【MFE, Stats, DS 硕士申请】Yale | CMU | Oxford | MIT

希望通过分享自己的申请历程，帮助大家更了解 Financial Engineering、Data Science 和 Statistics 硕士项目的申请标准和准备方向！

视频版：

https://youtu.be/_9Nqw-dbpSc

【申请结果】

［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

【个人背景】

［Education］：

NCKU Stats (Double Major in Econ)

GPA：4.1 / 4.3

书卷奖 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

【研究经历】

Research Assistant @NCKU Nordling Lab

**Anomaly Detection, Bootstrap Resampling, Classification

Publications：

1st author DS research paper (under review)

【工作经历】

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

【推荐信】

NCKU ME Professor x 1（研究指导教授，Lab 在机械系）

NCKU Stats Professor x 1

Prop Trading Firm Manager x 1

Hedge Funds Manager x 1

【选校】

我很确定自己未来会继续往 Quant 方向深耕，再加上这几年对这个领域的认识，我认为更进阶的 Stats、Data Science 和 Financial Engineering 知识都能帮我在这个领域更上一层楼，所以我申请的所有硕士项目都围绕这三个领域。

出国读书的另一个初衷，是我一直很想去名声很好的大学上课，体验全世界最高等教育的样貌，和厉害的教授做研究。所以申请前我没有选任何保底学校，只申请我“真正想读”的院校专业。很多人可能觉得这种申请风格落榜风险极高，但在我看来，出国读书既花钱又花时间，我不希望未来的自己对现在的选择有一丝后悔。而且申请的数量少还有一个很大的好处：我可以有更多时间专心研究每个项目的特色，并为每所学校精心写不同版本的 SOP。

【申请基本要素】

［GPA］：

如果你将来想申请的院校专业和我高度重合，我认为 GPA 维持在 3.8+/4 就够了，从各校往年的录取数据来看，多数申请者的成绩也都落在这个区间。不过申请时也要记得看看往年录取者的背景：这些 Program 大部分录取者本科读的都是 Math、CS、Stats、DS、Quant Finance 等相关理工专业。这除了说明学校明显倾向录取这类背景的学生，也意味着跨专业的申请者需要在本科期间尽量补足这些领域的知识，弥补自己的劣势。

（多修一些计算机、数学、统计的课，会比靠水课通识刷高 GPA 有用得多）

［GRE/TOEFL 考试建议］：

从我的经验和往年录取者的背景来看，这两个考试通常只是门槛，不会成为学校是否录取一个人的关键因素。我认为 325+/105+ 就足以过学校的硬门槛，但如果要申请 Princeton 或 Stanford 的一些神仙项目，我觉得考到 330+/110+ 还是会相对稳一些。

GRE 的词汇量、文章和写作难度明显比 TOEFL 高一个档次，所以我认为先考 GRE 再考托福是比较轻松的顺序，甚至可以在准备 GRE 期间就开始练 TOEFL 的听力和口语，GRE 一考完马上去考 TOEFL 也是不错的选择。

GRE 成绩有效期长达 5 年，我建议大三前后就可以着手准备，并在大三期间考完。因为多数人在大三、大四会被无数实习、研究或毕业论文淹没，如果等毕业后才开始准备，又离申请季太近，时间压力太大反而会让人产生不必要的焦虑，考试时也比较容易发挥失常。所以我建议这些标化考试尽量在相对不忙的时候尽快完成。

［实习］：

多数 MFE 项目偏就业导向，学生硕士毕业后如果能顺利进入大牌的 IB/Hedge Funds/Prop Trading Firm，都会为项目的声誉加分。因此招生官希望在 CV 里看到学生在本科期间 Networking 和找工作的能力，或是毕业后全职工作的硬核内容，所以在大三、大四找实习是非常重要的事。

我认为除了找到实习，实习内容也要尽量和申请专业有一定程度的契合（例如实习做审计或管理咨询，却申请 MFE，老实说我觉得不会有太大加分作用）。所以我建议将来要申请 MFE 的同学，找的实习尽量和 Quant 相关，不管是 Risk Quant、Desk Quant 还是 Quant Strats 都可以。因为 Quant 的 Intern 在台湾真的超级难找，门槛又高，所以我认为先求有再求好也是不错的策略。

如果实在找不到相关职位，我认为至少也要找 Finance 或 Data Science 领域相关的实习，公司如果是 Big name 更好，招生官也会更相信这段实习经历的含金量。

** 我一开始找 Quant Trading 相关实习也是一直碰壁，最后才决定先去几家外资银行做 Summer Intern，先拿到 Big name 的经历，再借这些经历提高我进入 Quant 领域的机会。切记，一定不要让自己大三、大四的暑假空白！

［研究］：

如果要申请 Stats 或 Data Science 这类偏科学的领域，有一定的研究经历会非常加分（不过我看近几年这应该已经是所有申请者的标配，有比较正式的发表可能才会稍微突出一点），所以建议同学在大二、大三时就可以开始打听系里教授的研究助理机会。

我个人的经验是，跟着教授完整做一次研究，不仅能让你对整个领域的知识有更深入的理解，也能帮你思考怎样把理论方法用到现实生活中解决问题。此外，指导教授通常愿意帮你写一封强推的推荐信。所以我认为本科期间把握机会做研究，既能学到更完整的知识，又能拿到推荐信，投资回报率非常高。

【SOP】

Paragraph 1 & 2：

第一段可以直接明确地说明自己的申请动机，再简单介绍自己的背景，并描述自己在该领域做了哪些努力，例如本科修了哪些课、课上做了什么类型的 Project、自己特别喜欢的细分领域……接下来可以再从这些经历回到自己在本科四年学到了哪些知识、过程中遇到了什么困难，以此加强申请动机。

Paragraph 3：

前两段之后，我会直接开始讲我在该领域具备的知识和实务经验。第三段我通常会着重写自己的研究经历，先概括带过研究主题和方向，然后直接切入细节，例如用了哪些统计方法、数据预处理的每个步骤、中间遇到了哪些问题又用什么方法解决……我个人认为，把这些经历讲清楚，不仅能完整体现一个人数据分析的成熟度和独立研究的能力，也能让教授更相信你对这个领域的热情。

Paragraph 4：

第四段我会着重描述自己的实习经历。因为我所有的实习都和数据分析有关，我会尽量描述一些比较复杂的项目，说明我是怎样通过数据分析帮公司解决问题或提升效率的。当然，过程中也遇到过无数实务上的问题或暂时无解的困境，这些工作中遇到的困难我也都会写出来。这除了说明我确实非常需要更进阶的知识来帮我在未来解决这些问题，描述的过程中也会慢慢连回我一开始提到的申请动机。

Paragraph 5 & 6：

大致讲完自己的动机、描述完自己已具备的能力和潜力后，最后两段我会非常详细地写出每所学校 Program 的特色（例如 MIT Capstone project、Yale Colloquium 等），写出它们吸引我的地方以及能帮助我成长的地方。我也会仔细浏览每门课的大纲，在文中表达我希望通过 XX 课程提升 YY 能力。如果是偏研究导向的 program，我会把每位教授的研究方向都看一遍，并简单读几篇论文，找出和自己兴趣相近的教授，在文中明确表达想跟这些教授学习的决心。

【面试、考试准备】

［数学、编程考试］

如果将来有同学想申请 Princeton MFin 和 MIT MFin，申请过程中会遇到 Quant Assessment 环节。我认为数学部分的难度是 Princeton > MIT，但整体来说还算平易近人，毕竟一个科目只考 1-2 题，范围虽大但只会着重核心概念，建议同学准备时不需要钻研太细的部分。

数学考试涵盖范围：

1. 概率

2. 统计

3. 微积分

4. 线性代数

5. 微分方程

6. 随机过程

至于编程考试，只有 MIT MFin 有要求，基本上只考非常简单的算法。虽然听说每个人的题目都是随机的，但我认为平时就熟悉写代码的人不需要特别花时间准备。

［面试］

MIT、Yale 和 CMU 在提交申请前/后会有 Video Interview，整体来说和外企 MA 或投行的形式很像，主要是一些随机的 Behavioral questions，考察申请者的口语表达能力。另外，Yale 在所有口试题目结束后，需要在 X 分钟（印象中是 5 分钟）内写一篇小作文。

虽然申请时已经提交了托福的口语分数，Video Interview 的表现在申请环节中还是非常重要。根据网上关于这些项目的历史数据，通常审核申请材料 + Video interview 就会刷掉大约 6～70% 的申请者，剩下的申请者才有机会被邀请进入下一轮真人面试。

对于真人面试，我能给的建议就是尽量放轻松，有条理地表达自己的想法，Behavioral 和 Technical 问题都要多练习。申请时不要夸大 CV 内容，因为有时面试官会问得非常细。我认为只要表现出足够的自信，并在面试中尽量展现自己对这个领域的热情，就不会有太大问题！