登录
主页 > CQF培训课程 >

CQF选修课程内容都有哪些?

2021-12-06 Meteor
  CQF高级选修课是我们核心课程的最后一个模块。这些选修课程学员们可以根据自己的兴趣来挑选感兴趣的领域,考生们需要选择2个选修课程来完成最后的CQF资格认证。虽然只能选择2门选修课,但是为了让每个学员都能学到更多的知识,CQF学员们也可以访问其他的选修进行查阅。
CQF选修课程内容都有哪些?
  1、高级投资组合管理
 
  随着量化金融在当今金融市场变得越来越重要,许多买方公司正在使用量化技术来提高他们的回报并更好地管理他们的客户资本。这门选修课将研究买方使用的最新技术,以实现这些目标。
 
  ●使用随机控制执行动态投资组合优化
 
  ●使用过滤将视图与市场数据相结合以确定必要的参数
 
  ●了解行为偏见的重要性并能够解决它们
 
  ●了解实施问题
 
  ●开发对投资组合风险管理的新见解
 
  适用对象:交易、基金管理、资产管理专业人士
 
  2、高级机器学习
 
  机器学习(ML)选修课将侧重于深度序列建模的实际考虑。从了解机器学习框架到特征工程和选择,选修课教授构建和调整神经网络所需的基本技能。
 
  ●定义、趋势和景观
 
  ●建模机器学习问题的七个步骤
 
  ●了解学习和数据表示
 
  ●学习算法的工作
 
  ●探索性数据分析
 
  ●日期-时间数据的特征工程
 
  ●数值数据的特征工程
 
  ●解决类别不平衡问题
 
  ●特征选择方法概述
 
  ●使用Boruta算法进行特征选择
 
  ●理解序列
 
  ●序列数据生成
 
  ●TensorFlow和Keras API入门
 
  ●构建和训练多元LSTM模型
 
  ●超参数优化和调优
 
  ●ML模型评估
 
  3、高级风险管理
 
  在这门选修课中,我们将探讨量化风险管理的一些最新发展。
 
  我们以银行业(预期缺口)和新巴塞尔监管框架(交易账户基本面审查、新最低、市场风险资本)下的市场风险的构想和衡量范式为出发点.
 
  这些变化的后果之一是对灵敏度的有效和准确计算的需求急剧增加。为了涵盖这个主题,我们将探索来自计算金融的伴随自动微分(AAD)技术。我们将看到,与有限差分近似相比,这种方法如何潜在地将计算成本降低几个数量级,并且灵敏度可以精确到机器精度。
 
  ●市场风险管理与计量新发展回顾
 
  ●探索极值理论(EVT)的使用
 
  ●探索伴随自动微分(AAD)
 
  适用对象:风险管理、交易、基金管理专业人士
 
  4、高级波动率建模
 
  波动性和能够对波动性进行建模是任何量化模型的关键要素。
 
  这门选修课将研究用于对整个行业的波动性进行建模的常用技术。它将提供解决随机波动问题的数学和数值方法。
 
  ●傅立叶变换
 
  ●复变量的函数
 
  ●随机波动率
 
  ●跳跃扩散
 
  适用对象:衍生品、结构化、交易、估值、精算、模型验证专业人员
 
  5、算法交易I
 
  算法交易选修课是一份自己动手(DIY)指南,可让您从头开始量化交易。从了解数据科学工作流程到使用公共/私有API检索数据并将其存储在SQL中,这门选修课教授不同量化应用程序所需的基本技能。
 
  ●算法交易简介
 
  ●定义、趋势和景观
 
  ●定量工作流程概述
 
  ●应用及系统原理图
 
  ●定量系统的组成部分
 
  ●数据API概述
 
  ●数据库概述
 
  ●开源数据API
 
  ●数据API入门
 
  ●熟悉数据格式
 
  ●处理流数据
 
  ●数据检索和存储
 
  ●盈透证券入门
 
  ●IB API的Python包装器
 
  ●指定合同
 
  ●检索历史EOD和日内数据
 
  ●检索实时刻度数据
 
  ●羊驼毛入门-第1部分
 
  ●处理贸易和市场数据API
 
  ●数据存储和检索
 
  适用对象:想要在交易中学习和使用Python的交易员和量化分析师。
 
  6、算法交易二
 
  算法交易选修课是一份自己动手(DIY)指南,可让您从头开始量化交易。这门选修课是算法交易I的扩展,涵盖了开发量化应用程序的一些最佳软件实践,包括使用CRON的自动数据摄取、回测以及使用Alpaca和Zipline API的实时交易编程执行。
 
  ●羊驼毛入门-第二部分
 
  ●自动数据摄取
 
  ●使用Gmail的数据更新提醒
 
  ●使用Telegram设置通知
 
  ●Zipline入门
 
  ●矢量化和事件驱动回测概述
 
  ●羊驼毛数据摄取
 
  ●使用Alpaca摄取数据的回测策略
 
  ●与羊驼毛交易
 
  ●流式传输实时数据
 
  ●与羊驼毛进行实时交易
 
  ●使用Zipline*进行实时交易
 
  适用对象:想要在交易中学习和使用Python的交易员和量化分析师。
 
  7、量化行为金融学
 
  行为金融学以及人类心理如何影响我们对世界的看法、影响我们的量化模型并推动我们的财务决策。这门选修课将为代表们提供工具来识别关键的心理陷阱,利用他们的数学技能来解决这些陷阱并建立更好的财务模型。
 
  ●系统1与系统2
 
  ●行为偏见;启发式过程;框架效果和组过程
 
  ●损失厌恶与风险厌恶;损失厌恶;SP/A理论
 
  ●线性和非线性
 
  ●博弈论
 
  适用对象:交易、基金管理、资产管理专业人士
 
  8、C++
 
  适用于那些完全不熟悉C++或很少接触该语言的人。
 
  从通过键盘进行简单输入和输出到屏幕的基础知识开始,这门选修课将涉及许多主题,以简单的OOP结束。
 
  ●C++环境入门——第一个程序;数据类型;简单调试
 
  ●控制流和格式——决策;文件管理;格式化输出
 
  ●函数——编写用户定义的函数;头文件和源文件
 
  ●OOP简介–简单的类和对象
 
  ●数组和字符串
 
  适用对象:IT、量化分析、估值、衍生品、模型估值
 
  9、交易对手信用风险建模
 
  全球金融危机后,交易对手信用风险和其他相关风险变得更加明显,需要在定价和建模阶段予以考虑。该选修课将涵盖与交易对手相关的所有风险以及它们如何包含在任何建模框架中。
 
  ●信用衍生品的信用风险
 
  ●交易对手信用风险:CVA、DVA、FVA
 
  ●交易对手风险的利率——动态模型和建模
 
  ●利率互换CVA和动态模型的实现
 
  适用对象:风险管理、结构化、估值、精算、模型验证专业人员
 
  10、金融科技
 
  金融科技,又称金融科技,是由利用科技使金融服务更高效的公司组成的经济产业。这门选修课深入了解金融技术革命及其中的颠覆、创新和机遇。
 
  ●金融科技的介绍和历史
 
  ●金融科技——打破金融服务价值链
 
  ●金融科技中心
 
  ●技术——区块链;加密货币;大数据102;人工智能102
 
  ●金融科技解决方案
 
  ●金融科技的未来
 
  适用对象:IT、量化分析、交易、衍生品、估值、精算、模型验证专业人员
 
  11、数值方法
 
  如果不进行数值分析,任何数学研究都是不完整的。当封闭形式的解决方案不可用或要解决的问题太复杂而无法采用显式方法时,就会寻求数值/计算解决方案。得到的解是近似解的一个例子。
 
  这门为期一天的选修课将介绍解决一些最经典的数学问题的几种基本数值方法。
 
  ●基本迭代和收敛
 
  ●二分法
 
  ●牛顿-拉夫森
 
  ●收敛速度
 
  ●泰勒级数和误差项
 
  ●数值微分
 
  ●梯形法
 
  ●辛普森法则
 
  ●错误分析
 
  ●欧拉
 
  ●龙格-库塔
 
  ●拉格朗日插值
 
  ●三次样条
 
  ●LU分解
 
  ●SOR方法
 
  12、R代表量化金融
 
  R是一种强大的统计编程语言,它有许多技巧,使其成为编写量化金融和数据分析应用程序的理想环境。
 
  ●安装R和R Studio
 
  ●导航R Studio以释放R的力量并保持井井有条
 
  ●使用包
 
  ●了解数据结构和数据类型
 
  ●使用一些R最有用的函数
 
  ●绘制图表
 
  ●读取和写入数据文件
 
  ●编写自己的脚本和代码
 
  ●知道如何处理R的一些“可爱的怪癖”
 
  适用对象:IT、量化分析、估值、精算、模型验证、交易和资产管理专业人士
 
  13、风险预算:基于风险的资产配置方法
 
  风险预算是上一代投资组合管理方法的名称。
 
  风险预算不是像经典(Markowitz)方法那样解决风险回报优化问题,而是侧重于风险及其限制(预算)。这门选修课将侧重于风险预算的量化方面以及如何将其应用于投资组合管理。
 
  ●投资组合构建和衡量
 
  ●投资组合管理中的风险价值
 
  ●理论上的风险预算
 
  ●实践中的风险预算
 
  适用对象:风险管理、交易、基金管理专业人士
115 5

CQF

金融量化领域专业资格

分享到:
精彩推荐
更多>>