是培训师 + 培训师/海外学长。就是他们认为海外学长，不比经验丰富的国内 mentor 好。这一点，我感觉有五五开。其实说实话都是中国人，没啥区别。只有老外才理解老外的文化和申请。中枢对我的态度更好一些，不像 sbm 就装逼装神秘。但同样，我强调，是售前服务，而且我是个例，千万不能因此觉得中枢更好。但，（我没记错的话）比 sbm 要贵 1w 还是 2w。我记得我那会儿全包都搞到 7w 多了，太贵了。遂放弃。（事实证明太理智了，不然 7w 多 hhhh。我在美国暑研的时候被那边学长笑死（知道我中介花了那么多钱后））
再来人，我对这个中介印象更好一点的原因是，他们文案看起来比较踏实。但这个是我最不熟的，我也没有发言权。我的朋友 C 签了这个。我记得他说也差不多，也是每周邮件催你，有 mentor 这样。
写 Nuts 之前再说说其他几个吧，百利天下，我去过，感觉他们做的比较大，然后全方位各层次都有。所以我们 thu 过去他们是很欢迎的，因为不像我们学校周边几个。他们当时给我的预估学校是最好的（hhh 清华光环）但是 dz 的绩点还是让他们眉头一紧。现在新绩点大家不用担心啦。还有一个我舍友的 mentorxxx 什么的，小机构，但感觉一般？他有问题老问我。还有几个更小的，私人的那种，贼贵，开价 10w，我都不知道他们是不是想把我当猪杀。这种千万千万小心，我回想起来觉得 emmm。所以说当时是这样，sbm3w~5w，中枢就是加 4~7w，大机构也 3~5w，小机构 2~3w，私人 10w，不过现在行情好像又贵了吧。
《出国与保研相关信息汇总与讨论》
又到了决定出国 or 保研的季节。从七字班开始，不论是新冠疫情还是国际形势都让这个选择变得更加艰难。形势也与几年前有很大不同。作为一名理工科大四老狗，dz 想给大家提供一些信息的汇总，当然数据都有 biased 非常希望其他同学给学弟学妹们在此洞里提供 21Fall 的申请情况，以及关于保研出国选择的观点
声明：dz 不认为选择有对错，只是希望少一点信息差，让学弟学妹们了解各条出路的差异。
出国资讯获取途径汇总：
1.知乎：2021Fall 你申请了哪些学校的 MS/PhD 现在已有 1100 余个回答，可以参考答主背景及申请结果，主要以应届生信息为主（大佬较多略微凡学，可能引发焦虑）
2.一亩三分地：留学申请板块/录取汇报板块/院系介绍板块 涵盖信息较广，以申请美国为主，有很多在读留学生提供讯息（转码氛围浓厚，有劝退其它专业的风气）
3.一亩三分地：签证手续板块 可以得到最新申请美签的信息，也是很多同学目前最关心的问题
4.寄托论坛：欧洲/港坡/经济板块 以上板块信息较多，有一些申非美国学校的信息，其它板块信息陈旧
5.Gradcafe：海外申请信息汇总网站 但要注意海外高校对录取中国学生的标准和本地人差异很大，本质上我们在和中国人竞争名额
6.www.checkee.info : 美签 check 信息汇总
国内直博：
优势：
1.风险小，无签证等外部风险
2.导师熟悉不会坑，导师国内有 connection
3.选调，体制内很有优势
4.环境熟悉，离家近；朋友多，便于脱单？
劣势：
1.学术水平及环境与国外或许有差距，不同学科差异很大
2.将来找教职可能要求海外经历
3.失去海外工作移民的可能性
4.国内学术氛围可能略 push？不一定
美国 PhD：
优势：
1.学术水平可能会比较高，氛围可能会轻松 2.找教职或许会有优势
3.毕业可以留美或去其它国家
4.博士工资大概率较高
劣势：
1.签证有风险，国际形势有风险
2.去了可能几年内无法回国，背井离乡
3.异国他乡，孤独感强
4.疫情
其它国家：学术可能不如美国，体制内不如保研，但无签证风险，找教职也算海外经历
非美国申请情况：（P.S. 香港属于中国，这里为了方便直接列在出国里了）
这些是 dz 结合自己以及认识的人收集的信息，很可能不完全准确，仅供参考，欢迎指正。
其它国家的 bar 大多不同程度地低于美国 Top10，具体比较难以量化。提供的所有数据都仅供参考！！不同专业差异或许很大。
英国：个别专业 or 学校可以直博，大概率需要先读硕士再申。英国授课制硕士一年制，开销约 30-40w RMB，相对容易申请。清本绩点中上可尝试牛剑，但今年变卷，也有背景好但被拒的例子。英国硕士年限短，优势可以早毕业，劣势实习少。英国研究型硕士 bar 较高，与 PhD 相近。是申 PhD 的跳板。英国 PhD 一般三年，奖学金比较难，可能需要申请 CSC。学制短所以文章可能略少。牛剑 bar 大概美国 top10 左右？其它学校略低
加拿大：也有很不错的学校和导师，bar 比美国低，硕士有奖。缺点是就业不如美国，优点没有签证问题，枫叶卡相对美国绿卡轻松。30%+一般科研可以试试？bar 大概美国 Top30+
瑞士：ETH/EPFL 大多数学科只能申硕士，CS 可以直博。瑞士硕士三年制，一年开销 10-20w。瑞士比较看绩点，大概 25% 左右的同学可以尝试申。CS bar 会相对高。瑞士风景优美，学术氛围好，课业要求高。生活方面可能有语言障碍，学费便宜但物价高。ETH 博士三年制，工资全世界最高。
港坡：港三坡二 硕士与英国学制类似，bar 较低，很看重本科学校，绩点不太好的同学也可以申请。博士也很看重本科学校，清北有优势，港坡博士建议提前陶瓷大佬。优势离家近、生活习惯相似。缺点没什么留学氛围，学术氛围介于欧美和国内之间，工业弱所以高薪就业岗位少。
日本：申请流程与其它国家差异很大，感兴趣同学建议自行调查。
其它国家：建议结合专业进行考虑，比如数学去法国也比较好，建筑去德国也不错，具体 dz 不是很了解
1 Like
《美国 AI 方向 PhD 的申请》
本来我早就想写这么一个来造福有意向出国读研的学弟学妹，但是要么我太忙没时间，要么有时间但因为喜欢冲塔被树洞小管家禁言。正巧前两天看见那个答疑洞吸引了很多关注，而且我最近就差 nips 写作了，正好借此机会练习一下文笔写点东西。请注意，本文由于追求完备，力争覆盖申请的每一个细节，所以可能会很长，毕竟我想写这个的目的就是看不惯中介靠信息差卖高价，我就是来砸他们的饭碗的，所以自然要事无巨细地全写出来。这样即便大家要报世毕盟，也只需要报半价的那个套餐就好了。不过我其实有很多地方十分主观，比如涉及评价学校的部分，所以不认同的人可能觉得我在夹带私货。如果你不认同本人的部分观点，就请当做我的一家之言，仅做参考就完了。
当然，这个洞是专门给 AI 方向的 PhD 申请开的，主要针对的群体是 ai/ml/cv/nlp/dm/robotics 方向的申请者。cs 其他方向比如 system 也可以参考，甚至不是 cs 的申请者读完可能也会觉得有所收获，所以各位敬请各取所需。我在最后也会讲讲关于 mscs 的申请。
所以为什么要去美国读 AI 的 PhD 呢？这似乎在当下有点政治不正确，显得清华好像留美预备学校一样。按理说，看 csranking 上清华北大反超 cmu 登顶世界第一不过是时间问题，为什么要跑到“注定失败”的美国去再上演一出 49 年入国军呢？很多人有从各个面向给出了很多不同的解答。我只根据纯粹的 research 原因给大家一个我的想法。其实，清华 cs 和北美 top 校最大的差距就是工作偏 follow-up。不服气的小伙伴可以先想一想，ai 顶会国内没少产出，但 dl 时代真正有 high impact 的可能只有当年 kaiming he 在 msra 的那一系列工作，而 kaiming 现在也已经在 FAIR 了。换言之，国外的顶级 cs phd program 更喜欢学生能够去开坑，而清华的 phd 更倾向去填坑。
什么样的工作算开坑呢？一个类型是定义新的问题，比如 fei-fei 组的工作。很多人诟病飞飞标了个数据集，或者搞了个新的 benchmark 就不管了，但在她看来刷 benchmark 是工业界的事，学术界本来就应该告诉大家我们应该往哪里 move on，无论是定义新问题，还是标新的数据集，都是在告诉大家整个 community 下一步的前进方向。而不单纯是今天我有一个 task，有一个 benchmark，还有一个 SOTA 的模型，我在上面加加减减然后提几个点，讲一个故事就是一篇论文。值得关心的不是在 ImageNet 上有提了几个点，而是我们究竟离 AI 还有多远这样一个 big picture。所以很多做 object detection 或者 segmentation 的同学不妨想想，为什么要从 bounding box 和 pixel-wise 两个角度来做 understanding。另一类开坑的工作，是创造性的提出一套前所未有的解决问题的范式。很多人用 lstm 做 nlp 的时候，google 第一个说 attention is all u need,cv 都是 cnn 的时候也是 google 告诉大家 transformer 可以代替 cnn。很多人现在做点云，但是第一个提出可以直接用 deep model on point cloud 的是 guibas 组。类似的还有首先用 deep model 结合 SDF 表达 3D 物体的 DeepSDF（UW+FB），以及去年大火的 nerf（Berkeley+google) 第一个把 deep model 引进到 rendering 中取得了很好的结果。总之，说穿了就两个问题，我可以怎么创造新的问题来继续提升 deep learning？deep learning 可以用来提升哪些现有的问题？很多时候回答这两个问题需要的是对于潮流发展有敏锐的 sense，我认为这才是中美 AI 学界差距最大的地方。song han 能拿到 mit 的教职是因为在 stanford 开了 model compression 的大坑，jun-yan zhu 和 tianqi chen 拿到 cmu 的 offer 也是因为分别在 Berkeley 和 UW 开了 image2image 以及 tvm 的大坑。我觉得清华要摆脱留美预备学校的帽子，需要先清华能让美国人做我们定义的问题。
好像扯得有点远，不过我觉得先让大家厘清为何要去美国读 AI PhD 是一件很重要的事情。下面我把申请中的各要素分门别类地和大家详细讲一讲。
GPA：我首先就要讲 gpa。很多人说 gpa 对 phd 不重要，也有很多人说 gpa 重要，到底重不重要呢？It depends。如果你本科毕业发了 10 篇顶会一作，gpa 可有可无，如果没有 paper，gpa 可能就是你的救命稻草。申请的结果是各个方面加权的结果，但不同人的加权系数是不一样的。与高考关注有没有短板不同，美国学校更关注的是你的长板，一般来说你出彩的那一部分越出彩作用越大，加权越高。所以 3.95gpa 很可能让缺少过硬科研经历的你进入 Princ
选方向：
我大致谈谈 AI 的几大方向以及顶会，我把他分成了六大方向。
传统 AI：现在做的人很少了，一般包括 search、planning，其实 bayes 那些我觉得也可以算进来。顶会自然是 aaai、ijcai，虽然这俩在 cv 领域不咋样。此外 UAI 也不错。
计算机视觉（cv)：顶会自然是 cvpr、iccv、eccv。很多人说 cv 不行了，但是国外申请的人还是多的一笔。有一些小会议，比如 WACV、BMVC 或者 3dv，感觉 3dv 其实还不错，就是 topic 比较窄，只局限在 3d vision。BMVC 因为牛津的人力捧，所以感觉比 wacv 强一点。
自然语言处理（nlp）：可能比 cv 申请更卷的方向，因为美本喜欢做，而且因为 short、finding 这些，paper 数量大家都很多。请见 acl、emnlp、naacl，而且一般以长文为主。short 要弱一些，finding 就更弱了。至于其他的像 coling 这种会其实都差一档。
机器学习（ml）：因为理论，所以自动筛掉了很多竞争者。也因为这样，相比其他方向，ICML/NIPS/ICLR 的论文数量是最能体现四大优势的。其他几项 csranking 就是个笑话。当然 AISTATS 和 COLT 也很好，但更理论。其实 AAAI 的 ml paper 比 cv paper 质量高一些。
数据挖掘（DM）：这个领域基本是走日薄西山了，KDD 已经不比 10 年前了，sigir 更衰，我觉得已经混到 cikm、icdm 差不多的水平了。www 会议还不错。而且这个领域的老师很多也在和 nlp 或者 hci 交叉，会投很多 CHI 或者 acl 这种会议。
机器人（Robotics）：Robotics 感觉相当杂，基本 cs、ee、me 的人都在做，而且侧重点从偏 perception 到偏 control 的，这中间的差异可谓相当之大。一般传统上的三大顶会是 ICRA/IROS/RSS，其中 rss 最好，iros 相对最容易。近年还有做 robot learning 的人搞得 CORL，北美反正是认这个会，可能国内因为 ccf 还没啥人投吧。
选校：
然后我要开始得罪人了，开始点评各个学校的 AI 综合实力。当然大家选校基本是靠排名，常见的排名包括 USNEWS 的 cs 专排以及 csranking 网站排名。前者是 peer review 的结果，比较靠谱，但有滞后性。后者是辣鸡，不要相信那个排名，大家看看老师有谁就好了，而且名单还不一定齐全。不过排名很多时候差个两三名但实力其实差不多，所以我把他们分了个档来排，同档的有些微差距但并不十分大。以下这个排名只反映 AI 综合实力，一不代表 cs 总体实力或者其他方向的实力，典型就是 UIUC、UMich，他们 system 很好，但 AI 就一般。二不代表分项的实力，例如 nlp 和 dm 领域的排名就与之有很大出入。至于大家选校，还可以看看 faculty 跳槽的去向，毕竟 faculty 判断谁靠谱那是真的靠谱。
Tier 1:
四大 yyds。不过 CMU 方差比较大，里面是真有些比较菜的老师的存在的。相对来说，斯坦福的 cs 基本坑货比较少，而且各个方向都十分强。MIT 和 Berkeley 没有做 data mining 的，nlp 的也很少，但 Berkeley 的 cv 和 mit 的 robotics 都逆天强。四大的共同特点就是 ml 都巨强，是直接拉出第五一档的强，而且人也特别多。
Tier1.5:
UW&Cornell: 两所基本在 AI 所有方向都很强的学校，但是加总起来从规模到质量都比四大稍差一点点的学校。UW 主要是得益于西雅图的地理位置，msft 和 amazon 钱给的多，而且像 fb 和 google 这些硅谷公司已经把西雅图变成了最大的分部，近十年来不知道从 CMU 挖了多少学术新星；cornell 虽然在偏僻的伊萨卡，但是他在同处纽约州的纽约市建了康泰克校区，尽管坐公交要 5 个多小时吧。罗斯福岛地理位置很好，紧挨着 google 的 office。虽然校园很小，但环境真的美如画。基本上，在工业界学术界联手搞事情的今天，地理位置的作用还是很大的。
Princeton：普林整体实力其实不如上面两所，主要是因为规模太小。不过要是你碰巧是普林的强势方向，也就是偏重理论的方向，特别是 ml，普林真的是很好的选择，但越应用就相对越差一些。不过普林这种基本一个方向坑位很少，可选的老师很少，录取的人也很少，很可能你找不到你感兴趣的方向。
Caltech：更极端的例子，普林是你可能找不到对应的老师，caltech 是除了极个别方向，比如 rl 啥的，你都找不到对应的导师。不过一旦有，还都是很好的！而且地处帕萨迪那，周围就是全美最好的中餐。
tier1 和 tier1.5 的学校基本都不是 rolling-based，就发一轮 offer，然后没有拿到的发 reject，因为他们有足够的信心会有达到预期数量的学生会 take offer。当然一般也没有 wl，因为他们第一轮发的数量就多于预期录取的数量了。mit 是个例外，可能会有一些 wl，但很难转正，因为锯掉 mit 的太
选老师：
其实老师比学校重要。老师主要是要看让你做什么，你做的 topic 直接影响你未来的出路。建议提前查看组里的同学都在做什么，以及他们毕业后的去向。基本这就是你未来的模板。然后还要关注和这个老师合作的舒适度，如果是个 push 或者放羊的主，你就要掂量掂量自己的个性了，毕竟五年快乐过下来比你做出多大成绩要重要。我见过很多北美 phd 读的很快乐的，也见过很多痛苦到 quit 的，主要的区别就是选了个什么样的老板。所以怎么能够掌握自己的方向都有哪些活跃的 faculty，又怎么能够判断他们工作 solid 与否或者是否是 rising star 呢？除了 csranking 和官网，我还有一个建议是好好利用 twitter。基本年轻的老师都会在上面推销自己的工作。而且有一些营销号，像 AK，会转推好的 arxiv new submission，比看 arxiv daily 高效多了，也比微信公众号那些花钱 pr 的 paper 质量好多了。
套磁：
我觉得其实对多数人没啥用，多数都是模板回复，毕竟多数人没到非你不可的地步。但我还是建议大家就像表白一样，宁可被拒也不要错过。就给自己选的 professor of interest 发一封邮件，说说自己对他的 paper 是多么的感兴趣。可能全是模板回复或者石沉大海，说欢迎申请或者你录取了我们详谈，但没准就有一个愿意和你面试呢。而且有些 paper 在投的同学，也可以通过 email 来和 professor 或者负责 admission 的 staff 来 update 你 paper 的情况
面试：
基本所有学校都要有面试，第一轮基本在一月份，一般拿到面试就离 offer 很近了。多数学校的面试就是聊聊你 cv 上的 paper，你想做的方向以及瞎扯淡。最重要的是放松，不要紧张，就正常的和老师交流，把你 paper 的细节清晰地说出来，从 motivation 到 method 再到取得的结果。然后要对面试老师近期的 paper 有所了解，建议仔细阅读他的 homepage 以及 google scholar。我相信大家经过和暑研老师的 meeting 肯定对这个驾轻就熟了。
等结果：
一般会在一月底二月初开始出结果，tier2 的学校到三月份也会接着发，毕竟要等第一轮录取的学生是否接前面学校的 offer。大家也可以利用这个时间和学校更新自己 cv 上在投 paper 的情况，个别老师也会在三月份再安排面试。总之，耐心等待吧，这个过程很煎熬的。
非 cs 院系的 ai：
其实除了 cs 系，ee/me 这些院系也有做 ai 的，比如 stanford 的 ee、Berkeley 的 me 和 mit 的 aeroastro。只不过他们光谱比较窄。ee 基本偏 signal processing，me 基本只有 robotics，这样到时候找工作的时候也会受限。比如 me 做 robotics 也基本都是去自动驾驶公司，相比之下 cs 做 robotics 的选择会宽的多。教职的话就更不用说了，cs 做 ai 的可以找 ee 的教职，但 ee 做 ai 的找 cs 教职难度层级大大提高。所以即便差一层级的学校，建议大家还是优选 cs，如果你想做 ai 的话。
所以总结一下 timeline 就是：认真刷 gpa->srt 或者联系老师去搬砖->考托福和 GRE->联系暑研->拿到重要的海外推荐信->整理 ps&cv->在申请网站上填申请->套磁->面试->等 offer->决定去哪里->办签证买机票。
3 Likes
感觉和这个重复很多
目前我是从新 T 树洞的云盘整合老树洞的内容，确实会有一些经典内容是和前人的整理重复，毕竟树洞的形式就决定了长文不多，优质长文更少。但你发的这个是两年前的整理了，我之后会发一些近期自己整理的优质洞。
《北大树洞量化洞搬运》
dz 数院 20，暑假在香港的一个外资做了量化研究的实习。在过去一年里面，经常能在树洞上面看到有关量化行业的讨论，也经常有朋友问我有关量化的各种问题。dz 在过去一年中也得到了许多学长学姐非常无私的帮助。最近正好 dz 有一点时间，打算写一篇有关量化行业的经验分享，希望能帮助到大家。
dz 能想到要分享的大致有这几方面内容，大家有其他想知道的也可以在这个洞下面留言，dz 知道的也会写在这系列里面。
7
洞主 10 月之前 10-09 18:28:43
量化行业简介和不同量化公司的介绍
如何入门量化行业
量化申请时间线和申请准备
量化行业需要的知识和推荐课程
量化行业的毕业去向及对比
量化行业薪资介绍
其他有关量化和金融行业的优质树洞推荐
另外，dz 希望把这篇经验分享写的能让贵校各个专业的同学们都有帮助，但是由于 dz 知识所限，dz 对于有些东西也不是很清楚，因此 dz 有任何说的不对的或者 dz 不知道的也欢迎大家补充。
dz 会把接下来的经验分享也链接到这个树洞里面，感兴趣的同学可以关注一下~
（10-04 18:04:58 812 关注 120 回复）
[Alice] 大好人 虽然不是数院信科大佬 但还是 Mark 一下
[洞主] 1.1 量化行业简介和不同量化公司的介绍 4152232
[洞主] 1.2 量化行业薪资介绍 4152236
[洞主] 1.3 量化实习选择 4152240
[洞主] 1.4 如何入门量化行业 4152242
[洞主] 2.1 量化行业需要的知识 4152248
[洞主] 大家有任何问题也欢迎留在这个洞里面
[Bob] 竞争烈度和淘汰压力怎么样
[Bob] researcher 比 dev/qd 薪资高多少
[Carol] 招人会更偏好 phd 吗？
[Alice] 只招数学 cs 背景吗
[Bob] 自营会比去量化公司打工更赚钱吗
[Dave] 简历被挂一般是什么原因呢？我过了一家简历，挂了一家，需要怎么提升呢
[Dave] 然后请问我的计算机水平不是很理想 (只有数算 b)，是不是 jump 和 citadel 基本就不要指望了？
[Eve] Re Alice: 同问，其他专业复合的有希望吗？
[洞主] Re Bob: 不同公司不一样，不过差距不会很大。个人感觉现在北大里面做 research/trader 的同学已经不少了，不过做 dev 的同学还不多，而且有一些公司招 dev 的需求比 research 更大。dz 对于 dev 不是很了解，所以就没写进来。不过欢迎信科同学来做，待遇远超 bat，工作会更有意思也更能学到东西，同时 wlb 也更好
[洞主] Re Carol: 不同公司不一样。一些机器学习研究员的可能希望一些 PhD，不过整体感觉量化公司都不看学历（之后我也会写）
[洞主] Re Dave: 最常见的还是 GPA 和科研吧。不过最好的办法还是找认识的同学帮忙推荐一下
[洞主] Re Dave: 这两个公司传言是需要计算机水平高一些，但是也不一定，毕竟内部也有不同的组和不同业务。去年 dz 面 Citadel 的时候还是大二上，其实也只会数算 B
[洞主] Re Alice: dz 也认识许多 gsm 同学做量化，所以并不局限与数学/CS 专业。不过概统和计算机知识肯定是必不可少的
[Francis] Re : 超级感谢
[Grace] 卖方的等我有空写写，也放在这个洞里
[洞主] Re Grace: 哈哈哈好呀好呀！
[Hans] hhhh 第一句话就掉码了 xs
[Isabella] dz 怎么看待量化的职业稳定性（与传统的二级基本面相比）
[洞主] Re Hans: 本来我也没指望能不掉码 hh
[洞主] 2.2 量化行业推荐课程 4152728 4152733（不知道触发了啥关键词，树洞一直不让我发，就发了这两个树洞）此外，概统知识也很重要，大家也需要学一下
[Jason] 想问下 dz 量化大四入行还有机会吗，坐标信科大四，有 ai 背景，代码水平应该还不错
[洞主] Re Jason: 肯定有机会呀，Jason 可以尝试投一投！
[洞主] Re Jason: 其实量化行业也有许多 PhD 才入行的，其实只要东西都学过，入行挺容易的 hhh
[Kate] 问一下 dz 有 cmo 经历吗，感觉很多量化公司对牌子有要求
[Louis] Re Kate: dz 是 IMO 金
[Margaret] 不知道说些啥了，膜
[Dave] Re 洞主：请问 dz 投的是 citadel 的什么岗位呢？感觉香港的都好偏计算机啊
[Nathan] 膜，大三天坑人是不是和这个行业无缘了
[Olivia] 不喜欢小学奥数题还能搞这行吗？概率统计，计算机什么的都还行
[Olivia] 没进省队能搞这个吗
[洞主] Re Dave: 我是 QR，不过感觉 JS 完全不需要计算机吧，brain teaser 做得好就行
[洞主] Re Olivia: 可以呀，不少公司其实不考小学奥数题的
[洞主] Re Nathan: 其实我感觉量化主要是看本事，并不怎么考察学历之类的（
[Paul] （一眼认出并在）后排疯狂点赞
[洞主] 3.1 量化申请时间线 4153073
[洞主] 3.2 量化申请准备 4153075
[Queen] 一眼认出 +1
[Queen] dz 我从小膜到大的
[洞主] 大致写了一半左右了，剩下的明天写
[Kate] Re 洞主：没有竞赛经历的话大二暑假去实习是不是不太能 pass 啊
[Dave] Re 洞主：或许被认出了？谢谢 dz，我去试着投投 citadel 的 qr
[Richard] dz 你好，jy 大一，想问下数双/软双是不是加分项呢？（可能会拖累绩点）还是说要有一些数学/计算机知识，去选/旁听那些课
[洞主] Re Kate: 外资一般不要大二的，不过 dz 如果成绩还可以的话找到一个内资还挺有希望的吧，毕竟那些私募最多也就招北大清华的同学
[洞主] Re Richard: 知识肯定是要有的，双学位其实 dz 觉得可以先报上，之后上不上课再说。至少简历上面可以写上（doge
[Kate] Re 洞主：好的，谢谢大佬嘞
[Susan] 不错 真发了 好大佬
[Francis] Re : 弱弱地问一句，文科专业的可以吗？
[洞主] Re Francis: 其实个人感觉真正重要的是你会啥，而不仅仅是你是什么专业的。当然文科专业过简历可能会比较困难，建议修一个数双/软双
[洞主] Re Dave: 抱歉还真没认出来（
不过如果 Dave 计算机不好的话，可能更适合一些 trader 岗位，比如 optiver 或者 JS，Citadel 也会有 trader 的职位也可以投一投
[Francis] Re 洞主：dz 文科大二，大佬能不能推荐一些课程，我想自学。
[洞主] Re Francis: 计算机课优先计概和数算吧，然后可以试试国发院或者 gsm 的概统，另外高数线代如果没学过的话其实也需要先学一下（如果真的想做量化的话，不过这样的话试错成本可能有点高）
[Thomas] 对本科绩点要求高吗，dz 能否大致透露一下绩点范围
[Dave] Re 洞主：好的谢谢官网上 citadel 的 trader 好像在香港没有，还是说现在还没正式开始？dz 是几月投的啊
[洞主] Re Thomas: 肯定是有要求的，一遍想去头部内资或者外资绩点一般也要中上等，不过放低一点要求的话绩点不高找个还可以的百亿私募也有希望，毕竟也不是只看绩点
[洞主] Re Dave: 去年我是十月份 Citadel 来北大有一个讲座，当时我把我简历发给的 HR。如果 Dave 认识我的话可以微信私戳我一下，我可以帮忙推过去（
[洞主] Re Thomas: 我绩点还挺不错的，不过也有 3.7 或者 3.8 的同学能找到外资的
[Uma] Re 洞主：omg dz 你绩点不会 3.92 吧
天哪膜一下先
[Grace] Re Dave: 您去错地方了，trader 需要去 citadel securities，citadel 只开了 equity
[Dave] Re Grace: citadel security 官网 trader 也没有香港啊
[洞主] Re Uma: xs 3.92 和我没有任何关系
[Vivian] Re Uma: dz 绩点不止 3.92
[Winnie] 后排膜一波 dz
[Isabella] Re 洞主：呜呜 dz 看看我把 T_T dz 怎么看待量化的职业稳定性哇（与传统的二级基本面相比）
[Francis] Re 洞主：谢谢师兄！
[Xander] sms 大二选手现在就要开始尝试投简历准备大二升大三的暑期学习了吗，现在还没什么有价值的东西能写在简历上诶？
[Grace] Re Dave: 那你大概率没搞清楚哈，我前几天刚投完呀。要不要再看看？记得要搜 intern trader
[Grace] Re Xander: 大二升大三除非您像 dz 一样巨直接申请外资，不然下学期开搞就来得及 hh
[洞主] Re Isabella: 啊抱歉漏掉这个问题了，个人感觉量化行业竞争肯定越来越激烈，但是做得好的一定会有大量收益的
[洞主] Re Isabella: 至于稳定性的话，至少现在还是看公司，不同公司风格不一样，有的公司可能经常开人，有的公司氛围就不错（其实我感觉抱怨量化行业稳定性的不是很有道理，因为感觉量化裁员远不如互联网多
[洞主] Re Xander: 想大二暑假做内资实习的话可以大二下再申请，基本就是成绩，科研（如果有），竞赛经历，上过的相关课程和学生组织
[Thomas] 求 dz 给个每学期选课的参考，尤其是现在数院特意把大一和大二的课安排撞课，概率数统只能大二选，后面的课也得推迟
[洞主] Re Xander: 数院同学来说大二暑假第一份实习完全不晚，内资的话大二下再申请就来得及
[洞主] Re Thomas: 我之后写一个吧
[洞主] Re Thomas: 那个是真的无
1.1 量化行业简介和不同量化公司的介绍
简而言之，量化行业大致就是用统计/计算机的办法，通过计算机的自动化决策（而不是行业研究等人工决策）来进行投资。在当下量化投资行业也相比几年前有着飞速发展。
具体而言，量化行业的就业去向大致可以分成以下三种：外资的自营交易公司、内资私募量化和投行等卖方量化。
外资量化公司基本是做量化的同学的优先去向，具体而言，北大的同学比较关注的一般是这几个公司：位于上海的 Jump Trading 和 optiver，以及在香港的 Citadel Securities 和 Jane Street。（其实国际上还有许多非常好的大量化公司，但是那些公司可能在中国并没有 office，如果大家去美国读书的话也可以申请，不过出于签证等原因一般不会要大陆学生）
在这几个外资量化公司中，Jump 和 Citadel Securities 在公司业务上面会以全自动化交易为主，因此招收的 Quant Research 比较多，对于 candidate 的统计和计算机要求比较高（比如一些统计和概率的知识，也包括一些计算机知识和 live coding）。相比之下，JS 做的最好的业务是 ETF，optiver 的 option 做的比较好，这两个公司以半自动化交易为主，面试过程中会更多的考察同学们的感觉和反应速度（例如 Brain Teaser 或者 Market Making Game）。具体的面试准备还会在后面提到。
整体而言，这几家都是非常好的量化公司，一般都是大家的首选。如果要从其中做选择的话，大家一方面可以考虑一下自己希望的工作地点，另一方面是看看自己适合做研究还是适合做 trader。
内资私募量化就比较多了，大家经常提到的“xx 投资”一般都是。具体管理规模大家可以参考这个图：#3820408
相比之下，内资的选择就比较多了，不同公司的风格/业务/氛围也可能显著不同。dz 可能没有办法在树洞上面详细介绍每个公司，根据一些认识的朋友的介绍，九坤、幻方、佳期和宽德都是不错的去处。大部分公司都是有北大的同学在那里做实习/全职，所以强烈建议大家在选择公司的时候提前和去过那个公司的学长学姐请教一下。
另一个量化的去处是卖方量化，包括高盛、Morgan Stanley 这样的外资大投行，国内的投行现在也在做一些与量化相关的业务。这一部分 dz 不是很了解，欢迎 gsm 同学补充。
1.2 量化行业薪资介绍
树洞上面总是有各种有关量化行业的薪资讨论洞，dz 之前看下来感觉大部分都是假的。之前也有不少人和我打听过量化行业的工资，所以也在这里简单分享一下。
对于实习生而言，内资私募量化的工资一般是日薪 300-2000 之间（不同公司略有区别，不过基本是在这个量级里面）。外资量化公司的实习薪资会更高一些，在我上一个洞说的那几个量化公司中，最少的一家的实习工资能达到 2000/天，最多的折算下来一个月能赚到 10w+。
至于全职员工而言，几个头部内资量化的工资第一年一般能给到 1-2 百万，一些外资给的会比这个更多一些。（当然一些树洞提到的第一年年薪千万是非常罕见的情况，而且个人感觉在之后很难有这种好事）不过这个只是刚入职时的薪资，干两三年之后如果干的不错的话一般都会有一个较大的提升。所以 dz 之前在和不同公司的员工交流的时候，大家普遍给我的一个建议是，要去那些有前景、能学到东西的公司，而不要过于在意起薪，因为你在干几年之后的工作会远高于你的起薪。一旦你有本事，去哪个公司都能干得很好。
3134215 这个洞展示了一些外资的工资情况，基本都是准确的。不过有一些公司最近有涨薪，这里面的数据可能有滞后。
1.3 量化实习选择
大家考虑选择量化实习的时候，一般会考虑以下两个因素：公司的名声、实习期间能不能学到东西。
个人推荐去一个真正能学到东西的公司，因为实习更多的是一个体验的过程，你在实习期间能知道量化行业都在干什么，也能知道自己是不是喜欢量化行业。但是，对于需要申请金融硕士项目的同学，能去一个比较知名的公司同样是重要的。
1.4 如何入门量化行业
一般而言，想入门量化行业有两种办法。一是去参加一些有关量化的讲座或者课程（HFA 在贵校里面办过许多还不错的课程和讲座，感兴趣的同学可以参加）。二是多和认识的学长请教，dz 其实一年前对于量化行业也一无所知，就是被各种学长学姐一路带过来的，dz 个人感觉贵校同学一般都会非常热心的帮助自己的学弟学妹，不过大家也需要主动向学长学姐请教。
不过如果真的对于量化行业感兴趣的话，实习也是必不可少的。dz 个人感觉，做一段 1-2 个月的实习能对于量化有着更加深入的了解，同时也能学到很多东西。
2.1 量化行业需要的知识
总体而言，量化行业需要的知识大致有以下几个方面：
数学知识：概率统计知识在量化面试中是必不可少的，同时了解一些数值计算的知识也有帮助（dz 去年就被问到过一些，但是完全不会）
计算机相关知识：基础的编程是必不可少的（优先 Python，也需要掌握包括 Numpy, Pandas, sklearn 等包，同时会一些 C++ 也有帮助）。一般量化公司都会使用 Linux 系统，这部分知识在面试过程中可能不会考察，但是最好要会一些基本的操作（dz 暑假实习之前就完全不会 Linux，花了一个周六恶补的）。同时，一些量化公司现在也在神经网络上面有很多投入，因此做过机器学习相关科研的会很有帮助（偏机器学习的研究员方向可能招的 PhD 回多一些）。同时，做过一些大型的编程项目也会对于自己的能力提升和通过面试都有帮助。
金融知识：通常而言量化公司都不会要求金融知识，不过如果有比较好的市场直觉&会一些期权等知识也会是有帮助的。
英语：如果想申请外资量化公司的话，英语水平是必不可少的。dz 之前就认识许多同学因为英语不行而吃了大亏
2.2 量化行业推荐课程（1）
计算机课的话，计概和数算建议都要学一下（C++ 会更基础一些，而且学完 C++ 再转 python 会很方便，不过如何只是 focus on 量化的话，python 可能会更实用一些）。此外 dz 强推信科 hjf 老师的 python 程序设计与数据科学导论，这个课任务量非常大，不过讲的真的有用，也真的能学到东西，最后给分也不错。此外 ICS 对于量化行业也是有帮助的（只是可惜现在非信科/软双同学貌似选不了了…）。gsm 同学给我推荐过机器学习与人工智能，数院同学还推荐过并行与分布式计算，这两个课 dz 不是很了解，大家可以自己查一下。总之计算机水平真的很重要，尤其要锻炼自己写代码的水平，dz 个人感觉大部分非信科同学都需要提升计算机水平 hh
此外有不少同学会选择 gsm lcx 老师的金融中的数学方法和随机分析这两个课，dz 自己没上过，不过评价还挺不错的，而且做量化也可能会用到。此外数院也有 ly 老师的应用随机分析，dz 感觉讲的挺不错的，相比 lcx 老师的课可能会更数学一些，但是不会讲在金融中的应用。
还有不少同学可能会选择国发院的双学位，个人感觉双学位的课程对于量化行业其实帮助不大。如果要推荐的话，财务会计可能是一个比较有用的课，胡老师的博弈论也不错，此外 dz 还上过 xg 老师的中国经济专题，对于量化就业可能帮助不大，不过真的讲得很好。
（10-04 19:53:48 60 关注 6 回复）
[Alice] 求问 ICS 会在哪里用到呢？（指 researcher 或 trader）
[Bob] Re Alice: 高频
[洞主] Re Alice: 操作系统方面还是挺有用的（尤其是 Linux，组里面不少人用 vim 用的极好，但是我完全不会）
[Carol] 一眼认出 dz 是谁哈哈哈
[Dave] 这几个课跟量化离着十万八千里，几乎没用
[Bob] Re Dave: 楽
2.2 量化行业推荐课程（2）
至于数院的高年级本科生课，数值代数/数值分析可以挑一门学一下（dz 一直没学过，不过也是有用的）。另外数院开设的一些高年级统计方向的课也可以考虑一下，包括统计学习、深度学习与强化学习以及 zc 老师的统计计算，能比较好的学到深度学习，zc 老师的课也能锻炼代码水平。
3.1 量化申请时间线
由于 dz 是本科生，这一部分就只介绍本科生的申请时间线了。PhD 或者 master 可以在毕业前一个暑假去做量化实习，再往前的部分倒推即可。
一般而言，量化申请流程中最关键的是大三升大四暑假的实习，这个实习通常是一个本科生能找到的最好的实习，大家一般会希望通过这个实习拿到 full-time offer，之后选择直接入职/继续读书。
从现在来看，如何申请大三升大四的 summer，一般外资量化自营和外资投行一般需要提前一年秋天就申请，在这期间把自己想去的公司都投一遍，然后根据自己能拿到的 offer 决定去哪里（所以要申请明年 summer 的同学现在就可以准备了）。这个流程通常从 9-10 月开始，要持续 1-2 个月，这期间如果要认真准备面试还是一件挺累的事情（虽然 dz 面试很摆烂）。如果要申请内资量化公司的话，有些公司会在秋季就招聘，也有的公司的招聘流程和持续到第二年的春天，因此春季学期也能找到一个内资量化的实习。
再往前看的话，申请量化公司通常不会很看过去的实习经历，不过 dz 还是建议能在之前有 1-2 份量化实习（例如大二暑假可以做一个），一方面对于申请可能有帮助，另一方面也能早点体验一下量化行业。
3.2 量化申请的准备
量化面试中大致会考以下几方面的内容：
（1）数学/概统题目，例如一些简单的概率计算、有关线性回归的东西，还有时候会考数分高代题目
（2）计算机知识：live coding（常见的准备办法是刷 leetcode 或者 codeforces）,一些常见算法或者一些包的知识（这部分主要就是考水平，也没啥准备的办法，当时我被问到 modern C++ 的东西，完全不会，并且毫无办法）
（3）brain teaser，常见办法是刷一下“红宝书”之类的（这一部分还是要稍微准备一下的，有一点准备就会很有帮助）
（4）market making game，主要是 Optiver 和 JS 会考这一方面
（5）behavior questions，这一部分 dz 完全不会，去年面 optiver 的时候也做的极差，不过还是需要准备一下的
通常而言，内资量化或者外资的 research 职位会比较注重（1）和（2），外资交易公司考（3）和（4）会多一些
对于面试准备而言，短期能做的一个是刷一刷 live coding 题目，另一方面是做一做 bt 或者 market making，behavior 也可以准备一下（至少要准备一个中英文的自我介绍）。不过 dz 感觉更关键的是找之前面试过的学长，问一下他们之前面试过程中的经验和注意事项，这可能对于面试过程会更有帮助。
（10-04 21:11:17 47 关注 3 回复）
[Alice] 红宝书是什么呀
[洞主] 几个常见的量化面试书（虽然我也没看过）：
150 Most Frequently Asked Questions on Quant Interview
A Practical Guide to Quantitative Finance
[Mark Joshi]Quant Job Interview Questions And Answers
Fifty-Challenging-Problems-in-Probability-with-Solutions
Timothy Falcon Crack - Heard on the Street, Quantitative Questions from Wall Street Job Interviews-Timothy Crack (2014)
[洞主] 也是被其他同学推荐的书 hh
2.3 数院推荐课程
之前有同学让我写一下数院的一些推荐课程，dz 自己才大三，就简单推荐一下大一大二的数院课程吧。
之前在树洞上面看过 #2555993，个人感觉这个偏激进，不过可以做一个参考。
个人感觉，在完成数院的培养方案之下，大一大二选课的自主权不多（因为你培养方案的课总要选吧），所以基本就是在培养方案上面每学期再加一两门课。
首先要注意的是，如果想提前选课的话，概率论和数理统计一定是要尽早选的（不仅仅是做量化，所有应用方向都是这样），概率论能大一下选就大一下选，因为冲突选不了的话就大二上选，数理统计同理。
此外的话，大二上的同学可以尝试一下金融数学引论和金融数据分析导论。金数引其实个人感觉定位略尴尬，因为这个课偏精算，不过既然是金融系必修的话想去金融系的同学早点肯定没问题。金融书籍分析导论其实这个课的内容很实用，但是讲课和给分一般。实变函数也是一个可以选择的课程。
大二下的话，可以尝试选择 lcx 老师在光华开的课程（当然足够厉害也可以在大一下就选金数）
大三上的课程选择比较多了，金融系的限选都可以选。不过个人感觉如果想做量化的话，比较推荐多选一点硬一点的统计课，可能会更有用一些，可以考虑的课程有统计学习，深度学习与强化学习，zc 老师的统计计算和贝叶斯（这个在春季学期），csx 老师的高等多元统计，不过这学期 dz 还正在上课就不写测评了。
其他信科和 gsm 的课程推荐见 2.2.
- 量化行业毕业去向：继续读书 or 直接工作？
以下讨论仅限于本科生。
通常而言，想做量化的本科生有以下几个出路：本科就业，在国内/国外读金融硕，读统计/运筹等偏理工科的 PhD。
我们先考虑 PhD。首先需要明确的一点是，除了少数机器学习方向会偏好 PhD 以外（其实是偏好有机器学习研究能力的人才，如果你是本科生但是足够厉害也完全没问题，但是大部分本科生并没有如此强的能力），大部分量化行业都是不需要 PhD 职位的。因此，虽然读 PhD 之后转行量化也很方便，但是你在 PhD 期间的训练大部分是在工作中用不上的。因此，个人认为比较适合读 PhD 的同学是仍然有研究理想（想去学校教书）/将来不仅想去量化公司，也愿意去一个科技公司做研究的人，读 PhD 期间对于研究能力的训练会对于这些方向有帮助。但是不推荐单独为了做量化而读 PhD，因为为了做量化而读 PhD 的性价比有些过于低了，你在量化公司工作五年能学到的知识会远比 PhD 期间有用，同时你干五年之后完全能成为一个 team lead，对于将来的职业发展也会更加有利。不过如果还没想好自己将来想干什么（不一定做量化）/有学术理想的同学，肯定还是首选读一个 PhD 的。
接下来我们讨论一下 master，一般大家可以选择在国内/国外读金融硕，也有人会选择读 CS 的 master。首先我们需要明确的一点是 master 都是为了找工作导向，通常在为期 1-2 年的金融硕项目中，你可以从入学开始就要找实习/找工作，真正的 master 很少会有人把经历集中在硕士课程上面。因此个人比较推荐在本科期间没有找到令自己满意的工作/本科是理工学位，想在硕士期间转金融的同学，这样能发挥读 master 的价值。同时硕士项目的另一个好处是，由于国内有学历歧视的问题，虽然量化公司一般不会在意学历，但是一些国企不会招本科生，因此本科生将来如果想从量化行业转行可能会困难一些，这样 master 就是一个比较快速的拿到学位的办法。
另一个问题是在国外读硕士还是选择国内的金融硕士项目。个人认为，无论是从金融市场的成熟度，还是比较不同的硕士项目，国外的硕士项目都会远好于国内的项目。因此 dz 会比较推荐有条件的同学优先考虑出国读一个 master。在国内读书也有一些好处，首先就是申请会比较方便，一般成绩还可以都能找到一个差不多的硕士项目，而申请出国需要的准备就会多很多；另一个考虑因素是你是否愿意去美国/欧洲读书，特别是在当下的国际环境/疫情之下，但是如果想去美国找工作或者生活的话就要去美国读一个硕士项目；同时国外的硕士项目会贵一些（大约需要大几十万，但是如果你将来想做量化的话，肯定一年就赚回来了）。
接下来讨论一下本科就业。经过过去一年的思考，dz 其实蛮推荐能找到满意工作的同学本科就业的（本科就业在 gsm 其实比较普遍，但是在数院等理工科院系还比较罕见，而且也不是很“政治正确”）。一方面，本科就业可以省去几年的读书时间而提前几年工作，因此在你的同学毕业的时候你可能已经会有很多工作经验了。同时，不少的量化公司的第一年都是以 training 为主，之后也有很多的机会在工作中学习，因此相比继续读书，在工作期间也能学到非常多的东西，而且会远比在读书期间学到的东西更实用。同时，相比硕士或者博士，多出来的几年的工作时间是非常宝贵的，因为 dz 认识很多一两年就能干出来很多东西或者成为一个 team lead 的人，这样的经历会比你多读几年书会更有用一些。因此，如果能找到满意的工作的话，本科就业的最大缺点是本科学历，因为有些公司会不喜欢要本科生，虽然这个现象在量化行业中不常见。（其实在美国，大家的想法都是“本科能找到工作，又不想做研究，为啥要读硕士，因此很多硕士项目其实是坑国外人的钱的。在他们看来，一个硕士是“能力不够的表现”，因为你有本事为啥还要继续读硕士）
（10-05 17:31:03 35 关注 14 回复）
[Alice] dz 本科就业吗
[洞主] Re Alice: 没想好，也要看有没有地方要我（
[Bob] 明天吃饭啊明天
[Bob] 我先来拜读一下
[洞主] Re Bob: sbwzt
[Bob] Re 洞主：愤怒
[洞主] 需要补充的一点是，如果你想本科就业的话，一定要抓紧在学校的时间赶紧学东西，多选一点机器学习和计算机方向硬一点的课，不要光顾着选一些靠期末考前突击就能考好的水课，学知识是最重要的
[Carol] 为 yj xgg 疯狂打 call
[Dave] dz 能不能讲讲除了私募以外还有没有其他量化行业的工作选择呢？我的能力并没有特别强，或许可以在一家私募挖挖因子这样，但不知道本科毕业就工作的话，如果被裁了或者自己离开了私募，有没有其他的地方可以去
[Eve] Re Bob: 笑死我了
[Francis] Re Bob: sbwzt
[Bob] Re Francis: 你怎么不是 Charlie
[Francis] Re Bob: nm，反正 C 也不是 Charlie，爬
[Bob] Re Francis: 文明 冷静！
5 最后想分享的一点东西
之前一直有想法要发一篇经验分享树洞了，不过确实没有想到会有这么多关注，感觉 dz 确实做了一件有意义的事情。不过还是有一点最后想说的。
首先要注意的一点是，量化行业虽然是一个很好的去处，但是并不适合所有人，需要比较强的数理背景，需要比较快的反应速度，也要能接受短时间高强度的工作。我之前在写量化行业的年薪的时候也有些犹豫，后来感觉既然大家都想知道，不如简单说一说。但是真心建议想做量化的同学思考一下，自己适不适合这个工作，以及自己喜不喜欢这份工作，如果单纯是为了起薪而来做量化其实不是很推荐，而且不喜欢这行的话大概率也做不好，因为量化并不适合所有人。（其实 dz 在拿到 Citadel 的 offer 之前，也不认识很多学长，之前也完全没有打听过量化行业的薪水，当时我听说我在实习期间的薪水的时候都震惊了，因为完全没有想到 CitSec 会给这么多）
另外还有同学问到 Quant Research, Trader 和 Developer 的区别，这里也想简单提一下。通常而言，trader 和 QR 会比较像一点，但是前者更多的是根据市场上的信息来做出快速决策，需要应用与期权和 ETF 这样流动性不是很好的资产，一般采取半自动化交易的形式，比较考察快速反应的能力和 sense（optiver 和 JS 都是这样的公司）。QR 则更偏研究一些，主要是通过建模等办法来预测资产价格（例如股票等流动性比较好的资产），采取全自动化的交易方式，需要比较强的数理基础和计算机能力，有时也需要会一些机器学习。
这里还想大力推广一下 developer，因为最近根据 dz 的观察，现在 gsm 和理工院系做 QR 和 trader 的已经不少了，但是做 dev 的还远远不够。通常而言，dev 主要是写一个基本的交易框架，实现公司与交易所之间的对接，有时候还需要负责一些软件开发。最近 dz 也听说，包括 Jump 和 akuna 在内的许多公司都有极其迫切的招收 dev 的需求，但是北大做 quant dev 的还远远不够。因此强烈推荐信科同学关注一下 dev 方向，竞争会远比 QR 和 trader 小，待遇也很不错，也很有意思。
最后还想说的一点是，量化行业并不是一个“论资排辈”的行业，你在公司里面干的怎么样很快就能看出来，同时你有本事就能很快的得到奖励。因此大家一定要注意提升自己的真实水平，抓紧在贵校里面的时间多学点东西，而且要选一些真正有用的课（千万不要通过选了很多学分的课显得自己很勤奋，那种水课帮助真的有限）。另外一个需要注意的是，量化是一个活到老学到老的行业，可能很多现在在用的技术在五年前还没有被发明出来，因此一定要有持续学习的能力。（之前在香港的时候和一个 full-time 聊天，他说他每天晚上都要抽一些时间学习，要么读读书，要么看看 paper，这对我触动挺大的）
最后 dz 来讲一讲自己之前的经历吧。
坦率的讲，dz 其实来到数院的时候就不打算学基础数学，相比之下，dz 更希望做一些与社会联系密切的东西，因此 dz 从入学的时候就对于金融和计算机方向一直保持着关注。dz 第一次听说量化是大一下的时候，当时 HFA 在招新 dz 也就顺便投了一个（相当简陋的）简历，不过还是顺利的进入的 HFA。在那一个学期里面，dz 偶尔会听听有关量化的讲座，不过也没啥准备，也没有实习的打算。
对 dz 的一个转折是大二上开学的时候，optiver 组织了 trivia night，dz 感觉自己比较擅长那些题目，加上当时状态比较好，很幸运的拿到了第一。当时 dz 对于量化还一无所知，不过在 optiver 一些学长的邀请之下抱着试试看的心态申请了 optiver，过不久 Citadel Securities 也到北大做了讲座，在一个学长的推荐之下也申请的 CitSec。我最终很幸运的拿到的两个公司的 offer，经过一番考虑觉得去 Citadel（optiver 也真的很好，只是 dz 可能想先试一试做 research，optiver 的 trading 会更好一些）。不过 dz 感觉个人在那一段申请季下来最大的收获是认识的许多超级厉害的学长，同时对于量化行业也有了一个远比之前深入的了解，个人感觉这些收获可能甚至会更大一些。
回顾过去的这一年，真心的感受到了许多学长学姐和同学对我非常无私的帮助。我在香港实习期间带我的人也是之前北大数院的，不仅在工作上教了我许多，而且在我的未来发展上面也给了我许多建议。dz 写这篇经验分享的一大原因是感觉部分贵校同学信息过于闭塞，因此也真心建议大家都和自己的同学和学长交流。
最后，虽然许多之前帮助过我的学长学姐可能已经看不到这个树洞了，但是还是想感谢一下所有帮助过我学长学姐和同学们，要是没有这么多人对我的帮助，我也不会有今天的幸运。
（10-05 20:22:38 35 关注 8 回复）
[Alice] 所以 trader 其实有一点点主观的感觉？
[Bob] 真是辛苦了
[Bob] 没错 bob 还是我
[洞主] Re Alice: 和我们说的“主观投资”不一样，不过确实需要一点 sense
[Carol] 所以薪水大概是什么水平…
[Dave] Re Carol: 100w-400w 吧，也有 1kw+ 的
[洞主] Re Carol: 之前写过，可以看 4156944
[Carol] Re 洞主：谢谢 dz
1 Like
量化洞在北大树洞过于火，以至于被同行们举报没了。现仅存于新 T 树洞
1 Like
lz 能单独开贴转载吗，这样太长了手机翻很难受
1 Like
有关于中美关系对留学生影响的文章吗
1 Like