最近高考季，选专业当然成了热聊的话题，包括张雪峰吐槽新闻系的热搜也一直居高不下。

之前在知乎和抖音也跟人Battle了一下数学专业的问题，有的说周边的人大多是当老师，有的说专业挺好转金融和IT并且考研有优势。我结合下周围的情况简单谈谈吧，希望能给接下来的朋友们一点有用的信息。

先声明下，我自己及周边的情况不代表数学专业的普遍性结论，哪怕我自己的观点可能也有片面之处，轻喷。

文章有点长，如果想直接看结论的，拉到最后。

---

一、自身情况与专业设置

学校是985，数学专业是学校的优势学科，有院士坐镇，本科毕业时间大概10年了，本科统计学，保研本校概率论与数理统计专业（数学下面的二级学科，非统计学专业）。

先说下统计学，这个专业很多学校设置是不一样的，我们当年是在数学院下面设置的，本科前两年都叫“数学与应用数学大类”大类，包括高考选专业的时候也是这么叫的，不是某些学校设置在商学院或者经济学院下面的统计学，大三才选方向，我选的统计。另外中国的统计学早先一直是二级学科，直到我毕业那会儿才专门设置了统计学的一级学科，算是跟国际接轨了。

但是因为我们本科前两年学的课程都是学院的专业课，即数学分析、高等代数、抽象代数、复变函数、实变函数、概率论、常微分方程等等，除了基础数学专业的课程跟我们不一样（他们会学得更慢更难），其他所有学生都得上这些课，可以理解为前两年学院就两个专业方向–基础数学和数学大类。然后大三基础数学的除了少部分人跟不上课程节奏，他们会选择调剂到数学大类的专业，大部分人依然是基础数学；数学大类就分为了统计学、应用数学（金融数学）、信息与计算数学三个方向。

数学大类每个专业方向的发展和必修课会稍有不同，但是也可以根据自己兴趣选修对方的必修课程。每个主要的必修课有：

统计：数理统计、多元统计、Fortran

应数：图论、运筹学、精算数学、金融工程学

信息与计算：泛函分析、数学物理方程、信号与系统

通用的选修课：操作系统与网络、抽样技术、线性回归分析、投资学、随机过程、统计软件、数据库、有限元分析、数值计算、小波分析、密码学、数学建模、并行计算编程、极限理论、时间序列分析、计量经济学、信息论等

基础数学的课程我不是了解的特别全面，大概也是有以下：

泛函分析、数学物理方程、拓扑学、微分几何、李群李代数

他们的课程特别难学得也很慢，学分也高，所以选修的课成也比较少，一般可能不超过4门，不像我们普遍有6-8门课程。并且基础数学的那些课程一般人听名字都不知道能干嘛，不像数学大类很多课程计算机专业和金融专业也会涉及到。

所以从以上的课程培养来看，基础数学专业的同学就业和应用相关的课程可能会偏少，应用数学的方向会比较广每门课自成体系但都不精，统计方向的课程延续性会更强，信息和计算理论更难但后续落地的较少。

举个简单的例子：统计专业的学生都选课率重复性很高，基本都会选“抽样技术、线性回归分析、随机过程、统计软件”，因为这些是数理统计和多元统计理论的自然延申发展和应用；但是如果你是应用数学的专业，精算或金融工程学学完，后面的课程跟他没啥关系了，如果你要选统计的几门课（比如抽样技术、线性回归分析、统计软件）你不修数理统计不能说完全会听不懂，但是学起来会略显吃力；信息和计算就不多说了，他们的专业选修课我也不是特别懂，但就泛函分析和数学物理方程来说，其实是特别基础的课（离应用太远）有点像院必修课实变函数、常微分方程这类课的地位，并没有新提出一个体系，除了数值计算、有限元方法算是偏微分方程的延申，其他的落地都不太好。

二、数据化生产经营决策模型

为什么单独提出来这个决策模型？

因为企业生产经营本质上就是不断做决策的过程，市场上对口的数学专业，本质上都是为了更好的帮企业做决策，从而提高生产效率、减少各类成本、帮助企业销售产品。为什么说互联网和金融有那么多数学对口的专业，本质上就是他们提供的就是决策服务以及售卖相关减费增效的工具。

因此如果我们要选择数学专业，就有必要了解清楚自己学到的知识，能在企业决策的哪些过程中用到，从而更好的匹配自身能力与相应的岗位。

以下便一个决策的核心流程。

数据、算法、模型的关系

1、决策三要素：数据、算法、模型

这三要素存在一些列错综复杂的关系，主要有：

（1）算法是模型的重复调用单元，一个算法可以嵌套更底层的算法。

（2）模型本质上就是一类算法的集合，也可以称为一个更高级的算法。

（3）模型一般是按应用场景分的，算法是按数学目的分的，相同的算法可以在不同模型中出现。

（4）数据是模型预测或者决策的重要因素，同时数据也能反馈和修正模型，同时数据的规模、类型会显著的影响模型和算法的选取。

（5）以上环节可以压缩成更简单的情况，不是所有模型对数据刚需，也不是所有决策都需要各个算法嵌套的复杂模型，可能就一个简单的算法或者理论即可做出决策。

（6）在狭义的统计模型范畴里（包括AI等），模型的参数是需要数据去训练确定的，并且往往是随样本、时间而变化的；而更多人做决策常用的是理论模型，即参数相对确定的模型，不需要额外数据去确定模型参数，比如靠”信仰“”常识“”父母师长的话“”周围人的看法“做决策，就是一种理论模型。

2、实际案例

举几个容易理解的例子，从个人决策到公司产品，由浅入深。

（1）双11最优满减囤货决策，使得单价最低

数据：电商平台不同商家的满减券（比如满200-20，满1000-50）、不同商家单价和套餐价、最大囤货数量。

算法：四则运算（减法、除法）、求最小值算法、目标商家的筛选算法（看评分、销量、排名等等）。

模型：遍历所有目标商家数据，计算不超过预算件数内商品的单价，并取其最低的购买。

（2）饮品连锁店选址决策

数据：店铺租金、装修、人工费用等成本数据，城市商圈人流量、消费金额、饮品消费习惯等数据（可以查询某些公开数据或者请第三方公司调查出具报告，也可以实地调研获取）

算法：抽样统计的算法、成本收益的算法、现金流入流出的算法

模型：根据备选店铺和及其预估的销售成本数据估计投资回报率和风险，综合决策评估

（3）用财务分析确定优秀的公司作为潜在投资对象

数据：上市公司年报、审计报告等公开数据、公司调研得到的一些生产经营相关数据

算法：四则运算、各类会计等式、现金流折现算法等

模型：对备选公司进行财务比率分析、趋势分析、杜邦分析等，综合比较选出目标公司

（4）银行用反洗钱模型对央行上报个人或公司的洗钱风险

数据：银行账户内所有转账汇款存款取款等金融交易的数据、征信数据、身份信息、风险测评等

算法：识别频繁交易的算法、识别大额交易的算法、识别关联交易的算法、识别异地境外交易的算法、识别个人/公司风险评测与交易情况匹配度算法等等

模型：根据各类算法进行打分或用一些统计模型综合评估反洗钱风险。

（5）利用外卖配送模型给外卖员接单、导航、配送

数据：各城市的实时电子地图、各门店平均出餐时间数据、真实配送数据（用于优化和调整模型）等等

算法：地图导航算法、多点配送最优路径算法、接单分配最优算法等等

模型：以上算法统筹集成形成效率最高的接单、导航、配送方案

（6）alphago围棋人工智能

数据：历史上海量的围棋棋局（用于模型训练）

算法：围棋游戏的算法、蒙特卡洛模拟等

模型：深度学习、强化学习等

可以看到，不论是在生活中还是企业的各类决策都可以用到这类模型，包括高考选志愿，无非是需要知道各个专业的录取情况数据、就业数据和个人偏好的数据，加以简单的筛选模型就可以做出决策。

差别无非是–个人决策很多数据和信息获取的难度较大，信息容易出现不全或者偏差，而工业产业生产经营的决策会有相对更客观和全面的数据（或理论）支撑，整个产业会更加流水线，分工更加细致。

三、对口岗位的详细介绍以及所需的核心数学课程

为了限定讨论范围，这里仅讨论市场化的岗位，通过以上的模型分析，数学专业的学生无非是需要找到在数据、算法、建模三个环节最对口、最优势的岗位。

首先我们需要注意的是，前面我们介绍的数据、算法、模型，并不完全跟企业的数据岗、算法岗、建模岗对应，主要在于企业是按照生产经营以及管理的方便来组织各个部门的，而上面的”数据化生产经营决策模型”是从整个产业链来理解各个公司以及岗位所处角色的。

下面按企业实际命名的岗位进行介绍，并按”数据化生产经营决策模型“进行拆解。

PS:介绍的岗位主要是我个人接触并了解的，并不全面。

1、算法岗

哪怕在分工明确的大型企业，算法岗也是一种相对笼统的说法，虽然主要集中在”算法“和”模型“环节。总的来说各个单位的算法岗差异巨大，有硬件底层的算法、有软件应用层的算法，有以业务为导向的算法，有以数学计算为目的算法，有的甚至把建模也叫算法，我举几个简单例子就明白了：

1）计算机芯片的数学算法–算法环节

传统芯片的算法主要是计算机相关专业学习的内容，但随着人工智能的发展，对高维数据的算力需求越来越大，而高维数据的处理离不开矩阵的运算，甚至现在的主流是专门设计GPU的算法来处理矩阵，这块涉及的就是数学系高等代数（也就是很多工科数学里面的线性代数）为基础理论的内容，以及一些数值计算、离散数学的专业知识，这些都是计算数学专业专精的领域，哪怕对比其他数学大类的同学也相对更有竞争力。大型巨头公司会有招聘，国内的比如华为旗下的海思科技，也就是研发麒麟系列芯片的公司。

2）运筹学算法–算法环节

这块包括线性规划、凸优化、最优化、最短路径等等理论为背景的实际问题，偏应用层，是现代智能工业的数学理论基础，比如地图导航、快递外卖配送、码头集装箱调度、机器人自动送餐、物流选址等等。高等代数仍然是最核心的课程，其次根据具体需求需要掌握好不限于微积分、图论、数值计算等内容。

3）APP推荐算法–算法、模型环节

这个其实本质上是统计建模（无监督训练的一种），放在那一类更合适，但可能里面会集成很多子算法模块，所以放在这里也说得通。APP推荐算法也是我们口头上说得最多的“算法最了解我“、”算法的危害“。不用多说，数理统计、线性模型、机器学习相关的课程是学习的核心，另外也需要具备独立的代码能力，建议自学python，不知道现在高校是否普遍都有这门课，以前我们都是学习的R。几乎所有的互联网公司都会有相关岗位。

4）特定行业的基础算法研究–算法环节

我了解到的主要涉及两个领域，一个是国防军工相关，比如雷达与反雷达的算法、导弹路径的算法、航空航天领域等，涉及国防军工的既有大量的研究所，也有盈利目的国企央企、民企，但总的来说招聘不是特别透明，一般是靠内推为主，因为国防涉及的领域和具体问题比较多，我也不是特别了解，但估计统计类的课程要求没那么高；另一个就是科技行业特定应用场景的偏基础的研究，比如通信信号的基础算法、图像和语音识别等等，而这些算法业主要是企业自己而不是靠高校研发落地申请相关专利的，而数学系在通信算法里相比于计算机和通信专业的学生的优势便是复分析、小波分析等理论的优势，而图像语音识别本质上也是统计模型的一种。

2、数据岗和数据分析岗

数据岗和数据分析岗不论是行业还是岗位内容的跨度都是最大的，基本上跟数据沾边的都能叫这两个名称，但数学专业在其中并不一定能发挥出最大的作用，原因主要是很多所谓的”数据分析“对数学的基础理论要求并不高，而仅仅是数学，甚至是算数、公式的应用即可。比如财务分析，如前面举例也算是数据分析的一种，虽然他不这么叫，但他的主要技能是对会计公式的应用以及对企业经营的理解，对高等数学的要求没那么高。

下面仅举一些对数学要求高的岗位：

1）互联网公司大数据岗–全环节

该岗位可以细分为前端数据收集、储存；中端清洗、加工、测试、给建模环节做预处理；后期跑模型进行数据分析。下面按公司的经营类型介绍下一些典型的场景：

电商平台类：分析用户行为的数据–比如访问时间、次数、IP、设备、访问内容、成交情况；分析商家行为数据–商品种类、销量、价格变动规律、评价情况；分析不同推荐算法下、各品类商品成交情况；分析各品类季节性变动、趋势性变化等等。

社交/社区平台类：分析用户行为–日活、月活、浏览、收藏、点赞、分享等。

广告竞价类：各类型广告的点击量、浏览市场、转化率；各种竞价算法下，广告点击率、转化率的对比；广告商的投放趋势性和季节性分析。

游戏类：玩家行为–登录时常、年龄分布、充值金额和充值习惯；分析反馈的问卷体验；分析各类活动的充值流水、月活、日活等等。

直播短视频类：分析用户行为数据–浏览、点赞、打赏、观看时长；分析视频、直播创作者的打赏情况、排名情况、收入转化率；电商和广告部分同上。

以上的内容是主流平台类互联网公司全流程的岗位，但由于现代分工越发细致，并不是所有公司都需要所有的环节，可能有的公司只是卖数据或者暂时还不知道数据该怎么用，因此并不需要分析或建模；也有的公司建模环节可以简单处理，不需要复杂的算法，以行业通用模型和简单描述性统计为主，但他的数据量和规模也确实很大。需要注意的是，该岗位并不是只有做建模相关的内容才需要数学统计的专业知识，在数据的清洗、加工、测试环节也会用到相对复杂的技能，而数学的好的优势并不是每个技能的专业度很高，其实这些大多数技能计算机的都会甚至更精通，但他们的统筹能力会稍微欠缺一些，比如说大数据最重要的特征就是规模大、维度高，很多计算机背景的同学如果没有经过专业训练都仍然会采用传统数据的顺序处理方式（元素循环遍历），其实很多软件为了处理大数据都进行了矩阵向量计算相关的优化，比自己写循环的方式更快，虽然可以归结为工具使用的不熟悉，但是把高维数据抽象为矩阵，然后进行更高效的重组和运算，本质上就是对高等代数知识的运用。

这块说得比较抽象，可能不好理解，但总的来说就是数学专业的优势并不在于工具的运用，而在于把高维度数据各个环节的处理都能抽象成代数里面的一种运算，从而更好的进行组织和分配。所以高等代数的知识和抽象代数训练的抽象能力及其重要。建模的话当然需要学好各类统计的课程。

2）金融公司的数据分析岗–全环节

同互联网公司类似，金融公司的数据分析岗也大多是全环节的，但双方的侧重点不同，互联网的数据分析主要用于精准的服务目标用户群体、提升运营效率，而金融公司除了银行、保险、基金等有销售任务的部门有类似的需求，还有大量的投资分析、风险控制的需求。以下分别按具体行业和业务进行介绍数据的岗位。

银行业：主要应用与运营和风控两个环节，运营主要涉及到各类用户画像、信用卡的精准营销、各类代销渠道代销产品的数据分析等，而风控主要集中在反洗钱的监管、各类贷款和债券的信用风险评估、各类投资组合的风险评估等等。在投资方面，由于银行的主营是靠贷款业务和非标投资业务来支撑的，专门支持此类业务的岗位我也不太了解，就不做过多介绍。

保险业：是集保险产品设计、销售，客户资金委托投资为一体的行业，因此各个环节都存在数据相关的岗位，这里需要单独说的是精算岗，算是一门专门的技能，行业壁垒较高，对数学有相当的要求，寿险或非寿险精算的相关课程也是必须要熟练掌握的。

证券基金业：主要是投资和风控需要大量的数据分析，有单独的数据分析岗，有的甚至就是投资研究岗或风控岗来专门做相关的数据分析。这里需要强调的是并不是所有的投资和风控都需要较高的数学知识，主要是以现代组合投资理论为基础的量化投资和以金融工程学为基础的衍生品投资，需要用到大量的数学知识，特别是高等代数、概率论、时间序列分析、随机过程相关的理论，而有的风控岗特别是组合风险控制和衍生品风险的控制有些也是需要具备以上的数学理论，只是不需要太多的原创的内容。

3、建模岗

首先需要明确的是，我们提到的建模岗主要都是指狭义的统计建模，因为理论模型可以直接套理论公式即可，这类岗位通常就会被专业岗位给替代，建模蜕化为了套公式而已。前面提到的两类岗位或多或少都涉及甚至包含建模的内容，之所以有的公司还单设置出来相关的岗位，主要是为了区别于突出该岗位的重要性和专业性，建模岗相对于算法岗来说一般问题更复杂更具体，相对于数据分析岗来说模型一般更难。

一般来说，以下两类公司都会设置建模岗：一类是分工特别明确的大公司在处理大数据决策问题时，会有单独的模型岗；一类是从数据到出结果都要少数的人统筹安排完成，并且建模难度还比较大的业务，需要单独设置建模岗。而数据量虽大、分工明确但模型简单的岗位，一般只设置为数据分析岗或相关的业务岗。

建模岗基本都需要较高的统计理论知识甚至现在主流是人工智能相关的理论（本质也是统计的一种），而他们的共同基础理论就是概率论、高等代数和数学分析，不论是金融、互联网还是产业，都有很多相关的岗位，前面也提到了不少，这里再综合列举下：

（1）互联网公司内容广告推荐算法

（2）金融行业各类风控模型

（3）量化投资

（4）保险精算

（5）最近爆火的以chat-gpt为首的大语言模型

（6）图像、语音识别

（7）无人驾驶、辅助驾驶

（8）蛋白质、基因结构预测的人工智能应用

（9）运输、物流业的最优化调度模型

四、核心课程的介绍

这里也是很多朋友关心的问题，很多课程光看名字根本看不懂，直接看课几下也根本看不明白，因此这里我也会用大家都能听懂的语言做一个简单的介绍，当然前提是需要您具备合格的高中数学知识。

为了尽可能简单，仅介绍上一部分高频提到的并且实用的课程。

1、三大核心课程–数学分析、高等代数、概率论

这三门课程构成了以统计建模为核心的基础架构、世界观和方法论。

数学分析：简单版本也称微积分，主讲什么是函数

高等代数：简单版本也称线性代数，主讲什么是多维空间

概率论：简单版本和数理统计一起学，主讲如何度量不确定性

其实都是高中课程的进阶版，只是更加抽象、严谨和更具一般性，具体来说：

1）高中的函数主要是规则的线性函数、二次函数，其导数（微分）和求和（积分）运算很规整，数学分析定义了更一般函数的运算，使得描述的问题适用性更广。

2）高中的标量、向量主要是一、二维，而高等代数定义了更高维度的一般运算法则，抽象出了线性运算的概念，从而能解决生活中更高维、更复杂的变量关系。

3）高中的概率论主要列举的是可能性可数的”古典概率“分布模型以及初等的正态分布模型，而大学的概率论定义了通用的概率模型，适应更复杂的情况。

2、数理统计–以假设检验为核心的决策世界观

数理统计的理论是以上三门课程为基础，用样本统计数据的假设分布以及统计量去判断概率，从而形成决策的理论。而假设检验的核心三步骤是–假设分布、出现该样本结果的概率、根据概率阈值判断结果。

举个简单的例子，如果我宣称一个药对人体的治愈率是50%，如果有一次临床试验，10个人里边2个人都被治愈，我们可以计算出来在50%的概率下，10人中有2个人被治愈的概率为 C_{10}^{2}timesleft( frac{1}{2} right)^{10} 约等于0.04到0.05之间。如果我们认为该假设是正确的，那么出现这个样本的概率只有不到5%。而一般我们不认为5%的（概率阈值）小概率会出现，所以我们原来假设药物治愈率50%可能是有问题的。

以上就是假设检验的世界观和方法论–合理的概率分布假设、严谨的样本概率计算、可以接受的判断阈值构成了决策的关键。

后续还有一些关键课程，如《多元统计分析》奠定了高维数据统计的基础理论，《线性回归分析》介绍了基于线性函数（即出高中学的一次函数）去拟合模型的方法论，《极限理论》介绍了各类渐进分布统计量的计算和推导过程，《时间序列分析》介绍了时间序列数据的一般统计建模和预测方法。

3、运筹学–以求解最优目标为目的的基础学科

最优目标一直是数学算法或模型想要达到的目的，运筹学就是这一类学科的统称。其中最基础的内容就是线性规划–我们在高中已经简单接触过。而运筹学会把线性规划的问题泛化为更一般的优化理论，即取值范围、目标函数、约束条件更为一般情况的最优化理论。

运筹学主要还包括以下内容：

1）图论

通过把问题抽象成图（点、线）来研究事物关系的理论，比较著名的有四色猜想、一笔画、七桥问题等等，很多计算机的算法、生活中的最短路径之类的问题，大量用到了图论的知识。

2）排队论

解决最优排队模型的理论，比如用于规划各类排队窗口的服务。

3）储存论

解决生产经营过程中最优储存方案的理论，该问题会涉及到生产、消费、运输、储存容量上限、储存成本各个维度的约束。

4）博弈论

研究赌博、对策方案，达到胜利目的的理论，”囚徒困境“”纳什均衡“讲的就是这方面的内容。

4、金融方向的重要课程介绍

1）金融工程学

金融工程学是金融衍生品定价的必要理论，它介绍了期权、期货相关金融衍生品的知识及其定价的数学理论，会涉及到概率论、随机过程、随机分析、微分方程相关的内容。如果以后从事金融衍生品定价、咨询、投资、风控相关的工作，该课程肯定是必修的，这些岗位对数学的要求也是远比金融专业的高。同时像cfa的考试，也会涉及到很多相关的知识。

2）精算数学

精算数学是保险精算理论的基础课，主要涵盖了一般的金融数学基础知识、寿险精算和非寿险精算的内容。可能有的学校会单独开设金融数学的课程。

金融数学，有的也称利率数学，是以金钱的时间价值、复利为基础，现金流折现模型为重点，构建的投资价值评估体系。可以说该方法论就是区别”是否具备金融思维“的最基本的判断标准。整体来说数学难度并不大，主要用到了一些简单的数列求和、无穷级数和微积分的知识。说句题外话，这方面的知识和理论，就算不搞金融，学习一下也能避免很多生活中投资的坑，特别是分期贷款和消费相关利率计算的问题。

寿险精算主要是为了解决人寿保险精算定价而提出的理论，非寿险精算是解决除人寿保险以外其他保险精算定价的理论。该学科也会用到大量概率论、统计、随机过程相关的知识，由于这两块比较专业，我也不是特别了解，就不详细展开了。

3）投资学

投资学是以马科维茨均值-方程模型为基础的组合投资理论，除了考虑投资收益以外，创造性的提出了以收益率方差去衡量投资风险，通过最优化夏普比率（预期收益/预期风险）等方式去进行投资决策。该学科主要介绍的模型还包括资本资产定价模型(CAPM)、套利定价理论（APT）、fama-french三因子模型等等，这些模型的提出者基本都获得了诺贝尔经济学奖，可见其在该领域的重要性。我们常说的量化投资，特别是股票多因子选股模型，就是基于此学科发展的投资方法。

5、计算机方向的重要课程

数学院开设的计算机方向的课程主要是以应用为主，对于计算机和软件的原理解释是有欠缺的，大多数也都是计算机学院有的课程，比如：面向对象程序设计(C++)、数据结构、数据库、操作系统与网络、并行计算程序设计。

五、周围同学就业、升学去向

前面铺垫了这么多，最后好不好就业还是得看工作如何，当然我也没法做到完全的覆蓋的统计同学们的就业情况，甚至连合理的抽样也很难。我仅仅能举例说明下周围人的情况。但也为了尽量避免偏差，我也不会选择性的去抽象而是宿舍为单位简单说一下班里（数学大类含统计）的情况。同时为了避免信息泄露，我也会做一些的信息变换，但不会影响样本整体的统计特征，如果恰好是你身边人，纯属巧合，也请勿对号入座哈。

1、本科同学就业情况

本寝室：

A:遗憾考研军工委培单位失败，政治差2分，其他都远高于录取线，后去某大卷省会TOP教培当初中竞赛老师，双减后成功上岸名校高中，培养了不少清北学生。

B:同样遗憾考研本校单科未果，调剂某西北985，继续学数学，控制论方向，毕业去一线四大行分行当JAVA程序员。

C:放弃本校保研、考研复旦运筹学相关专业上岸，研究生期间基本就各种找实习，毕业去了私募做量化，后转券商相关岗位

隔壁寝1：

D:申请枫叶国前二统计名校硕士，毕业当地工作，具体未知。

E:申请美帝前十计算机名校，毕业辗转旧金山、西雅图，进过微软等大厂当码农。

F:保研本校概率论专业，研究生方向是随机分析相关，毕业去四大做衍生品咨询，后跳槽中金。

G:高考是直接省竞赛保送来的，但是因为挂科，毕业直接工作，也是进了另一个省会城市的教培，后续未知。

隔壁寝2：

H:本科学的基础数学方向，申请了美帝哥大的统计博士，留美工作。

I:保送人大数学专业硕士，毕业考公上岸。

J:申请澳洲前二精算排名大学，毕业留澳一段时间，后回一线城市保险大厂做精算师，家里有四线城市国企领导背景。

K:本科毕业直接工作，社交能力高于学院平均水平，去老家银行，东部某三四线小城市。

隔壁寝3：

L:基础数学方向，本科是一副学霸模型，誓要解决世纪难题的人设，后来却申请上美国某大学精算专业，大跌眼镜，工作不详。

M:保研本校统计专硕，毕业后进了SAS公司，嗯，就是那个统计软件的SAS。

N:学霸，申请某美国高校数学博士，后续不详。

O:考研失败，英语比较好，社交达人，本科毕业一直从事人力资源工作，大厂跳槽好几次，先后在国内、日本、菲律宾工作多年。

隔壁寝4：

P:放弃保研本校统计，考研本校工商管理专业失败，上一次见面还是我研究生在校期间，他在教培边工作，边准备继续考研。

Q:本科毕业后一直在二线城市银行工作，现职位不详。

R:保研本校，研究精算方面，后毕业去一线城市做精算师。

S:保研本校计算数学，后毕业去一线大厂做数据分析。

隔壁寝5：

T:考研失败，回东南沿海老家(非发达地区)，工作不详

U:考研失败，二战上了老家二线城市某211金融数学方向的专业，工作不详。

V:保研中科院数学直博，工作不详。

W:考研中科院数学，工作不详。

隔壁寝6：

X:保研本校计算机专硕，后留校做IT。

Y:申请美国金融工程硕士，后在美国做量化投资。

Z:保研本校统计专硕，毕业去四大会计师事务所做审计，后考公上岸证监会。

AA:保研本校统计专硕，毕业后一直在某大行工作，现副处级。

隔壁寝7：

AB:考研本校生物信息学，后毕业去一线城市，工作不详。

AC:本科基础数学专业，申请美国数学博士。

AD:保研本校计算数学专业，后毕业去了阿里做开发。

AE:保研本校应用数学，少数民族，后回老家工作，不详。

隔壁寝8：

AF:保研人大数学，工作不详。

AG:本科成绩一般，申请美帝统计学硕士，工作不详。

AH:本科成绩一般，申请美帝统计学硕士，工作不详。

AM:考研二战上岸，专业不详，二线城市银行工作。

大概就这么多吧，都是离我们宿舍最近的几个寝室进行统计的，全是男生，大概占了不到1/3，我们这部分的保研率是偏高的，大概全院只有这个一半左右，可能是更宿舍氛围有关系，我没统计到的有一个寝室还有3个人以上没拿到学位证的。

2、研究生同学就业情况

本宿舍：

A:研究方向随机过程，毕业去券商做etf投资，后续跳槽几次，仍在券商。

B:研究方向密码学，毕业去大厂游戏部门做策划，嗯，纯属个人爱好，具体工作内容不太清楚。

C:本科F同学，算是一直在做金融衍生品定价.

隔壁寝1：

D:研究方向随机过程，考选调生上岸，现在某省会税务厅工作，副处级

E:研究方向计算数学，休学一年去国外搞了个计算机学位，算是双学位毕业，毕业工作过华为、鹅厂但时间都不长，嫌太累现在金融国资IT部门躺平。

F:研究方向密码学，毕业去头条做推荐算法。

G:本科R同学，研究方向精算，现做精算师。

隔壁寝2：

H:研究方向计算数学，后继续读博士，去港大交换了2年，工作不详。

I:本科AE同学，回老家，不详。

J:研究方向基础数学，听说不太会金融和互联网相关技能，毕业考上某一线城市事业单位。

K:本科AD同学,一线互联网行业。

隔壁寝3：

L:研究方向统计学，后去港大读博士，后毕业去小米公司总部。

M:研究方向统计学，后跟专业最牛老师读博，现情况不详。

N:研究方向统计学，毕业去一线城市军工研究所，后因个人问题辞职，现工作不详。

O:研究方向精算，国外联合培养项目，毕业去保险公司精算岗。

3、科研或高校教职的情况

这块虽然是数学专业最对口的岗位，但因为科研教职本身是稀缺的，并且想看本文的受众大部分是不考虑科研的，但了解这块的情况其实蛮重要的，我介绍下大概就明白了：

1）很多搞科研的人并不是因为科研能力强或者学术兴趣高，而是没有其他更好选择，就一条路走到了黑；

2）数学的科研是及其困难的，我大部分同学博士加硕士读了7年，平均接近8年，基本只有直博能5-6年毕业；

3）想要获得跟毕业院校（985及以上）相同水平院校的教职，至少要去国外知名大学做2-3年博士后；

4）粗略估算本科数学进到高校教职应该不超过10%，其中5%是估算的国外的，误差较大，国内大概不到5%的比例； 5）目前仅发现一位本科同学留本校任教，他是本博读了8年，3年国外博后，在印象中也不是学霸。

六、总结

1、985以上院校的数学专业就业应该还算不错。

2、除了其他专业都有的科研教职岗位以及通用的考编考公外，数学专业对口的就业主要集中在的建模领域，包括算法研究、统计分析、人工智能、金融建模、保险精算等等，互联网和金融行业是主要的就业贡献行业。

3、数学专业除了保底的智商，更重要的是坚持，撑过3-5年的集中的专业学习期，打好专业基础，才能真正靠专业上岸。

4、数学专业课程的核心中的核心是数学分析、高等代数和概率论，只要从事专业对口的岗位，这几门课的基础都极其重要；从事非专业对口的岗位， 较强的抽象能力和严谨的逻辑也是高效完成工作的重要利器。

5、本科学数学想从事金融或者互联网行业，并不完全需要考相关专业的研究生，跨考失败的风险远比考研本专业的大，更别轻易放弃保研本专业而考金融、管理或计算机方面的研究生。

6、数学专业研究生想找金融或者互联网行业的工作，可以通过名校资源获得实习机会、考相关领域证书、做相关领域项目从而获得较好的工作机会，做这些远比考非专业研简单。