【MFE, Stats, DS 碩士申請】Yale | CMU | Oxford | MIT

希望能透過分享自己的申請歷程去幫助大家更瞭解關於 Financial Engineering, Data Science 和 Statistics 碩士項目的申請標準和準備方向！

影片版：

https://youtu.be/_9Nqw-dbpSc

【申請結果】

［Admission］：

Yale - Asset Management

Oxford - Mathematical & Computational Finance

CMU - Computational Finance

［Waitlist］：

MIT - Finance (FE Track)

Yale - Statistics & Data Science

［Rejection］:

Princeton - Finance

Stanford - Management Science & Engineering (FE Track)

Harvard - Data Science

Cambridge - Mathematical Statistics

【個人背景】

［Education］：

NCKU Stats (Double Major in Econ)

GPA：4.1 / 4.3

書卷獎 x 4

［Test Scores］：

GRE：327 (V157 Q170 AWA3.5)

TOEFL：109 (R29 L29 S25 W26)

［Awards］：

Kaggle Machine Learning Competition, Silver Medal x 1

Hackathon Machine Learning Competition, Honorable Mention x 1

【研究經驗】

Research Assistant @NCKU Nordling Lab

**Anomaly Detection, Bootstrap Resampling, Classification

Publications：

1st author DS research paper (under review)

【工作經驗】

Tech Summer Analyst @Foreign Bank

Quantitative Research Off-Cycle Intern @Hedge Funds

Wealth Management Summer Analyst @Foreign Bank

Quantitative Research Off-Cycle Intern @Prop Trading Firm

Full-Time Quantitative Researcher @Prop Trading Firm

【推薦信】

NCKU ME Professor x 1 （研究指導教授, Lab 在機械系）

NCKU Stats Professor x 1

Prop Trading Firm Manager x 1

Hedge Funds Manager x 1

【選校】

由於非常確定自己未來會持續往 Quant 的方向鑽研, 再加上自己這幾年對這塊領域的認知, 我認為更進階的 Stats, Data Science 和 Financial Engineering 的知識都會幫助我在這個領域提高到另一個層次, 因此我申請的所有碩士項目皆圍繞在這三個領域之間。

另一個出國唸書的初衷則是我一直都非常想去名聲非常好的大學修課、體驗全世界最高等教育的樣貌以及和厲害的教授做研究, 因此申請前我並沒有選任何保底的學校, 我只申請我「真正想念」的校系。多數人或許覺得這樣的申請風格落榜風險極高, 但從我的角度來看, 出國唸書不僅花錢也花時間, 我不希望未來的我會對於現在的選擇感到任何一絲後悔, 而申請校系的數量少也有一個非常大的好處, 就是我可以有更多時間專心地鑽研每一個項目的特色並且精心地為每一間學校撰寫不同版本的 SOP。

【申請基本要素】

［GPA］：

若是未來想要申請的校系和我高度重合, 我認為 GPA 只要維持在 3.8+/4 即可, 從不同學校往年錄取的數據來看, 多數申請者的成績也都落在這個區間。然而, 申請時也要記得看一下往年錄取者的背景, 這些Program 多數的錄取者大學念的都是 Math, CS, Stats, DS, Quant Finance 等相關理工科系, 除了學校明顯傾向錄取這些背景的學生, 也意味著跨領域的申請者需要在大學期間儘量補足這些領域的知識去彌補自己的劣勢。

(多修一些資工、數學、統計的課會比用涼通識去刷高GPA 有幫助許多)

［GRE/TOEFL 考試建議］：

從我的經驗以及觀察往年錄取者的背景來看, 這兩個考試通常只是個門檻, 並不會成為學校是否錄取一個人的重大要素, 我認為 325+/105+ 就已足夠通過學校的硬門檻, 但如果要申請 Princeton 或 Stanford 的一些神仙項目我認為考個 330+/110+ 還是會相對穩一些。

由於 GRE 單字量、文章和寫作難度明顯比 TOEFL 高一個檔次, 我認為先考 GRE 再考托福是一個比較輕鬆的流程, 甚至可以在準備 GRE 的期間就開始練習 TOEFL 的聽力和口說, 等 GRE 一考完馬上就去考 TOEFL 也會是個不錯的選擇。

GRE 的時效長達 5 年, 我建議靠近大三附近就可以開始著手準備並且在大三期間就把它考完, 因為多數人在大三、大四會被無數的實習、研究或是畢業論文淹沒, 若是等到畢業後再開始準備又會離申請季太近, 太緊迫的時間壓力反而會使人產生無謂的焦慮感並且在考試中相對容易表現失常, 因此我建議這些標化考試儘量在相對不忙的時間點就要儘快完成。

［實習］：

多數MFE的項目是偏就業導向, 若是學生在碩士畢業後能夠順利地進入大牌子的 IB/Hedge Funds/Prop Trading Firm都會對學校項目的聲譽加分, 因此招生官會希望在CV中看到學生在大學期間Networking和尋找工作的能力, 或是畢業後全職工作的硬核內容, 所以在大三、大四尋找實習是非常重要的一件事情。

我認為除了找到實習外, 實習內容也要儘量跟申請科系的專業有一定程度的契合(Ex. 實習做審計或管顧但卻申請MFE老實說我覺得不會有太大加分作用), 因此我建議未來要朝 MFE 申請的同學找的實習儘量要和Quant 相關, 無論是Risk Quant, Desk Quant 或是 Quant Strats 都沒關係, 因為Quant 的 Intern 在台灣真的超級難找門檻又高, 所以我認為先求有再求好也會是個不錯的策略。

若是真的找不到相關職缺, 我認為至少也要找和 Finance 或是 Data Science 領域相關的實習, 若是公司能夠是 Big name 更好, 招生官也會更相信這個實習經歷的紮實程度。

** 我一開始在找 Quant Trading 相關實習也是不斷碰壁, 最後才決定先去不同外商銀行做 Summer Intern 先拿個 Big name 的經歷, 再藉由這些經歷提升我進去 Quant 領域的機率。切記, 一定不要讓自己大三、大四的暑假是空白的！

［研究］：

若是要申請 Stats 或是 Data Science 這些比較科學的領域, 有一定程度的研究經驗在申請上會非常加分(不過我看近年來這個應該是所有申請者的標配, 有比較正式的發表可能才會稍微突出一些), 因此建議同學在大二、大三時可以開始去打聽系上教授任何研究助理的機會。

我個人的經驗是跟著教授做了一趟完整的研究不僅能讓你對整個領域的知識會有更深入的理解, 也能幫助你思考該如何把一些理論的方法套用到現實的生活中去解決問題。除此之外, 通常指導教授會願意幫助你寫一封強推的推薦信, 因此我認為大學期間把握機會做研究能夠讓你學到更完整的知識+拿到推薦信是一件投資報酬率非常高的事情。

【SOP】

Paragraph 1 & 2：

第一段可以直接明確地表達自己申請的動機, 再簡單地介紹自己的背景以及描述自己對於該領域做了什麼樣的努力 Ex. 大學修了哪些課、課程中做了什麼類型的 Project、自己特別喜歡的小領域…, 接下來可以再從這些經驗代回自己在整個大學四年中學到了哪些知識以及過程中遇到了什麼困難去加強自己的申請動機。

Paragraph 3：

過了前兩段之後我會直接開始敘述我在該領域所具備的知識以及實務經驗, 通常第三段我會著重在自己的研究經驗, 先概略性地帶過研究主題和方向後就可以直接切入細節 Ex. 用了哪些統計方法、資料前處理的每一個步驟、中間遇到了哪些問題並且用哪些方法去解決…, 我個人認為清楚地表達這些經驗不僅可以完整地體現出一個人對於資料分析的成熟度以及獨立研究的能力, 也能讓教授更相信你對這個領域的熱忱。

Paragraph 4：

第四段我會著重在描述自己的實習經驗, 由於我所有的實習都和資料分析有關, 我會儘量描述一些比較複雜的專案去表達我是如何藉著資料分析去幫助公司解決問題或是提升效能。當然, 過程中也遇到了無數實務面的問題或是暫時無解的困境, 這些工作中遇到的所有困難我也會都寫出來, 除了代表我真的非常需要更進階的知識來幫助我在未來解決這些問題, 在描述的過程中也會慢慢地連結回我一開始提到的申請動機。

Paragraph 5 & 6：

大致介紹完自己的動機以及描述完自己已具備的能力跟潛力後, 我在最後兩段會非常詳細地寫出每個學校Program 自己的特色（Ex. MIT Capstone project, Yale Colloquium, etc.), 寫出它們吸引我的點以及能夠幫助我成長的地方, 我也會詳細地瀏覽每一堂課程的大綱, 並在文章中表達出我希望能夠上 XX 課程提升我的YY 能力, 若是偏研究型導向的 program 我則會把每位教授的研究方向都看過一遍並且簡單閱讀幾篇論文, 找出和自己興趣相似的教授並且明確地在文章中提出想跟那些教授學習的決心。

【面試、考試準備】

［數學、程式考試］

若是未來有同學想要申請 Princeton MFin 和 MIT MFin, 申請過程中會遇到 Quant Assessment 的環節, 我認為數學部分難度 Princeton > MIT, 但是整體而言還算平易近人, 畢竟一個科目只會考個 1-2 題, 範圍大只會著重在核心概念, 建議同學若要準備的話不需要去探討太細節的部分。

數學考試涵蓋範圍：

1. 機率

2. 統計

3. 微積分

4. 線性代數

5. 微分方程

6. 隨機過程

至於程式考試的部分只有 MIT MFin 有要求, 基本上只考非常簡單的演算法, 雖然聽說每個人的題目都是隨機的, 但我認為平常就熟悉寫程式的人不需要特別花時間準備。

［面試］

MIT, Yale 和 CMU 在遞交申請前/後會有 Video Interview, 總體而言和外商 MA 或投行的形式非常像, 主要都是一些隨機的 Behavioral questions 去考察申請者的口語表達能力, 另外 Yale 在所有口試題目結束後會需要在 X分鐘（印象中是5分鐘）內寫一篇小作文。

雖然說申請時就已經提交托福的口語分數, Video Interview 的表現在申請環節中還是非常重要, 針對這些項目網路上提供的歷史數據, 通常審核申請素材+ Video interview 就會刷掉大約6～70%的申請者, 剩下的申請者才有機會被邀請到下一輪的真人面試。

對於真人面試我能給的建議就是儘量放輕鬆並且有條理地表達出自己的想法, Behavioral 和 Technical 問題都要多多練習, 申請時不要誇大 CV 內容因為有時候面試官會問得非常細, 我認為只要表現出足夠的自信心並且在面試過程中儘量展現出自己對該領域的熱忱就不會有太大問題！