量化金融分析师CQF技术储备

量化金融分析师，英文名:Certificate in Quantitative Finance，简称：CQF,是由Paul Wilmott博士领导的国际知名数量金融工程专家团队设计和推出，是量化金融领域最高级的专业资格。

CQF的主体知识包括6个模块和高级选修课。

入门选修课：三种可选的入门课程有助于学员快速掌握基础知识。分别是数学，主要包括量化投资中要用到的基础数理统计知识；金融，主要包括量化投资所必需的基础的金融资产知识；Python，目的在于让学员掌握一门常见的量化投资编程语言。

知识模块

模块1：量化金融基础

• 资自随机行为

• 重要的教学工具和结论

• 泰勒级数

• 中心极限定理

• 偏微分方程

• 转移密度函数

• 普朗克和科尔莫戈罗夫方程

• 随机微积分及其引理

• 随机微分方程的求解

• 资产定价的二项模型

模块2：量化风险和收益

• 现代投资组合理论

• 资本市场资产定价模型

• 夏普比率和风险的市场定价

• 无风险价格套利策略

• 投资组合优化

• 布莱克利特曼模型

• 风险监督和巴塞尔条约

• 风险价值和亏损预期

• 抵押品和保证金

• 流动资产负债管理

• 波动性过滤

• 高频教据

• 资产收益:关键和经验教据

• 波动模型

模块3：股票和现金

• 布莱克-斯科尔斯模型

• 对冲和风险管理

• 期权策略

• 欧式行权和美式期权

• 有限差分法

• 蒙特卡罗模拟

• 奇异期权

• 波动率套利策略

• 吉尔萨诺夫理论

• 高级风险指标

• 衍生品市场

• 完全竞争市场中的高级波动性建模

• 非概率波动模型

模块4：数据分析和机器学习I

• 什么是数学建模?

• 机器学习种的数学工具

• 监督学习

• 线性回归

• 拉索回归,岭回归和单性网络回归

• 逻辑回归

• K近邻策略

• 朴素贝叶斯分类

• 支持向量机

• 决策树

• 集成模型

• Python-Scikit库

模块5：数据分析和机器学习II

• 无监督机器学习

• 高级机器学习中的数学工具

• 主成分分析

• K-均值

• 自组织映射

• 人工神经网络

• 神经网络结构

• 自然语言处理

• 深度学习和NLP工具

• 强化学习

• 强化学习的风险敏感性

• 量化投资的机器学习实例

• 基于AI的Algo交易策略

• Tensorflow-Python

模块6：债券和评级

• 固收产品和市场

• 收益率,久期和凸性

• 随机利率模型

• 利率的随机方法

• 数据分析和校准

• 同业拆借利率模型

• 标准风险管理模型

• 结构化模型

• 简化模型和风险率

• 信用风险和信用衍生品

• X-值调整(CVA,DVA, FVA, MVA)

• CDS定价和市场方法

• 违约风险,结构性和简化形式

• 关联结构模型的使用

高级选修课：一到两个高级选修课程

算法交易

• 数据准备;回测;结果分析和优化

• 新建一个算法

• 另类方法:配对交品;期权;新分析工具

• 算法交易的职业路径

高级风险管理

• 巴塞尔协议:巴塞尔协议I,II and III

• 风险价值和亏损预期

• 最小资本要求2016

• 横向流动性(LH)

• 风险和相关性

• 极位理论

• 交易对手信用风险协议

• 流动性的动态性质

高级波动率模型

• 傅里叶变换

• 复变函数

• 随机波动性

• 跳跃扩散

交易对手风险建模

这项选修课涉及到交易对手以及如何将其包括在建模中。

• 信用风险和信用衍生品

• CVA,DVA,FVA

• 交易对手风险的利率-动态模型和建模

• 利率互换CVA和动态模型实施

复杂计算方法

• 有限差分法及其在BVP中的应用

• 根值算法

• 插值

• 数值积分

基于Python的数据分析

• Python和数据结构

• 基于NumPy的数据分析

• 基于Pandas的金融数据时间序列分析

• 静态和交互式金融数据可视化

量化的行为金融学

• 两个系统理论

• 行为偏差;启发式过程;框架效应和分组过程

• 亏损厌恶VS风险厌恶;SP/A理论

• 线性和非线性

高级投资组合管理

• 使用随机控制进行动态投资组合优化

• 使用筛选将视图与市场数据结合起来

• 了解行为偏差和应对

• 开发新的组合风险管理

Python应用

• 基础量化方案

• 数据和文件处理

• 用户定义函数以及强大的概率和统计库

基于R语言的量化金融

• R语言的安装和入门介绍

• 理解数据结构和数据类型

• 常见的函数

• 动手写脚本和代码

• 一些常见的异常和处理

风险预算

• 投资组合构建和管理

• 投资组合的风险价值

• 风险预算理论

• 风险预算实务

金融科技

• 金融科技入门介绍

• 金融科技-打破现有金融服务产业链

• 金融科技社群

• 金融科技技术–区块链;加密货币;大数据102;AI 102

• 金融科技方案

• 金融科技的未来

基于Python的机器学习

• 使用线性回归预测金融资产的价格和收益

• 蒙特卡罗模拟在美式期权定价中的应用

• 利用逻辑回归来处理分类问题

• 利用分类问题来预测市场收益

C++

量化的行为金融学，基于R语言的量化金融，高级投资组合管理，风险预算，Python应用，金融科技，基于Python的机器学习，C++，算法交易，高级风险管理，高级波动率模型，交易对手风险建模，复杂计算方法，基于Python的数据分析。

上面说到CQF和CFA/FRM都有一些重合的地方，但CQF更加侧重金融和科技的结合，特别是计算机编程技术。

• C++入门和环境搭建

• 控制流和格式化–文件管理和数据输出

• 函数–头文件和源文件

• 面向对象介绍–简单的类和对象

• 数组和字符串

• 考试科目

• CQF学习能够学习到的内容非常广，大致来说可以说是以传统的金融工程为基础，在叠加最前沿的金融领域的课程。

• 单元1-量化单元的金融基块

• 单元2-定量风险与回报

• 单元3-股票和货币

• 单元4-数据科学与机器学习

• 单元5-数据科学与机器学习‖

• 单元6-固定收益和信贷

• 高级选修课