CQF作为年薪百万的量化密码，助力高效金融职场！

　　金融业是一个越来越复杂、竞争越来越激烈的行业，量化金融领域的学习需求从未像现在这样大。以量化技术的实际应用为重点，国际量化金融分析师证书（CQF）由领先的从业人员教授，旨在帮助您在金融领域取得进步。一旦您符合条件，我们不断更新的终身学习图书馆将支持您的整个职业生涯。目前为⽌，全球已有超10000多名专业人士完成了这个证书课程。该证书已经获得全球认可，成为所有量化⾦融领域⼈⼠或想要进⼊该领域的⼈的⼀个国际标准。今天学姐就来详细的跟大家讲讲CQF这个证书~

　　一、国际量化金融分析师（CQF）

　　由Dr.Paul Wilmott创立的量化金融分析师（CQF）证书，在过去20年中获得了全球范围内成千上万人的青睐，他们通过该项目，掌握实用的量化金融技术，在自己的职业领域内一马当先。CQF采用线上教学的模式，邀请全球认可的专家授课，该项目包括：·三门前导课程：数学、金融、Python·六大模块和一系列高级选修课程：精进您的量化金融技巧·终身学习资源库：让您在职业生涯中持续了解最新的量化金融技术CQF关注行业内最新的、实用的量化金融技术，保证您所学的技巧能够即刻投入实践中去。该项目不断更新，旨在反映目前雇主的需求，教学大纲全面细致，覆盖量化金融与先进的机器学习技术。该项目证书由CQF协会颁发，课程由Fitch Learning提供，Fitch Learning是一家全球领先的培训公司，在伦敦、纽约、新加坡、香港、迪拜等地方都设有分中心。

　　二、学习CQF渠道有哪些？

　　1、参加宣讲会

　　通过在线宣讲会，找到更多有关CQF的信息，您可以与CQF项目总监见面、进一步了解CQF细节、现场FAQ。

　　2、提交CQF学习申请

　　感兴趣的同学请联系高顿教育，您将在48小时内收到您的申请审核结果。

　　3、精进技术提前学习

　　3门前导课程，助您在项目开始前快速进入状态：·数学—量化金融学中所需的数学基础知识；·Python—学习Python，学会建模；·金融—量化金融中所需的关键概念和资产种类。

　　4、CQF的学习

　　核心课程包含以下模块：•模块一量化金融的基础知识•模块二量化风险与收益•模块三股票与货币•模块四数据科学与机器学习I•模块五数据科学与机器学习II•模块六固收与信用•高级选修课程:从一系列备选模块中，选择两个模块。模块二、模块三、模块四结束后需要参加考试。模块六学习结束时，需要完成一个final project作为最终考核。要想获得Distinction荣誉也可以选择参加额外的optional考试。

　　5、终身学习

　　CQF为您提供一个免费的、不断拓展的持续性专业发展（CPD）项目，包括：•讲座:900+学时的讲座，涉及各个可想象的金融学科目，定期更新内容•大师课:100+学时的额外大师课，帮助您深入钻研感兴趣的领域。•数学认证（CM2）:相当于大学数学学位前两年的强化课程•C++:70+小时的学习，包括设计模型和将定价模型转译为C++代码的理论知识。

备考资料ue_arc_bkzl
请在下面红色框内输入分类名称arc_bkzl_nameCQF

　　三、CQF学习内容

　　准备阶段——前导课通过学习我们的数学、Python编程和金融方面的可选入门课程开始您的旅程。我们全面的入门读物以及我们提供的一对一教师支持，将使您为核心CQF计划的严格要求做好准备，并在完成注册过程后立即可供您使用。CQF项目从三个前导课程开始，分别为数学、Python编程、金融，让您具备开始项目学习所需的基础知识。

　　CQF课程从数学入门开始，这是12小时的强化培训，涵盖了您需要了解的所有数学预备知识。该入门课程经过精心设计，可帮助您对核心课程所涉及的数学水平感到宾至如归。如：微积分、微分方程、线性代数、概率论、统计学。

　　Python Primer介绍了Python中的科学计算。如果您不熟悉编码，那么此入门指南将是您的理想选择，它包括8小时的强化培训，并将在科学框架中介绍Python语言的基本知识，使您能够开始编写数值代码，您将从屏幕输出开始，学习编写用于计算目的的简单程序。其学习内容包括:Python语法、标准数学函数、SciPy库与NumPy库、编程实践示例、文档代码与调试。

　　金融前导课本入门介绍了CQF计划所需的关键概念和不同资产类别。这本10小时的入门书旨在使在该行业工作并寻求精进的人以及没有金融经验但可能希望从事这类职位的人受益，它为您的成功奠定了所需的基础。本章节包含的内容有:宏观经济学、资本市场基础知识、货币市场入门、货币的时间价值、金融资产入门等内容。

　　四、CQF学习内容

　　CQF核心阶段

　　CQF资格证书由六个模块和高级选修课组成。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 projec您将完成一个实践项目，将自己的理论知识应用到现实问题的解决上。

　　M1量化金融的基础知识

　　我们将向您介绍作为模型框架的应用Itô演算的规则。您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Fokker-Planck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

　　M2量化风险和收益

　　包含经典的马科维茨组合理论、资本财产价格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)

　　M3股票和货币探讨

　　Black-Scholes斯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。您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•非概率波动模型

　　M4数据科学和机器学习

　　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•惩罚回归：lasso、ridge、elastic net•逻辑、SoftMax回归•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

　　M5数据科学和机器学习

　　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。您将学习理论框架，但更为重要的是，您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

　　M6固收和信用风险

　　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•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•Copula模型的实施•结构型与简化型的违约风险