伦敦政治经济学院LSE的金融数学与统计本科专业 (BSc Financial Mathematics and Statistics) 是数学系/统计系和金融系合开的一个专业，这个专业在量化圈名气大，不是因为它教了多少金融策略，而是因为它用最硬核的数学和统计理论，把学生的逻辑推演能力逼到了极限。
2025年录取数据：申请人634人，注册45人，录取难度14：1。而这个专业中国申请大约300-350人，超过一半的申请人数。
2025 年 LSE 全校对中国大陆学生整体大幅扩招（全校中国学生 Offer 涨了 38.3%）。在金融数学与统计专业发放的约 90 枚 Offer 中，凭借极强的数学背景和卷出来的 TMUA 成绩，中国大陆学生拿下了接近一半的 Offer。虽然中国学生拿到了约 40 枚 Offer，但最后真正坐在 LSE 教室里的中国学生通常只有十几个人。在 2025 年，金融数学与统计专业里每 3 个实际入读的学生中，就有 1 个是中国内地学生。这个专业的中国学生圈子非常小且极为精英（一个年级仅 10 余人），大家基本都是手握顶尖大考成绩加 TMUA 高分的“数理学霸”。
学费：51000镑/26。学术：A*AA, IB 39/766。雅思：7，单项7。笔试：TMUA （推荐）。面试：无。
一、学科建议
这个专业属于数学系，学科选择非常的简单：数学和进阶数学是强制的A*。其他的方向是：物理、化学、经济。
物理：LSE 的招生官极度偏爱物理。物理展现出的理科思维、建模能力和计算逻辑，与数学系的需求高度契合。如果你高数稍微弱一点，一门物理A*或A可以作为极强的学术背书。
经济：虽然这个专业偏数学，但大一到大三有约 30% 的课程属于金融和经济学框架。在 A-Level 阶段学过经济，能让你的个人陈述 (PS) 更有话可说（你可以更好地把数学工具和经济学现象结合起来写进文书）。
不能选择的专业：会计 Accounting、商务研究 Business Studies、媒体研究 Media Studies 等。经济与商务不能同时选。中文不认可。
二、TMUA考试
在LSE的官方说明，是强烈推荐，不是强制。在LSE的官方强烈推荐总共有9个专业。这个意思是你最好考，通过录取的学生来说，他们都考了，你看着办。
- BSc Mathematics and Economics
- BSc Mathematics with Economics
- BSc Financial Mathematics and Statistics
- BSc Mathematics with Data Science
- BSc Mathematics, Statistics, and Business
- BSc Data Science
- BSc Economics and Data Science
- BSc Actuarial Science
- BSc Actuarial Science (with a placement year)
上述就是推荐的专业名单，因为我们之前就提供TMUA服务介绍和TMUA具体建议，请参考之前的文章，这里不再重复介绍。
三、个人陈述
LSE 对个人陈述（Personal Statement, 简称 PS）的审核在全英是出了名的严苛和挑剔。LSE 的招生官曾公开表示：“我们不要听你的故事，我们要看你的学术思考。”由于金融数学与统计专业是由数学系和统计系联合授课，你的 PS 必须表现得像一个“具有严谨数理逻辑的学者”，而不是一个想去华尔街赚大钱的商人。
问题一：动机与专业认知 (Motivation and Understanding)
写作策略：
- 开门见山：直接指出你对“利用高度抽象的数学工具，将金融市场的随机性和风险定量化”这一过程的痴迷。
- 学科交叉认知：阐述你深知这个专业不是简单的“高数 + 炒股”，而是通过数学分析（Analysis）提供严谨性，通过统计学（Statistics）处理现实数据，最终在金融框架下进行资产定价与风险控制。
- 范例方向：“我对该专业的向往，源于意识到金融市场中看似不可预测的‘噪音’，实际上可以通过随机过程（Stochastic Processes）和测度论进行深刻的数理重构……”
- “在研究资产价格的非平稳时间序列（Non-stationary Time Series）时，我发现其高阶矩（Higher-order Moments，如偏度和峰度）往往表现出厚尾效应（Heavy-tailed Distribution）。这激发了我去探究如何利用广义自回归条件异方差模型（GARCH）来修正传统正态分布对市场极端风险的低估。”
问题二：学术准备与核心素材 (Academic Preparation)
这是你展现AMC/BMO 竞赛、HiMCM 建模以及硬核书单的黄金舞台！
写作策略：
- 用竞赛/建模展现“降维打击”的解题思维：不要只列出你拿了什么奖。写出你在AMC/BMO中遇到高难度组合数学或概率题时，如何通过严谨的逻辑推导破局；或者在HiMCM（数学建模）中，你如何把一个现实问题剥离成数学模型（例如利用泊松分布预测人流或资金流）。
- 用硬核书单展现自学能力：谈谈你读《漫步华尔街》或大学教材《概率论与数理统计》的启发。你可以写：“为了理解布莱克-舒尔斯（Black-Scholes）模型的底层逻辑，我自学了泰勒展开和二叉树期权定价模型，并尝试用数学逻辑去推演边界条件……”
- LSE 教授的小偏好：多用“推导 (Derive)”、“建模 (Model)”、“严谨性 (Rigour)”、“分析 (Analyze)”这类学术动词。
建模（HiMCM）的硬核写法：不要强调你的结论有多对。写你如何进行敏感性分析（Sensitivity Analysis），或者你如何意识到连续变量与离散变量之间的冲突，并尝试引入马尔可夫决策过程（MDP）来优化动态决策。
数学竞赛（AMC/BMO）的硬核写法：不要写你做对了多少题。写你对组合数学（Combinatorics）中鸽巢原理的高阶应用，或者在解决数论难题时，对同余理论（Congruence Theory）严谨逻辑结构的痴迷。这能直接向招生官证明：你具备应对大二《真实分析 (Real Analysis)》和《线性代数》所需的纯数学抽象思维。
问题三：技能与个人特质 (Skills and Personal Qualities)
写作策略：
- 将 TMUA 备考转化为抗压与逻辑技能：TMUA 极度考验高压下的纯逻辑推演与快速决策能力。你可以把“攻克 TMUA 那些反直觉的逻辑充分必要条件题”的过程，包装成你高超的批判性思维（Critical Thinking）与抗压韧性。
- 长期主义与耐力：金融数学要求极高的专注力（一两道实分析证明题可能需要推导几天）。证明你在面对复杂数理难题时，具备长时间专注、拆解问题、不轻言放弃的科学素养。
- 画龙点睛的团队合作：顺带提一句在数学建模（HiMCM）或小组研究中，你作为“数理核心”如何与队友高效沟通、将抽象数学公式用通俗语言传递给队友的协作能力。
拒绝 AI 感，强调“我的推导过程”：UCAS 改革就是为了打击千篇一律的 AI 文书。在回答第二题时，细节越具体、推导过程越硬核，文书就越真实、越不可替代。
四、推荐书单
LSE 官方推荐这些书，不是为了让你看故事，而是为了帮你填补“高中算术”到“大学纯数学证明”之间的巨大逻辑断层。以下是官方推荐书单的分类拆解以及如何在 2027 年 UCAS 新问题中运用的硬核指导：
🏛️ 第一类：纯数学抽象与严谨逻辑（数学系官方大推）
1. 《An Introduction to Mathematical Reasoning》 —— P. Eccles
- 官方推荐理由：本书是大学数学证明的圣经，教你如何用集合论、一阶逻辑和反证法来构建无懈可击的数学推导。
- 硬核写法（可用于问题三）：
“在自学 P. Eccles 的《An Introduction to Mathematical Reasoning》时，我学会了如何使用数学归纳法（Mathematical Induction）和反证法（Proof by Contradiction）去严谨地审视每一个数理命题。这种对逻辑严密性（Logical Rigour）的刻意训练，不仅提升了我在 TMUA Section 2 中处理复杂充分必要条件题的速度，也让我具备了应对大学抽象数学学习的核心技能。”
2. 《Numbers and Proofs》 —— R. Allenby
- 官方推荐理由：教学生如何从数论和基础代数的角度去进行构造性证明。
3. 《A Concise Introduction to Pure Mathematics》 —— M. Liebeck
- 官方推荐理由：非常丝滑地从高中数学过渡到大学的复数、矩阵和群论基础。
第二类：数理统计思维（统计系官方大推）
该专业有一半在统计系，官方强烈不希望你把统计等同于“算平均数和标准差”。这部分内容适合放在UCAS 问题二（学术准备）。
4. 《Statistics: a very short introduction》 —— D. Hand
- 官方推荐理由：由牛津大学出版的经典通识。极其精炼地阐述了统计学在面对现实世界“不确定性”和“数据偏误”时的核心逻辑。
- 硬核写法（可用于问题二）：
“阅读 David Hand 的《Statistics: a very short introduction》促使我重新思考数据的本质。书中指出统计不仅是数据的罗列，更是对现实不确定性（Uncertainty）的量化。结合我在 HiMCM 建模中的经历，我意识到当样本存在选择性偏差（Selection Bias）时，传统的回归分析会失效。这启发我深入钻研概率模型，尝试理解更复杂的统计推断（Statistical Inference）框架。”
5. 《The Tiger That Isn't: Seeing Through a World of Numbers》 —— A. Dilnot
- 官方推荐理由：教你如何识别政客、媒体利用统计数据制造的谎言，重在培养批判性数据思维（Critical Data Literacy）。
🎓 进阶加分：高阶定量研究（LSE 课程Indicative Reading）
如果你想在UCAS 问题一（专业认知）或问题二中显得比普通申请者更博学，你可以直接引用 LSE 高年级甚至硕士阶段的“预备阅读书目”：
6. 《Introductory Econometrics for Finance》 —— Chris Brooks
- 真实身份：LSE 金融与计量经济学方向的经典参考书。
- 硬核应用（可用于问题一）：
“我对金融数学与统计的兴趣并非源于浅层的市场波动，而是源于对 Chris Brooks 在《Introductory Econometrics for Finance》中所展现的数理美感。书中对时间序列分析（Time Series Analysis）和资产定价模型（CAPM）的矩阵推导，让我看到统计学是如何作为一把解刻刀，在充满噪音的金融市场中剥离出系统性风险的。我渴望在 LSE 进一步构建更硬核的动态概率模型。”
五、为什么金融数学与统计专业是伪量化专业？
说 LSE 金融数学与统计专业（BSc Financial Mathematics and Statistics）是“伪量化专业”，并非贬低它的学术含金量，而是从现代量化金融（Quantitative Finance，即 Quant）行业的真实职业技能需求出发，对该专业做出的极度精准、去滤镜化的行业定性。
在业内人士和顶级学长眼里，它之所以被贴上“伪量化”的标签，核心原因在于以下四个方面的“错位”：
1. 编程技能的“真空”：离真正的 Quant 差了一个程序员的距离
现代量化金融（尤其是买方的量化对冲基金，如 Citadel、Jane Street、Two Sigma）本质上是“代码驱动”的。顶尖 Quant 岗位（Quant Developer / Quant Researcher）对本科生的硬性要求是：精通 C++、高级 Python、熟练掌握数据结构与算法、机器学习（Machine Learning）以及高频交易系统开发。
- LSE 课程的骨感现实：翻开该专业的核心课程大纲，你找不到一门像计算机系那样硬核的 C++ 算法课或软件工程课。你顶多会在统计课上用 R 语言跑跑回归，或者在数学课上用 Python 做点简单的数值计算。
- 行业直白评价：没有硬核编程和计算机底层的量化，在现代高频/算法交易时代，就是“纸上谈兵”。
2. 学术方向的“错位”：偏向纯理论推导，而非工业界应用
该专业由数学系和统计系联办，它的底层逻辑是学术研究（Academic Research）而非职业培训（Vocational Training）。
- 你以为的量化：学习如何写自动化套利策略、构建多因子选股模型、用机器学习在海量高频数据中寻找 Alpha（超额收益）。
- LSE 教你的数学：拿着《测度论》去严格证明概率的公理化体系，用《真实分析》去推演函数的收敛性，用《随机微分方程》在理想化的黑天鹅模型下做期权定价推导。
- 结论：它培养的是“数学家”，而不是“交易员”。这种纯理论的数理训练，在没有编程支撑的情况下，本科毕业极难直接去买方写策略。
3. 就业生态的“分流”：毕业生大多去了“传统金融”而非“硬核量化”
由于 LSE 本身作为英国传统投行顶级 Target School（目标院校）的恐怖光环，这个专业的毕业生往往拥有天花板级别的就业去向。然而，他们的去向恰恰暴露了该专业“伪量化”的本质：
- 真实去向：大部分本科毕业生最终去了九大投行（如高盛、摩根大通）的IBD（投资银行部）、Sales & Trading（销售与交易）、Risk Management（风险管理），或者去麦肯锡做战略咨询。
- 量化圈现状：真正能坐进顶级量化对冲基金核心 Researcher 办公室的，基本被牛剑/帝国理工的计算机系、纯数学系、物理系本科生，以及各名校的PhD（博士）垄断。LSE 金数学生进去的，大多也是做偏中后台的 Risk 或支持岗位。
4. 它是“数学 + 金融选修”，而非有机的“量化金融”
这个专业的本质其实是：70% 的纯数学与统计本科课 + 30% 传统的 LSE 金融选修课。
它的金融部分（由金融系提供）主要是微观经济学、企业金融和传统的资产定价。这些课程在设计上是为了让学生理解金融市场的宏观运行和公司财务，而不是为了量化交易服务的。数学是数学，金融是金融，两者的结合主要靠学生自己去悟，缺乏像美国一些顶尖金融工程（MFE）本科那样高度工业化的“量化”统合课程。
- 如果你想本科毕业直接做硬核 Quant / 码农：它确实是“伪”的，选择帝国理工（IC）的计算机/数学与计算机，或者牛剑的计算机才是正道。
- 如果你把它当成顶级“跳板”：它反而是天花板级别的存在。正是因为它“伪量化”背后的超硬核纯数学与统计底层（如 MA103、ST302 等课程），加上 LSE 的金字招牌，能让你在毕业时以近乎统治级的优势，跨国斩获美国 CMU（卡耐基梅隆）、哥大、纽大或者牛津 MFE 这种真正的顶级量化金融硕士的 Offer。通过硕士补齐编程短板后，你将成为量化界最恐怖的“正规军”。
金融数学与统计专业行业定性是：它极难让你在本科毕业后，直接进入顶级买方对冲基金做核心的量化策略研究员（Quant Researcher），但它能让你在“泛量化”和“顶级投行”领域横着走。
现代量化圈（如 Citadel, Jane Street, Jump Trading 等买方巨头）在招聘最核心、最赚钱的Quant Researcher (QR)时，有着近乎偏执的用人标准。LSE 金数本科生的短板在这里会暴露无遗：
- 学历被碾压：核心 QR 岗位几乎被牛剑、MIT 的纯数学/物理/计算机系的顶级本科生，以及海内外的高阶 PhD（博士）垄断。
- 技能树错位：这个专业编程极弱。真正写策略、做高频交易需要极强的 C++ 算法和机器学习底子，这是 LSE 金数本科课表里没有的。
LSE（伦敦政经）作为全球投行第一梯队目标院校（Tier 1 Target School）的恐怖光环，这个专业的学生在就业市场上属于绝对的“特权阶层”。
1. 卖方投行的“泛量化”岗位（Quant Support / Risk / Structuring）
这是最对口的去向。华尔街九大投行（如高盛、摩根大通、摩根士丹利）的以下部门极度偏爱这个专业：
- Risk Management（风险管理部）：利用你的数理统计模型去评估投行的资产风险。
- Structuring（结构化产品部）：设计高难度的金融衍生品，这需要极强的数学定价能力（如 Black-Scholes 模型的应用）。
- Quantitative Research Support：在卖方做量化分析和数据支持。
2. 传统顶级金融岗位（IBD / S&T / 咨询）—— 降维打击
很多中国学生读了这个专业后发现自己不喜欢代码，转头去卷传统金融，结果发现自己拥有降维打击的优势：
- IBD（投行部/并购）：虽然 IBD 只需要加减乘除和 Excel，但投行非常喜欢数学底子好的学生，认为他们逻辑更严密。
- S&T（销售与交易）：做交易员（Trader）需要对数字极度敏感，金数专业的数理背景是极大的加分项。
- Management Consulting（战略咨询）：去 MBB（麦肯锡、贝恩、波士顿）做定量的数据分析。
3. 终极路线：作为“超级跳板”去读真正的顶级量化硕士（MFE）
这是绝大多数想做“纯硬核量化”的中国学生的黄金选择。
利用 LSE 成绩单上满屏的高分纯数学、纯统计课程，加上 LSE 的名校推荐信，毕业生在申请牛津 MFE、剑桥金融、美国卡耐基梅隆（CMU MSCF）、哥伦比亚大学、纽约大学（NYU Courant）等真正的顶级量化金融/金融工程硕士时，拥有统治级的录取率。在硕士阶段补齐 C++ 和机器学习代码后，直接空降顶级对冲基金做核心 Quant。
根据 LSE 官方对毕业生的追踪数据（Graduate Outcomes Survey）：毕业 15 个月内的就业或深造率高达 93% 以上，几乎不存在毕业即失业的情况。该专业毕业生的平均起薪在英国本科中属于天花板级别，通常在 £50,000 - £75,000 / 年（约合 45万-68万 人民币），如果拿到顶级投行或咨询的 Offer，加上年终奖会更高。LSE会给你进入金融帝国最核心圈子的一张“万能门票”。
