现在学CS
还来得及吗...
曾经最赚钱的专业，现在怎么突然出现“腰斩式下滑”？
University of California, Berkeley（UC伯克利）计算机专业毕业人数将下降59%——过去十年，CS几乎等于“高薪保证”，是无数人转专业、选校的核心路径，而现在这条路似乎变得越来越难...
随着ChatGPT、Copilot等工具的普及，基础编码能力正在被快速放大甚至部分替代，很多原本需要初级工程师完成的工作直接被AI工具替代了。
与此同时，科技公司在另一端持续收缩岗位：一边大规模投入AI，一边减少初级岗位需求，这种“结构性裁员+结构性投资”的组合，让CS的就业市场发生了本质变化。
于是你会看到一个越来越明显的现象：不仅CS毕业生找不到工作，而且现在企业也不会因为具备CS专业而招人。
CS不是终点
量化才是分水岭
然而，如果现在仍然把CS当成一个“终点”——进大厂、做SDE，那很有可能被迅速同质化。在顶级金融体系里，CS其实更像是一张“入场券”。而真正能把CS优势放大到极致的赛道之一，就是量化（Quant）
那么真正决定你能否站在一线量化阵容里的，还需要三个“核心指标”——专业背景、竞赛实力、以及你在大一大二时就开始布局的早期项目经历。
Point72全球人才主管曾在采访中直言：
“我们寻找的是能解决极端复杂问题、对市场具备数学直觉的人，而不是简历看起来漂亮的人。”
换句话说，在对冲基金这条食物链顶端，唯有实力才会发光。
专业背景 CS / Math / FE
所有头部多策略基金的招聘数据都在证明——超过 80% 的美国实习生来自计算机科学、数学、统计或工程类专业。
这对于准备冲击买方的留学生来说，量化研究需要用随机微分方程、优化算法、时间序列模型去推策略；软件工程团队要把这些公式变成真实运行在微秒级延迟下的交易系统；而投资与交易团队要在巨量数据和信号中做出最敏锐的判断。
更关键的是，从 2015 到 2024，美国对量化分析与金融工程岗位的需求增长超过 78%。而纽约作为全球对冲基金聚集度最高的城市，长期占据全美超过 75% 的投资人才，这也让 Columbia、NYU、CMU、Berkeley 等拥有强 FE/CS 项目和地理优势的学校，更容易把学生输送到 Citadel、Two Sigma、Point72 这样的顶尖买方。
所以在纽约上学的小伙伴一定要牢牢把握住难得的高新机会哦~如果你能在大一到大三期间，把“数学 + 编程 + 金融”专业知识打牢，之后在申请Dream Company会具备更多的优势。
竞赛背景 IMO / IOI / IPhO
除了本身学术背景之外，“竞赛背景”几乎是能力筛查中最直接、最高效的途径。Citadel、Two Sigma、Jane Street、HRT 等基金的招聘团队在公开分享中提过无数次：竞赛型选手是最容易被快速识别的顶尖人才画像。 Citadel 今年招收的 300 多位暑期实习生里，就包括十多名美国计算机奥赛（USACO）白金组成员、以及数十位来自 IMO、IOI、IPhO 的国际奖牌选手。
Jane Street 在一次招聘说明会上甚至直接提到：“竞赛背景候选人在面试中整体表现稳定性更高。”的确，像这种含金量极高的竞赛，本质上已经帮公司提前完成了面试
IMO（金牌数学）：能将抽象问题结构化建模，这对构建期权定价模型、统计套利极有优势。
IOI（算法）：本质就是 Two Sigma、Jump Trading 的高频系统中需要的“动态规划 + 图论 + 数据结构 + 微秒级优化”。算法竞赛训练出来的，是那种看一眼问题就能推断出最佳路径、同时在时间压力下依然能保持冷静的能力。
IPhO（物理）：这类选手通常对“现实世界的复杂性”理解得更深，也更能接受不确定性。他们习惯处理带噪音的数据、习惯在信息不完美的情况下寻找规律。
不是必要条件，但绝对是你最快跳出简历 pile 的方式。尤其是如果你本科或硕士来自非 Top 20 或非传统量化强校，竞赛则是脱颖而出不可或缺的一环。
量化岗位挑花眼...
干货解析来了
很多人对Quant 的理解，往往停留在一个非常笼统的层面——写模型、做定价、偏技术支持。可一旦真正走进投行的交易体系，就会发现 Quant 从来不是一个单一岗位，而是被明确嵌入在不同业务链条中的一整套角色分工
从行业结构上看，Quant 通常被分为两大阵营——Buy Side Quant及Sell Side Quant。
Buy Side Quant：集中在对冲基金、量化交易公司和做市商中，筛选极其残酷、门槛极高，但对应着整个金融行业最陡峭的薪资曲线；
Sell Side Quant：则存在于投行体系之内，更深度嵌入交易、定价和风险管理流程。
但不论是买方还是卖方量化公司，Quant岗位还会细分为两大类——就是业内常说的Q Quant与P Quant。
对于Q Quant来说，工作的核心始终围绕模型本身展开。定价是否严谨、假设是否合理、参数是否稳定、模型是否通过验证与审计，才是评价体系的中心。这类岗位更强调逻辑闭环与长期可维护性，节奏相对稳定，但与市场短期波动和真实盈亏之间，天然隔着一层缓冲带。
而P Quant则完全不同。它存在的意义只有一个——让交易结果变得更好。策略是否真的提升了收益，执行是否减少了滑点，模型在真实市场环境下是否还能站得住脚，最终都会直接反映在 P&L 上。这里没有太多“理论上可行”的空间，市场给出的反馈，往往比任何评审都更直接。
也正因如此，近期 摩根大通 官宣成立新的量化交易与研究团队，才会被业内反复解读。
因为它并不是传统意义上的投行Q Quant，而是Sell Side体系中的P Quant。从实际工作内容来看，这类岗位在策略思维、数据驱动方式和交易逻辑上，已经与Buy Side Quant高度接近，只是平台仍然属于投行体系。
如果你在投递阶段想快速判断自己面对的到底是哪一类 Quant，有一个非常实用、也最容易被忽略的方法——直接看 JD关键词:
当岗位描述中频繁出现trading strategies、execution、P&L attribution、systematic market making，基本可以确定这是 P Quant；而当关键词集中在pricing、modeling、calibration、validation、documentation上，大概率就是 Q Quant。