Part1. Baruch MFE Alumni Sharing

2026年8月14日，第十二届NSD-Baruch MFE暑期夏令营项目在线上如期开启第五日的议程。

 

首先，多位Baruch MFE在读生与校友与营员们展开交流，结合各自在项目学习、实习求职及职业发展中的经历，分享了对Baruch MFE项目的切身体会。谈及项目最具吸引力的特点时，嘉宾们普遍提到课程设置与行业实践联系紧密，涵盖市场微观结构、数学金融等量化金融核心领域，所学内容能够较快应用于实习与实际工作。同时，小规模班级形成了紧密的同学关系，跨年级校友网络也为求职、面试准备和长期职业发展提供了持续支持。

 

围绕申请与职业准备，嘉宾们结合自身经历给出了具体建议。多位分享者曾参加NSD-Baruch MFE暑期夏令营，并通过夏令营进一步了解课程、教授和量化行业。他们建议同学们提前夯实数学、计算机与金融基础，熟悉简历中每一段项目和实习经历，在面试中保持诚实、清晰和自信。谈到从国内学习环境进入美国量化行业后的适应过程时，大家认为专业语言通常并非最大的障碍，更需要主动了解不同市场在沟通习惯、工作方式和职场文化方面的差异。

 

在求职话题的交流中，嘉宾们还强调了持续学习、快速掌握新知识以及可靠性的重要性。无论在美国还是中国市场，主动建立行业联系、充分准备面试并准确呈现自己的经历都十分关键。对于刚刚开始职业探索的同学而言，扎实的基础、对行业的真实兴趣以及持续积累的学习能力，将在后续求学和求职过程中发挥长期作用。

 

Part2. Advice for Quants in the Age of Artificial Intelligence

随后，拥有多年量化交易经验、长期任教于Baruch MFE项目的Gordon Ritter教授以“Advice for Quants in the Age of Artificial Intelligence”为题，围绕人工智能快速发展背景下量化行业的变化，为同学们带来了一场具有很强现实针对性的分享。

 

Gordon首先介绍了AI工具在量化行业中的应用现状。他指出，生成式人工智能已经广泛进入领先量化机构的日常研究与开发流程，代码生成成本的大幅下降正在改变量化研究员的工作方式。未来量化从业者的价值将更多体现在判断应该解决什么问题、如何设计系统以及如何验证结果是否可靠。他认为研究员需要具备更强的判断力，能够提出正确的问题，并对AI生成的内容进行有效检验。

 

在编程工具方面，Gordon介绍了C++、Python与Java。这三个工具覆盖了绝大多数研究和生产场景，其中C++主要应用于对性能和延迟要求较高的系统，Python广泛用于研究与数据分析，Java则在部分交易系统中发挥重要作用。在深度学习研究中，PyTorch已经成为当前的主流框架。

 

围绕AI辅助编程可能带来的风险，Gordon重点介绍了C++ Core Guidelines及现代软件工程中的代码规范。他建议通过编译器检查、静态分析、单元测试、集成测试和沙盒运行构建多层次的错误检测体系，并尽量采用自动资源管理和最小化公共接口等设计原则。AI生成代码具有随机性，也可能受到上下文长度限制，因此对于需要长期维护并由团队共同使用的代码，开发者仍需逐行理解和检查，并对最终进入生产环境的结果承担责任。

 

他还特别提醒同学们，论文、程序和技术文档最终面对的读者仍然是人。AI可以提升效率，但专业判断、责任意识和诚信仍然是量化从业者长期发展的基础。当前不少量化面试依然保留现场数学推导与问题求解环节，其目的正是考察候选人自身的逻辑推理和解决问题能力。

 

Part3. Machine Learning for Finance

主题分享结束后，Baruch College助理教授Giulio Trigila继续讲授机器学习在金融领域的应用，并延伸至现代生成模型的基本原理。课程首先从概率分布的角度解释生成模型，强调模型通过学习样本背后的概率分布，再从所学习的分布中进行采样，从而生成新的数据。

 

随后，教授介绍了生成模型中的分布映射思想。通过构建可逆映射，可以将复杂的未知分布逐步转换为便于采样的标准分布，并利用逆映射完成新样本生成。课程进一步结合常微分方程的逐步映射思路说明如何将复杂的整体变换拆分为多个较简单的局部变换，并介绍了KL散度（Kullback-Leibler Divergence）在模型优化中的作用。

 

课程后段还将这一概率视角延伸至Transformer与现代语言模型，帮助同学们理解文本生成过程中对下一个词概率分布进行估计与采样的基本逻辑。当天的机器学习课程最终以课堂练习与问题讨论收束，同学们结合前几日所学内容完成了相关题目，进一步巩固了对机器学习与现代生成模型的理解。

 

Part4. Culture Immersion Workshop

 

随后，拥有三十余年金融行业经验的Baruch College教师Ken Abbott为同学们带来Culture Immersion Workshop，围绕美国金融行业的职场文化、沟通方式、职业礼仪与Networking等问题展开分享。

 

Ken首先指出，进入新的工作环境时，理解当地文化背后的行为逻辑十分重要。美国金融机构整体组织层级相对扁平，年轻员工通常有更多机会直接表达意见，管理者也会主动听取团队成员的观点。同时，美国职场高度重视时间观念、截止日期和主动沟通，并具有较为严格的合规与反歧视规范。对于国际学生而言，适应职场文化需要理解不同环境对于沟通与行为方式的具体预期。

 

在沟通技巧方面，他建议同学们根据对象调整表达方式。与技术团队交流时可以深入讨论模型与方法，向管理层汇报时则应优先说明结论，减少不必要的技术细节，并使用直观的图表帮助对方快速理解核心信息。工作中出现问题时，应尽早、坦诚地向团队说明情况并及时解决；完成重要工作后，也需要适度主动向上级汇报成果，在团队会议中积极表达观点，并主动参与具有较高可见度的项目。

 

Networking也是当天讨论的重要主题。Ken指出，职业关系网络在美国金融行业中具有很高的重要性，同学们可以通过校友活动、LinkedIn、行业活动和Coffee Chat等方式主动建立联系。与行业人士交流时，更适合围绕职业经历、行业判断和发展建议展开讨论，而不是直接提出求职要求。建立长期、真实的职业关系，需要持续沟通、认真倾听以及为双方创造价值。

 

在问答环节，同学们还就买方与卖方工作文化、休假制度、工作时长、跨文化沟通以及远程办公等实际问题进行了交流。Ken结合多年行业经历逐一回应，并鼓励同学们在进入美国职场后多观察、多沟通，通过实际经历逐渐形成适合自己的工作方式。

 

Part5. Baruch MFE Application Information Session

当天最后一个环节围绕Baruch MFE项目特点及申请流程展开。项目负责人Dan首先介绍了近年来项目在就业、课程设置、行业认可度与校友发展等方面的情况，并重点说明了项目紧密连接纽约金融行业、课程持续根据市场变化进行更新以及校友社区长期支持学生职业发展的特点。随着人工智能在量化行业中的应用不断深入，AI相关内容也正在进一步融入项目课程与学生培养过程。

 

在职业准备方面，项目设置了系统性的面试训练、校友Mock Interview、简历修改等支持。Summer Immersion Program将在正式开学前帮助新生统一数学、计算机、金融和量化面试相关知识基础，使学生能够更早进入实习与全职岗位的招聘节奏。

 

在随后的问答中，诚信被反复强调为申请与职业发展的基本原则。项目方提醒同学们，无论是简历经历、面试回答还是AI工具的使用，都应保持真实和透明。遇到暂时无法回答的技术问题时，可以说明自己对该领域的了解程度，并从已掌握的基础知识出发尝试推理和分析。面试的价值正在于展示候选人的思考过程、基础能力和学习潜力。

 

项目方还回应了同学们关于本科专业、数学课程背景、实习经历、AI时代课程调整以及国际学生就业等方面的问题，并表示项目会持续与买方、卖方等行业机构保持沟通，根据量化金融行业的变化调整培养内容，为学生进入快速变化的金融市场做好准备。

通过第五日的课程学习与交流，营员们从Baruch MFE在读生与校友的真实经历出发，进一步了解了项目学习与量化职业发展的路径；Gordon Ritter教授的分享将AI技术变化与量化研究员未来的能力要求联系起来，机器学习课程继续深入现代生成模型的数学基础，Ken Abbott则从实际职场经验出发帮助同学们理解美国金融行业的文化与沟通规则。当天最后的申请说明与答疑，也为营员们后续的学业规划和项目申请提供了更加清晰的参考。