金融量化工程师培训

懂量化投资，但是他们应该完全不知道CQF是什么，问题被他们简化成了“不懂数学和编程的金融硕士，是否可以学习量化投资？还是自己学习编程比较好？”不过同意他们的言论。CQF是paul wilmott搞的一个培训课程和认证体系。第一就是不官方，没人会认，除非你已经在投行里工作，公司给你出钱修个CQF来进行再教育，比如Sales和Trader对产品背后的数学知识有限，但是没必要去脱产读个MFE，就来修个CQF事半功倍。第二，CQF的课程跟MFE项目差不多，更偏向于金融产品端，讲各类金融衍生品和FICC产品（期权 互换 债券 结构化产品等）定价以及量化风险管理的内容。这些不是搞量化投资的内容。可以通俗的认为CQF是Q QUANT方向的知识，而量化投资是P -QUANT方向的，具体参见：P Quant 和 Q Quant 到底哪个是未来？ - 宽客 (Quant)另外一个问题，学习编程。不知道你怎么定义“学习编程”和“不会编程”。如果不会写MATLAB R PYTHON这类语言，没法实现基本的数据处理统计分析和策略回测的话，那真是不会编程，先学编程。 如果定义学编程是搞C++ JAVA要开发啥啥的，那暂时没必要，能用M R P三个语言干活就行了。

就学金融基础就可以啦。

高顿教育成为国际量化金融权威证书CQF 中国大陆独家合作伙伴 2020年3月23日，高顿教育正式成为全球量化金融领域权威证书-国际量化金融证书CQF（Certification in Quantitative Finance）的中国大陆唯一合作机构。高顿将与CQF协会共同推进国际量化金融教育在大陆的蓬勃发展，为广大金融从业者、财经专业大学生带来代表着时代前沿的量化投资知识与专业认证。CQF量化金融分析师到底用处有多大？高顿教育与CQF协会建立合作，为双方进一步达成长期战略合作关系奠定坚实基础。CQF协会高度评价高顿在中国财经教育行业的地位与前瞻性，惠誉教育集团CEO Andreas Karaiskos也在去年10月到访高顿总部时，对高顿的终生财经教育生态布局、对量化金融的战略重视表达了高度赞誉。据《2019年普华永道全球金融科技调查报告》，内地量化金融人才缺口约150万，此次高顿教育集团成为CQF协会在中国大陆的唯一合作机构，势必为我国量化金融行业的高质量发展添砖加瓦。

我个人认为学习量化投资在金融方面需要具备两个方面的知识：1、首先是要了解金融市场与金融产品，只有这样才能在众多市场与标的中选择合适的来构建投资组合，这一方面需要了解的基础知识有：金融市场与金融机构、投资学、金融衍生品等等；2、其次是需要了解如何量化，相信你应该有足够的IT背景，编程没啥问题，其次的话就是要了解数理来沟通金融产品选择与编程落地，需要了解的科目有：概率论、统计学、计量经济学、金融经济学、数理金融等。

金融自学考试__金融行业含金量高的...金融自学考试,基金从业资格证,金融行业入门证书,人才缺口大,就业选择多.每天学习30分钟,零基础备考,重点知识梳理分析,考前突训,轻松备考通关,取证时间短.

量化金融分析师AQF实训项目学习大纲了解下~. 第一部分：前导及课程介绍核心课程2.量化策略的Python实现和回测3.整体代码介绍. 第二部分：量化投资基础1.量化投资背景及决策流程2.量化择时3.动量及反转策略4.基金结构套利5.行业轮动与相对价值6.市场中性和多因子7.事件驱动（TD模型）9.统计套利_低风险套利10.大数据和舆情分析11.机器学习12.高频交易和期权交易13.其他策略和策略注意点. 第三部分：Python编程知识Python语言环境搭建语言环境搭建Python编程基础数字运算和Jupyter notebook介绍2.字符串运算符和List5.字典6.字符串格式化7.控制结构循环8.函数9.全局和局部变量10.模块当中的重要函数Python编程进阶数据分析精讲数据分析详解数据可视化内置数据可视化基础金融数据处理实战1.数据获取_1.本地数据读取1.数据获取_2.网络数据读取_11.数据获取_2.网络数据读取.数据获取_2_网络数据读取_3.文件存储2.金融数据处理_1.同时获取多只股票2.金融数据处理_2.金融计算2.金融数据处理_3.检验分布和相关性3.金融时间序列分析下的时间处理3.金融时间序列分析时间格式3.金融时间序列分析_3.金融数据频率的转换4.金融数据处理分析实战案例_案例14.金融数据处理分析实战案例_案例2_多指标条件选股分析_14.金融数据处理分析实战案例_案例2_多指标条件选股分析. 第四部分：量化交易策略模块三大经典策略1.三大经典策略.三大经典策略_2.动量Momentum1.三大经典策略_3.均值回归配对交易策略2.配对交易技术分析相关策略3.量化投资与技术分析_1.技术分析3.量化投资与技术分析策略的Python实现3.量化投资与技术分析_3.布林带策略的Python实现_13.量化投资与技术分析和CCI双指标交易系统3.量化投资与技术分析_5.形态识别和移动止损策略大数据舆情分析策略4.大数据舆情分析策略_基于谷歌搜索的大数据舆情分析CTA交易策略交易策略_Aberration趋势跟踪系统量化投资与机器学习6.量化投资与机器学习_1_机器学习算法原理_2_逻辑回归原理 6.量化投资与机器学习_1_机器学习算法原理_3_SVM算法原理6.量化投资与机器学习_1_机器学习算法原理_4_决策树算法原理6.量化投资与机器学习_1_机器学习算法原理_5_KNN算法原理6.量化投资与机器学习_1_机器学习算法原理_6_神经网络算法了解6.量化投资与机器学习_1_机器学习算法原理_7_K-means算法原理和算法总结6.量化投资与机器学习_2_机器学习算法实现_1_数据集生成原理6.量化投资与机器学习_2_机器学习算法实现_2_数据集可视化6.量化投资与机器学习_2_机器学习算法实现_3_逻辑回归算法的python实现6.量化投资与机器学习_2_机器学习算法实现_4_DT_KNN_NB算法的python实现6.量化投资与机器学习_2_机器学习算法实现_5_SVM算法的python实现6.量化投资与机器学习_3_机器学习算法实战_6_基于逻辑回归和SVM的股市趋势预测. 第五部分：面向对象和实盘交易1.模块内容整体介绍2.面向对象、类、实例、属性和方法3.创建类、实例、方法初始化方法5.面向对象程序实例6.继承的概念及代码实现7.面向对象继承的实战案例8.多继承和量化交易平台的面向对象开发思路9.用面向对象方法实现股债平衡策略. 第六部分 实盘模拟交易基于优矿平台的面向对象策略1.优矿平台介绍2.优矿平台回测框架介绍3.优矿框架之context对象、account和position对象4.优矿其它重要操作5.优矿之小市值因子策略6.优矿之双均线策略7.优矿之均值回归策略8.优矿之单因子策略模板9.优矿之多因子策略模板10.优矿之因子数据处理：去极值和标准化面向对象实盘交易之平台介绍和账户配置账户密码配置和交易框架原理链接账户并查看信息 API获取历史数据市价单和交易状态查询高级交易订单7. Oanda其它高级功能8. Oanda实战ADX策略全讲解：策略逻辑、数据读取、历史数据处理、可视化、实时数据和实时交易9. Oanda通过实时数据API调取实时数据、resample面向对象实盘交易之实战平台介绍及API安装调试实战平台请求和响应远离、线程控制响应函数wrapper讲解请求函数及合约定义程序化下单、仓位及账户查询三均线交易_金字塔仓位下单控制模型实盘交易之策略原理、线程控制原理、策略结构总览、响应函数、交易信号、策略展示等全讲解。. 第七部分：基于优矿的进阶学习回测与策略框架评价指标量化策略设计流程简介择时策略举例（双均线）量化投资模板选股和择时基于技术分析的量化投资技术指标 MACD择时策略 WVAD择时策略 RSI择时策略 MFI择时策略 CCI择时策略技术指标总结通道技术日期效应动量效应格雷厄姆成长投资积极投资策略 价值投资策略小型价值股投资策略交易系统设计的一般原理均线排列系统金肯纳特交易系统海龟交易法系统

CQF量化金融分析师在国内的职业发展方向在金融行业，主要有证券公司、私募基金、期货公司和互联网公司等等。不同的公司因为其从事的业务不同，决定了从事量化金融的职员的工作方向和内容。从职位类型分析来看，量化金融相关的职业主包含：量化研究员、量化分析师、量化交易员和量化开发工程师等等，虽然具备良好的数学、编程和金融基础知识是从事量化金融行业必不可少的素养，但是不同职位侧重点并不相同。CQF量化金融分析师的发展目前，CQF的招生范围已扩大至全球，学员分别来自北美，南美，欧洲，亚洲地区。CQF在英国伦敦金融城（City of London）设立总部，并在纽约华尔街、法国、新加坡、香港与中国大陆设立培训中心，以适应CQF项目在全球如火如荼的扩张势头。CQF持证人职业方向-量化交易员无论是证券公司、期货公司还是私募基金对交易员的要求都相对较高，因为交易直接和资金挂钩，量化研究也好、基本面分析也罢，最终都要落实到交易上，因此，量化交易这一个环节显得尤为的重要。期货公司的做市商部门就是一个交易部门，经常在各大求职网站上招募交易员，近年来期货公司做市业务的蓬勃发展，对具备金融基础和编程能力的人才需求大大提高，期货做市商部门包含场内做市和场外做市商，场内做市主要是场内期权和期货的套利，而场外做市对期权定价要求更加，主要工作是制定期权合约和撮合客户成交CQF持证人职业方向-量化分析师/研究员证券公司的量化研究以权益类和固收类为主，比如股票的多因子模型的研究，固定收益类资产投研模型的研究等等，这些职位要求对国内金融市场背景相对熟悉，并且对大类资产配置，风险模型等金融基础知识具备扎实的基础，同时因为需要大量的数据分析，对编程能力具有一定的要求，主流以python为主。阅读和理解金融领域的外文文献和实现相关的模型也是重要的技能之一，因此英语和将论文模型实现也是必备技能。CQF持证人职业方向-量化开发工程师相对于量化研究和交易员，量化开发需要了解更多的和编程相关的内容，也需要学习更多的软件开发的工具，比如版本管理git，数据库SQL，Linux操作系统等等，如果是从事算法交易开发还需要扎实的数学基础知识，量化开发日常的工作主要是支持交易员的日常交易的需求，实现交易的策略和算法，开发交易Quant使用的交易工具等等，相对于量化研究，量化开发和量化交易联系的更为紧密，因为Quants需要开发人员提供交易工具，包括算法的实现、策略执行过程中问题的处理，交易数据统计等等，而量化研究人员更多的面对客户提供具有价值的研究报告。