CQF考试的核心课程由六个模块与高级选修课程组成。模块二、模块三、模块四之后有测试。在模块六结束之时,所有学员都要完成一个final projectCQF核心阶段,将自己的理论知识应用到现实问题的解决上。
模块一:量化金融的基础知识
我们将向学员介绍作为模型框架的应用It?演算的规则。学员将使用随机演算和鞅论构建工具,学习如何运用简单的随机微分方程以及相关的FokkerPlanck和Kolmogorov方程。
?资产的随机行为
?重要的数学工具和结论
?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
模块二:量化风险与收益
包含经典的马科维茨组合理论、资本资产定价模型以及这些理论的最新进展。我们将研究量化风险与收益,研究计量经济模型,如ARCH框架与VaR在内的风险管理指标,以及它们在行业中的应用方法。
?现代投资组合理论
?资本资产定价模型
?最优化投资组合
?风险监督和巴塞尔协议Ⅲ
?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(GARCH系列)
资产收益:关键和经验数据
?波动模型(ARCH框架)
模块三:股票与货币
探讨Black-Scholes理论作为基于定价和无套利原则的理论和实践定价模型的重要性。学员将学习如何使用不同数学计算方法,在股票与货币的背景下,研究相应的理论与结果,熟悉目前使用的一些技术。
?Black-Scholes模型
对冲和风险管理
?期权策略
?欧式期权和美式期权
?有限差分法
?蒙特卡洛模拟
?奇异期权
?波动率套利策略
?定价鞅论
?Girsanov's定理
高级风险指标
?衍生品市场
?完全竞争市场中的高级波动率建模
模块三
?非概率波动模型
?股票与货币
?FX期权
模块四:数据科学与机器学习I
对金融学中所用到的最新数据科学和机器学习技术作了介绍。从全面概述入手,该模块提供一些关键数学工具的学习,接着深入研究监督式学习,包括回归方法、K近邻算法、支持向量机、集成方法等众多知识。
?什么是数学建模?
?机器学习中的数学工具
?主成分分析法
?监督式学习技术
?线性回归
?逻辑、SoftMax回归
?惩罚回归:lasso,ridge,elastic net
K近邻算法
?基本贝叶斯分类器
?支持向量机
?决策树
?集合方法:袋翻法与助推法
?Python–机器学习算法库
模块五:数据科学与机器学习II
介绍了金融领域用到的多种机器学习方法。从非监督式学习法、深度学习、神经网络开始,我们将逐步深入到自然语言处理和强化学习。学员将学习理论框架,更为重要的是,学员将学会如何分析实际案例,探索这些技术在金融学中的应用。
?非监督式学习技术
?K值聚类
自组织映射
?T分布随机近邻嵌入
?均匀流形近似与投射
?自编码器
?人工神经网络
?神经网络架构
?自然语言处理
?深度学习与NLP工具
?强化工具
?基于AI的算法交易策略
金融学中的实际机器学习案例
金融学中的量子计算
?Python–TensorFlow
模块六:固收与信用
我们将回顾行业中用到的众多利率模型,关注每个模型的应用与限制。在第二部分,将学习信用概念,以及信用风险模型在量化金融中的应用,包括结构式、简化式和Copula模型。
·固收产品与市场操作
·固收产品与市场操作
·收益率、久期、凸性
·随机利率模型
·利率的随机方法
·校准与数据分析
.Heath,Jarrow和Morton
·Libor市场模型
·结构模型
·简化型模型与风险率
·信用风险与信用衍生产品
.X估值调整(CVA,DVA,FVA,MVA)
.CDS定价与市场方法
.结构型与简化型的违约风险
·Copula模型的实施
高级选修课
CQF项目为学员提供进一步提升个人专业度的机会,通过选择两门高级选修课,结合个人的职业目标发展所需专业技能。我们的高级选修课包括:
?高级机器学习
?高级集成模型I
?高级机器学习II
?高级组合管理
?高级风险管理
?高级波动性建模
?算法交易I
?算法交易II
?量化中的行为金融学
?C++
?对手方信用风险建模
?去中心化金融技术
?能源交易
外汇交易和对冲
?数值法
?金融学中的量子计算
?基于数据科学和机器学习的R语言
风险预算:基于风险的资产配置方法
CQF四次考试时间安排分别如下:
第一次考试 | 模块二之后 |
第二次考试 | 模块三之后 |
第三次考试 | 模块四之后 |
Final Project | 模块六结束之时 |
CQF考试的报名时间没有限制,考生任何时候都可以报名。只是每年只有两次入学机会,通常在每年的1月份和6月份,具体时间每年都是不同。
注意:目前CQF2024年最新的入学时间已经出了,是2024年1月23日,所以考生们现在报名,可以赶上明年最早的入学时间。