如果你今天打算把简历投给天津大学管理与经济学部一位做金融大数据的教授，先做一件事——把你最近一段处理过金融数据的经历找出来，看看里面有没有这几个东西：数据从哪里来、几条记录、什么时间窗、你做了什么清洗、你最后跑出来一个什么结果。
这件事看起来很笨。但你要找的这位老师，2024 年 12 月在另一所学校做的学术报告题目就是这个意思：疫情风险下，个人的消费会不会变。报告题目里的 "Carpe diem as danger nearby"，看上去像一句修辞，实际是一句完全实证导向的研究问题——他要从真实消费记录里看出，当一个人感受到健康风险离自己更近的时候，他的花钱行为有没有发生可观察的变化。
这里不展开他的全部头衔，只说一句：他是中组部首批"青年拔尖人才支持计划"和教育部"新世纪优秀人才支持计划"的入选者，天津市青年科技奖获得者，天津大学管理与经济学部教授、博士生导师。听起来很硬，但你要申他的博士，硬指标只决定他会不会打开你的邮件。打开邮件之后，他会去问你那段 RA 经历里、那段毕设里、那段实习里，你到底动过哪一列数据。
他最近两年到底在追问什么
很多人看他的研究方向，看到的是"金融工程、金融大数据处理、计算实验金融、行为金融、量化投资"这一串词。这串词如果原样写进研究计划里，你已经被淘汰了。因为这一串词每一个都太大，每一个里都还嵌着完全不同的方法和材料。
可以这样拆。
金融大数据这一块，他做的不是"我下载了一份股票数据然后跑了一个回归"那种工作。他做的是把高频行情、新闻文本、搜索量、消费记录、市场公告这些来源放在一起，去看投资者或者个人在什么时刻、用什么节奏在调整行为。所以材料的颗粒度比一般本科课堂作业里看到的要细很多——分钟级、订单级、个人级。
计算实验金融这一块，他和合作者多年做的是用智能体仿真去搭一个虚拟的市场。这里学生最容易误会的地方是：以为这是"模拟交易软件"。不是。它是构造一群异质的、有不同偏好和信念的交易者，看市场层面的价格、波动、流动性是怎么从这些个体行为里"涌现"出来的。这是一种从微观到宏观的方法，不是一组现成的代码。
行为金融这一块，他不只是在写"投资者非理性导致价格偏离基本面"。他把行为变量放进真实数据里去识别，比如刚才提到的疫情风险下的消费变化，又比如媒体偏见和资产价格之间的关系。所以你写邮件、写研究计划的时候，"行为"两个字必须落到一个具体变量上——是异质信念、是损失厌恶、是注意力分配、是情绪，还是风险感知。
如果你愿意，把他近两年挂名的论文列三篇，按这四列填一张小表：研究对象、材料从哪里来、用了什么方法和指标、能往下继续问的一个小问题。比如 2025 年那篇综述性的《金融系统工程在中国：2010-2024》，对象是整个学科 15 年的演化，材料是文献、方法、平台，方法是综述和归纳。这张表填完，你才有资格在邮件里说一句"我读了您的文章"。
学校和学院给了他什么平台
这一段很多博士申请人会跳过。但对国内博士尤其重要——同一个老师，挂在不同平台底下，能给你的训练完全不同。
天津大学管理与经济学部不是普通商学院。它下面挂着金融工程研究中心、复杂管理系统实验室、大数据流通与交易技术国家工程实验室下的大数据应用创新研究中心、中国社会计算研究中心这一串平台。教师近 170 人，其中博导比例很高，学部内部明确以管理科学与工程为强势学科，金融工程在国内是奠基级别的位置。
放回到这位老师身上，他是金融工程与数字金融团队（FEDiF）的核心成员之一。这个团队是学部里少数公开把"团队"两个字写在导师页上的几个之一，意味着研究方向集中、博士生培养有连续的项目支撑、组里的论文共同署名结构清晰。对申请人来说，这是一个比"导师个人主页"更准确的信号源——你最好在邮件之前先把这个团队的成员页面看一遍，看看谁的方向更靠近你做过的事。
他作为负责人主持/完成过国家自然科学基金重点专项、教育部产学合作协同育人项目等十余项研究。这意味着课题组里有可以承接学生工作的真实项目，而不是只让你做"自己感兴趣的题目"。这一点对真正想读博士的人是好消息——但也意味着，他在面试里会特别在意你能不能"做进项目里"。
国内博士的招生信号要分开看。研究生院的博士目录、学部的申请考核办法、博导名单、导师个人页，这四个东西不能合成一句话。目录决定你能不能报这个方向、当年是不是真的招、有几个名额；考核办法决定初审看什么材料、复试问什么问题；博导名单只能告诉你这位老师有博导资格；导师个人页只能告诉你他自己想被怎么看。你写邮件前，请把这四个分开查清。
什么样的材料他更愿意往下看
讲两个具体动作就够，不要把 CV、邮件、研究计划、面试一锅讲。
第一个动作，邮件第一段。
不要写"我对金融工程方向有浓厚兴趣"。这种句子在他每年收到的邮件里出现成百上千次。你要做的事是：在第一段把你处理过的一段真实数据讲出来。讲清这几件事——数据是什么（高频行情、上市公司公告、消费交易、问卷文本？）、有多少条、时间窗多长、你用 Python 还是 Stata 还是 Matlab 跑的、你最后看到了一个什么现象。一句话能不能讲完？讲不完就两句。但不要把这一段写成"研究背景介绍"。
为什么是这一段？因为他自己写的招生条件里几乎都有同一句话——希望熟练掌握至少一项计量或统计分析软件。这一句不是修辞，是过滤器。你如果在邮件第一段就能让他确认你不仅读过综述、还真的动过键盘，他打开附件的概率会高一档。
第二个动作，论文阅读。
很多人读他的论文是从摘要读起。摘要会告诉你他在写"行为金融"，但不会告诉你他怎么做的。请直接跳到数据和方法那一节，看三件事——他用了哪一类数据源（订单数据、消费数据、新闻文本、搜索指数）、他怎么定义那几个核心变量（情绪、注意力、风险感知是怎么从原始材料里量出来的）、他用什么模型识别因果或者识别影响（事件研究、双重差分、工具变量、仿真实验？）。
这三件事如果你能在邮件里复述其中一件，并且接一句"我自己在 XX 数据上做过类似的事，遇到了 YY 困难"，你在他心里的位置已经从"陌生申请人"变成了"看得懂方法的潜在合作者"。
哪种背景今天先不要急
不是说"不匹配的人不要投"——这种话太轻。说得具体一点：
如果你这几年只做过描述性统计、只画过几张分布图、没有跑过完整的回归或者机器学习流程，没有自己清洗过一份原始数据，那么先别急着投。先花两到三周，把手头任何一份可公开下载的数据（Wind、CSMAR、Wharton 的部分公开样本、央行公开数据、Kaggle 的金融数据集都行）从头到尾自己跑一遍——清洗、去重、对齐时间、生成因子、跑回归、看显著性、做稳健性。这一段经历直接进 CV 第一页第一行，比"GPA 排名前几"更能打动他。
如果你的研究计划现在是"我想用 AI 做量化投资"——把这句话删掉。先告诉自己一个具体问题：你想用 AI 解释什么市场现象、用什么数据、用什么 baseline 去比、误差怎么衡量、什么情况下你这个方法会失效。这些问题答不上来，"AI + 量化"在他眼里就是大词。
今天可以做的一步
打开他在学部的教师主页，把研究方向、近期论文、招生范围这三个区块复制下来。然后把你自己 CV 第一页第一段拿出来，看这两段能不能在"数据 + 方法"这一层接得上。接不上的字眼，今晚先改。
