随着机器学习的不断发展

Machine Learning的各类模型在金融行业的各个领域都有着广泛的应用

与之相关的岗位也如雨后春笋般不断涌出

在各大投行和买方都可以看到诸如Data Scientist, Machine Learning Engineer等等的岗位描述

本文将从金融行业Risk的角度出发

详细阐述一下当前金融行业Risk的现状

机器学习模型的应用以及相关岗位的职位介绍

[本文内容概览]

▓  背景介绍

▓  岗位名称

▓  业务介绍及能力要求

▓  行业薪资

▓  职业晋升

▓  求职准备

▓  可投公司与面试流程

01  背景介绍

就大方向来说，目前金融行业的Risk部门分支众多，信用风险、市场风险、操作风险并称为三大风险，而其他的风险也有譬如气候风险，模型风险等等。

操作风险

所谓操作风险，主要的工作内容就是评估公司运营过程中可能出现的一系列expected以及unexpected的由不完善或有问题的内部程序、员工和信息科技系统，以及外部事件所造成损失的风险。这类风险比如trader本身需要买100股苹果，结果一不小心卖了100股，等等。

市场风险

顾名思义，主要是为了防止资产价格随着市场波动的剧烈震动，而造成的损失的风险。市场风险的工作者相比于其他风险，其特点是距离前台更近，距离市场也更近，工作内容也相对跟着市场去走，多了很多不确定性因素。

就目前的工作内容来说，操作风险和市场风险都有自己的模型构建，譬如市场风险大规模运用着VaR模型，用以评估资产组合的价值涨跌情况从而评估市场风险。但是在两类风险中，机器学习所扮演的角色还是相当有限的，取而代之的更多的是蒙特卡洛模拟、金融估值定价模型等等。

信用风险

而真正将机器学习技术大规模运用在工作全套的，当属于信用风险。这也是为什么信用风险对于硬核技术的要求会比较高的原因。其原因也很简单，因为在信用风险的衡量过程中，譬如违约概率、风险敞口、违约损失的估计，全部都用到了机器学习的模型。目前市场上的一些准则下，比如巴塞尔协议、IFRS9、CECL等等，都对于信用风险模型的构建有着严格的要求。而市面上流行的信用风险构建模型，大多也都是以广义线性模型为主。一些非参模型和非线性模型，比如决策树、随机森林等等，因为其模型本身的一些缺陷，市场消化新技术需要时间等等原因，都暂时不能用在主流风险风险模型的构建上。

不过有一些例外的是，由于部分机器学习模型本身就有着良好的预测能力，譬如kaggle的常客XGBoost，一些公司在部分supplement model的选择上还是不会只局限在线性模型的选择。最后的结果也是为了增强模型的预测能力和稳定性。

02  岗位名称

有了上面所说的背景信息，下面再结合岗位信息说一说Machine Learning在Risk方面相关的岗位。首先是Job Title，一般金融公司都会有Data Scientist的设置，主要就是进行ML模型的开发。此外可能也还有Machine Learning Modeler/Engineer/Developer等title，会多一些infrastructure的构建。

另外就是一些公司会直接把DS和Quant结合起来，最后title可能就是Quantitative Analyst/Modeler等等。不过具体的工作内容还是需要结合JD进行分析。

03  业务介绍及能力要求

不同于科技公司，实体经济中的DS岗位，一般MLE在金融行业的区别主要是在于其模型的对象不同。比如实体经济中，我们模型预测的可能是销售额和用户满意度等等，数据来源主要是客户信息、产品信息、购买信息等等。但是金融行业里面的预测对象可能是股价、违约概率、损失等等，而数据来源也可能是贷款信息，市场经济状况等等。不过在能力要求方面还是一致的，都是对于各类机器学习模型的熟练掌握，较强的代码能力，以及对于产品的熟悉。

04  行业薪资

金融行业MLE的薪资条件感觉对于一线科技公司还是差了一些，不过其绝对水平也一定在就业市场中属于佼佼者。对于NG的MLE来说，一线投行能给到的base大概在120k-140k之间，TC也就是140k-180k之间。而一般来说工作3-5年的MLE，TC可以到达200k到300k的水平。

数据来源于ZipRecruiter

05  职业晋升

在投行的职业晋升过程中，一般的路径是：

Analyst - Assistant Vice President/Associate - Vice President – Director/Executive Director - Managerial Director

一般来说Analyst到AVP会比较快，一两年就可以完成，AVP到VP一般是三年起底。至于VP再往上走，就和个人能力、项目影响力以及老板的支持相关了。

06 求职准备

根据前面所说，金融类MLE主要注重编程和建模方面的技能。所以相关岗位的面试准备主要集中在如下几个方面：

1. Behavior：这个是所有岗位都需要的技能，也就是当别人问到你一些与经历、规划、想法相关问题的时候，如何从容回答。一般来说都会事先将自己的经历写成一个个的小故事，然后勤加练习，让自己对答如流。

2. Coding：编程对于MLE来说是最重要的技能。除了在课内课程的学习，勤刷leetcode, coursera上面一些相关课程也是学习的途径。

3. Finance：面试金融岗位，逃不掉会被问到一些金融方面的问题，可能是市场相关的，也可能是金融模型相关的，具备金融行业的基本知识是至关重要的。

4. ML model：MLE的核心肯定是各类机器学习模型的运用和理解，每一个模型的优缺点、构建、代码落实。具体的准备可以结合一些课程学习，甚至比如在kaggle进行一些建模比赛来完善自己的能力。

5. 数学能力：这里包括了一些基本的数理知识，统计学、概率论、随机过程、微积分、代数等等，都有可能会被考到。

6. Brainteaser：这方面的问题主要是衡量一个人的智商，看看是不是一个“聪明”的人，此类问题一般都需要好好提前准备，比如多刷题等等。

06  可投公司与面试流程

因为ML的技术目前在市场上面还是相对较为新，所以一般来说MLE会出现在大公司的JD中，比如各大投行和头部买方等等。而具体的面试流程因公司而异，甚至因组而异。

不过总结下来平均一般三到四轮。第一轮简单的HR面或者找一个组里的人进行一些基本技能和知识的考量；第二轮一般会有一些VP来进行专业技术的考量，甚至涉及编程、建模等。最后一轮的super day除了会有专业技术的考量，还会有大小老板来继续一些behavior的问题。

结语

以上就是传兮留学带来的

关于金融Risk角度的MLE岗位介绍的内容

希望可以帮助到正在求职的各位同学

关于留学方面，有疑惑的同学欢迎联系传兮留学的老师咨询~