CQF什么时候可以报名？报名要多少钱？

　　CQF报名时间并没有限制，可以在一年中的任何时间进行报名。只是每年有两个入学时间，分别是1月和6月，目前cqf协会已经公布了2024年最新的入学时间，是2024年1月23日。如果考生们现在报名，大家还有充足的时间来准备入学申请所需的材料。

CQF报名要多少钱？

　　在国内，目前2024年CQF的学费价格是69800元。CQF项目一旦开始就不再收取其他费用，所有资源均包含在CQF报名费用中，包括：

　　•前导课：数学、Python、金融

　　•直播课（含回放）、学习支持、答疑，pythonlab

　　•9本英文原版实体教材和其他学习资料

　　•CQF协会学习portal账号（永久使用权）

　　•CQF APP（可下载课程离线观看）

　　•Lifelong learning终身学习资源库

　　•CQF所有模块考试和期末考试

　　•访问全球校友网络

　　•Wilmott杂志一年订阅（纸质）

　　欲知详情及费用细目，请登录CQF协会的网站www.cqf.com/fees

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

如何报名申请CQF项目？

　　1.在线申请

　　完成在线申请表格www.cqf.com/apply

　　2.等待审核

　　CQF协会将在48小时内通知学员是否初步接收。

　　3.报名与准备

　　CQF协会将要求学员提交一份简短的报名表，接受学员的入学资格。在完成首次付款后，学员就可以查看入门课程，开启学习。

CQF考试的内容有哪些？

　　CQF考试的核心课程由六个模块与高级选修课程组成。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 projectCQF核心阶段，将自己的理论知识应用到现实问题的解决上。

　　模块一：量化金融的基础知识

　　CQF将向学员介绍作为模型框架的应用Itô演算的规则。学员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FokkerPlanck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

　　•资产定价的二项模型

　　模块二：量化风险与收益

　　包含经典的马科维茨组合理论、资本资产定价模型以及这些理论的最新进展。CQF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）

　　模块三：股票与货币

　　探讨Black-Scholes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。学员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

　　模块三

　　•非概率波动模型

　　•股票与货币

　　•FX期权

　　模块四：数据科学与机器学习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

　　•逻辑、SoftMax回归

　　•惩罚回归：lasso,ridge,elastic net

　　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

　　模块五：数据科学与机器学习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，CQF将逐步深入到自然语言处理和强化学习。学员将学习理论框架，更为重要的是，学员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

　　模块六：固收与信用

　　CQF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

　　•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

　　.结构型与简化型的违约风险

　　•Copula模型的实施

　　高级选修课

　　CQF项目为学员提供进一步提升个人专业度的机会，通过选择两门高级选修课，结合个人的职业目标发展所需专业技能。CQF的高级选修课包括：

　　•高级机器学习

　　•高级集成模型I

　　•高级机器学习II

　　•高级组合管理

　　•高级风险管理

　　•高级波动性建模

　　•算法交易I

　　•算法交易II

　　•量化中的行为金融学

　　•C++

　　•对手方信用风险建模

　　•去中心化金融技术

　　•能源交易

　　•外汇交易和对冲

　　•数值法

　　•金融学中的量子计算

　　•基于数据科学和机器学习的R语言

　　•风险预算：基于风险的资产配置方法