金融アナリスト（証券会社・株式調査部） → データサイエンティスト（FinTech・クオンツ）
データサイエンティスト: データを活用してビジネス課題を発見・解決し、統計学・機械学習を駆使して意思決定を支援する専門職。分析から可視化まで一貫して担当する。
完全プランを見る大手証券会社の株式調査部でアナリストとして17年間勤め、製造業・素材セクターの企業分析・投資評価レポート作成を担ってきた。財務諸表の読み込み、DCFモデル・マルチプル評価などの定量モデル構築、Bloombergを使った時系列データ分析に熟練している。Excelでの複雑なモデル構築は得意だが、Pythonによるデータ分析はほぼ未経験。近年、AIを活用したアルゴリズム取引・オルタナティブデータ分析・ESGスコアリングが業界のトレンドになっており、従来の定性分析中心のアナリスト業務に限界を感じ始めた。豊富な財務・マクロ経済ドメイン知識を活かし、機械学習・統計モデリングを組み合わせたクオンツ系データサイエンティストへの転向を目指している。
「17年間のファンダメンタルズ分析の深い知識と、数値・モデルへの親和性を土台に、Pythonと統計モデリングを習得して金融データサイエンスの世界に参入したい。株価予測・リスク管理・ポートフォリオ最適化にデータサイエンスを応用し、定量と定性を融合させた次世代の金融分析を実現することを目指している。」
森 和夫さん本人の学習設計の語り
まず「データ分析の力」で因果推論の方法論を理解し、相関分析と予測モデルの使い分けを学ぶ。「仮説思考」でアナリストとしての経験を活かした仮説設定力をデータサイエンス文脈で整理する。「FACTFULNESS」でデータの誤読パターンを体系化し、モデル解釈の精度を高める。第2フェーズでは機械学習の全体像を習得しながら、金融業界全体のデータ活用潮流を理解し、自分のポジショニングを確立する。
現在のスキル水準とデータサイエンティスト（FinTech・クオンツ）に必要な水準を並べ、何を伸ばすべきかを可視化しています。
迷ったらこの順番で読むのが推奨。基礎 → 実践 → 視座を上げる、という流れで構成されています。
なぜこの本か
DCFモデルや回帰分析は使ってきたが、ビジネス因果推論の方法論を体系的に学んでいなかった。金融データの相関と因果の違いを実例で理解し、モデルの使い方を根本から見直すための一冊。
因果推論とビジネス分析の方法論、仮説思考の高度化、データリテラシーの強化、A/Bテスト設計
機械学習の全体像と金融応用、データ分析人材の役割とキャリアパス理解、A/Bテストの高度化
このキャリア遷移を目指す森 和夫さんが活用を検討しやすい転職サービスをまとめました。
FinTech・資産運用・クオンツ系のデータサイエンティスト求人が豊富で、金融バックグラウンドを持つシニア人材の転職支援に実績がある
※ サービス選びの参考情報。利用は各自の判断で。
外資系金融機関・ヘッジファンド・フィンテック企業のデータサイエンティスト・クオンツアナリスト求人に強みを持つ
※ サービス選びの参考情報。利用は各自の判断で。
同じ職種・近いレベル感を目指す他のペルソナです。学習プランや読む順番のバリエーションとして参考にしてください。
森 和夫さんの学習プランは「データサイエンティスト」を目指す一例です。 職種全体のロードマップ・必要スキル・代表的な書籍は専用ページで体系的に確認できます。
データサイエンティストのロードマップを見る →
