交易知識就在—— ALPHA ZONE-HOM E ，由自營交易室機構交易員主導，理論結合實踐,助力金融知識變現！


許多有抱負的金融專業人員，甚至是從事金融行業但正在尋找金融新觀點的人，都在思考是否應該專攻數據科學或金融工程。大概三到五年前，它們還是完全不同的領域。儘管隨著數據科學的成熟，利基領域正在發展。金融數據科學正在迅速成長為發展最快的職業之一。金融工程師學習困難但是薪資很不錯。對於一個人來說，為什麼不選擇兩套技能同時學習呢？讓我們嘗試論述一下數據科學與金融工程之間的問題。

與其說誰好誰壞，不如對這兩個領域進行獨立評估。

金融工程

波士頓大學的諾曼·阿黛爾·巴倫（Norman and Adele Barron）管理教授Zvi Bodie將金融工程學定義為：

“將基於科學的數學模型應用於儲蓄、投資、借貸和管理風險的決策”

金融工程也稱為計算金融或數學金融。一些僱用金融工程師的組織包括監管機構，商業銀行，對沖基金，保險公司和公司國庫。

金融工程應用於金融的許多領域，例如衍生工具定價，金融法規，交易執行，公司財務，投資組合管理，風險管理，交易和結構化融資。在評估和管理金融產品的風險方面有很多重點。人們非常關注評估和管理金融產品中的風險。

毫無疑問，金融工程師是某一個方面的專家，他們使用數學公式和編程工具，並將其知識應用於金融領域，以建立數據驅動的金融模型。金融工程師如何通過提高金融產品的質量以及創造新的金融產品來增加價值。

財務工程師作為財務專業人員和技術團隊之間的樞紐。它們有助於提供分析過程的開發技能。他們還輔助制定決策的財務和分析策略。他們必須密切注意有關財務流程，大數據等方面的新領域和即將到來的趨勢。

Payscale.com報告稱，2017年金融工程師的薪水中位數為80,000美元。

金融工程–職位描述

例如，房利美（Fannie Mae）需要招聘信用風險建模應用程序的財務工程師。每年提供的補償為$ 70,000到$ 130,000。職位描述需要這些技能。

“這是一家承包商，要在房利美（Fannie Mae）任職，以構建財務建模應用程序。該職位將是敏捷團隊的一部分，該團隊負責開發，增強和支持多個模擬信用風險和信用損失的金融應用程序。成功的候選人必須具有2年以上的Java紮實編程經驗並具有數學建模經驗。必須有快速學習的能力，具有較強的分析和解決問題的能力。必須具有良好的人際交往和溝通技巧，才能與建模人員，業務分析師和業務用戶有效地合作。理想的候選人應具有計算機科學和編程背景，並接受金融培訓。”

所有這些信息可以幫助我們得出一個結論：財務工程師應該對財務以及軟件語言有深入的了解。金融工程師需要利用這兩種不同的領域的技能來製定評估風險和管理資產的戰略及解決方案。

數據科學

數據科學是一個新興領域，僅在最近幾年才發展起來。

儘管沒有標准定義數據科學家的工作，但數據科學家的作用包括與數據合作，以構建有意義的模式和見解，而這些隱蔽的信息和見解的目的是幫助企業做出由數據驅動的決策。數據科學家將數據當成原始資料。他們清理並過濾這些數據，以幫助企業做出決策。他們還幫助他們查看數據中的運行模式，這可能找出關鍵的業務。

Linkedin的數據科學家Neha Kothari在YouTube視頻中回答了有關她的工作的疑問。她說她用於查詢的技術用Hadoop。她還對一些較小的數據集使用SQL。對於數據建模，她使用R或Excel。

Neha認為，真正的挑戰是獲得與特定問題相關且有用的數據。問題可能是用戶是否因為覺得困難而沒有完成註冊過程。儘管Linkedin捕獲了所有註冊數據，但此查詢需要磨練才能得到答案。她更廣泛地使用R。 IBM Analytics的首席數據科學家Jennifer Shin還認為R是一種更強大的語言，並且越來越多地用於大數據分析。

數據科學家查看實際的用戶數據通過使用軟件工具得出的結論可以評估，對數據進行分析並得出有益於企業發展的戰略。它不是預先假設的，而是通過外部獲取的大數據以規劃前進的方向。 Google，Amazon，Paypal和Linkedin是願意為數據科學家提供基本服務的公司。目前的平均工資為12萬美元。

數據科學家需要編程技能，數據庫管理技能，數學，仿真和優化技術。這些技能需要融合起來一起使用才能獲得業務問題的答案。接著將信息傳達給業務主管，以便他們可以將其用於製定戰略。數據科學家將從原始數據中提取，傳輸和加載。這需要良好的編程技巧。在這方面，R和Python在這方面特別有用。

金融數據科學

數據科學，如果應用於金融，主要從各種形式的金融數據中提取有用的信息用於建立系統和過程。金融專業人員一直以統計分析，預測和風險分析等形式進行數據分析，但是，我們現在有了業內公認的術語（數據科學！）以及圍繞它的正式職業。

對於融數據科學家來說裡面的機會充滿挑戰，令人興奮。雖然行業中知道數據科學的重要性，但不知道如何幫助其優化業務，因此有必要弄清楚業務中的現有問題以及如何使用數據科學有效地處理和解決這些問題。

例如，Finance Train的數據科學課程面向需要遷移到數據科學領域的金融專業人士的人群，旨在幫助他們提高技能。 R編程，Python，數據可視化，預測分析是它希望為學生配備的一些課程。

成為金融數據科學家需要具備金融工程，金融風險分析，編程技能（Java，R和Python），數學技能和統計技能。掌握了這些技能，就不難想像你會成為組織的強大一員。

數據科學與金融工程

數據科學是一個廣泛的領域，適用於所有行業，而金融工程則專門針對金融問題。數據科學專業的人可以申請許多廣泛領域的工作，例如IT服務，市場營銷，諮詢和金融等。因此，如果我們縮小數據科學在金融領域的應用範圍，那麼就有可能在數據科學和金融工程之間進行公平的比較。雖然在所需的技能方面，兩者之間有很多重疊之處，但角色不一定相同。儘管金融工程專注於創建可行的金融產品，評估和管理風險以及建立金融模型（例如，使用Black-Scholes來構建新的期權產品），但數據科學家更多地是基於數據驅動的決策制定，並且還使用機器學習預測和自動化決策。例如，數據科學家可能會對零售貸款組合中的數據進行處理，然後將其應用於構建可預測貸款違約概率的算法。

數據科學與金融工程：事實是金融與技術正在快速融合。金融領域的一些低端職位將實現自動化。金融專業人員的成長范圍在於在這兩種技能方面都具有相同深度的人員。明智地做出選擇。