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

希望能透过分享自己的申请历程去帮助大家更了解关于 Financial Engineering, Data Science 和 Statistics 硕士项目的申请标准和准备方向！

影片版：

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

【研究经验】

Research Assistant @NCKU Nordling Lab

**Anomaly Detection, Bootstrap Resampling, Classification

Publications：

1st author DS research paper (under review)

【工作经验】

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】

由于非常确定自己未来会持续往 Quant 的方向钻研, 再加上自己这几年对这块领域的认知, 我认为更进阶的 Stats, Data Science 和 Financial Engineering 的知识都会帮助我在这个领域提高到另一个层次, 因此我申请的所有硕士项目皆围绕在这三个领域之间。

另一个出国念书的初衷则是我一直都非常想去名声非常好的大学修课、体验全世界最高等教育的样貌以及和厉害的教授做研究, 因此申请前我并没有选任何保底的学校, 我只申请我「真正想念」的校系。多数人或许觉得这样的申请风格落榜风险极高, 但从我的角度来看, 出国念书不仅花钱也花时间, 我不希望未来的我会对于现在的选择感到任何一丝后悔, 而申请校系的数量少也有一个非常大的好处, 就是我可以有更多时间专心地钻研每一个项目的特色并且精心地为每一间学校撰写不同版本的 SOP。

【申请基本要素】

［GPA］：

若是未来想要申请的校系和我高度重合, 我认为 GPA 只要维持在 3.8+/4 即可, 从不同学校往年录取的数据来看, 多数申请者的成绩也都落在这个区间。然而, 申请时也要记得看一下往年录取者的背景, 这些Program 多数的录取者大学念的都是 Math, CS, Stats, DS, Quant Finance 等相关理工科系, 除了学校明显倾向录取这些背景的学生, 也意味着跨领域的申请者需要在大学期间尽量补足这些领域的知识去弥补自己的劣势。

(多修一些资工、数学、统计的课会比用凉通识去刷高GPA 有帮助许多)

［GRE/TOEFL 考试建议］：

从我的经验以及观察往年录取者的背景来看, 这两个考试通常只是个门槛, 并不会成为学校是否录取一个人的重大要素, 我认为 325+/105+ 就已足够通过学校的硬门槛, 但如果要申请 Princeton 或 Stanford 的一些神仙项目我认为考个 330+/110+ 还是会相对稳一些。

由于 GRE 单字量、文章和写作难度明显比 TOEFL 高一个档次, 我认为先考 GRE 再考托福是一个比较轻松的流程, 甚至可以在准备 GRE 的期间就开始练习 TOEFL 的听力和口说, 等 GRE 一考完马上就去考 TOEFL 也会是个不错的选择。

GRE 的时效长达 5 年, 我建议靠近大三附近就可以开始着手准备并且在大三期间就把它考完, 因为多数人在大三、大四会被无数的实习、研究或是毕业论文淹没, 若是等到毕业后再开始准备又会离申请季太近, 太紧迫的时间压力反而会使人产生无谓的焦虑感并且在考试中相对容易表现失常, 因此我建议这些标化考试尽量在相对不忙的时间点就要尽快完成。

［实习］：

多数MFE的项目是偏就业导向, 若是学生在硕士毕业后能够顺利地进入大牌子的 IB/Hedge Funds/Prop Trading Firm都会对学校项目的声誉加分, 因此招生官会希望在CV中看到学生在大学期间Networking和寻找工作的能力, 或是毕业后全职工作的硬核内容, 所以在大三、大四寻找实习是非常重要的一件事情。

我认为除了找到实习外, 实习内容也要尽量跟申请科系的专业有一定程度的契合(Ex. 实习做审计或管顾但却申请MFE老实说我觉得不会有太大加分作用), 因此我建议未来要朝 MFE 申请的同学找的实习尽量要和Quant 相关, 无论是Risk Quant, Desk Quant 或是 Quant Strats 都没关系, 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会是个不错的策略。

若是真的找不到相关职缺, 我认为至少也要找和 Finance 或是 Data Science 领域相关的实习, 若是公司能够是 Big name 更好, 招生官也会更相信这个实习经历的扎实程度。

** 我一开始在找 Quant Trading 相关实习也是不断碰壁, 最后才决定先去不同外商银行做 Summer Intern 先拿个 Big name 的经历, 再借由这些经历提升我进去 Quant 领域的机率。切记, 一定不要让自己大三、大四的暑假是空白的！

［研究］：

若是要申请 Stats 或是 Data Science 这些比较科学的领域, 有一定程度的研究经验在申请上会非常加分(不过我看近年来这个应该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些), 因此建议同学在大二、大三时可以开始去打听系上教授任何研究助理的机会。

我个人的经验是跟着教授做了一趟完整的研究不仅能让你对整个领域的知识会有更深入的理解, 也能帮助你思考该如何把一些理论的方法套用到现实的生活中去解决问题。除此之外, 通常指导教授会愿意帮助你写一封强推的推荐信, 因此我认为大学期间把握机会做研究能够让你学到更完整的知识+拿到推荐信是一件投资报酬率非常高的事情。

【SOP】

Paragraph 1 & 2：

第一段可以直接明确地表达自己申请的动机, 再简单地介绍自己的背景以及描述自己对于该领域做了什么样的努力 Ex. 大学修了哪些课、课程中做了什么类型的 Project、自己特别喜欢的小领域…, 接下来可以再从这些经验代回自己在整个大学四年中学到了哪些知识以及过程中遇到了什么困难去加强自己的申请动机。

Paragraph 3：

过了前两段之后我会直接开始叙述我在该领域所具备的知识以及实务经验, 通常第三段我会着重在自己的研究经验, 先概略性地带过研究主题和方向后就可以直接切入细节 Ex. 用了哪些统计方法、资料前处理的每一个步骤、中间遇到了哪些问题并且用哪些方法去解决…, 我个人认为清楚地表达这些经验不仅可以完整地体现出一个人对于资料分析的成熟度以及独立研究的能力, 也能让教授更相信你对这个领域的热忱。

Paragraph 4：

第四段我会着重在描述自己的实习经验, 由于我所有的实习都和资料分析有关, 我会尽量描述一些比较复杂的专案去表达我是如何借着资料分析去帮助公司解决问题或是提升效能。当然, 过程中也遇到了无数实务面的问题或是暂时无解的困境, 这些工作中遇到的所有困难我也会都写出来, 除了代表我真的非常需要更进阶的知识来帮助我在未来解决这些问题, 在描述的过程中也会慢慢地连结回我一开始提到的申请动机。

Paragraph 5 & 6：

大致介绍完自己的动机以及描述完自己已具备的能力跟潜力后, 我在最后两段会非常详细地写出每个学校Program 自己的特色（Ex. MIT Capstone project, Yale Colloquium, etc.), 写出它们吸引我的点以及能够帮助我成长的地方, 我也会详细地浏览每一堂课程的大纲, 并在文章中表达出我希望能够上 XX 课程提升我的YY 能力, 若是偏研究型导向的 program 我则会把每位教授的研究方向都看过一遍并且简单阅读几篇论文, 找出和自己兴趣相似的教授并且明确地在文章中提出想跟那些教授学习的决心。

【面试、考试准备】

［数学、程式考试］

若是未来有同学想要申请 Princeton MFin 和 MIT MFin, 申请过程中会遇到 Quant Assessment 的环节, 我认为数学部分难度 Princeton > MIT, 但是整体而言还算平易近人, 毕竟一个科目只会考个 1-2 题, 范围大只会着重在核心概念, 建议同学若要准备的话不需要去探讨太细节的部分。

数学考试涵盖范围：

1. 机率

2. 统计

3. 微积分

4. 线性代数

5. 微分方程

6. 随机过程

至于程式考试的部分只有 MIT MFin 有要求, 基本上只考非常简单的演算法, 虽然听说每个人的题目都是随机的, 但我认为平常就熟悉写程式的人不需要特别花时间准备。

［面试］

MIT, Yale 和 CMU 在递交申请前/后会有 Video Interview, 总体而言和外商 MA 或投行的形式非常像, 主要都是一些随机的 Behavioral questions 去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会需要在 X分钟（印象中是5分钟）内写一篇小作文。

虽然说申请时就已经提交托福的口语分数, Video Interview 的表现在申请环节中还是非常重要, 针对这些项目网路上提供的历史数据, 通常审核申请素材+ 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到下一轮的真人面试。

对于真人面试我能给的建议就是尽量放轻松并且有条理地表达出自己的想法, Behavioral 和 Technical 问题都要多多练习, 申请时不要夸大 CV 内容因为有时候面试官会问得非常细, 我认为只要表现出足够的自信心并且在面试过程中尽量展现出自己对该领域的热忱就不会有太大问题！