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