数学系出身的学生经常跟我说，觉得自己不算金融圈的人，连投都不敢投。但我跟下来发现，金融数学这个方向的导师，最想要的恰恰不是商科出身的学生。
这个判断不是凭感觉，是从港理工一位讲座教授的招生记录里看出来的。戴民教授，应用统计与金融数学讲座教授，同时挂职会计与金融学院和应用数学系，是港理工量化金融研究中心主任。他2021年从新加坡国立大学全职过来之前，在NUS做了近20年数学系教授。
我的判断：这个组真正筛人的不是你懂不懂金融，而是你能不能用数学工具解金融问题。数学好、编程强、但没修过金融课的人，反而是他最对口的候选。
先看他在做什么问题
戴民教授的研究有几条主线：金融衍生品定价、不完美市场下的投资组合选择、公司金融、以及金融科技。听着像商学院的课题，但打开他的论文就会发现，他做的是把偏微分方程、随机控制和数值方法用到金融决策场景里。他的代表作发在Management Science、Review of Financial Studies、Mathematical Finance这些刊物上，Google Scholar引用超过2500次。
我自己看下来，他近几年有一条线做得很集中：市场摩擦下的最优投资策略。简单说就是现实市场里有交易成本、有税、有各种限制，标准的金融理论模型就不好用了，他用数学工具重新推导这些场景下的最优解。这种研究不是金融背景的人一定能做好的，它需要你对随机过程、PDE、数值算法有很扎实的训练。
数学好没金融背景，反而是优势
你可能觉得申金融方向的博士至少要修过公司金融、资产定价、投资学这些课。对于传统商学院的金融PhD确实如此。但量化金融方向不一样，它从一开始就是数学驱动的。戴民教授自己就是苏州大学数学学士、港理工应用数学MPhil、复旦大学数学博士。他的学术训练全程是数学系的。
我看他过去几年带的博士生，多数本科或硕士是数学、统计、应用数学出身，也有计算机背景的。关键的共同点不是金融知识，而是数学建模和编程能力。金融知识进组之后可以补，但偏微分方程和随机分析不是进组后能速成的。
换句话说，如果你数学基础扎实，不用因为没学过金融就不敢投这个方向。你缺的那部分知识恰恰是最容易补的。
但不是所有数学好的人都适合
这块我多说一句。量化金融PhD和纯数学PhD的区别在于，你的研究问题必须来自金融场景，不是纯粹的数学证明。戴民教授做的是「用数学解决金融问题」，不是「在金融背景下做纯数学」。你得对金融市场的现实场景感兴趣，愿意花时间理解金融制度和市场微观结构。
另外，这个组的节奏偏学术。他目前是Digital Finance联合主编、Finance and Stochastics等多本期刊编委。组里的产出以理论文章为主，发表周期不算短。如果你想走量化交易、金融科技创业这条路，这个方向的训练有用但不直接对口。如果你想做学术或进央行研究部门，这个训练非常扎实。
套磁和材料怎么准备
CV要证明什么：数学建模和编程能力是核心。第二段不要写「参与过量化项目」，写清楚用了什么模型、解了什么方程、算了什么指标。如果做过数值模拟或者金融数据分析的课程项目也值得写进去。
Research Proposal要回答什么：不要写「对量化金融感兴趣」，那等于没写。找他近两年的论文，看他在解什么类型的问题，比如某类市场摩擦下的投资策略、某种金融衍生品的定价边界。然后从他做过的问题里延伸一个你能用数学工具处理的新问题。RP第一段就写问题本身，别铺垫。
套磁信的核心：邮件三段走。第一段两句话说你是谁、做过什么数学问题。第二段说你读了他哪篇论文、有一个具体追问。第三段附CV问招生。不要写「我对金融数学有浓厚兴趣」——这句话导师看了10秒就关了。
回到最开始那个问题
数学好但没金融背景能不能申？我的判断是：不但能申，而且在量化金融这个方向上，纯数学训练反而是最硬的底牌。真正要想清楚的不是「我够不够资格」，而是「我愿不愿意把数学能力放到金融场景里用」。这两个问题的答案完全不一样。
如果你学过随机分析、偏微分方程、数值方法中的任意两门，做过数据驱动的课程项目，并且对金融市场的运行机制有好奇心——港理工这个组值得认真准备。如果你只是觉得金融听着赚钱多所以想跨过来，没有数学工具做支撑，那还是先想清楚再动。
