CQF 课程体系
说明
CQF（Certificate in Quantitative Finance，量化金融证书）课程共 7 个模块，涵盖数学基础、风险管理、衍生品定价、机器学习、固收信用及高级选修方向。
Module 1｜量化金融基础：资产的随机行为
| 主题 | 内容 |
|---|---|
| 数学工具 | 泰勒级数、中心极限定理、偏微分方程 |
| 概率与随机过程 | 转移密度函数、Fokker-Planck 方程、Kolmogorov 方程 |
| 随机微积分 | Itô 引理、随机微分方程（SDE）求解 |
| 定价模型 | 资产定价的二项树模型 |
Module 2｜量化风险与收益
| 主题 | 内容 |
|---|---|
| 投资组合理论 | 现代投资组合理论（MPT）、CAPM、最优化投资组合 |
| 风险度量 | 风险价值（VaR）、亏损预期（ES / CVaR） |
| 监管框架 | 风险监督与巴塞尔协议 III |
| 流动性与保证金 | 抵押品与保证金管理、流动资产负债管理（ALM） |
| 波动率建模 | 波动率建模（ARCH 框架）、GARCH 系列模型 |
| 资产收益 | 关键统计量与经验特征 |
Module 3｜衍生品与数值方法
| 主题 | 内容 |
|---|---|
| 核心模型 | Black-Scholes 模型、Girsanov 定理、定价理论 |
| 对冲与策略 | 对冲与风险管理、期权策略 |
| 期权类型 | 欧式期权、美式期权、奇异期权 |
| 波动率 | 波动率套利策略、高级波动率建模（完全竞争市场）、非概率波动模型 |
| 数值方法 | 有限差分法（FDM）、蒙特卡洛模拟 |
| 市场结构 | 衍生品市场概述、希腊字母（高风险指标） |
Module 4｜数据科学与机器学习（一）
| 类别 | 主题 |
|---|---|
| 基础 | 数学建模方法论、机器学习中的数学工具、主成分分析（PCA） |
| 监督学习 | 线性回归；惩罚回归（Lasso、Ridge、Elastic Net）；逻辑回归、Softmax 回归 |
| K 近邻算法（KNN）；朴素贝叶斯分类器；支持向量机（SVM） | |
| 决策树；集成方法（Bagging、Boosting） | |
| 工具 | Python 机器学习算法库（scikit-learn 等） |
Module 5｜数据科学与机器学习（二）
| 类别 | 主题 |
|---|---|
| 无监督学习 | K-Means 聚类、自组织映射（SOM）、t-SNE、UMAP |
| 深度学习 | 自编码器、人工神经网络（ANN）、神经网络架构 |
| NLP | 自然语言处理、深度学习与 NLP 工具 |
| 强化学习 | 强化学习基础、基于 AI 的算法交易策略 |
| 前沿 | 量子计算在金融中的应用 |
| 工具 | Python（TensorFlow）、金融实际案例 |
Module 6｜固定收益与信用风险
| 主题 | 内容 |
|---|---|
| 固收基础 | 固收产品与市场操作、收益率、久期、凸性 |
| 利率建模 | 随机利率模型、利率随机方法、校准与数据分析 |
| 利率模型 | Heath-Jarrow-Morton（HJM）框架、LIBOR 市场模型 |
| 信用风险 | 结构模型、简化型模型与风险率、Copula 模型、结构型与简化型违约风险 |
| 信用衍生品 | CDS 定价与市场方法、信用衍生品 |
| 估值调整 | xVA（CVA、DVA、FVA、MVA） |
Module 7｜高级选修方向
说明
第 7 模块为选修专题，可根据方向自由选择。
| 方向 | 内容 |
|---|---|
| 交易 | 算法交易、交易对手风险建模 |
| 机器学习 | 高级机器学习 |
| 投资组合 | 高级投资组合管理、风险预算（基于风险的资产配置） |
| 风险管理 | 高级风险管理 |
| 波动率 | 高级波动率建模 |
| 行为金融 | 量化分析中的行为金融学 |
| 金融科技 | 去中心化金融技术（DeFi）、Fintech |
| 编程 | C++、R 语言（量化金融） |
| 数值方法 | 数值法进阶 |
知识图谱
数学基础（M1）
↓
风险与收益（M2）→ 固收与信用（M6）
↓
衍生品与数值方法（M3）
↓
数据科学 ML 基础（M4）→ 深度学习与AI（M5）
↓
高级专题选修（M7）