浪尖知识库 2026

数学与应用数学

36分钟阅读

数学与应用数学

高考完选专业那会儿，家长拿着招生简章翻来覆去，最后指着”数学与应用数学”这几个字说：“这个好，以后当老师稳定。“就这么稀里糊涂地进了数学系。四年读下来，当老师这个愿望早就不是人生规划的一部分了——但说对了一件事：这个专业确实给了很多东西，比”稳定”多得多的东西。现在在上海某量化私募做量化研究员，年薪还行，但更重要的是，这份工作让觉得数学终于不是空中楼阁了，它是能变成钱的。

回想起来，选这个专业真的是人生最正确的选择之一，虽然过程很痛苦。大一刚开学那会儿，数学分析的第一节课老师就开始讲实数公理化，什么戴德金分割、什么确界存在定理，在底下听得一头雾水——高中数学从来没这么”抽象”过。室友直接懵了，回去给他妈打电话说想转专业，他妈说”都还没开始读呢就想跑，忍着”。结果他忍下来了，后来还读了数学 PhD，现在在波士顿做拓扑学研究。所以有的时候，忍住也是一种能力。

专业定位

数学与应用数学，名字里的”应用”两个字其实很有迷惑性——它听起来像是”学了就能用”的实用学科，但实际上这个专业本质上是纯数学训练，应用只是方向，本科阶段打下的基础足够扎实，才能在研究生阶段去选择金融数学、统计、机器学习等应用方向。

和数学类的其他方向相比，应数更侧重于”用数学方法解决实际问题”——建模、算法、统计推断、方程求解，这些是应数的核心技能。和统计学专业相比，应数的数学底子更扎实，统计学更侧重于数据本身，应数更侧重于支撑统计的数学理论。和信息与计算科学相比，应数对编程的要求相对低一些，但数学推导能力的深度要求更高。

这个专业的毕业生在深造时有巨大的选择自由：可以读纯数学 PhD，可以读应用数学 PhD，可以转统计、数据科学、金融工程、精算、量化金融——因为所有这些方向的核心数学功底，应数都给打好了。在读研选方向的时候，就觉得应数给了最大的选择权，最后选了量化研究这个方向，把数学和金融结合在一起，既有智力挑战又有经济回报。

但必须承认：本科直接就业，应数的对口工作极少。除非额外补了编程和金融知识，否则数学老师可能是最直接的对口工作。这个专业的投资回报主要体现在研究生阶段，本科只是一个跳板。所以选这个专业之前，一定要想清楚：愿不愿意至少读个硕士？如果答案是愿意，这个专业是一个极好的选择；如果想本科毕业就工作挣大钱，这个专业大概率会让人失望。

适合人群

对”数学有感觉”的人最适合这个专业。“有感觉”不是高中数学成绩好，而是解出一道难题的时候，会有一种发自内心的快乐，而不是”终于做完了”的解脱。如果在高中数学竞赛里拿到过不错的成绩，或者做数学题的时候经常忘记时间流逝，那大概率是这种人。数学系的课程难度比高中数学高好几个数量级，只有真正热爱数学的人才能在这条路上走下去。

愿意深度思考的人也很适合。数学系培养的是”想问题的能力”，不是”记公式的能力”。定理的证明比定理的结论更重要——这是我在数学系学到的最重要的一课。一个公式会用了，最多说明会套题型；一个公式能证明，说明理解它的本质。面试金融工程岗位时，面试官问了一道关于随机微积分的推导题，在黑板前推了十五分钟，那个推导过程就是大三实变函数课训练出来的能力。

有耐心面对长期不确定性的人也很适合。数学研究的周期很长，一个问题可能想几个月也没有突破。这种不确定性需要耐心和韧性，需要能在没有即时反馈的情况下继续努力。在博士阶段研究一个问题整整八个月没有任何进展，最后在第十个月的时候突然想通了——那种快乐无法用语言形容。如果喜欢”今天努力明天就有结果”的工作节奏，数学系可能不适合。

目标明确且愿意自学的人也很适合。数学系的课程大纲和实际工作需求之间存在明显gap——学校教的和业界用的往往对不上。这需要有清晰的目标，知道自己想往哪个方向发展，然后在这个方向上额外自学大量内容。在确定走量化方向之后，自学了随机过程、数值分析、Python和C++，这些不在必修课里，但知道这些是量化工作真正需要的。

四年路线图

大一：建立数学思维模式

大一的核心任务是建立正确的数学思维方式，而不是考高分。见过太多同学大一拼命刷GPA，却忽视了思维方式的转变，结果大二数分和实变开始深入的时候，完全跟不上。

数学分析是大一最核心的课，没有之一。推荐的学习方法是：上课认真听讲，课后先把教材内容看懂，然后合上书自己证明每个定理，最后再做习题。这个顺序不能乱——很多同学跳过”自己证明”这一步，直接去做题，结果数分学成了”高数”，只会算不会证。在数分期末考试前把所有定理的证明自己推了一遍，考试的时候证明题全对，这就是”慢即是快”的道理。

教材方面，入门推荐华东师大《数学分析》，进阶用卓里奇《数学分析》。华东师大的书适合建立基本概念，卓里奇的书适合建立完整的数学框架——两者结合使用效果最好。有个同学只看华东师大，后来做实变的时候感觉很吃力；后来补了卓里奇，很多之前模糊的概念一下子清晰了。

高等代数同样重要，但很多同学忽视它，觉得”线性代数不是高中就学过吗”。高中线代和大学线代的差距比数分和高数的差距还大——高中线代只有行列式和矩阵的基本运算，大学线代的核心是向量空间和线性变换。推荐用《线性代数应该这样学》这本书，它从向量空间出发，把整个线代体系重建了一遍，看完之后再来看机器学习里的矩阵操作，完全是另一个感觉。

编程课大一一定要认真学。虽然应数对编程的要求不如信计那么高，但2026年的量化研究和数据科学几乎离不开编程。Python是首选，因为它语法简洁、生态丰富、做数值计算和数据分析都方便。C++在量化行业里也是必备语言，因为高频交易对性能要求极高，Python的速度跟不上。在实习期间第一次看到同事用C++写的交易引擎，那个延迟是微秒级的，而Python只能做到毫秒级——差距巨大。

大一下学期多了常微分方程和概率论。常微分方程开始引入”解的存在唯一性”这类分析味道的概念，需要习惯用严格的数学语言讨论”这个问题有没有解、解是否唯一、解的表达式是什么”。概率论则是重新学一遍——高中学的是古典概型，大学学的是基于测度论的概率论，思维方式完全不同。

大二：核心课程攻坚

大二上学期是数学系最难的阶段之一。实变函数、抽象代数、复变函数、数值分析——四门”硬课”同时上，每门都需要大量时间消化。这学期的策略是：挑最重要的课深度学，其他课保证基本理解，不追求面面俱到。数学系的课程太多，不可能每一门都学到极致，有所为有所不为才是正确的策略。

实变函数是认知升级的关键课。Lebesgue积分比Riemann积分更一般，它的核心思想是用”测度”代替”长度”，从而能处理更多类型的函数。学实变的时候，Stein的《Real Analysis》读了四遍才把主要内容理解透——不是书看不懂，是自己的认知需要时间慢慢升级。实变函数学扎实了，后面的泛函分析和概率论进阶就顺畅很多。

抽象代数（近世代数）是另一座大山。群、环、域这些代数结构是现代数学的基础语言，第一次接触会觉得非常抽象。在学群论的时候，有个同学推荐了一个游戏——用魔方来理解群论里的置换群。结果魔方没学会，反而对群论的理解更深了一层——用具体的东西理解抽象的概念，这是数学学习的重要方法。

复变函数相对友好一些。留数定理在复分析里简直是”魔法”，复杂的实积分用留数定理可能两行就算完了。复变函数在物理和工程里有广泛应用，在金融数学里也有用——复分析方法是求解某些微分方程的利器。

大二开始一定要参加数学竞赛。全国大学生数学竞赛（数学专业组）是性价比最高的竞赛——考察内容就是数分、高代、解析几何，和日常学习高度重合，不用额外花太多时间准备。策略是：平时学扎实，竞赛前两周系统复习一遍。大三拿到了赛区一等奖，这个奖项在后来保研夏令营的申请材料里起了很大作用——面试老师看到竞赛奖项，立刻对基础功底有了信心。

大三：方向选择与深度积累

大三是最关键的分叉期。要开始明确：走学术路线还是应用路线？

学术路线的核心任务是：高级课程（拓扑学、现代分析、泛函分析进阶）、进课题组做科研、尝试发表论文。学术路线适合对数学本身有强烈兴趣、愿意读 PhD 的人。在北大数院见过太多 PhD 每天和论文死磕，那是一种极度纯粹的生活方式——如果喜欢，那是最幸福的工作；如果不喜欢，每一天都是煎熬。

应用路线的核心任务是：学编程、做项目、找实习。Python、C++、数据结构与算法、机器学习基础，这些是应用方向的标配。应用方向的竞争也很激烈——要和计算机系、统计系的人竞争，他们这些方面的基础往往比数学系的同学更好。所以应用方向的同学必须在大三疯狂补短板，否则秋招的时候会非常被动。

最终走的是量化研究路线——这是数学和金融的交叉领域，对数学要求极高。大三做了三件关键的事：第一，系统学习随机过程和偏微分方程，这是量化模型的数学基础；第二，学了 Python 和 C++，做了一些量化策略的回测项目；第三，找了一份券商研究所的实习，第一次接触到了真实的金融数据处理工作。这三件事让人对量化行业有了基本认知，也帮明确了研究生方向。

大四：收割与冲刺

大四上学期是申请季。保研到了复旦数学科学学院的应用数学方向，研究金融数学。申请过程其实不复杂：本科排名+竞赛奖项+科研经历+面试表现，这几项里面，竞赛奖项和科研经历是能讲出故事的亮点。

毕设做了一个关于”随机波动率模型的参数估计”的课题，难度不大，但这个过程让人第一次完整地体验了”从问题定义到模型求解到结果分析”的学术研究全流程。这个课题后来在读研期间深化成了第一篇论文。

大四下学期几乎没什么课，主要任务是完成毕设和规划研究生阶段的学习。研究生和本科完全不同——没有课程表，需要自己规划研究方向、自己读论文、自己推导、自己写论文。在本科最后一个假期把研究生要读的基础书单列好了，包括随机微分方程、金融数学、统计学习等方向的研究生教材。提前准备，研究生阶段就不会那么慌张。

四年下来，最深的体会是：数学与应用数学这个专业的价值不在于它直接给什么技能，而在于它训练一套思维方式。这套思维方式让人在任何需要严密逻辑的领域都有优势——金融、法律、咨询、AI、科研。在量化行业，每天的工作就是”用数学模型描述市场行为，然后用程序实现这个模型”——这套方法论，就是本科四年训练出来的。

核心课程

分析类：数学分析、实变函数、泛函分析、常微分方程、偏微分方程、复变函数。分析是应数的核心，贯穿整个本科四年。实变函数和泛函分析是高等分析的基础，学扎实了才能理解现代数学的很多前沿问题。

代数类：高等代数、抽象代数、线性代数进阶。抽象代数是现代数学的基础语言，群论在密码学和编码理论里有直接应用，环论在数论里有重要地位。

几何与拓扑：解析几何、微分几何、拓扑学。这些课培养空间直觉，是理解现代数学很多分支的基础。

概率与统计：概率论、数理统计、随机过程。时间序列分析、贝叶斯统计这些进阶内容都以这几门课为基础。

数值计算：数值分析、数值代数、数值偏微分方程。数值分析训练的是”用计算机求解数学问题”的能力，是数学和计算机的桥梁。

建模与实践：数学建模、运筹学、数学实验。这些课训练用数学解决实际问题的能力，是应数区别于纯数的重要标志。

能力栈

数学推导能力。这是应数学生最核心的能力——从定义出发，严密地推导出结论，不跳步，不假设未经证明的东西。这个能力在任何需要严密逻辑的领域都是稀缺资源。在量化面试时，面试官出了一道需要现场推导的题目，在黑板前推了二十分钟，那个推导过程就是四年训练出来的本能。

抽象思维能力。从具体问题中抽取本质，用数学语言表达规律的能力。具体表现为：看到一个新问题，能迅速判断它属于哪类数学结构；看到一个新概念，能快速抓住它的本质属性。这种能力在 AI 研究里同样重要——大模型的很多理论问题，最终都是数学问题。

编程实现能力。Python是首选，C++在量化行业是必备。数学系的编程不需要达到 CS 专业的水平，但基本的数据处理、算法实现、数值计算能力必须有。在实习中发现编程能力明显不如 CS 背景的同事，后来花了大量时间补这方面的短板。

自学能力。数学系培养的最重要的元能力——“给我一个陌生的数学领域，我知道从哪里开始、怎么学”。这个能力比任何具体知识都更通用。在研究生阶段需要随时学习新的数学工具，靠的就是这套方法论。

升学就业

2026年应数深造数据

数学与应用数学专业的深造率在所有专业里名列前茅，超过60%的同学会选择继续读研。

保研：清北华五的数学方向保研竞争激烈。关键因素：本科 GPA（通常要求前10%-15%)、竞赛奖项（全国大学生数学竞赛一等奖加分极多）、科研成果（如果有论文发表是极大优势）。2026年头部高校夏令营的申请竞争更加激烈，了解到的数据是：北大数学夏令营录取率约15%，清华丘成桐数学英才班录取率更低。

考研：数学系考研的专业课是数学分析和高等代数，题目风格和期末考试完全不同，需要专门准备。2026年考研数学方向 A 类地区国家线约310分，但顶尖高校的复试分数线通常在350分以上。

出国：美国、欧洲、新加坡、香港都是热门目的地。数学 PhD 项目竞争激烈，尤其是排名靠前的项目。申请材料里最重要的三项：本科 GPA、GRE Subject成绩（数学专项）、推荐信。如果能拿到知名数学家的强推，申请结果会好很多。

就业方向

应数本科直接就业的对口工作很少，但读研之后的选择就非常多了。

量化金融（主流方向）：量化分析师、量化研究员、风险管理。头部量化私募的薪资极高，2026年顶级量化私募给数学 PhD 的 base salary 可以到60万-100万人民币/年，bonus另算。现在是量化研究员，主要工作是把数学模型变成实际可交易的策略——这个过程需要深厚的数学功底和强大的编程能力。

IT行业：算法工程师、数据科学家、机器学习工程师。数学背景在这些岗位的面试里有优势，尤其是算法推导和理论证明环节。2026年算法岗竞争激烈，但数学 PhD 的上岸率明显高于其他背景。

金融行业：券商研究所、基金、风控部门。数学功底是券商研究所研究员的核心竞争力之一，在实习期间见过好几个数学 PhD 在研究所做得风生水起。

教育行业：中学数学教师、培训机构讲师、高校教师。教培行业在2026年仍然是重要的就业方向，尤其是数学竞赛培训方向，薪资不低。

咨询与数据服务：管理咨询、市场研究、数据分析。逻辑分析能力在咨询行业很受欢迎。

避坑点

坑一：只刷题不思考

很多同学学数学的方式是”背题型”，遇到新题就套已有的模板。这种方式在高中可能有效，但在大学里行不通——数学分析的题目千变万化，不可能每种题型都背下来。

避坑方法：每学一个定理，先合上书自己证一遍，然后思考这个定理在什么场景下能用、什么场景下不能用。刷题的作用是检验理解，不是记忆答案。大一下学期改变策略，不再盲目刷题，而是把每道做过的题背后的数学思想搞清楚，那个学期成绩反而比之前更好。

坑二：忽视编程

应数很多同学觉得编程不重要，“我是学数学的，以后做研究不需要编程”。这个想法在2026年已经严重过时了——即使是纯数学研究，计算数学和数值分析也需要编程；应用方向更是离不开编程。建议是：每学期的编程课认真学，额外自学 Python 和 C++，这些技能在就业市场上是实实在在的加分项。

室友大四才开始学 Python，春招找数据科学的工作时发现面试官问的编程题完全答不上来——明明数学底子比他差的 CS 同学都能答上来，因为人家刷过 LeetCode。后来花了一个月死磕刷题，最后才拿到了 offer。如果早点开始准备，会轻松很多。

坑三：竞赛和科研两头抓

应数同学很容易陷入一个误区：既要竞赛拿奖、又要科研出成果、还要刷 GPA、还要实习。什么都想要，结果什么都没做好。

避坑方法：每个阶段明确一个核心目标。大二上学期以竞赛为核心，下学期以 GPA 为核心；大三上学期以进课题组为核心，下学期以实习为核心。一个阶段专注做一件事，比同时抓十件事效率高得多。认识一个学长，大二一年同时搞竞赛和科研，结果竞赛没拿奖、科研没出成果，整个人非常焦虑。后来调整了策略，一个阶段只专注一件事，成绩反而好了很多。

与AI新产业结合

2026年，AI和新产业的结合已经渗透到各行各业，数学与应用数学在这个浪潮中扮演着关键角色。

量化金融的智能化升级。传统量化模型基于随机微分方程和统计方法，但2026年的前沿量化研究已经开始引入深度学习——用神经网络学习市场微观结构、预测价格走势、优化交易执行。这些模型的数学核心是：随机控制理论（做交易执行优化）、时间序列分析（做价格预测）、强化学习（做策略自动优化）。应数学的随机过程和泛函分析是理解这些模型的理论基础。

AI for Mathematics。2026年最激动人心的方向之一是用AI证明数学定理和发现新的数学结构。DeepMind的AlphaProof在数学奥林匹克级别的问题上已经达到了银牌水平；大语言模型在辅助数学研究方面也开始发挥作用。数学系的学生如果能站在这个交叉点上，既有数学功底又有编程能力，发展空间极大。有个学长现在在清华做这个方向，发的论文已经被顶会接收了好几篇。

机器学习理论基础。神经网络为什么能work？深度学习的泛化能力怎么保证？这些都是还没有被完全解决的数学问题。数学系的学生在这些理论问题上比 CS 背景的人有更大优势，因为 ML 理论的核心工具是概率论、数理统计、泛函分析和优化理论——这些全部是应数的核心课程。

AI医疗和生物统计。医学影像分析、基因组数据分析、药物设计——这些领域在2026年都在快速引入 AI 方法。数学功底在这些领域的价值在于：模型的数学可解释性、统计推断的严谨性、优化算法的效率。数学系的学生如果辅修了生物学或医学知识，在这些交叉领域会非常抢手。

推荐阅读

数学基础：《数学分析八讲》（辛钦）——大师写的数学分析入门指南，适合建立直觉；《线性代数应该这样学》（Axler）——从向量空间角度重建线代体系，强烈推荐；《实分析》（Stein）——学完数分后读，对实变函数理解帮助极大。

应用数学：《数学建模》（姜启源）——国内最好的数学建模教材之一；《运筹学》（清华大学出版社）——涵盖线性规划、整数规划、动态规划等核心内容。

视野拓展：《数学之美》（吴军）——用通俗语言讲数学在IT中的应用；《Proofs from THE BOOK》（Aigner & Ziegler）——数学中漂亮证明的合集，感受数学之美的必读书。

职业规划：《走出混沌》（黄庆）——数学系学长的职业发展经验分享；《量化投资：以Python为工具》（丁鹏）——量化投资的入门书籍，了解行业的好读物。

继续阅读导航

上级目录

同目录索引

跨库关联

同主题推荐

相关标签

  • 中国大学的专业规划
  • 理学类
  • 数学类
  • 竞赛
  • 科研
  • 实习
  • 就业
  • 考研
  • 保研
  • 留学
  • 创业

下一步阅读