“Congratulations on successfully completing the CQF!”
近期收到CQF Final Project的成绩邮件，看到Congratulations的时候，还是有点激动。正如昨天和CQF的Dr.Randeep通话说的，有那么几周都是深夜和周末无休，埋头看课看书写代码；感觉是又读了个硕士课程。
所幸付出终有回报，也分享下CQF的学习和考试历程了。
总是有评论区知友问我，不知道如何从0入门开始学习CQF，这里统一回复一下：对于小白来说，肯定要从最基础的入手，我最近把自己入门学习的资料整理了一下，想要学习的可以免费领取，能少走很多弯路！
CQF量化学习资料-电子版（视频网课，15篇量化投资领域精选论文合集等）
01 CQF的学习方式
每个人的学习方式和出发点不一样，如果你想把知识学的很扎实，当然是需要好好的看课和看书。
因为我能看到CQF中文课程的出勤数据，也会时不时看下，然后很惊讶的发现，有个潜欢同学的出勤非常好，几乎每次中文课程都参加。我就去问他，你是怎么做到的这么坚持。
他的回复是，"这个课程我很喜欢"，”我自己也做一些交易，量化期货和外汇，期权等衍生品是未来的趋势，我也很感兴趣。“，”不上直播比较吃亏，可能有的人还没发现。“
也有英文比较好的同学，比如肖博士碰巧学习期间在国外，跟伦敦的时差小，就经常看CQF协会的英文直播。她告诉我看英文直播的好处是，能在直播间直接提问，协会的老师也会耐心解答。而且她给协会的老师，几乎每个老师，都写过邮件咨询问题，协会的老师都比较Nice，有回答问题。肖博士近期也收到量化职位的Offer，其中一个是伦敦的BOA，也算是一个完美的CQF学习历程了。
我自己的学习方式比较另类，我之前通过了CFA的三次考试，也写过一点代码，就比较自负的选择考试题目出来之后再去学习。我从没看过直播，都是回放，回放也没看完过。这个方式其实优点也有缺点。
缺点是，压力很大。没有学习经历，直接看题目，我是一脸黑人问号的。也有其他不少CQF同学也有类似的经历。
拿着题目，打印出来，每天找时间时不时看一点，不明白的关键字，就百度或者回过头去看CQF课程，我也也花了一周才看明白题目。只是看明白题目，还没开始做。
CQF每个学期有3次考试+1次Final Project。每个学期有2次Extension机会，但是Final Project不能Extension。所以其实就相当于前面3次考试有2次Extension机会。如果不Extension，考试的时间一般是2周，Final是2个月。我虽然在半年内通过了CQF考试，但是这半年里面，其实我用了2次Extension机会的。也算是规则范围之内，尽量的给自己减轻点压力了。
当然，我的这个方案也有优点，就是目标明确，最少的时间内通过考试。量化金融的领域其实很宽，而CQF协会选择让我们考试的知识点，都是精选过的，需要掌握的核心知识点。我选择先学好这部分内容作为入门基础，其他内容以后工作碰到了再去深入学习。CQF也是终身学习，我可以先掌握80%，拿到证书之后，回头有空再来继续看其余的20%。
我属于2020年的6月班级，我的考试时间参考如下。
02 CQF Exam 1
我的CQF第一次考试结果还不错，分数的绝对值是97。当然，这不代表排名很高，我知道肖博士，还有其他不少同学都是100分。
第一次考试总共5个大题，每个大题有1-3个小题。因为对应的是CQF的模块2，有不少风险管理的内容，所以这次考试有涉及VaR的计算，风险预估和回测，以及巴塞尔协议等内容。但是让我觉得最有收获的，其实是投资组合的优化。
之前学习CFA的时候，我其实学过投资组合优化，包括马科维茨的收益和风险，有效前沿等。但是CFA的学习还是停留在概念，没有具体实际操作过投资组合的优化。
CFA的投资组合优化，有效前沿等内容在一级和二级，都是通过选择题的形式来考核。即使偶偶涉及计算，也往往是简化了的2个资产之间的计算。但是实际的投资中，我们往往是多个资产。
因为投资组合的计算涉及一个相关性，每增加一个资产，就要增加很多个相关性的计算。所以即使是3个资产，要纯手工去计算投资组合优化也是非常困难的。而手工做有效前沿，对于普通人来说更是不可能，2个资产都困难。这也是CFA不可能在这里深入去讲的原因之一。
CQF不一样，马科维茨的现代投资组合理论号称是量化的基石之一，当然要好好操练操练。CQF协会上课的时候，一步一步的展示了用Excel模型，来做投资组合的优化。根据不同资产的收益率，方差，和相关性，画出投资组合的有效前沿。
我当时考试的时候用的是Excel，直接参考协会的Excel模板，调整参数，也把答案搞出来了。再后来，有时间的时候，我回过去看，发现Python做好像还更简单，也就是一个函数的事情，就也尝试过用Python来做这个投资组合优化。
03 CQF Exam 2
CQF的第二次考试，其实难度比第一次考试大不少，所以我这里用了一次Extension，差不多用了1个月的业余时间，才把5个题目给搞定。分数其实还行，有92。
这次考试偏数值计算，按不少CQF同学的说法，实际的量化工作中，都是大体量的量化数据和信号，会经常涉及数值计算，CQF这个算是很基础的了。考试也特意要求了，需要写Python代码来做基础预算，也算是为后面的机器学习做了一个铺垫。
这个考试对应的是CQF的模块三，因为CQF的模块三其实是Q Quant的典型，学起来有难度，只不过考试的时候没有考的太难，而是让我们练习用Python做一些基础的数值计算，所以这里也稍微聊下P Quant和Q quant。
我自己有去对比过全球的金工硕士的课程安排，基本上大部分都在学衍生品和期权定价，也跑不开随机微分方程和布莱克莫顿等。所以我也关注过这个问题。
先介绍下Jim Gatheral，Dr.Jim Gatheral于1983年取得剑桥大学理论物理博士学位，是闻名华尔街的数量金融大师，他的职业及研究经历涉及金融衍生品定价、风险控制及交易优化。在25年的职业生涯中，他曾于纽约，伦敦，东京等地从事第一线的交易工作。其中17年时间在美林银行担任董事总经理，负责定量分析研究。目前是全球排名第一的金融工程硕士院校Baruch的首席教授。
CQF去年的量化洞察峰会也有请到Dr.Jim Gatheral，他也是最近一年的Quant of the Year得主。
知乎上有个同学有机会问过Jim Gatheral关于P Quant和Q Quant。这是个匿名回答，参考如下。
“去年参加某mfe面试时遇见了Jim Gatheral，他问我有什么问题问他。我说我发现贵项目这几年开了越来越多P quant的课，比如机器学习、大数据、microstructure什么的，你们的学生学完这些课真的能找到P quant的工作吗？Gatheral表示：“Yes,you know,if the pricing quant isn't dead,it's dying.So we try to make ourself different...But I still don't like the words'P'and'Q'.In fact,most works in financial industry are between them now.”
其实p和q是不矛盾的。几年前大家普遍认为p和q的本质区别是，p quant用统计方法研究真实测度下的分布，q quant先把model倒进q测度下定价。但在学术界，计量/实证等等看起来很统计很p的东西，往往也都基于比较复杂的stochastic volatility model来展开。比如之前读过一系列印象很深的paper，作者Anderson是Kellogg的大佬，据说发的最菜的都是Journal of Finance的那种，他主要研究的是financial econometrics，用option panel拟合model并发展了不少期权面板数据参数估计、假设检验和收敛性的方法，这种工作看起来应该算p系了，但是人家拟合用的stochastic model，甚至其中的jump measure都是自己编的==|||(Anderson et al.(2015a))这么看来又可以算是大Q了。
在业界的话，米国我还不是很了解，但国内的量化市场上做策略的人也常常把随机分析中一些典型的思想融入策略里去，比如我老板的策略就融入了一些OU过程的假定（虽然OU并不是多么高深的模型）。如果你闯进某个量化投资公司拿砖头瞎砸，被砸死的人里90%都是会随机分析和期权定价的。因为传统的option pricing是金融数学的起源，里面蕴含了许多根本性的如何用数理知识探究金融学的思想，一个成功的p quant完全不懂q，这几乎是不可想象的。相应地，面试量化投资公司的时候，面试官常常会问关于定价、布朗运动、甚至BS公式、对冲、希腊值相关的东西。一方面，就像其他答主提到的，相比于量化投资，这些知识有固定的答案，更容易考察水平；另一方面，虽然这些东西看起来在工作中用不上，但其中蕴含着用概率统计探索金融学的基本方法论。你如果完全不会，对方可能会觉得你根本就是一个外行人。
MFE偏Q并不是错误的，因为曾经这个项目被创立的时候，它就是为培养Q quant而生的。如今q quant越来越不行，MFE们也都在积极地转型（例如现在几乎所有的top MFE都开设了machine learning），不过你不能指望他很快地完全变成一个P quant master program，因为p quant的兴起并没有几年，时间上来不及；而且如上面所说的，一个好的quant不能不学Q。在业界做derivatives的人不能不懂统计和计量，做quantitative investment的也不能不懂stochastic modeling，做策略直接眼一闭写一个神经网络模型，把历史数据输进去就瞎generate信号的都是在玩弄玄学。
不过随着政策的变动，说不定某一天pricing就又回来了，这也是说不准的事情--|||我导师以前说过一句很科学的话：“如果q quant是大海，p quant就是友谊的小船（那时候这个梗还没烂大街，咳），没有大海，友谊的小船说翻就翻。”就是这样一个道理。不会Q是不行的。”
04 CQF Exam 3
CQF的Exam 3对应的是模块4，这部分开始就是机器学习了，考试也是通过Python来跑机器学习模型的代码。我的成绩其实不高，不过还好后面通过Kaggle的练手，有增加对机器学习的了解。
这次考试只有一个大题，下面7个小问题。但是可以自己选逻辑回归，向量机，或者是决策树来解决这些小问题。我选择了最简单的逻辑回归。不过我也在想，以后有机会还是要回过来，继续学习下向量机和决策树的。
我的学习方式是碰到问题，然后去解决问题。这个方式在这里其实有点困难。因为这次考试开始，编程的需求在增加，比如做完考试，我写的代码行数是500行左右。我会经常碰到不熟悉的数据操作函数，这个时候我要很去百度这些函数的使用方式，或者数据操作方式，经常很头疼。
所以如果让我现在给学习建议，我会说CQF的Python前导课还是很值得一看的，特别是在CQF Exam 3之前。CQF的Python前导课其实设计的很好，在讲完基础的语法之后，关键的金融数据操作的方式和方法都给出来了。
比如我现在还不是很熟悉的字典到Dateframe的转换，Dataframe的行列截取，排序，倒叙等，其实CQF的Python Primer里面都有参考案例。
05 CQF Exam 4，Final Project
CQF的Final Project可以根据自己的爱好，工作领域等自己选择，去年是有5个参考方向。
我选的是DL，时间序列的深度学习。
有跟CQF同学交流过，比如谭同学就反馈，CQF的这个项目其实已经很前沿了，他们给的项目指导里面的波动率的算法，是参考了一篇很新的量化论文。
也有在朋友圈看到一个同学，他选的是配对交易项目，按他的描述，他的这个项目代码基本可以参与实盘交易了，而他的最终报告页数也达到了300多页，比很多学校的硕士博士论文都长很多。
当然，我的方案是先通过考试，然后再慢慢研究。这次考试我花了大概一个月的时间，把题目给的指引和要求完成之后我就提交了，然后我就用我所学到的机器学期的皮毛，去参与了最近的Kaggle的量化比赛。
通过Kaggle的量化比赛，我去体验不用的机器学学习模型，不同的参数设置所能带来的不同的结果，也是个很好的学习方式。而且Kaggle上的讨论很活跃，能看到很详细的数据分析思路和步骤，极大的开阔了我的视野。
在前期我的最好成绩曾经短暂的到过前7，也顺便秀下，对初学者来说已经很难得了。
文章转载自查理冬明，原文链接：https://zhuanlan.zhihu.com/p/359916402，已获得原作者授权！
以上就是【2万美金的CQF证书历程分享】的全部解答，如果你想要学习更多这方面的【CQF国际数量金融工程师】的知识，欢迎大家前往高顿CQF频道!
CQF相关阅读推荐：
国际量化金融是什么认证？CQF前景如何呢？
CQF持证人职业方向是什么？新的一年如何规划？
延伸阅读：
CQF量化投资分析师考试费用高吗？一共要多少钱？
CQF量化投资分析师考试课程有哪些？都分为几个模块？
