第一、在技术性强的专业中，这类专业申请难度最高，很多“高手儿”都折在这个专业上，最后颗粒无收的不在少数。
今天早上接到一学生家长电话，他去年7月曾数次电话咨询，学生是国内TOP3大学工科背景，托福100+，GRE 320+，有某证券公司实习经历，一段儿工程专业科研经历，今年申请结果都收齐了，全部“悲剧”了。我一点儿都不意外，因为我见过太多“过度自信”的学生，由于对这类专业的实质把握不准、对申请形势估计不足。殊不知，这类专业云集了几乎所有专业背景的申请人，不信我们来分析一下：(1)数理背景(数学、统计、经济学、物理等)的申请人。这类申请人有着非常强的数理背景，而不仅仅是标准的高数、现代、概率与数理统计，而是数分、常微分、偏微分、实变、复变、统计学、博弈论、随机、回归。。。等等。但这类申请人的弱点通常是programming(编程)，而programming在这个专业里，就是个工具，C++是工具，Matlab也是工具，当然如果会用Python就更好。即便没有，但如果有针对性的去弥补，是相对容易的。举个例子，我一个美本客户，统计专业背景，数理背景是够用的，programming虽然和CS的学生比有差距，但在大三minor in CS, 最顶级的金工项目录取了4个，包括哥大、伯克利(16,000万美金奖学金)、纽大(7,000美金奖学金)、康奈尔。而学生本科金融的课程为零，为什么申请金工/金数项目，没学过金融能被这些顶级项目录取呢 就是因为美国大学不care你金融的背景，而最介意你数理的背景。因为你是去做modeling(模型),pricing (定价), validation(校验)的，这些是学这个专业的核心能力。所以，当你听到留学中介的顾问们跟你讲，多选金融的课程，对申请金工是有很大帮助的，这顾问就基本是外行了。
（2）工科背景的申请人(EE、ME、IE当然也包括CS的)。在工科背景的申请人中，以学CS的为主力，大家都戏称CS为“码农”，而把金工戏称为“矿工”， 从“码农”变身为“矿工”，虽然本质还是“工”，都是干“体力活儿”的，但贴上了“金”字儿，大家觉得也值了。正是出于这样的目的，无数工科背景的申请人扎堆儿申。这类申请人的在programming上是非常容易突出的，因为计算机在工程领域的应用十分广泛。但反过来，数理背景的缺失，通常弥补起来会难度很高。遍地都是的“美赛”(MCM)和“国赛"(CUMCM)已经很难弥补这方面的背景缺失。如果是美本的学生，可以通过minor和选课进行弥补;如果是大陆本，要想修个辅修专业基本会被累死，没有个10几门课程是很难的。因此，如果你是纯工科的背景，加强数理背景一定是重中之重。工科学生的数理背景我们称之为“标配”，为了和数理背景更强的学生竞争，也有很多途径来弥补。比如，在很多工科的项目中，有涉及到算法、优化、模型的部分，这部分内容是相对容易挖掘数理背景的;还比如，我曾经一个客户设计了选课方案，其中一部分跑到北大去选，另一部分跑到美国大学的SUMMER去选。在T,G基本达标的情况下，也拿到了U.Chicago的MSFM的录取，要知道这个项目对math skill要求还是很高的。
（3）还有相当多的商科背景(金融、会计、市场等)的申请人。说到这里，我得多说两句，对于金融背景的申请人，如果去申金工专业，仔细掂量和上面两类人相比，你的优势在哪里 硬拼技术，拼代码，应该怎么也拼不过的，但是并不是所有的项目都招一堆技术大牛modeling 来programming去的，美国大学通常会考虑学生背景的diversity(多样性)，因此对于这种技术性超强的项目并不是完全没有机会;并且，有些项目除了技术外，还是很看重business skills，这类项目可能即不在工学院，也不在文理学院，而是在商学院，但将来的出路和金工金数没有差别，这类项目是商科背景学生要重点考虑的。可能有些人知道，MIT怎么没有金工/金数呢 其实不是没有，而是MIT的这个项目设立在Sloan商学院下了，其中的MSF下，就有专门的Quantitative方向，类似的项目还有WUSTL(圣路易斯华盛顿大学)的MSF，下面有个Q-Track。。。等等。 今年我有个英本(2:1学士学位)的学生，折换成美国的GPA大约3.4，GMAT 650，就是瞄准这类项目申请。MIT是不太可能录取了，因为分儿还是不太够，但WUSTL还是顺利的拿到了面试，拿到面试后，我们的优势就非常明显，最终学生被WUSTL录取了。第二、对录取核心把握不准确，导致申请定位有偏差，特别是在某些留学中介的所谓专家误导下，连实习定位都是错的，甚至在申请材料中生搬硬套，屡见不鲜。前面我们谈到了很多技术性很强的学术背景知识，但光有这些是不够的，还需要有experience来支持你这些学术背景在相关行业的应用。因此，几乎所有的申请人都知道，实际应用的能力很重要，要通过实习来体现。但什么样的实习是匹配的呢 如果你的顾问和你讲，“金融工程么，去找个银行去实习，或者金融公司，或者证券公司做实习”，那基本可以判断这个顾问没有理解金工、金数专业的本质。事实上，由于我国金融体系的监管机制，决定了在金融企业中的衍生品有限，因此，大学本科生在企业的实习中接触到实质相关的内容是十分有限的。那什么样的实习内容是相关的呢 举个例子，对于某种金融产品，比如股票、期货、期权，通过分析产品的特性开发交易策略，而这种交易策略是量化的，这样的实习经历就更相关。这里只是简单提了这些概念，真正去判断相关的实习经历，是需要花时间去分析所实习中的工作职责，可能应用到的知识、原理、方法。如果你不能判断实习中的技术性，最好不要在文书中生搬硬套，别动不动就optimize、model之类的往上招活。。。对于美国的那些professor来说，你做的一切可以被人一眼看穿的。那真正找不到这样的实习怎么办 如果我是你的顾问，我会老老实实的分析大学期间做的各种project, 这些虽然不是实习中的应用，但如果真的懂，至少可以体现我匹配的skills及解决什么问题的能力。第三、抱着金工金数申，你可能会死的很惨。这句话是什么意思呢 了解这类专业的学生可能知道，美国顶尖的金工金数项目重合度非常高，不论你看US NEWS，Quantnet, TFE Times, 等机构的排名，虽然同一个项目在不同机构的排名会有差别，但如果把范围圈定在15-20所左右，这些项目几乎是固定。也就是说，如果一个学生申请10-15所学校，你和几乎所有的申请人锁定的项目超过2/3是一样的，不论你是美本、英本、大陆本， 还是数理背景、工程背景、商科背景，这件事儿还是很可怕的。因此，在5,6年前金工、金数还不像现在这么热门的时候，我就提出了multi-solutions的解决方案：即金工、金数的顶级项目该申就申，但不要“抱着”申，要跳出这样的项目寻找更多的相关项目。比如，今年我有个美本纯商科背景的学生，在我们第一条分析中，应该属于学术背景相对弱的，但却录取了杜克大学商学院的量化管理硕士项目，这个项目的技术强的同时，比如课程涉及pricing, applied probability & Statistics，Data Visualization, Decision Strategy & Modeling，还非常注重学生的Business Context的培养。
