本文来自量化金融分析师(AQF)www.gfedu.cn/aqf2019年12月场考试备考学员：【Lester Fang】。

文章内容包括对量化金融分析师(AQF)证书、量化交易、Python语言、机器学习等的理解认识与个人见解等。

本文作者表示：文章是在他复习课程内容，站在第三方角度，用IT人员的视角，评价课程整体设计，中途穿插金融幽默事件，这样读起来才不会太呆板。对量化方面感兴趣的同学可以参考笔者的经验和学习路径。

这次分享正在准备中的一张金融科技认证AQF(Analyst of Quantitative Finance)，有对标CQF(Certificated in Quantitative Finance)意味，但是在难度上有距离，AQF 比较容易。

其实本人会发现这一张认证，是一个意外。一开始自己学习计画是金融 + Python + AI，配合之前一篇文章：学习心得分享 的8个步骤之一，确定学习范围或考试范围，因为AQF的考试内容是 : 量化交易 + Python + 机器学习 Machine Learning，是非常符合我一开始自己定义的学习目标，算是一箭三雕的金融科技考试。

量化交易

揭开量化交易面纱的第一步就是学习，否则类似骗子把量子力学给神化，在网路上有一首诗为量子治痛经: 穷靠变异，富靠科技;遇事不决，量子力学;解释不通，穿越时空;篇幅不够，平行宇宙;资金见底，故事重启。

量化交易的核心观点是透过海量数据资料找出错误定价，导致套利空间，一般应用在金融机构中。由于有学习 CFA level 1 经验，所以学习量化投资的专业领域知识，就有部分课程内容是重叠的，其中数量方法，打下很好的地基。

量化交易是高风险，在华尔街有一则笑话，无论怎么金融分析，都比不上特朗普在深夜或股市开盘前的两条 Twitter ! 因为股价是对未来现金流的折算，但是一般金融分析时候，很多策略会参考历史资料，相信会有规律，从过去看未来的想法，所以才会有误判。

另外一个比较经典的反面案例是长期资本管理公司 (LTCM)，一家对冲基金公司，其中合伙人有几位都是诺贝尔经济学奖得主，可以说是当时全球顶尖金融团队也不为过，透过高杠杆和复杂金融衍生品的交易策略，但是无论模型计算如何好，但是黑天鹅事件就是发生，发生误判，最后破产，所以必须敬畏市场。

整个课程中提到新颖金融领域是行为金融学，就是透过心理学对于人的投资行为分析，比如动量效应，当投资者有追涨杀跌的情况发生，会依据一些指标来做分析，是要与泡沫共存 (ride with the bubble) 还是立即清盘退出。另外今年分享 11 篇关于金融方面的书籍笔记中有两篇文章是关于行为金融学：陆蓉行为金融学讲义 心得笔记 和 行为金融与投资心理学的重点笔记，有兴趣可以阅读一下，可以有大致轮廓关于行为金融学，目前进展到哪一个地步。

过程中学习到超过 15 个不同的量化交易策略， 其中大数据及舆情分析，会参考国外一篇金融期刊 Quantifying Trading Behavior in Financial Markets Using Google Trends，虽然有 6 页，实际上内容只有 3 页，自己花 30 分钟看完这篇论文，基本上透过 Google Tread 关键字分析来做交易策略。这给我一个启发，一篇好论文其实不需要长篇大论，也可以影响重大。另一个更好例子是中本聪在 2008 年发表的 Bitcoin: A Peer-to-Peer Electronic Cash System，也是不到 10 页，但是却创造出新的产业出现。

整个课程压轴就是海龟交易系统，其实就是一套完整趋势交易系统，如何仓位管理，比如分批加仓、动态止损、入市、离市 . . . 等，因此延伸出海龟交易法则，包含心理管理，有兴趣的人可以上网查相关文章，进一步深入了解。

Python

Python 范围是针对金融常用 numpy、pandas、talib、tushare、matplotlib 模组和机器学习 sklearn 模组为主的课程，因此如爬虫 request、神经网路 keras 和 Tensorflow 模组，就不在这次范围内，需要后续自学。课程设计比较倾向 Python 当作第一个入门程式语言，所以针对 Python 应用层面，其实不是很多，毕竟课程内容，还包含量化金融，如果有过学习过其他程式语言，比如 C、C++、C#、Java、Apex、Ruby . . . 等，可以快速切入学习。另外有考过 SCJP 或 Salesforce Developer I 认证的人来说，考试范围内容会更广泛，还会追加 Thread 线程的运作模式、I/O 处理模式、数据库处理、单元测试、Web Service . . . 等。

量化平台：优矿 V.S. IB

当具备基础 Python 编程能力，接下来就是量化投资理论转成 Python 实作并且图形化显示资料，这边会引入两个量化平台，一个是优矿，专门针对国内市场为主的量化平台，另一个是 IB (Interactive Brokers)，中文翻译为盈透证券，主要是面向全球金融机构的量化平台。

优矿提供一个属于它自已的框架和 API，开发人员可以参考网站中论坛研究，下面两张图是官方提供范例程式，执行出来的结果，可以发现第一张图的策略跑输基准，这边用上证 50 ETF 为标的，导致阿尔法收益为负，第二张图就提供模拟不同时间区段的收益率变化情况，这可以为优化策提供一个参考方向。

IB 框架会比优矿复杂，会用到面向对象的多继承和重写父类方法，以及 Thread 线程控制，因此提供比较大的弹性，针对策略上细节控制，这部分就属于进阶人员，当累积到一定程度量化经验和想要处理国外量化交易。下图为 IB 运作画面，提供的金融资讯比优矿的内容更多。

机器学习Machine Learning

现在 AI 人工智能很火，这也是当初我会报名 AQF 量化金融分析师的原因之一，这样可以迫使我学习这领域知识，包含理论基础和数学原理，然而 Python 实现时候，实际上不需要太多行程式码，就可以完成，不过真正难点就是模型优化部分，这就需要经验累积，不过从学习角度来说，是一个很好的切入点。

金程AQF实训项目

课程中针对机器学习，有提到逻辑回归、支持向量机 (SVM)、决策树、K近邻 (KNN) 的 Python 实作，应用在金融股票上，不过模拟出来结果不是很好，甚至还出现跑输大盘的情况。最近自己也学习神经网路 keras 和 Tensorflow 模组，有一个初步理解，基本上和上面提到的机器学习 Python 实作上并没有差异很大，内容上是有很大的连贯性，算是日后进一步提高能力，有一个很好的地基。

量化思维

最后我认为一位顶尖的量化分析师会具备量化思维，会意识到碰到事情可采用量化，不追求精确数据，而是掌握重点，选出需要量化指标。简单说就是用数学解决问题，做到心中有数。在得到 app 中老喻的人生算法课，提到一个经典案例，一位美国石油商人上被绑票，劫后余生提供给 FBI 三条线索，都是经过量化，最后 FBI 也依照这三条线索找到犯人。

线索一：被绑架约一个多小时，经过两个石油田，因为隐约听到钻井声音

线索二：依据车速和时间，汽车开到关押地点大约 960 公里

线索三：每天有两次班机降落，推算是早上 9 : 45 和 下午 5 : 45

那你今天开始尝试思考事情用量化思维吗 ?