交易知识就在 ——ALPHA ZONE-HOME ，由自营交易室机构交易员主导，理论结合实践,助力金融知识变现！


许多有抱负的金融专业人员，甚至是从事金融行业但正在寻找金融新观点的人，都在思考是否应该专攻数据科学或金融工程。大概三到五年前，它们还是完全不同的领域。尽管随着数据科学的成熟，利基领域正在发展。金融数据科学正在迅速成长为发展最快的职业之一。金融工程师学习困难但是薪资很不错。对于一个人来说，为什么不选择两套技能同时学习呢？让我们尝试论述一下数据科学与金融工程之间的问题。

与其说谁好谁坏，不如对这两个领域进行独立评估。

金融工程

波士顿大学的诺曼·阿黛尔·巴伦（Norman and Adele Barron）管理教授Zvi Bodie将金融工程学定义为：

“将基于科学的数学模型应用于储蓄、投资、借贷和管理风险的决策”

金融工程也称为计算金融或数学金融。一些雇用金融工程师的组织包括监管机构，商业银行，对冲基金，保险公司和公司国库。

金融工程应用于金融的许多领域，例如衍生工具定价，金融法规，交易执行，公司财务，投资组合管理，风险管理，交易和结构化融资。在评估和管理金融产品的风险方面有很多重点。人们非常关注评估和管理金融产品中的风险。

毫无疑问，金融工程师是某一个方面的专家，他们使用数学公式和编程工具，并将其知识应用于金融领域，以建立数据驱动的金融模型。金融工程师如何通过提高金融产品的质量以及创造新的金融产品来增加价值。

财务工程师作为财务专业人员和技术团队之间的枢纽。它们有助于提供分析过程的开发技能。他们还辅助制定决策的财务和分析策略。他们必须密切注意有关财务流程，大数据等方面的新领域和即将到来的趋势。

Payscale.com报告称，2017年金融工程师的薪水中位数为80,000美元。

金融工程–职位描述

例如，房利美（Fannie Mae）需要招聘信用风险建模应用程序的财务工程师。每年提供的补偿为$ 70,000到$ 130,000。职位描述需要这些技能。

“这是一家承包商，要在房利美（Fannie Mae）任职，以构建财务建模应用程序。该职位将是敏捷团队的一部分，该团队负责开发，增强和支持多个模拟信用风险和信用损失的金融应用程序。成功的候选人必须具有2年以上的Java扎实编程经验并具有数学建模经验。必须有快速学习的能力，具有较强的分析和解决问题的能力。必须具有良好的人际交往和沟通技巧，才能与建模人员，业务分析师和业务用户有效地合作。理想的候选人应具有计算机科学和编程背景，并接受金融培训。”

所有这些信息可以帮助我们得出一个结论：财务工程师应该对财务以及软件语言有深入的了解。金融工程师需要利用这两种不同的领域的技能来制定评估风险和管理资产的战略及解决方案。

数据科学

数据科学是一个新兴领域，仅在最近几年才发展起来。

尽管没有标准定义数据科学家的工作，但数据科学家的作用包括与数据合作，以构建有意义的模式和见解，而这些隐蔽的信息和见解的目的是帮助企业做出由数据驱动的决策。数据科学家将数据当成原始资料。他们清理并过滤这些数据，以帮助企业做出决策。他们还帮助他们查看数据中的运行模式，这可能找出关键的业务。

Linkedin的数据科学家Neha Kothari在YouTube视频中回答了有关她的工作的疑问。她说她用于查询的技术用Hadoop。她还对一些较小的数据集使用SQL。对于数据建模，她使用R或Excel。

Neha认为，真正的挑战是获得与特定问题相关且有用的数据。问题可能是用户是否因为觉得困难而没有完成注册过程。尽管Linkedin捕获了所有注册数据，但此查询需要磨练才能得到答案。她更广泛地使用R。 IBM Analytics的首席数据科学家Jennifer Shin还认为R是一种更强大的语言，并且越来越多地用于大数据分析。

数据科学家查看实际的用户数据通过使用软件工具得出的结论可以评估，对数据进行分析并得出有益于企业发展的战略。它不是预先假设的，而是通过外部获取的大数据以规划前进的方向。 Google，Amazon，Paypal和Linkedin是愿意为数据科学家提供基本服务的公司。目前的平均工资为12万美元。

数据科学家需要编程技能，数据库管理技能，数学，仿真和优化技术。这些技能需要融合起来一起使用才能获得业务问题的答案。接着将信息传达给业务主管，以便他们可以将其用于制定战略。数据科学家将从原始数据中提取，传输和加载。这需要良好的编程技巧。 在这方面，R和Python在这方面特别有用。

金融数据科学

数据科学，如果应用于金融，主要从各种形式的金融数据中提取有用的信息用于建立系统和过程。金融专业人员一直以统计分析，预测和风险分析等形式进行数据分析，但是，我们现在有了业内公认的术语（数据科学！）以及围绕它的正式职业。

对于融数据科学家来说里面的机会充满挑战，令人兴奋。虽然行业中知道数据科学的重要性，但不知道如何帮助其优化业务，因此有必要弄清楚业务中的现有问题以及如何使用数据科学有效地处理和解决这些问题。

例如，Finance Train的数据科学课程面向需要迁移到数据科学领域的金融专业人士的人群，旨在帮助他们提高技能。 R编程，Python，数据可视化，预测分析是它希望为学生配备的一些课程。

成为金融数据科学家需要具备金融工程，金融风险分析，编程技能（Java，R和Python），数学技能和统计技能。掌握了这些技能，就不难想象你会成为组织的强大一员。

数据科学与金融工程

数据科学是一个广泛的领域，适用于所有行业，而金融工程则专门针对金融问题。数据科学专业的人可以申请许多广泛领域的工作，例如IT服务，市场营销，咨询和金融等。因此，如果我们缩小数据科学在金融领域的应用范围，那么就有可能在数据科学和金融工程之间进行公平的比较。虽然在所需的技能方面，两者之间有很多重叠之处，但角色不一定相同。尽管金融工程专注于创建可行的金融产品，评估和管理风险以及建立金融模型（例如，使用Black-Scholes来构建新的期权产品），但数据科学家更多地是基于数据驱动的决策制定，并且还使用机器学习预测和自动化决策。例如，数据科学家可能会对零售贷款组合中的数据进行处理，然后将其应用于构建可预测贷款违约概率的算法。

数据科学与金融工程：事实是金融与技术正在快速融合。金融领域的一些低端职位将实现自动化。金融专业人员的成长范围在于在这两种技能方面都具有相同深度的人员。明智地做出选择。