Choice of direction | 盛溪的博客

type

status

date

slug

summary

两方向初步了解：

1.计算经济学（Computational Economics）

计算经济学是计算机科学与经济学的交叉领域，主要利用计算方法（如算法、模拟、机器学习、博弈论等）来研究经济问题。

拍卖机制与市场设计（Auction & Market Design）

研究如何设计有效的市场和交易机制，例如广告拍卖（Google Ads）、电力市场、区块链经济模型等。

关键技术：博弈论、机制设计、最优化算法、博弈求解器等。

算法博弈论（Algorithmic Game Theory）

研究在博弈环境中智能体的行为，例如在线平台定价、社交网络影响力分析等。

关键技术：纳什均衡、激励机制、均衡计算等。

计算金融（Computational Finance）

研究资产定价、风险管理、高频交易等问题。

关键技术：数值分析、机器学习、随机过程、强化学习等。

宏观经济模拟（Agent-Based Modeling）

通过多智能体建模（Agent-Based Modeling，ABM）来模拟经济系统的动态演化。

关键技术：复杂系统建模、模拟优化、多智能体系统等。

区块链与加密经济学（Crypto Economics）

研究加密货币、去中心化金融（DeFi）中的经济激励机制。

关键技术：博弈论、智能合约、共识机制等。

2．被动与主动测量（Passive and Active Measurement）

这个方向主要研究网络测量与性能分析，涉及互联网、无线网络、物联网（IoT）、CDN、云计算等。分为两大类：

被动测量（Passive Measurement）

通过监听流量来分析网络行为，不会对网络本身施加影响。

例如：监测数据包丢失、网络延迟、带宽利用率，分析恶意流量、DDoS 攻击、用户行为等。

技术点：流量采样、深度包检测（DPI）、时间序列分析、大数据处理等。

主动测量（Active Measurement）

通过主动发送探测数据来评估网络状态。

例如：使用Ping、Traceroute、ICMP、TCP 探测来测量网络延迟、拥塞状态、丢包率等。

技术点：测量协议设计、随机过程建模、机器学习预测、数据可视化等。

📌 典型应用场景：

互联网性能分析（如 Google、Netflix 监测视频流质量）

CDN 网络优化（如 Akamai、Cloudflare 研究缓存策略）

无线网络 & 5G 测量（如运营商分析基站覆盖情况）

网络安全分析（如检测 DDoS、恶意软件流量模式）

二．两方向需要具备的知识与适合什么样的人

计算经济学：

如果你喜欢算法、数学建模、博弈论、市场机制，这个方向比较合适。

需要较强的数学（博弈论、优化）和编程（Python, MATLAB, C++）能力。

可以结合机器学习、区块链、金融科技等领域，应用场景较多。

适合人群：

对经济学和数学建模感兴趣。

喜欢编程和算法设计。

关注经济政策和社会问题。

主被动测量：

如果你喜欢网络、数据分析、系统测量，这个方向适合你。

需要较强的数据处理（Python, SQL, Spark）、网络协议（TCP/IP）、系统编程（C, Go, Rust）能力。

适合人群：

对网络技术和数据分析感兴趣。

喜欢解决实际问题，优化系统性能。

关注网络安全和性能监控。

双方优劣势

计算经济学确实更符合你的研究偏好，因为它涉及建模、社会公平、政策影响，并且可以直接作用于现实世界的问题。但为了帮助你做出更稳妥的选择，我们可以从优缺点的角度分析这两个方向。

计算经济学（Computational Economics）

✅ 优势

结合社会问题，影响现实世界

研究结果可以用于市场设计、政策优化、社会公平等现实场景，比如住房市场、碳交易、最低工资政策等。

可以与**政府、企业、科技公司（如 Google、Amazon）**合作，研究在线市场、广告竞价等。

数学建模 & 机器学习结合

适合喜欢建模、数据分析、博弈论、优化的研究者。

结合 AI、区块链、智能市场等前沿技术，应用场景丰富。

研究影响较大

经济政策、金融市场、拍卖机制等领域的研究可以对社会产生深远的影响（如 Nobel 经济学奖很多研究方向与此相关）。

研究方向具有跨学科性（经济学 + 计算机科学 + 社会科学），可以做政策建议、市场优化等。

灵活的职业选择

学术界（经济学、计算机科学、运筹学等交叉方向）。

工业界（科技公司、银行、金融机构、政府部门）。

创业（区块链、金融科技、市场分析工具等）。

❌ 劣势

数学要求较高

涉及博弈论、最优化、数理经济、机制设计，需要一定的数学功底。

需要对数据分析、统计、机器学习有较好的掌握。

研究周期较长

由于涉及社会经济现象，数据收集、模型验证较复杂，研究周期可能比单纯的 CS 研究更长。

可能需要结合实验经济学、仿真模拟、政策评估等方法。

行业适配度依赖选题

部分课题偏理论（如机制设计），如果研究方向过于抽象，可能缺少直接的行业应用。

需要找到与实际市场、政策、科技行业结合紧密的研究点，否则可能会偏向纯理论经济学。

被动与主动测量（Passive and Active Measurement）

✅ 优势

数据驱动，适合喜欢实证分析的人

主要依赖真实数据、网络流量分析、测量实验，可以直接看到真实世界的结果，不像计算经济学部分研究需要数学推导。

对工业界需求大

互联网公司、运营商、CDN、云计算公司都需要网络测量技术来优化系统，行业需求大，就业机会多。

适合喜欢网络、数据科学、测量系统的人。

研究成果更容易在工业界落地

测量网络性能、优化数据中心、改进 CDN 等应用较多，很多科技公司都有相关团队（如 Google、Facebook、Cloudflare）。

❌ 劣势

技术偏底层，缺乏社会问题研究

主要是网络层面的问题，虽然可以和安全、互联网治理结合，但很难直接研究公平性、社会政策、经济模型等你感兴趣的问题。

偏数据和实验，不太适合喜欢建模的研究者

主要是数据驱动、实验测量，如果你喜欢数学建模、理论推导、博弈论等，可能不太适合。

主要是系统层面优化，而非机制设计或社会问题分析。

对网络底层技术要求较高

需要理解TCP/IP、网络协议、流量分析、分布式系统等，涉及较多底层技术，可能不是你的兴趣点。

对比总结

方向	主要研究内容	适合的研究者	应用领域	适合你吗？
计算经济学	经济机制、市场设计、博弈论、政策影响	喜欢建模、数学、社会问题，希望影响现实世界	经济政策、金融科技、区块链、广告市场、竞价机制	✅ 更符合你的兴趣（社会问题 + 理论建模）
被动 & 主动测量	网络性能分析、流量测量、CDN 优化	喜欢数据分析、系统测量，更偏向技术和系统优化	互联网公司、网络安全、云计算	❌ 偏底层，对社会问题关联较少

计算经济学具体研究方向细分

1️⃣ 市场设计（Market Design）

核心问题 市场设计关注的是如何设计经济机制，使市场运行更高效、更公平，包括拍卖机制、资源分配、匹配市场等。例如：

广告竞价（Google Ads、淘宝广告拍卖）

共享经济（Uber 如何定价、Airbnb 如何优化房源分配）

电力市场（如何定价、如何鼓励可再生能源）

招聘 & 配对（医院实习生如何匹配医院、婚恋匹配算法）

技术方法

博弈论（Game Theory）

研究市场中的竞争与合作关系

机制设计（Mechanism Design）

设计规则来激励市场参与者做出最优决策

最优化算法（Optimization Algorithms）

计算最佳定价策略、分配资源

应用场景 📌 科技公司：广告拍卖（Google、Facebook）、在线市场（淘宝、Amazon）

📌 金融科技：区块链经济设计（DeFi、稳定币）

📌 政府 & 公共政策：电力市场、医疗资源分配

适合你的原因 ✅ 研究市场如何更公平、高效，与你对社会公平和政策影响的兴趣契合

✅ 需要建模、数学、经济学+计算机交叉，适合喜欢理论但希望影响现实世界的人

✅ 可以结合博弈论+AI，有丰富的工业界机会（FAANG、金融科技、政策机构）

2️⃣ 金融科技（FinTech & Computational Finance）

核心问题 金融科技研究如何用计算方法优化金融市场、管理风险、创新金融产品，包括：

量化交易 & 资产定价（如何用AI预测股票、比特币）

区块链经济（如何设计DeFi协议、如何稳定加密货币）

风险管理 & 反欺诈（银行如何用机器学习防范金融犯罪）

技术方法

机器学习 & 深度学习（ML/DL）

预测市场趋势、优化交易策略

强化学习（Reinforcement Learning）

自动化投资、智能交易

区块链智能合约（Smart Contracts）

设计去中心化金融（DeFi）应用

应用场景 📌 投行 & 对冲基金：量化交易（Citadel、Two Sigma）

📌 金融科技公司：支付宝、Stripe、Square📌 区块链 & Web3：DeFi（Uniswap、Aave）

适合你的原因 ✅ 结合数学、经济、计算机，适合喜欢建模但不想做纯经济学的人

✅ 商业化应用强，就业机会多（量化交易、金融科技、区块链）

✅ 数据驱动，可以用AI+经济模型分析真实市场

⚠️ 但相比市场设计，它可能更偏金融和计算，不一定涉及社会公平，需要考虑你是否更喜欢研究社会问题，还是更喜欢纯粹的市场建模。

3️⃣ 政策分析 & 机制设计（Policy Analysis & Mechanism Design）

核心问题 关注政府如何设计政策，优化社会资源分配，例如：

如何制定碳交易政策？

如何优化贫困补贴？

如何设计公平的医疗分配制度？

技术方法

经济政策建模（Policy Modeling）

模拟不同政策的社会影响

因果推断（Causal Inference）

研究政策对社会的真实影响（比如最低工资对就业率的影响）

多智能体建模（Agent-Based Modeling, ABM）

研究政策如何影响个体行为

应用场景 📌 政府机构：IMF、世界银行、OECD、联合国

📌 智库 & 研究机构：经济学、社会学研究中心

📌 科技企业：研究科技政策对社会的影响

适合你的原因 ✅ 直接涉及社会公平、政策影响，完全符合你的兴趣

✅ 偏理论但能影响现实世界，适合喜欢建模但不想做底层技术的人

✅ 政府 & 研究机构机会多，也可以进入企业做政策研究

⚠️ 主要挑战是：

需要较强的经济学知识（可能要补经济学课程）

工业界工作相对较少，更偏学术、政府、智库

研究周期较长，可能不像金融科技那样快速商业化

最终建议

方向	主要问题	关键技术	主要应用	适合你的理由
市场设计	竞价、资源分配、匹配机制	博弈论、优化、机制设计	广告拍卖、共享经济、区块链市场	✅ 数学+社会问题+工业界机会
金融科技	量化交易、区块链金融	机器学习、强化学习、智能合约	对冲基金、金融科技、DeFi	✅ 高度数据驱动，适合计算机+金融
政策分析	政府政策优化、公平性分析	因果推断、ABM、政策模拟	IMF、政府、智库	✅ 直接涉及社会公平，影响现实社会

结论

从你的兴趣来看：

如果你想研究社会公平 + 市场机制，市场设计更适合你

如果你对金融系统和数据驱动方法感兴趣，可以选金融科技

如果你更关注政策和公共资源公平，政策分析是更纯粹的社会科学研究

政策分析 & 机制设计（Policy Analysis & Mechanism Design比较适合我

为什么政策分析 & 机制设计最适合你？

1️⃣ 直接与现实社会问题相关

你希望研究能真正解决社会问题，而政策分析就是在发现社会矛盾后，设计解决方案。

研究内容包括贫富差距、碳交易、教育公平、医疗资源分配等，能够直接影响社会。

你的研究成果可以被政府、企业、社会组织应用，推动现实改变。

2️⃣ 强调调研 & 现实世界连接

你喜欢实地考察、调研、与他人建立联系，政策分析研究往往需要访谈、数据采集、田野调查，这与你的风格高度匹配。

例如：研究农村金融普惠性，你可以去乡村调研，采访居民、政府官员、银行从业者，结合数据提出政策建议。

你可以和智库、NGO、政府机构合作，影响政策制定。

3️⃣ 对数学要求适中，可补充学习

计算经济学整体数学要求较高（如博弈论、优化），但政策分析可以更多依赖数据分析和因果推断，而不是复杂数学推导。

例如，你可以用统计学 + 机器学习来分析政策影响，而不必深入研究高深的博弈论模型。

你可以逐步学习经济学方法，而不需要一开始就掌握全部理论。

4️⃣ 更符合你的知识背景

你虽然喜欢经济和金融学，但没有系统科班背景，政策分析更适合你边学边用，不像市场设计或金融科技那样高度依赖经济学理论。

你可以专注于实证分析、数据驱动的政策建议，而不是纯理论推导。

政策分析方向的具体研究课题

📌 1. 社会公平 & 资源分配

问题：如何优化公共资源分配（住房、医疗、教育）？

案例：研究政府的住房补贴是否真正帮助了低收入群体？如何改进政策？

方法：因果推断、政策模拟、数据分析

📌 2. 环境经济学 & 碳交易政策

问题：如何激励企业减少碳排放？

案例：研究碳税、碳交易市场的效果，如何优化政策？

方法：经济模型、数据分析、政策实验

📌 3. 数字经济 & 科技政策

问题：如何在平台经济（如美团、滴滴）中保护劳动者权益？

案例：研究零工经济（gig economy）对社会公平的影响，提出优化方案

方法：博弈论、数据建模、调研

📌 4. 金融普惠性 & 贫富差距

问题：金融科技是否真正帮助了中低收入群体？

案例：分析小额贷款、移动支付（支付宝、微信支付）对低收入群体的影响

方法：数据分析、经济实验、田野调查

与其他方向的对比

方向	直接解决社会问题？	需要实地调研？	数学要求	适合你吗？
市场设计	✅ 但偏理论	❌ 主要是建模	📈 较高（博弈论）	⚠️ 可能数学门槛较高
金融科技	❌ 偏商业化	❌ 主要数据建模	📈 高（机器学习、统计）	⚠️ 更偏向金融市场
政策分析	✅ 直接影响现实	✅ 需要调研	📉 适中（因果推断、数据分析）	✅ 最符合你的兴趣

既想研究社会问题，又希望结合计算机科学

✅ 计算社会科学 & 计算公共政策（Computational Social Science & Computational Public Policy）

✅ 市场设计 & 机制设计（Market Design & Mechanism Design）

这两个方向能够让你运用计算机知识（数据分析、机器学习、优化算法），同时研究政策、公平性、社会问题，并不放弃数学与理论建模。以下是详细分析：

1️⃣ 计算社会科学 & 计算公共政策

🎯 结合计算机科学 + 社会科学，研究政策、社会公平、经济影响

🔍 主要研究问题

政策优化 & 社会公平

例如：如何用机器学习预测政府补贴的最优分配方式？

因果推断（Causal Inference）

例如：分析最低工资法对社会公平的影响（Python + 经济模型）

社会网络分析（Social Network Analysis）

例如：研究社交媒体上的假新闻传播如何影响公众认知

城市计算 & 智慧治理（Urban Computing & Smart Governance）

例如：如何用大数据优化城市交通？

🛠️ 计算机方法

✅ 数据分析 & 机器学习（ML for Public Policy）

✅ 因果推断 & 计量经济学（Causal Inference & Econometrics）

✅ 复杂网络分析（Graph Theory & Social Network Analysis）

✅ 多智能体建模（Agent-Based Modeling）

📍 典型应用场景

📌 科技公司（Google, Microsoft, Meta） → AI伦理、算法公平性、数字经济

📌 政府 & 智库（OECD, IMF, 世界银行） → 经济政策优化

📌 城市治理（Smart City Labs） → 智慧交通、智慧能源

💡 适合你的理由

✅ 结合计算机科学，数据分析、机器学习、优化算法都有用

✅ 关注社会问题，研究政策影响、社会公平等

✅ 理论+实践结合，可以做数学建模，也可以进行实证分析

2️⃣ 市场设计 & 机制设计（Market Design & Mechanism Design）

🎯 研究市场如何设计得更公平、更高效，结合博弈论、计算机优化

🔍 主要研究问题

算法公平性（Algorithmic Fairness）

例如：如何优化AI推荐系统，让它对用户更公平？

市场定价 & 竞价机制（Pricing & Auction Design）

例如：如何优化广告竞价、共享经济中的定价机制？

区块链经济 & 金融科技（Crypto Economics & FinTech）

例如：如何优化**去中心化金融（DeFi）**的经济模型？

在线匹配市场（Matching Markets）

例如：如何优化学校招生、医院医生匹配，让分配更公平？

🛠️ 计算机方法

✅ 博弈论 & 机制设计（Game Theory & Mechanism Design）

✅ 最优化算法（Optimization Algorithms）

✅ 计算博弈（Computational Game Theory）

✅ 区块链经济（Blockchain Economics）

📍 典型应用场景

📌 科技公司（Google, Amazon, ByteDance） → 广告竞价、推荐系统

📌 金融科技（Ant Group, Stripe, Coinbase） → 量化交易、智能合约

📌 政府 & 公共政策 → 住房政策、医疗资源分配

💡 适合你的理由

✅ 结合计算机科学，用优化算法、博弈论分析市场机制

✅ 研究社会公平问题，优化竞价、匹配、资源分配的公平性

✅ 可以在学术界 & 工业界发展，方向广泛

对比总结

方向	主要研究问题	计算机方法	适合的行业	适合你的理由
计算社会科学 & 公共政策	经济政策、社会公平、城市计算	机器学习、因果推断、网络分析	政府、科技公司、智库	✅ 结合数据科学+社会问题，兼具理论与实地调研
市场设计 & 机制设计	拍卖、竞价、匹配市场	博弈论、优化算法、区块链经济	科技公司、金融科技、政府	✅ 结合计算机+数学建模，影响商业与政策