-
量化金融分析師
鎖定
量化金融分析師,英文名:Certificate in Quantitative Finance,簡稱:CQF,是由Paul Wilmott博士領導的國際知名數量金融工程專家團隊設計和推出,是量化金融領域最高級的專業資格。
- 名師精講
- 中文名
- 量化金融分析師
- 外文名
- Certificate in Quantitative Finance
- 別 名
- 量化投資分析師
量化金融分析師課程設置
入門選修課:三種可選的入門課程有助於學員快速掌握基礎知識。分別是數學,主要包括量化投資中要用到的基礎數理統計知識;金融,主要包括量化投資所必需的基礎的金融資產知識;Python,目的在於讓學員掌握一門常見的量化投資編程語言。
知識模塊
模塊1:量化金融基礎
- 資自隨機行為
- 重要的教學工具和結論
- 泰勒級數
- 中心極限定理
- 偏微分方程
- 轉移密度函數
- 普朗克和科爾莫戈羅夫方程
- 隨機微積分及其引理
- 隨機微分方程的求解
- 資產定價的二項模型
模塊2:量化風險和收益
- 現代投資組合理論
- 資本市場資產定價模型
- 夏普比率和風險的市場定價
- 無風險價格套利策略
- 投資組合優化
- 布萊克利特曼模型
- 風險監督和巴塞爾條約
- 風險價值和虧損預期
- 抵押品和保證金
- 流動資產負債管理
- 波動性過濾
- 高頻教據
- 資產收益:關鍵和經驗教據
- 波動模型
模塊3:股票和現金
- 布萊克-斯科爾斯模型
- 對沖和風險管理
- 期權策略
- 歐式行權和美式期權
- 有限差分法
- 蒙特卡羅模擬
- 奇異期權
- 波動率套利策略
- 吉爾薩諾夫理論
- 高級風險指標
- 衍生品市場
- 完全競爭市場中的高級波動性建模
- 非概率波動模型
模塊4:數據分析和機器學習I
- 什麼是數學建模?
- 機器學習種的數學工具
- 監督學習
- 線性迴歸
- 拉索迴歸,嶺迴歸和單性網絡迴歸
- 邏輯迴歸
- K近鄰策略
- 樸素貝葉斯分類
- 支持向量機
- 決策樹
- 集成模型
- Python-Scikit庫
模塊5:數據分析和機器學習II
- 無監督機器學習
- 高級機器學習中的數學工具
- 主成分分析
- K-均值
- 自組織映射
- 人工神經網絡
- 神經網絡結構
- 自然語言處理
- 深度學習和NLP工具
- 強化學習
- 強化學習的風險敏感性
- 量化投資的機器學習實例
- 基於AI的Algo交易策略
- Tensorflow-Python
模塊6:債券和評級
- 固收產品和市場
- 收益率,久期和凸性
- 隨機利率模型
- 利率的隨機方法
- 數據分析和校準
- 同業拆借利率模型
- 標準風險管理模型
- 結構化模型
- 簡化模型和風險率
- 信用風險和信用衍生品
- X-值調整(CVA,DVA, FVA, MVA)
- CDS定價和市場方法
- 違約風險,結構性和簡化形式
- 關聯結構模型的使用
高級選修課:一到兩個高級選修課程
算法交易
- 數據準備;回測;結果分析和優化
- 新建一個算法
- 另類方法:配對交品;期權;新分析工具
- 算法交易的職業路徑
高級風險管理
- 巴塞爾協議:巴塞爾協議I,II and III
- 風險價值和虧損預期
- 最小資本要求2016
- 橫向流動性(LH)
- 風險和相關性
- 極位理論
- 交易對手信用風險協議
- 流動性的動態性質
高級波動率模型
- 傅里葉變換
- 複變函數
- 隨機波動性
- 跳躍擴散
交易對手風險建模
這項選修課涉及到交易對手以及如何將其包括在建模中。
- 信用風險和信用衍生品
- CVA,DVA,FVA
- 交易對手風險的利率-動態模型和建模
- 利率互換CVA和動態模型實施
複雜計算方法
- 有限差分法及其在BVP中的應用
- 根值算法
- 插值
- 數值積分
基於Python的數據分析
- Python和數據結構
- 基於NumPy的數據分析
- 基於Pandas的金融數據時間序列分析
- 靜態和交互式金融數據可視化
量化的行為金融學
- 兩個系統理論
- 行為偏差;啓發式過程;框架效應和分組過程
- 虧損厭惡VS風險厭惡;SP/A理論
- 線性和非線性
高級投資組合管理
- 使用隨機控制進行動態投資組合優化
- 使用篩選將視圖與市場數據結合起來
- 瞭解行為偏差和應對
- 開發新的組合風險管理
Python應用
- 基礎量化方案
- 數據和文件處理
- 用户定義函數以及強大的概率和統計庫
基於R語言的量化金融
- R語言的安裝和入門介紹
- 理解數據結構和數據類型
- 常見的函數
- 動手寫腳本和代碼
- 一些常見的異常和處理
風險預算
- 投資組合構建和管理
- 投資組合的風險價值
- 風險預算理論
- 風險預算實務
金融科技
- 金融科技入門介紹
- 金融科技-打破現有金融服務產業鏈
- 金融科技社羣
- 金融科技技術–區塊鏈;加密貨幣;大數據102;AI 102
- 金融科技方案
- 金融科技的未來
基於Python的機器學習
- 使用線性迴歸預測金融資產的價格和收益
- 蒙特卡羅模擬在美式期權定價中的應用
- 利用邏輯迴歸來處理分類問題
- 利用分類問題來預測市場收益
C++
- C++入門和環境搭建
- 控制流和格式化–文件管理和數據輸出
- 函數–頭文件和源文件
- 面向對象介紹–簡單的類和對象
- 數組和字符串
量化金融分析師考試科目
CQF學習能夠學習到的內容非常廣,大致來説可以説是以傳統的金融工程為基礎,在疊加最前沿的金融領域的課程。
- 單元1-量化單元的金融基塊
- 單元2-定量風險與回報
- 單元3-股票和貨幣
- 單元4-數據科學與機器學習
- 單元5-數據科學與機器學習‖
- 單元6-固定收益和信貸
- 高級選修課
量化的行為金融學,基於R語言的量化金融,高級投資組合管理,風險預算,Python應用,金融科技,基於Python的機器學習,C++,算法交易,高級風險管理,高級波動率模型,交易對手風險建模,複雜計算方法,基於Python的數據分析。
上面説到CQF和CFA/FRM都有一些重合的地方,但CQF更加側重金融和科技的結合,特別是計算機編程技術。
量化金融分析師評分標準
考試通過的分數為60分,如果考試沒有達到60分,那麼需要進行補考,如果補考通過了,不管成績如何都是60分。
考試成績的評分是按照每一個小題答案的準確性進行評定的,最後的得分就是每一個小題的準確性乘以對應的權重。
- 參考資料
-
- 1. CQF Institute | .CQF Institute[引用日期2021-08-06]
- 2. Quantitative Finance Qualification | CQF .CQF協會官網[引用日期2021-08-06]