量化金融分析師AQF證書是2018年新出來的，所以大家對這新家伙都表示不了解，那么今天，小編我就先大概介紹關于量化金融分析師AQF是什么，以及2019年AQF的考試時間是什么時候，AQF課程內(nèi)容、體系是什么進行介紹。想了解的童鞋們歡迎閱讀咨詢。
1. 項目背景
AQF：量化金融分析師（簡稱AQF ，Analyst of Quantitative Finance）由量化金融標準委員會（Standard Committee of Quantitative Finance，SCQF）主考并頒證，是代表量化金融領域的專業(yè)水平證書。
量化投資在國外的發(fā)展已非常成熟，與此相反，曾經(jīng)在相當長的一段時間里，國內(nèi)量化投資領域發(fā)展緩慢。2017年伊始，金融業(yè)界改革消息不斷。2 月 16 日，中金所重磅發(fā)布新的股指期貨交易規(guī)則，對其日內(nèi)過度交易行為的監(jiān)管、非套期保值持倉的交易保證金標準、平倉手續(xù)費標準都采取了進一步放松限制的政策指示。3月，十二屆全國人大會議上，李克強總理在《2017年政府工作報告》中首次提及“人工智能”和數(shù)字經(jīng)濟。運用專業(yè)的量化分析方法到具體投資業(yè)務中，是未來量化投資分析師的職業(yè)能力訴求。4月10日，大連商品交易所正式發(fā)布由其自主研發(fā)的6支大連商品交易所商品期貨系列指數(shù)，分別為農(nóng)產(chǎn)品、油脂油料、飼料類、大豆類等4支多商品期貨價值指數(shù)，以及都豆粕、鐵礦石等2支單商品期貨價值指數(shù)。
現(xiàn)階段，國內(nèi)每年的新財富評選活動中，各大券商的金融工程團隊逐漸成為行業(yè)焦點;量化基金產(chǎn)品一如既往受到多方關注。各大量化投資平臺如雨后春筍般興起，量化方法在金融投資分析中得到越來越廣泛的運用。國際方面，在人工智能的浪潮下，包括高盛、摩根大通、貝萊德等各大頂級投行和金融機構(gòu)紛紛轉(zhuǎn)型和布局人工智能，大批交易員和分析師被自動算法取代，越來越多的公司依賴算法進行投資決策，而不再求助于具體的人。量化投資領域方興未艾，在此背景下，為未來金融高尖人才提供全面且個性化的服務，提升其綜合素質(zhì)，是時代的需求。
本量化投資實訓項目旨在為此類人員提供基本理論知識、切實可行的研究方法，提高參訓人員的量化分析水平。
2. 課程體系
課程內(nèi)容以學習主流交易策略為核心，提供Python語言編程基礎、數(shù)據(jù)處理基礎、金融知識基礎、量化投資策略實現(xiàn)和量化投資多平臺模擬交易五個模塊的教學。在市面課程中，本課程具備課程體系完整、課程內(nèi)容豐富、課程內(nèi)容銜接合適等優(yōu)勢。
.png)
（點擊上圖了解課程詳情）
3、2019年AQF的考試時間是什么時候?
2019年有兩場考試，一場是在3月17日，還有一場是在9月22日，那么針對今年3月AQF考試的報名截止時間至2019年2月18日中午12點。今年的AQF考試已開設線下考場。
報考條件：同時符合下列條件的考生，可以申請參加量化金融分析師全國統(tǒng)一考試：
(1) 具有完全民事行為能力且年滿18周歲
(2) 參加并完成指定授權(quán)培訓機構(gòu)提供的量化金融分析師實訓項目，并獲得對應學分。
AQF考試題型：單選題20%、多選題20%、解答題60%
AQF考試范圍：以標準委員會發(fā)布的《量化金融分析師全國統(tǒng)一考試大綱》為準。
AQF考試方式：考試采用計算機化考試方式。
(1)即在計算機終端獲取試題、作答并提交答題結(jié)果。
(2)AQF考試試題從量化金融分析師考試題庫中隨機抽題;隨機抽題以試卷中的試題數(shù)量、類型、難度一致為原則。
AQF考試費用：
(1)2019年3月起注冊費：760元/人/次，考試費：1500元/人/次;
(2)由于特殊原因舉辦的場次，考試費用將另行規(guī)定。
AQF考試語言：中文+Python程序設計語言 >>>點擊咨詢AQF考試相關問題
試卷評閱和成績認定：
(1) 考生答卷由量化金融標準委員會組織集中評閱，考試成績報經(jīng)中國市場學會金融服務工作委員會審核后發(fā)布。
(2) 成績發(fā)布后，考生可登錄標準委員會指定的官網(wǎng)查詢成績并下載和打印成績單。
(3) AQF考試實行百分制，總分60分為成績合格分數(shù)線。
成績合格的考生，可申請成為量化金融標準委員會個人會員。
AQF量化金融分析師實訓項目學習大綱 >>>點擊咨詢AQF考試
1.1.1. 第一部分：前導及課程介紹
|
1.AQF核心課程 |
|
2.量化策略的Python實現(xiàn)和回測 |
|
3.整體代碼介紹 |
1.1.2. 第二部分：量化投資基礎
|
1.量化投資背景及決策流程 |
|
2.量化擇時 |
|
3.動量及反轉(zhuǎn)策略 |
|
4.基金結(jié)構(gòu)套利 |
|
5.行業(yè)輪動與相對價值 |
|
6.市場中性和多因子 |
|
7.事件驅(qū)動 |
|
8.CTA_1（TD模型） |
|
9.統(tǒng)計套利_低風險套利 |
|
10.大數(shù)據(jù)和輿情分析 |
|
11.機器學習 |
|
12.高頻交易和期權(quán)交易 |
|
13.其他策略和策略注意點 |
1.1.3. 第三部分：Python編程知識
|
Python語言環(huán)境搭建 |
1.Python語言環(huán)境搭建 |
|
Python編程基礎 |
1.python數(shù)字運算和Jupyter notebook介紹 |
|
2.字符串 |
|
|
3.Python運算符 |
|
|
4.Tuple和List |
|
|
5.字典 |
|
|
6.字符串格式化 |
|
|
7.控制結(jié)構(gòu)_1.For循環(huán) |
|
|
8.函數(shù) |
|
|
9.全局和局部變量 |
|
|
10.模塊 |
|
|
11.Python當中的重要函數(shù) |
|
|
Python編程進階 |
1.Numpy數(shù)據(jù)分析精講 |
|
2.Pandas數(shù)據(jù)分析詳解 |
|
|
數(shù)據(jù)可視化 |
1.Pandas內(nèi)置數(shù)據(jù)可視化 |
|
2.Matplotlib基礎 |
|
|
3.Seaborn |
|
|
金融數(shù)據(jù)處理實戰(zhàn) |
1.數(shù)據(jù)獲取_1.本地數(shù)據(jù)讀取 |
|
1.數(shù)據(jù)獲取_2.網(wǎng)絡數(shù)據(jù)讀取_1 |
|
|
1.數(shù)據(jù)獲取_2.網(wǎng)絡數(shù)據(jù)讀取_2.tushare |
|
|
1.數(shù)據(jù)獲取_2_網(wǎng)絡數(shù)據(jù)讀取_3.文件存儲 |
|
|
2.金融數(shù)據(jù)處理_1.同時獲取多只股票 |
|
|
2.金融數(shù)據(jù)處理_2.金融計算 |
|
|
2.金融數(shù)據(jù)處理_3.檢驗分布和相關性 |
|
|
3.金融時間序列分析_1.Python下的時間處理 |
|
|
3.金融時間序列分析_2.Pandas時間格式 |
|
|
3.金融時間序列分析_3.金融數(shù)據(jù)頻率的轉(zhuǎn)換 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例1 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標條件選股分析_1 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標條件選股分析_2 |
1.1.4. 第四部分：量化交易策略模塊
|
三大經(jīng)典策略 |
1.三大經(jīng)典策略_1.SMA |
|
1.三大經(jīng)典策略_2.動量Momentum |
|
|
1.三大經(jīng)典策略_3.均值回歸 |
|
|
配對交易策略 |
2.配對交易 |
|
技術分析相關策略 |
3.量化投資與技術分析_1.技術分析理論 |
|
3.量化投資與技術分析_2.CCI策略的Python實現(xiàn) |
|
|
3.量化投資與技術分析_3.布林帶策略的Python實現(xiàn)_1 |
|
|
3.量化投資與技術分析_4.SMA和CCI雙指標交易系統(tǒng) |
|
|
3.量化投資與技術分析_5.形態(tài)識別和移動止損策略 |
|
|
大數(shù)據(jù)輿情分析策略 |
4.大數(shù)據(jù)輿情分析策略_基于谷歌搜索的大數(shù)據(jù)輿情分析 |
|
CTA交易策略 |
5.CTA交易策略_Aberration趨勢跟蹤系統(tǒng) |
|
量化投資與機器學習 |
6.量化投資與機器學習_1_機器學習算法原理_2_邏輯回歸原理 |
|
6.量化投資與機器學習_1_機器學習算法原理_3_SVM算法原理 |
|
|
6.量化投資與機器學習_1_機器學習算法原理_4_決策樹算法原理 |
|
|
6.量化投資與機器學習_1_機器學習算法原理_5_KNN算法原理 |
|
|
6.量化投資與機器學習_1_機器學習算法原理_6_神經(jīng)網(wǎng)絡算法了解 |
|
|
6.量化投資與機器學習_1_機器學習算法原理_7_K-means算法原理和算法總結(jié) |
|
|
6.量化投資與機器學習_2_機器學習算法實現(xiàn)_1_數(shù)據(jù)集生成原理 |
|
|
6.量化投資與機器學習_2_機器學習算法實現(xiàn)_2_數(shù)據(jù)集可視化 |
|
|
6.量化投資與機器學習_2_機器學習算法實現(xiàn)_3_邏輯回歸算法的python實現(xiàn) |
|
|
6.量化投資與機器學習_2_機器學習算法實現(xiàn)_4_DT_KNN_NB算法的python實現(xiàn) |
|
|
6.量化投資與機器學習_2_機器學習算法實現(xiàn)_5_SVM算法的python實現(xiàn) |
|
|
6.量化投資與機器學習_3_機器學習算法實戰(zhàn)_6_基于邏輯回歸和SVM的股市趨勢預測 |
1.1.5. 第五部分：面向?qū)ο蠛蛯嵄P交易
|
1.模塊內(nèi)容整體介紹 |
|
2.面向?qū)ο?、類、實例、屬性和方?/p> |
|
3.創(chuàng)建類、實例、方法 |
|
4._init_初始化方法 |
|
5.面向?qū)ο蟪绦驅(qū)嵗?/p> |
|
6.繼承的概念及代碼實現(xiàn) |
|
7.面向?qū)ο罄^承的實戰(zhàn)案例 |
|
8.多繼承和量化交易平臺的面向?qū)ο箝_發(fā)思路 |
|
9.用面向?qū)ο蠓椒▽崿F(xiàn)股債平衡策略 |
1.1.6. 第六部分 實盤模擬交易
|
基于優(yōu)礦平臺的面向?qū)ο蟛呗?/p> |
1.優(yōu)礦平臺介紹 |
|
2.優(yōu)礦平臺回測框架介紹 |
|
|
3.優(yōu)礦框架之context對象、account和position對象 |
|
|
4.優(yōu)礦其它重要操作 |
|
|
5.優(yōu)礦之小市值因子策略 |
|
|
6.優(yōu)礦之雙均線策略 |
|
|
7.優(yōu)礦之均值回歸策略 |
|
|
8.優(yōu)礦之單因子策略模板 |
|
|
9.優(yōu)礦之多因子策略模板 |
|
|
10.優(yōu)礦之因子數(shù)據(jù)處理：去極值和標準化 |
|
|
面向?qū)ο髮嵄P交易之Oanda |
1.Oanda平臺介紹和賬戶配置 |
|
2.Oanda賬戶密碼配置和交易框架原理 |
|
|
3.Oanda鏈接賬戶并查看信息 |
|
|
4.Oanda API獲取歷史數(shù)據(jù) |
|
|
5.Oanda市價單和交易狀態(tài)查詢 |
|
|
6.Oanda高級交易訂單 |
|
|
7. Oanda其它高級功能 |
|
|
8. Oanda實戰(zhàn)ADX策略全講解：策略邏輯、數(shù)據(jù)讀取、歷史數(shù)據(jù)處理、可視化、實時數(shù)據(jù)和實時交易 |
|
|
9. Oanda通過實時數(shù)據(jù)API調(diào)取實時數(shù)據(jù)、resample |
|
|
面向?qū)ο髮嵄P交易之IB |
1.IB實戰(zhàn)平臺介紹及API安裝調(diào)試 |
|
2.IB實戰(zhàn)平臺請求和響應遠離、線程控制 |
|
|
3.IB響應函數(shù)wrapper講解 |
|
|
4.IB請求函數(shù)及合約定義 |
|
|
5.IB程序化下單、倉位及賬戶查詢 |
|
|
6.IB三均線交易_金字塔倉位下單控制模型實盤交易之策略原理、線程控制原理、策略結(jié)構(gòu)總覽、響應函數(shù)、交易信號、策略展示等全講解。 |
1.1.7. 第七部分：基于優(yōu)礦的進階學習
|
1.1回測與策略框架 |
|
1.2評價指標 |
|
1.3.1量化策略設計流程簡介 |
|
1.3.2擇時策略舉例（雙均線） |
|
1.3.3量化投資模板1.0選股和擇時 |
|
2.1基于技術分析的量化投資 |
|
2.2.1技術指標簡介 |
|
2.2.2 MACD擇時策略 |
|
2.2.3 WVAD擇時策略 |
|
2.2.4 RSI擇時策略 |
|
2.2.5 MFI擇時策略 |
|
2.2.6 CCI擇時策略 |
|
2.2.7技術指標總結(jié) |
|
2.3通道技術 |
|
3.1.1日期效應 |
|
3.1.2動量效應 |
|
3.2.1格雷厄姆成長投資 |
|
3.2.2積極投資策略 |
|
3.2.3價值投資策略 |
|
3.2.4小型價值股投資策略 |
|
3.3.1交易系統(tǒng)設計的一般原理 |
|
3.3.2均線排列系統(tǒng) |
|
3.3.3金肯納特交易系統(tǒng) |
|
3.3.4海龜交易法系統(tǒng) |
.png)
金程推薦： AQF培訓 AQF培訓機構(gòu) AQF是什么意思
熱線電話：400-700-9596
AQF考友群：760229148
金融寬客交流群：801860357
微信公眾號：量化金融分析師
