在美国读商学院 PhD 是什么体验

1. 在美国读商学院 PhD 是什么体验

　　从读博的流程来说，商学院博士和其它任何学科一样，一般前两年学生都在上课，考一个资格考试，每周参加系里科研的workshop，完成课程要求之后投入科研写论文，差不多了找工作答辩毕业。下面我小结下商学院和其它科目博士项目的区别。

　　首先，由于好的商学院多数是没有本科生项目的，所以和其它专业博士生需要教小本不一样，商学院博士一般不会教课，但要做MBA课程的TA，而这和本科生及其他研究生课程助教任务很不同。MBA学生的工作背景来源丰富，不少人没有太多数理训练，这意味着MBA课程从数理角度是比较简单的，侧重点放在对课程内容的理解和与现实商业案例的结合。某种程度来说，担任这些课程助教更加不容易，毕竟纯粹的数学统计有固定方法和答案，而案例和分析这些相对虚的东西没有特定的套路。加上MBA的学费比较高，这些学生本来也都是各行业工作几年的精英(主要是金融咨询等高收入行业)，往往对老师助教的期待值都很高，有时候也不好对付。不过，当助教是不可避免的，一方面学校有需求会把助教和奖学金生活费挂钩，另一方面是毕业后如果当商学院老师需要教MBA，早点接触这个群体很有帮助。

　　其次，从研究范畴和方法论角度，很多商学院专业在商学院外其它院系都有类似设置，比如走出商学院，运营管理叫工业工程和运筹学，组织行为学叫心理学，经济学还叫经济学。明显的区别有两点，商学院由于博士学生少自然导师资源丰富，有点像apprenticeship的学习方式，而理工科更多是学生之间peer 
pressure相互学习。另一方面，商学院科研在要求理论的同时需要和现实商业和经济相结合，比如商学院经济学老师做宏观macro以及labor 
education会明显少一些。正是由于有侧重，商学院各个方向都有自己的学术期刊。而谈到期刊，我想说下学术产出和影响力。商学院除开金融、经济等几个领域以外，其它一些方向比如运营管理(operations 
management)、量化市场营销(quantitative 
marketing)，甚至会计学都存在一些领域本身的封闭，意味着这个圈子里的教授和博士生可能既是学术论文的供给者同时又是主要的消费者，很少看到其它专业的交叉引用和业界借鉴。理工科一些教授几万的总引用次数很常见，商学院quant 
marketing教授几千的引用次数可能排名就是该领域的世界第一。我觉得这挺值得反思的，因为商学院教授和博士都不乏绝顶聪明的人，期刊发表的论文质量也非常高(毕竟往往几年才能修改出一篇被接受的文章)，但为什么没有其他领域和业界的读者?是研究选题问题，还是领域圈子对外界封闭?

　　再次，我谈谈就业出路吧。商学院博士的培养方案都是为学生成为教授计划的，这从以上所说的MBA课助教和选题侧重都可以看出来。有一个是下一段我要讨论的生活方式，商学院博士经历的culture还是和商学院以外类似专业很不一样的。所以说，如果你的目的是想去当老师，那么恭喜你进入商学院博士项目。当然，科研并不适合所有人，优秀商学院出来的博士不去学术界的比例其实并不低，比如我所在的运营管理方向，今年斯坦福和哥大没有一个学生去学术界，芝加哥布斯商学院的金融系今年毕业的博士群体中也没听说谁毕业去当教授。那么问题来了，不当老师能干什么呢?商学院教授待遇比较高，这个数字经常成为大家去业界的心理底线，而业界博士生毕业待遇能上20万美元的职位其实并不多，除开咨询这种任何专业博士都能尝试的行业，大多比较侧重建模和数学分析，比如美联储经济学家和对冲基金研究员。那好，金融、经济等注重实证研究的几个专业有出路因为业界和public 
sector有直接对应的职位。其它方向怎么办?相比在实验室辛苦5年科研的理工科，商学院博士五年不少时间花在软性能力培养上了，所以在硬实力上，运营管理的搞不过工学院里运筹的，quant 
marketing的搞不过计算机系学机器学习的，这些都不难理解吧?而如果去业界，有几家公司需要博士生教课做presentation的?基本没有，靠的全是硬实力。过去几年找实习和工作上，我面试了高盛、摩根等投行的量化分析职位和电子交易职位，AQR、GMO这样的偏金融经济学和基本面研究的基金，Two 
Sigma、Citadel这样的纯量化的基金，还有Google、Pinterest这样的IT公司。虽然也拿过一些offer，但面对一些遗憾的总体感觉是，要是技能点数更硬就更好了。五年前，我也有斯坦福EE的博士offer，当时和做智能交通网络的Balaji 
Prabhakar都谈好了，对经济领域的兴趣和本科没学经管的缺憾让我来了芝加哥。回顾五年走的路，我不清楚锻炼的软实力什么时候会发挥出来，但是从纯粹硬实力学知识的角度，我会建议想申请商学院的学弟学妹们，如果将来不想当老师，除非你申商学院里金融和经济这两个专业，否则，请慎重。

　　末了，谈谈生活质量吧。直截了当，商学院博士比其他专业博士有钱多了。比如同校的物理化学计算机博士拿两万多，商学院奖学金一年发到四万刀的都有，税后比一些工作的硕士年薪还多。此外，MBA助教的报酬一般也不低，可以承担规定任务以外更多的课时，我有个学弟承包的MBA课助教每年有好几万的收入。再次，还有给MBA当tutor家教和给公司做咨询等方式挣钱。总之，除非追求奢侈品或特别social 
party啥的，工资一般花不完。除开直接经济上的优势，相比其他专业的隐形福利也不少，比如免费电脑、条件更好的办公室啥的，当然上课的教室也高大上一些。但是。我想跟学弟学妹强调的是，建议大家不要在这些浮云的话题上花费太多心思，EECS学到硬本领去硅谷IT或者quant 
trading 
firm，第一年30万美元的工资例子不少，远高全世界工资最高的两所商学院(哈佛和芝加哥)教授起薪，而且业界工资每年涨幅比商学院教授高多了。所以，读博本质不轻松，商学院虽然高大上，建议大家头脑清醒很重要。理工科博士经历脚踏实地也挺好的。

　　万物归宗，殊途同归。总之商学院博士毕业和其它博士一样，没有特定做不了的工作。很多公司招博士并不看重博士的科研，因为现实生活里最有用的东西永远是最基础简单的，比如大一大二学习的C++和数据结构课程就很有用。学术界高深理论现实业界往往用不上，或者很少地方能用上。业界看中的是完成博士的人一般比较聪明，能快速学习新知识，能独立思考解决问题，毕竟业界很多问题都是需要短时间提出解决方案的。

　　最后，希望大家做“怂”人，从心。不要被表面光鲜的东西吸引，要看自己的真正兴趣所在。人生可以探索的东西实在太多了，但是任何一个职业工作少于2~3年其实都感悟不到太多深入东西，而要有所小成功都得在一个行业上做多一些年头，五年甚至更长时间吧。在一个职位工作多年对人生其实也是一个非常大的commitment，需要兴趣，而人生短暂没有太多时间让你探索感受不同职业用排除法，得选中一个做下去。今天中午在纽约谷歌的食堂和朋友吃饭，谷歌的员工都说公司太复杂了现有项目和代码太多，连管理层都看不过去把谷歌变成了Alphabet的一个子公司。这儿新员工基本前两年都做不了太多东西，因为在熟悉这个复杂的公司。不少员工都是投行基金量化或者IT部门过来的，大家都感悟金融是个圈套，以为做华尔街能挣钱，后来发现挣钱都是少数MD大佬。我想确实如此，现在经济和监管形势下，投行工资确实不高，奖金和08年前都不是一个数量级，就是一个训练业界人才的地方，业绩好的买方公司收入才可能和谷歌这样的IT公司看齐。

2. 库超现状

Two Sigma公司是一家专注于量化投资的华尔街对冲基金，该公司由著名量化投资人大卫·肖恩(D.E. Shaw)的徒弟约翰·欧文德克(John Overdeck)创立。库超作为该公司的前任首席投资官，长期以来也一直从事量化为主导的股票市场中性策略的投资。

3. 怎样成为two sigma的实习生

two sigma在国内没有公司，所以最好得在美国top学校念个统计/金工/数学/计算机硕士，不管哪个专业，数学和计算机水平一定要高，当然最好是phd。然后就可以找two sigma投简历或者找人内推啦，不过这种公司很难进，大陆学生更难，quant的能去大小摩中后台就不错了，搞不好去做risk更是难受，HF包括BridgeWater、Citadel之流的那都是bar相当高，楼主加油

4. 高频交易和量化交易有何不同

量化投资公司和高频交易公司一般说来，既有区别又有联系。在美国，人们常说的量化投资公司一般都是对冲基金，包括DE Shaw、Two Sigma、RenTec、BlueCrest、Citadel、AQR、WorldQuant、Winton等；而常说的高频交易公司一般都是自营交易公司，这些公司主要有Tower Research、Hudson River Trading、Getco、Jane Street、Virtu Financial、SIG、Jump Trading、RGM Advisor、Chopper Trading等。除此之外，既有量化投资业务，又有高频交易业务的公司有Two Sigma、Citadel等；还有许多公司向着更综合的方向发展，DE Shaw等公司，既有量化投资，又有非量化投资。
  对于量化投资来说，除了行情信息，整理收集其他基本面的信息也相当重要，预测模型中要融入整理出的对应的时间序列。成功的模型是什么？重点在于它整合了多少不同来源的信息，而不是运用了多高深的数学理论。以简单的线性回归为例，想要模型的预测效果好，需要各个参数都有很强的预测能力，同时相关性很低；反之，如果选取的参数毫无意义，就算运用在复杂的深度学习理论，得出的模型也没有用。美国的一些公司，除了利用新闻等文本信息建模外，谷歌卫星拍摄到的港口集装箱的图像也会用来建模，商品价格走势如何，通过对商品集装箱的数目来预测，取得了很好的预测效果。

       求解模型其实与建模同样重要。比如说物理学上有很多能精确描述现实的模型，可还是难以求解，因为缺乏高效的科学计算方法，量化交易也一样的。伴随着巨大计算量的参数的计算、筛选、优化、回测等，怎样精妙求解是一门颇为高深的学问。著名的文艺复兴公司内部有着明确的分工——物理学家分析数据建立模型，数学家构建优化算法并求解模型等，计算机程序员从各个来源收集数据，西蒙斯这样透露。

5. a two-sigma range of 0.8 per thousand，这个专业一点怎么翻译呢？？

sigma:西格玛“σ”
“σ”是希腊字母,在统计学上是指“标准差”,表示数据的分散程度
标准差是方差开方后的结果(即方差的算术平方根) 
假设这组数据的平均值是m 
方差公式s^2=1/n[(x1-m)^2+(x2-m)^2+...+(xn-m)^2]

0.8 per thousand  千分之零点八

range of 0.8 per thousand  
我觉得在统计中应该这样理解:以千分之零点八的置信度做前提来进行统计.

那平均值有了,置信度千分之零点八为前提的.(条件)
2σ --2倍的标准差(要求的值???)

以上~~~

6. Two Sigma Investments 是一家怎样的对冲基金

举个例子，在一个最基本的对冲操作中。基金管理人在购入一种股票后，同时购入这种股票的一定价位和时效的看跌期权。看跌期权的效用在于当股票价位跌破期权限定的价格时，卖方期权的持有者可将手中持有的股票以期权限定的价格卖出，从而使股票跌价的风险得到对冲。 
　　又譬如，在另一类对冲操作中，基金管理人首先选定某类行情看涨的行业，买进该行业中看好的几只优质股，同时以一定比率卖出该行业中较差的几只劣质股。如此组合的结果是，如该行业预期表现良好，优质股涨幅必超过其他同行业的劣质股，买入优质股的收益将大于卖空劣质股而产生的损失；如果预期错误，此行业股票不涨反跌，那么劣质股跌幅必大于优质股，则卖空盘口所获利润必高于买入优质股下跌造成的损失。正因为如此的操作手段，早期的对冲基金可以说是一种基于避险保值的保守投资策略的基金管理形式。



现时，对冲基金常用的投资策略多达20多种，其手法可以分为以下五种： 
　　* （一）长短仓，即同时买入及沽空股票，可以是净长仓或净短仓； 
　　* （二）市场中性，即同时买入股价偏低及沽出股价偏高的股票； 
　　* （三）可换股套戥，即买入价格偏低的可换股债券，同时沽空正股，反之亦然； 
　　* （四）环球宏观，即由上至下分析各地经济金融体系，按政经事件及主要趋势买卖； 
　　* （五）管理期货，即持有各种衍生工具长短仓。 
　　对冲基金的最经典的两种投资策略是“短置”（shortselling）和“贷杠”（leverage）。 
　　短置，即买进股票作为短期投资，就是把短期内购进的股票先抛售，然后在其股价下跌的时候再将其买回来赚取差价（arbitrage）。短置者几乎总是借别人的股票来短置（“长置”，long position，指的是自己买进股票作为长期投资）。在熊市中采取短置策略最为有效。假如股市不跌反升，短置者赌错了股市方向，则必须花大钱将升值的股票买回，吃进损失。短置此投资策略由于风险高企，一般的投资者都不采用。 
　　“贷杠”（leverage）在金融界有多重含义，其英文单词的最基本意思是“杠杆作用”，通常情况下它指的是利用信贷手段使自己的资本基础扩大。信贷是金融的命脉和燃料，通过“贷杠”这种方式进入华尔街（融资市场）和对冲基金产生“共生”（symbiosis）的关系。在高赌注的金融活动中，“贷杠”成了华尔街给大玩家提供筹码的机会。对冲基金从大银行那里借来资本，华尔街则提供买卖债券和后勤办公室等服务。换言之，武装了银行贷款的对冲基金反过来把大量的金钱用佣金的形式扔回给华尔街。