1. 科技与金融融合的人才培养新范式
上周在南京大学仙林校区举办的非凸科技校园宣讲会,让我深刻感受到金融科技行业对复合型人才的渴求。活动现场座无虚席,数百名来自计算机、数学、金融等不同专业的学生,都在关注同一个问题:如何成为金融科技领域需要的"π型人才"?
金融科技行业正在经历前所未有的变革。根据麦肯锡最新报告,全球超过78%的金融机构正在加大AI和量化交易技术的投入。这种趋势下,传统金融人才的知识结构已经难以满足行业需求。非凸科技COO郑媛姿在演讲中提到的一个案例很能说明问题:他们去年开发的基于强化学习的做市策略,需要同时精通随机过程建模、Rust高性能编程和衍生品定价的复合型人才,这类岗位的招聘周期往往长达6-8个月。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 金融科技企业的核心竞争力解析
2.1 技术栈的独特选择
非凸科技在技术选型上展现出鲜明的特色。与多数金融科技公司采用C++不同,他们选择Rust作为核心开发语言。这背后有三个关键考量:
- 内存安全性:金融交易系统对稳定性要求极高,Rust的所有权机制能有效避免内存泄漏等问题
- 并发性能:做市策略需要处理每秒数十万笔报价,Rust的零成本抽象特性至关重要
- 生态兼容:Rust与Python的良好互操作性,便于量化研究人员与工程师协作
现场演示的一个细节令我印象深刻:他们的订单引擎在单核CPU上就能实现微秒级延迟,这正得益于Rust的性能优势。
2.2 AI大模型在交易中的创新应用
非凸科技分享的AI应用案例打破了常规认知。不同于简单的预测模型,他们将大语言模型用于:
- 市场情绪分析:解析财报电话会议录音,提取管理层语调特征
- 新闻事件影响评估:实时分析新闻对相关资产波动率的影响
- 交易策略生成:基于历史市场状态自动生成策略框架
特别值得注意的是他们的"模型蒸馏"技术——将百亿参数大模型的知识提炼到轻量级模型中,既保持预测精度,又满足低延迟要求。这种技术创新正是金融科技前沿的典型代表。
3. 金融科技人才的能力模型
3.1 量化研究工程师的成长路径
非凸科技策略工程师Rhine的分享极具参考价值。他总结的成长路线图包括:
- 基础阶段(0-6个月):
- 掌握Python量化基础库(pandas/numpy)
- 理解市场微观结构理论
- 完
