金融工程就业前景
首先，纠正下概念，不论专业名具体叫什么，以下专业名称都是一回事，都代表金融工程类专业：
Financial Engineering = Financial Mathematics = Computatipnal Finance = Mathematical Finance = Quantitative Finance = Mathematical Computational Finance = Computational Mathematical Finance = Financil Risk Management。
即便各个专业之间有区别，也不体现在专业名称上，而是根据其Programme content具体问题具体分析。
这类专业实际上是个坑，因为金融行业本质上是个和人打交道的服务业，不论国内外，用到数学的岗位的占比都很小，其对口就业绝对是神仙打架。而且，这些金融行业需要数学的岗位，与其说它们需要一个金融工程的学科背景，不如说它们需要的是聪明的大脑，即你现在会什么不重要，你能以多快的速度学会新的知识技能才重要，所以学物理、电气工程、数学、人工智能机器学习的各路大神也可以凭其量化背景和聪明的大脑与金融工程专业的人竞争，并且优势更为明显。
金融工程专业以及更广泛的理工学科的硕博士，金融金融行业从事需要数学建模的工作，主要是以下这三个方向：金融衍生品定价及其对冲交易、量化交易策略研究及投资组合管理、定量风险建模。
一、 金融衍生品定价及其对冲交易 – 俗称的Q Quant（卖方机构用人需求）
【学习与研究方向】
这是2008年前极其红火热门的方向，是21世纪初绝对的潮流。前中金公司首席风险官李祥林博士甚至因为提出了CDS方面的模型而为2008年的金融危机背了锅。概括来说，这个方向主要在讨论，如何为复杂的金融衍生品定价，如何用金融衍生品的标的资产underlying asset复制出这类衍生品的收益结构payoff，如何管理这些金融衍生品的希腊值Greeks从而最大化交易簿trading book的盈亏P&L。
最简单的金融衍生品若欧式香草期权European Vanilla Options，在最理想化的假设如几何布朗运动Geometric Brownian Motion，其价格是有显性的数学表达公式的。然而，一方面业界在设计出各种复杂的衍生品结构试图割大家的韭菜，比如亚式期权、障碍期权、Accumulator (又称I will kill you later，读者可百度中信泰富事件)、Snowball Autocallble, Phoneix Auotocallable；另一方面几何布朗运动和black-scholes的模型假设又有诸多不合理性，从而带出了Local Volatility、Stochastic Volatility、Jump-Diffusion等各类模型假设。复杂的衍生品结构叠加更贴近现实的模型假设，就使得金融衍生品的价格没有了形如Black-Scholes Formula那样的显性解析公式。于是学术界的金融数学学者和业界的Quant，就主要在两个方向上做研究。一是专注在测度、概率论和随机过程上，试图为各类没有解析定价公式的金融衍生品寻找到解析近似。二是专注于计算数学（数值方法）的研究，怎样最快、最精确（快和精确是一对矛盾，就像买房子的时候地段和面积是一对矛盾，就像选校定位的时候名校和热门专业是一对矛盾）地来数值定价各类金融衍生品。这两类方向共同组成了最典型最传统的金融数学金融工程的学科内容。在大数据人工智能机器学习红火起来之前，全世界的这类专业，清一色在学习研究这些内容。
这些内容，早就在十多年前就被研究的差不多了，学术界在这个方向基本上已经发不出什么新的论文了，这些过于复杂的研究可能也在业界没有什么实用价值了。近些年来衍生品方向唯一的一个有价值的新的研究就是XVA估值调整，X代表一个占位符，可以是CVA(Credit Valuation Adjustment)信用估值调整，可以是DVA (Debt Valuation Adjustment)和FVA(Funding Valuation Adjustment)，即衍生品定价时如何做风险调整。
【就业方向】
这个方向，说实话真的已经夕阳了。不能说这类岗位消失灭绝了，有还是有的，但是需求量很不大，且需求不会有明显的增长。其就业，首先定性是在金融行业的卖方机构，其实就是bank，国内就是证券公司。主要做的业务是金融衍生品的销售交易，记住这个词：销售交易Sales and Trading，这是国外成熟投资银行的一个非常重要的业务条线，服务企业和机构投资者Corporte and Institutional Investors。金融工程背景的毕业生，在衍生品销售交易业务下，按普通的工作内容职责来分，可以从事的岗位包括了 销售Sales、交易台金融工程师Desk Quant、产品设计Structurer、交易员Trader。按资产类别来分，销售交易又可以分为两大类：权益Equity和FICC(Fixed Income, Currency and Commodity)固定收益外汇大宗商品，国内券商也在学习国外投行这样的架构。在分业经营的国内金融市场，权益Equity和商品Commodity衍生品的卖方主要是证券公司和期货公司，受中国证监会监管。而Fixed Income固定收益和Currency外汇衍生品的卖方主要是商业银行的金融市场部，构成银行间市场，受银保监会监管。按交易的金融工具的复杂程度来分，又可以分为 Cash Products（线性的简单产品，如股票、期货）,Flow Derivatives （简单的金融衍生品，如香草期权vanilla options），Exotics & Hybrid（复杂奇异结构），而最需要金融工程知识技能的显然是Exotics&Hybrid这类。除了银行券商，作为银行券商的乙方服务他们的一些金融科技与数据服务提供商，如Bloomberg、汤森路透、万得，他们也需要金融工程师，在其软件终端上提供第三方独立公允的定价估值。
【向知乎大佬学习】
黑猫Q形态
Yupeng – UCL金融数学博士
二、 量化交易策略研究及投资组合管理 – P Quant (买方机构用人需求)
这个方向我不太熟，没法和上一个方向一样侃侃而谈，只能说一些表面的皮毛。目前，踩着大数据人工智能机器学习的热潮，量化交易成为了一个流行热点。概括来说，它主要是以数据驱动Data-driven的方法和技术，从金融市场的历史价量(Price and Volume)数据中发现统计规律，从而指导交易员投资者在二级市场上按发现的规律和标准巧妙地选股、择时，赚取超额收益，战胜市场。我们常听到的一些专业术语有：多因子、Alpha策略、CTA。坦白说，这个方向，并不是一个金融工程学位能够教会你的。交易策略如果能够在金融市场上赚大钱，谁会把它写进教科书和课件里传授给给大家呢。即便近几年为了迎合潮流，很多金融工程的课程加了机器学习、数据挖掘、舆情分析、量化交易、市场微观结构等相关课程，但是改变不了金融工程以衍生品定价为核心知识基础的基本面。量化交易更多需要的是统计、机器学习、算法、数据库、计算机科学这些知识技能，在这些领域深耕，终身不断学习，而不太需要概率论随机过程和计算数学。
这类工作，主要是在上文所说的卖方的交易对手-买方，即那些机构投资者，包括养老金、公募基金、私募基金、对冲基金等。比较知名的机构有国外的Citedal, WorldQuant、Jump Trading, Akuna Capital，国内有幻方、九坤、洛书、券商的自营部门、公募的量化投资。
【向知乎大佬学习】
babyquant
三、定量风险建模 – 买方/卖方的中台middle office
说到风险管理，不懂或者似懂非懂的人张嘴就是“风控”。风控你大爷，商业银行里对公业务放贷款的信贷风险管理，要个毛线数学，还不是你资信状况越好企业规模越大越不缺钱银行就越乐意贷款给你么。风险对于个人、家庭、企业、国家而言，都是无处不在。家里关窗锁门也是一种风险管理，给自己的银行卡设置较为复杂的密码也是一种风险管理，他们都不需要数学。我们学习金融工程金融数学，所讨论的风险是金融市场、金融机构面临的风险，至于能不能quantify，也还需要从其内容性质上加以区别，不可一概而论。能够量化的风险主要是市场风险Market Risk、信用风险Credit Risk尤其是它的子类别Counterparty Risk对手方风险；而操作风险、流动性风险则更多的是依赖于金融机构的制度、内控和财务管理。
从巴塞尔协定一到巴塞尔协定三，以及今年的FRTB(Fundamental Review of Trading Book)，金融机构的风险计量日益精细化，也从标准模型转向允许金融机构使用内部模型，这也就有了Risk Quant。
这一方向的工作，在卖方和买方都有，因为他们都需要管理风险，风险管理是金融机构的生命线，是其长期稳健经营的基础。管理上文提到的销售交易、自营投资等金融市场业务的市场风险、信用风险的岗位，是金融工程金融数学专业背景对口的就业方向。
近年来，互联网企业出现了一类风控算法的岗位。我说了，风险处处存在，所以此风控非金融机构的风险管理，而是会涉及到欺诈检验这类。如果互联网企业有消费金融牌照，做类似蚂蚁花呗、京东白条这类业务，那它的风控会和商业银行的类似，涉及到信用评分Credit Scoring，比如用到评分卡建模，是一种信用风险管理。
【向知乎大佬学习】
专栏 – 风控斋
