作者 | M同学
未明学院优秀学员
别人眼中的券商研究所实习生：“协助分析师并独立撰写深度个股报告、行业报告、专题报告；整理晨会纪要、搜集相关数据…"
现实中的券商研究所实习生：“搜集数据-整理数据-搜集数据-整理数据…（无限循环）”
本人是一名在国内top2券商研究部门的实习生，曾经在三家不同的券商研究部实习过，涉及行业研究，个股研究及固定收益等，对研究所工作有一定的了解。这里首先给大家普及一下国内券商的等级情况以及研究所的招聘要求。
证监会近期公布了2018年证券公司分类结果，根据《证券公司分类监管规定》，证券公司分为A类(AAA级、AA级、A级)、B类(BBB级、BB级、B级)、C类(CCC级、CC级、C级)、D类和E类等5大类11个级别。
A类、B类和C类三大类中各级别公司均为正常经营公司，其类别、级别的划分仅反映公司在行业内风险管理能力及合规管理水平的相对水平。D类、E类公司分别为潜在风险可能超过公司可承受范围及被依法采取风险处置措施的公司。
2018年评级最高的AA类券商共12家，相比去年增加1家，其中10家券商维持AA评级，分别是广发证券、国泰君安、海通证券、华泰证券、申万宏源、银河证券、招商证券、中金公司、中信建投和中信证券。
作为券商内部核心部门的研究所，其职责主要是对已经上市的证券进行研究分析，并独立给出相关的投资建议。目前国内约有30家左右活跃的券商研究所。在券商研究所里工作的人员被我们称为证券分析师（研究员），这些分析师主要负责对各类证券进行研究分析定价，并给出具体的投资建议。我在求职招聘群里搜集了以下几个研究所招聘实习生的要求：
【实习】【新财富第二团队】XX证券研究所招聘 XX组实习生
岗位要求：
1、海外重点高校或国内985,211高校研一研二或者大四保研，拥有金融、财务或机械、自动化相关背景者优先录取；
2、踏实靠谱；有扎实的写作能力；严密的逻辑思维和数据分析能力；
3、对行业研究感兴趣；
【上海】Top5研究所轻工行业招聘实习生
职位要求：
1、学历要求：硕士研究生及以上（985/211优先），毕业时间为2018年及以后；
2、专业要求：金融学、经济学或其他相关专业，对行业研究有深厚的兴趣；
3、熟悉数据处理工作；
【实习】XX证券传媒互联网组
职位要求：
1、对行业研究有浓厚兴趣，具备良好的数据分析能力，工作细致认真、踏实靠谱；
2、优秀的英语听读能力；
3、硕士及以上学历，金融经济相关、有过行业经历、通过部分CFA、CPA考试者优先；
众所周知，wind数据库是入门的基础，无论是找股票财务专题数据、债券期限结构数据或者基金资产配置数据集都离不开数据库的支持。然而wind只是给大家一个获得原始数据的途径，把原始数据加工至可以给投资者看明白的终端数据要经过两个不可缺少的环节——数据处理与数据分析。
举个例子：
带你的分析师给你布置了以下任务：剔除次新股指数中的科创板成分影响，并重新计算该指数的修正值PE TTM。
【新手模式】
首先，打开wind，搜索次新股指数并打开F9；【耗时30s】
其次，找到其成份数据中的成分与权重，下载最新收盘价下的的PE TTM数据保存至表1；【耗时2min】
第三，在多维数据-板块数据浏览器中找到科创板板块，指标选择股票名称与代码保存到表2；【耗时1min】
第四，同时打开表1和表2，对应着表2中的40+科创板数据挨个在表1的150+数据中剔除（或使用查找功能剔除）；【耗时5-10min】
最后，重新计算剔除后的剩余数据的PE TTM值。【耗时20s】
合计时间【9-14min】
【进阶模式】
首先，打开excel，登陆wind在excel中的插件，插入代码——次新股在A列，科创板在C列；【耗时30s】
其次，选择函数搜索——PETTM值，自动填充在B列；【耗时30s】
接着，使用COUNTIF或者VLOOKUP功能，删除A列中涵盖C列的数据；【耗时40s】
最后计算A列剔除后的PE TTM值。【耗时20s】
合计时间【2min】
【终极模式】
使用numpy及pandas通过wind python接口获取次新股与科创板PE TTM数据，运用“for循环”和“if函数”结合删除重复值后计算average结果。
合计时间【1.3min】
由此可见，熟练运用excel是一项必不可少的技能，而如果你能在python上有所建树则更是锦上添花。
上述任务只是平时实习的冰山一角，分析师不会给你太多时间来摸索如何使用wind，如何使用函数，公司需要的只是你在最短时间内完成任务的效率。
当我在第二家研究所实习时，分析师在实习群里分配任务，分别找出华为近5年消费者业务、企业业务与与运营商业务的收入、占比与同比增速数据，并同苹果公司进行对比。
该任务有两大难点：第一，华为是一家非上市公司，也就意味着wind不会有其公开财务数据，需要自行去华为官网下载年报查找；第二，苹果是美股上市公司，其财报格式及数据与国内大相径庭。
我们当时有三名实习生，各自负责一块业务。其中有一名实习生A同学，他是刚刚入职的，仍然处于实习考核期间，对数据搜集不是很熟悉。当时因超时提交任务被辞退。
后来在我与他的聊天中总结了他犯的这么几个错误：
第一，他使用百度或谷歌找寻华为年报，理由是在华为官网找寻不到（因为华为有类似淘宝的销售网站、集团网站、个人用户、企业用户、运营商用户等几个分网址），该举动被分析师质疑数据来源不严谨；
第二，下载年报后他直接使用了年报中的数据，没有进行单位的统一，在数据分析时出现明显偏差；
第三，因为他的纯手动操作，消耗了大量的不必要时间，耽误的工作的进程。
而另一名实习生B则是计算机大神，他不仅使用爬虫快速爬取了华为、苹果的数据，还进一步找到了华为消费者业务下智能手机的出货量与市场份额情况的相关数据，在分析出消费者业务发展趋势的情况下，又更加细致的分析出智能手机市场中华为与苹果的竞争力对比情况，将该实习任务进行的更快更深入，并得到分析师的褒奖。
实习是正式工作的试金石，在实习过程中暴露问题是好事，当我们知道自己数据分析这块技能有所欠缺时就需要花额外的时间去填补空白。
如果你有志于投身于研究行业，如果你对数据分析有兴趣但又存在疑惑不知从何下手，那么我的个人建议是从excel函数学起，不断通过实战案例来增加自己对各个函数的理解与熟练程度。
在对excel有一定了解后可以在python和R语言中进行选择，在这里，个人更推荐python，主要是因为在金融行业，wind数据库与python有接口，使得其爬取数据更加快捷方便，且R语言需要一定的计算机基础，相比之下，python的受众面更广，适合其他专业的同学上手。
近期我正在实习的任务主要是分析某上市公司可转债估值水平、转股溢价率情况等，需要处理众多繁琐的数据，最费神的就是数据对齐：从各种途径下载的原始数据，如两个时间序列数据，可能没有很好的对齐，或者目标对象可能含有不匹配的行或者列。Excel在此时稍显不足，筛选删除功能有些浪费时间，而pandas可以在运算过程中自动对齐数据，可以通过索引不同的series构建dataframe；以及在遇到季度或半年度数据时，我们需要将3月设置为一年的结尾，以季度为频率，这就涉及到了period工具。
如上例子多不胜数，数据分析工具在金融领域有很强的实践功能，除了研究所的工作需要外，其他类型的岗位如风控和市场部也都涉及大量数据分析的工作。有一个越来越明显的趋势，即金融行业的核心职位校招数量在减少，而对应届生要求在持续增加，几乎各大岗位都希望面试者可以有严谨的逻辑思维，敏锐的数字洞察能力与熟练的数据分析技术。尤其是现在金融科技越来越火热，几乎所有银行都会开始金融科技岗，且学历要求低，招聘时间早。
在大数据时代，数据分析已经成了越来越普遍的要求，企业都希望能够以机器代替更多的劳动力，一方面可以减少人力成本的投入，另一方面也降低了出错的概率，提高日常工作的效率。