对于工程师而言，背景的重要性相对不强。技术应用于产品业务，而不同业务场景之间的技术又是高度相似的。比如，量化交易系统是一个很复杂的技术架构，需要思考：如何实现高可靠和高并发，如何平衡吞吐和延迟，如何根据业务发展路线来制定技术路线等。这些思考问题的方法会在不同的技术架构中重复出现。比如，在上千节点规模的集群上优化一个分布式计算任务，与在微妙的时间尺度上优化一个数值计算函数，所用到的思路有异曲同工之妙。所以跨行业非但不会成为障碍，还会在交流中带来新的灵感。

对于理工科背景而言，如果想做策略研究员，机会很多。就拿物理专业的举例子。物理研究和量化策略研究好像是两条不相交的平行线，但实际上二者有很多相似的地方。比如，二者都需要处理海量的数据，进行统计、分析和可视化，只是数据的来源和对象不同。比如，二者都需要经历从一个理论或者一个想法开始，到构建模型、设计研究过程、写成代码、调参数、分析结果等一套研究流程。对于量化研究来说，相较金融知识，与数据和模型打交道的能力更加重要。所以，不只是物理出身的人，还有其他理工科研究背景的人都适合做量化研究。