职业选择：quant or data scientist? 想听听大家的看法

大家好，楼主最近刚刚phd答辩结束，开始（重新）琢磨找工作的事儿。有一些困惑和犹豫，想跟大家聊聊，同时特别希望能听听大家的意见和建议。


------------------------------------------------ 一些背景 -------------------------------------------------
楼主在芝加哥某还不错的学校读地学某理论/计算方向的博，平时科研主要是物理建模+数值模拟+分析模拟结果，外加一些公式推导。



楼主去年九月底开始考虑实习和就业的事，当时的计划是找quant，陆续投了快一百家吧一共拿到4个面试（不算各银行的OA），最终也没能走到最后，能力和运气七三开吧。


今年疫情一来，外加H1B不给办visa的executive order，各个fund+bank迅速对国际生关上了大门， 导致仅有的位置竞争格外激烈。银行就不说了，直接没了校招，fund的话好多不要求经验的位置一放出来常常超过一半申请者都有相关岗位经验，我一个转行的拿什么跟人家争。试投了十几家，绝大部分都石沉大海了。


加上去年年底跟Citadel一位前辈聊过，他不太建议我往quant转，理由是已经过了这个行业扩军的最佳时期，外加各校金融数学项目培养出的毕业生积压，目下竞争已经非常激烈。当初听到的时候还不以为意，今年这个情况下，重新思考这番话，开始对转quant这个选择有些犹豫。另外夏天还跟系里之前毕业的一个转了DS的学姐聊了下，她非常喜欢现在的工作，也极力推荐我转DS。我自己也大致关注了一下data science的行情。


下面是我总结的自己对两个行业的认识和判断，特别欢迎大佬指出问题&补充。


------------------------------------------------ 以下是自己一些naive的看法 -------------------------------------------------



Data science（DS）：



（1）DS岗位数量比quant多很多；


（2）DS岗位有各个层次的需求，既有基本的data analytics（本科毕业就可以胜任）、也有更难一点的data science（偏research，如果有phd训练更容易胜任）；



（3）DS职位不但要求技术层面对数据的分析能力，而且很注重通过分析来tell a story的能力；



（4）DS的面试比quant更偏重实践，而且很多情况下都期待candidate已经手握一个project来demo自己的技能。


相比之下，quant求职给我的感觉是：


（a）对于phd求职者，通常不太要求金融背景，主要面试概率论/统计/编程/brainteaser，部分岗位也会面stochastic process & calculus；


（b）尽管很多fund声称喜欢招不同stem背景的phd，但是统计/应数/econometrics/CS背景的phd似乎最吃香，体现在最容易拿到面试机会。认识一个我校搞弦论的朋友，面试比例也就5%-10%


------------------------------------------------ 基于上述认知，我自己的判断是：---------------------------------------------------



（i）单纯就通过面试而言，我自己的情况下quant比DS容易准备：因为各个公司的岗位面试所涵盖的内容差不多，无非是复习一下概率/统计，刷一些编程题，找点brainteaser来做。外加自己去年找实习的经历，比较清楚怎么去系统地准备；而DS的话，虽然读博期间一直在训练上面第（3）点，也确实一直在做数据分析，但是感觉跟面试所需要的skillset差距还比较大：比如没用过pandas，不会用SQL，没接触过tensorflow，平时接触的data也通常非常clean而且结构清晰，不会A/B test等，更不要提machine learning只学到了一点皮毛。上面提到的第（4）点也感觉需要花很多时间准备。这就导致DS的面试需要准备的东西比quant多很多，而且杂很多，而且很可能出现准备的技能很多岗位不需要，需要的技能没掌握的情况。


- 这一点让我对DS比较犹豫，所以倾向于quant。


（ii）但是就竞争激烈度甚至工作稳定度而言（DS当然也没那么稳定，但考虑到pool足够大，被裁相对更容易找到下家？），DS是比quant更优的解。另外以我自己浅薄的认知，DS的需求（至少在美国）长远来看会比较明确，quant的话可能更容易出现整个行业整体的扩军/裁员？


-这一点让我倾向于DS。


（iii）个人兴趣层面，我自己不太喜欢每天琢磨钱的事儿，而且价值方面感觉quant相比DS更多是在分蛋糕而非把蛋糕做大，这个角度无疑倾向于DS。但另一方面，感觉quant背后是econometrics+金融+economics，这些都发展出了比较完善的理论框架，我自己会比较有兴趣学；而DS更偏重应用，加上比较新兴，背后的知识体系相对零散，加上不同领域的DS有各自的domain knowledge，我也不太清楚自己是否对这些domain感兴趣（比如常看到的health care，advertisement这些，由于自己接触太少、没有形成直观的认知，就很难感兴趣）。想了半天可能还是对自己的本行进行data analysis更有意思…（当然这个可能跟熟悉度也有关，说不定随便挑一个领域扎进去等熟悉了也会发现还挺有意思的...）


- 总之这一点感觉quant和DS打平。


（iv）收入/work-life-balance（WLB）：这方面无疑quant比DS更有吸引力：类似WLB的情况下，quant的起薪通常比DS高一些，bonus更不用提，特别是fund。当然部分fund存在比较糟糕的WLB，但是我了解到的大部分还是很reasonable的。


- 这一点quant占优。


（v）回国前景：短期内自己没有回国打算，但是保不齐哪年可能回去了呢（也可能跑去其他国家，比如欧洲或者加拿大…）。这方面我听到的说法是国内做DS最好去大厂，但大厂竞争又很激烈，更不用说996的问题；不去大厂的话，中小公司做DS很难直接参与决策，效益好的时候DS能起到辅助作用，效益不好先裁的就是DS，毕竟gut-based决策还是大行其道。quant的话至少目前海龟phd倒是还算吃香，国内各种基金还没被国内过剩的博士毕业生冲击，但是等到我万一回国的时候这也不好说。而且感觉国内金融市场还是不够成熟？不知道在美国积累的业界经验回国后有多大迁移性。


- 这一点似乎DS和quant又打平了，但quant似乎略占上风。




----------------------------------------------- 终于要写完了 --------------------------------------


所以一番分析下来，就比较犹豫要转quant还是DS。不知道地里了解DS和quant的大佬们怎么看？


不知道地里我这种情况多不多，不管怎样，希望能激发一些讨论，能对后来者有所帮助。。


提前谢谢大家啦！！！



（当然可能会有朋友建议转码，不过我自己一来感觉写码不是强项（当然，硬练应该还是能练出来的），二来感觉对通过写代码来实现一些东西兴趣不是特别大，可能更感兴趣于追问现象背后的东西是什么。所以先不考虑转码啦。。）

看到楼主现在的处境和我当年很相似，平时我几乎只看不评论，今天就在你这里啰嗦一下，也算是给你和后来者一个参考。我当年博士毕业头三个月也是quant和DS都投，但是偏向找quant，自己考过了CFA一级和二级，Black–Scholes方程我能用三种方法手推出来，包括Stochastic Calculus, Martingale这些也都自学搞定了，以及quant面试那几本面经过了无数遍。虽然本科也是国内前10，奈何博士学校不够好专业也不对口，投了几百家，基本都是简历拒。感觉华尔街就是只看出生，而硅谷好的一点就是英雄不问出处。记得只有一家给了我面试机会，但是问了一个从来没听说过的矩阵分解，电面就挂了，确实也是自己孤陋寡闻，完了之后Google一下，也不难，但是就是没听说过，挂了也服气。还有一个小公司，总共就五六个人，还在亚利桑那还是哪里，反正就是HR那轮就互相没看上。
痛定思痛之后，我决定放弃quant, 专心投DS，因为我同班同学有转DS成功案例，但是quant没有。好在当时也有心去大厂，至少Leetcode刷了五六百题（C++和Python多种解法及最优解），所以刷题不担心，但是之前准备DS不足，前面五六个小公司DS的电面都在一些基础知识上就挂了，根本没走到coding那部分。后面每天从早上九点一直学到晚上十二点，查漏补缺总结做笔记，坚持了两个月，保证同样的错误绝不犯两次，因为面试机会和牛校PhD没发比，只能提高单次成功率，保证自己能把握的部分要比其他竞争者做的好，给了面试就要拿到offer。之后就是每个电面都是很顺利的拿下。第一个拿到onsite的公司也就是我的前东家，面完我就感觉稳了，发消息给同学朋友说我这次肯定要拿offer了，结果在开车回去的高速说HR就接二连三的给我打电话。因为薪资给的还可以，TC差不多150k，加上面试的人也就是我后来的前同事也都很nice，还有做的方向是NLP，即有意思也有前景，我就接了offer。然后把其他还在继续的面试（onsite和电面）都写邮件礼貌终止了。入职几个星期FAAMG几家才分别联系安排面试，但是奈何已经不是自由身，也怪自己非要等到自己感觉准备好了才开始投大厂，但是大厂流程太慢。个人感觉如果10次电面或者3次onsite都没有成功拿到至少一个offer，自己就应该反省一下哪里需要提高了。你自己牛是一方面，但是你更要做到比跟你竞争同一个位置的其他人牛才能脱颖而出拿到面试以及好的包裹。我这么说是因为当时我离职之前，老板让我看要替代我的候选者的简历，被HR和我老板筛选了之后还有十几个候选者，然后从中我又挑了四五个（几乎都是PhD）背景很强的，然后我老板才给他们机会电面。那一个空缺职位起码有几十甚至上百个申请者吧，但是最终只有一个幸运儿。
我前东家只是一个中型的上市公司，但是我所在的组远离总部，但是好在自由度比较大。我自己头两个月就是把面试的project完善然后准备替换当时公司已经上线的就模型，新模型比老模型好，但是好的有限。我就说服我老板让我研究当时刚出了几个月的NLP领域最牛逼的模型，到现在几乎所有sota的模型都是那个模型的变种而已，做NLP的应该都知道我说的是那个模型。我从如何建立VM, 如何spin up TPUs for fine-tuning and pretraining with company own data，当时那个节点没什么攻略，都是自己一步步踩坑过来。用公司自己数据pretrain之后，模型模型准确率相对于公司旧模型以及我建的第一个模型都大幅增加，老板很满意，说希望上线。之后我又开始研究如何export model for serving inference，写了一个serving client。再然后请求和同事（SDE）一起合作（其实是学习）怎么用docker（当时完全不懂）本地测试serving client for inference。最后参与deploy model in production with Kubernetes(这个是组里tech lead负责，所以只学了皮毛或者连皮毛都谈不上)。但是半年时间，从读那个模型的paper开始，一直到最后模型部署上线，都是我自己一个人完成模型方面的工作，并积极参与了engineering方面的一部分，学到了很多。之后就是没什么挑战的重复性工作，每两周一次fine-tune with more labeled data和每两个月一次pertain with company's larger corpus。这样干了半年觉得自己没有成长，加上H1B的原因，还有我觉得我薪资已经远远低于我的贡献，所以就准备跳槽了。当然老板心里也有数提出给我加薪也加了（但是相比跳槽可以忽略不计）。
我准备了一个月然后开始投简历跳槽，只投了将近十个简历吧。没想着拿小公司练手，一个是自信只要大厂给面试机会肯定会拿到offer，另一个也觉得小公司拿到也不会去，干嘛浪费别人和自己的时间。但是毕竟大厂DS/RS/AS没有SDE职位多，FAAMG中只有现在的公司给了我机会面试，另一家HR说现在没有headcount，但是我经历很符合他们要招的人，要我等三个月，其他家两家简历拒（我没工作经验的时候都至少还给机面试会呢，有了将近一年半NLP相关工作经验反而连面试机会都不给了，什么鬼😓），一家海投内推都杳无音讯。 但是一家就够了，反正都拿上了也只能去一个（自我安慰），但是可以相互compete啊。十个申请只有FAAMG中提到的那家和卖力两个给了面试机会。当时面完现在公司onsite（六个小时）都虚脱了，但是和第一次onsite一样，面完就感觉offer稳了。我觉得这个面试和之前在学校考试一样，自己表现如何心里应该有数才对（有自知之明很重要）。果然一周之后HR来电话给我说要我，问我有其他面试或者offer吗？我就如实回答说有另外一家大厂让我等三个月，还有一个卖力过了电面一周之后onsite。HR说能不能停止其他面试，我说当然可以，只要满足我的薪资要求。HR让我说一个数，我说我要调查一下再回复。然后我去查了之后给HR说要300k， 满足我就立即停止卖力onsite和其他一起申请。很快HR又打电话回来，给我的竟然比我要的还要高，但是前提说停止一切面试并且三天之内签合同。之后HR拿来纸质offer，TC是我之前的2.5+倍，所以很满意的就签了。所以到底是compete offer重要还是面试表现重要，我觉得见仁见智。

另外我去年底回国，但是签证一直不下来，所以也面了国内几家，拿到了某家的P7（就是最近要上市成为全球最大IPO然后被叫停的）。不过薪资待遇和我预期差距巨大，所以没接，然后再国内疫情开始三天返回美国。其间不少猎头给我推荐国内头部量化公司，年薪可以达到2M rmb。但是有选择的时候反而不想去做quant了，因为只要NLP做的好，啥时候都可以回去做quant。有时候选择比努力更重要（选对赛道然后努力才有用，这真是血泪的教训）。有时候选择比努力更重要。有时候选择比努力更重要。重要的事情说三遍。

以上仅供参考，毕竟每个人的情况都不同，希望能帮到楼主和其他人。再多说一句感想，因为最近地里很多人看到别人拿大包裹然后自己也开口要结果offer被撤回，你要看看晒包裹的是不是幸存者偏差（对拿大包裹的当事人也许不是，但是对你自己也许是，还是那句话，人贵有自知之明，既不要妄自菲薄，也别妄自尊大）。

注： 我第一次面试总结的经验和资料也成功帮我拿到现在公司的offer，如有需要者可以私信我。

有些人不能私信，我就把之前总结的如何转DS的学习资源贴这里吧，希望能帮助到还在奋斗的小伙伴。（刚发了一次，但是不知道为什么没有显示，再重发一下）
1.概率：
视频：Harvard Statistics 110:Probability （https://www.youtube.com/watch?v= ... H80KTQ6ht66KWxbzTIo）
这个老师讲得很清楚，自己看了至少三遍，课的作业，也认认真真的做了两遍，当然那时候在准备quant。还好DS也需要，算是没有白费功夫。
书：A First Course inPROBABILITY---Seventh Edition Sheldon Ross
这本书感觉也挺好，仔细的啃了下来，习题做了大部分，同样是为了准备quant学的。所以说所有东西都不会白费的。
2. 线性代数：
视频： MIT 18.06 Linear Algebra （https://www.youtube.com/watch?v= ... =PL19376CB31B684C2E）
这是我学到最好的讲线性代数的课，没有之一，老教授讲课也很有激情。
书：Linear algebra and its applications---Gilbert Strang
就是这个教授写的书，最后几章没看。前面的都在看第三遍视频时跟着课程过了一遍，包括课后习题。
3. Machine Learning
中文视频：机器学习系列---邹博 （https://www.youtube.com/watch?v= ... H0FaTdo&index=1）
我之前提到的中文讲Machine Learning最好的视频，没有之一。课件在CSDN上都能收到。但是我刚开始比较傻逼，都是自己截图，然后用word保存。这里要提一下，学习做笔记真的很重要。我有厚厚的三本。CSDN上的资源下载需要是会员，我花了大概80RMB买了一个月会员，把资料下了，就不用自己记笔记了，也不用截屏了。真的强烈推荐这个老师的课，数学功底及其扎实，原理和code实践相结合，完美。如果有机会，花几百块钱上一下他的直播课我觉得也是值得的。
英文视频： Machine Learning (CS229)---Andrew Ng （https://www.youtube.com/watch?v= ... =PLFC36A799B7FFD0CF）
吴恩达的课件写得也很赞，资源都是公开的，Google一下就好。
书： An Introduction to Statistical Learning
比较基础的英文教材，讲得还行。缺点是文中用的coding实现时用R。当然也可以顺带就把R学了，我就是这样。但是做Machine Learning感觉还是用Python的多。
Pattern Recognition And Machine Learning这本书是机器学习系列---邹博极力推荐的，主要是以Bayesian观点为出发点，数学偏多。我只看了前四章，有机会再啃吧。
4.Deep Learning
中文视频： 动手学深度学习（https://www.youtube.com/watch?v= ... Fzw1ICHfa4a1y0hg8Ax）
NLP那部分讲得很好，Video面试正好问了GloVe，当时就用视频里同样的AWW app手推出来了，很感激讲解者，受益匪浅。后面有一次吃午饭tech lead和我说当时我手推公式很impressive，当时就觉得要我了，后面onsite就是和组员见一下看合不合得来。
书：他们好像出了一本对应的书，也有online的，这是链接（http://zh.diveintodeeplearning.org/）
英文视频： Deep Learning Specialization---Andrew Ng
（https://www.coursera.org/?skipBr ... e&tab=completed）
在Coursera上，需要花钱注册，大名鼎鼎的吴恩达之作，看了很多遍，作业最好能够自己先尝试，然后再看答案。
讲CNN的：Stanford CS231N:Convolutional Neural Networks for Visual Recognition (https://www.youtube.com/watch?v= ... 4QKQT-Vg5Wr4qEE1Zxk)
讲NLP的: Stanford CS224N (https://www.youtube.com/watch?v= ... QtileLTqGZuXtGlLMP_)
最后这两个课我只是在几天内把课上完了，没有做作业，收获并不多。
5. Leetcode
讲解题的视频Youtube上有不少，以下是我喜欢的几个
(1)花花酱， PPT做的很用心，原理讲得也很好，我这种非CS的理解起来完全没问题。主要是以C++为主。
(2)Basketwang,讲得也很不错，用的是Java。
(3)小Fu/每日一题，讲得也是很透彻，同样用的Java。
(4)EdwardShi，讲得也挺好，也是Java。但是后面自己创业做视频了，所以现在需要掏钱买他的视频讲解。
(5)公瑾讲解，用的Python，讲得挺好的，但是不全。
(6) Grandyang，最好的讲解Leetcode的中文博客，用的C++和Java，coding风格我很喜欢，我自己也是这种。（https://www.cnblogs.com/grandyang/p/4606334.html）
我一般都是先看有没有花花酱的视频讲解，没有就看Grandyang的博客+看其他人的视频，都没有的话只能看Grangyang的博客。
6.TensorFlow教程 （https://www.youtube.com/watch?v= ... hLOMpwHHLjYmINRstrk）
这个讲得也很好，虽然自己依然没有掌握TensorFlow。

1，2，3都吃透面DS肯定没问题了。
4看你是偏向CV还是NLP，但是另一个也是要有所了解的。我当时面试就被问到GAN了。
5和6看个人情况吧，有时间和精力还是多多益善。

希望能帮到一些人，顺便求大米。

lz你经历和我有点像，我毕业先找数据分析，后来证明数据分析全是用户增长那些，跟数理统计没半点关系，后面去了quant，最近可能跳槽到字节做ds算法。我多打些字回复吧。
能看出你是做了深入了解的，但是补充一些国内的情况吧。首先国内quant内卷程度远超你想象，quant和cs一个很大的区别是quant赢者通吃的同时不创造就业机会。quant的核心是策略，几个核心人物以为不需要螺丝刀的，明汯aum上千亿了但他核心团队还是二十几人，那你可以想象，他们策略基本不招新人了。相反，你想想头部互联网每年招·多少应届生：）可以说现在头部私募校招加起来顶多十几个，而且门槛非常的高。这就所谓赢者通吃，你phd毕业于最好的那么几所学校，进入了头部私募，那就人生赢家。quant的好处是目前加班情况比it好很多
然后就是前面我提到的，ds和一般的数据分析是完全不同的，ds偏向建模，da偏向你说的sql，ab test那些，这种我面试ds没遇到过，ds每轮都有。我觉得以你背景肯定最适合quant：理工科phd，经常做数值模拟，我猜应该是c++？这个对quant特别是高频是一个很大的加分项。然后ds的话，pandas，tf肯定要非常熟练的。
还有点事以后再补充。。。

我觉得楼主已经分析的很全面了 就看你自己对各个点怎么加权了。 你是更risk averse 还是想要更高pay

然后我感觉wlb的话DS会好一些？（更小的压力 更多自己的时间 pay per hour 可能更高。 ） 但total comp肯定会低

补充内容 (2020-11-13 00:51):
楼主已经分析到这个地步了 我觉得定性分析已经没意义了 可能需要多收集下数据点 定量分析了

quant没啥意思……ds吧

diffmani 发表于 2020-11-12 10:49
我觉得楼主已经分析的很全面了 就看你自己对各个点怎么加权了。 你是更risk averse 还是想要更高pay

然后 ...

谢谢！嗯我也觉得再分析也分析不出啥了，所以其实很大一部分也是抱着说说看自己对这两个行业的认知让大佬们看看有没有事实方面的错误的意思。。

gxytiger32 发表于 2020-11-12 10:53
quant没啥意思……ds吧

lol 展开讲讲？

我们项目就有读数学弦论的老美phd找不到quant工作来读mfe的😂 感觉目前不管是quant还是ds对编程的要求都不会低，尤其是各种data wrangling skills（like pandas sql you mentioned），可能lz都需要补一下

建议都找，拿到具体offer再做决定。做DS的话要看是不是那个公司的核心部门/盈利部门，不然年景不好的时候容易被裁

fififly_wang 发表于 2020-11-12 13:05
我们项目就有读数学弦论的老美phd找不到quant工作来读mfe的😂 感觉目前不管是quant还是ds对编程的要 ...

对的 实际工作中其实技能包重叠性还不小 所以我只提到了面试时的要求 i.e.quant的面试感觉还是不太看data wrangling skills，coding也是基本的算法和数据结构为主，DS的interview对实操的要求更高

quant 路很难, 但上限高. DS起步容易, 方差小.

youlegelin 发表于 2020-11-12 13:30
建议都找，拿到具体offer再做决定。做DS的话要看是不是那个公司的核心部门/盈利部门，不然年景不好的时候容 ...

谢谢提醒！！这一层面我确实没想到。请问下投简历的时候如何判断岗位是否属于核心部门呢？是不是需要先networking了解下？