FRM是飘在天上的理论，AQF将其落地?双证学员现身说法
2019年5月份的FRM考试于上周六圆满结束!突然考完FRM，是不是空虚?空虚就对了~FRM持证人，李同学在考过FRM后表示：“ FRM是飘在天上的理论，需要AQF技术将其落地”于是，完成FRM考试后，他开始AQF的学习。“距离AQF考试仅剩17天，在自12月初到2月末的3个月时间内，我经历了从编程小白到已基本掌握精髓的准AQF的成长过程，回忆起最初学习AQF的初衷，就是一句话：FRM是飘在天上的理论，需要用AQF的技术将其落地，说白了，学AQF是为了将FRM的思想通过高效的编程运用出来，现在看来，是实现了一部分了。”
FRM(Financial Risk Manager)是全球金融风险管理领域的资格认证，由美国“全球风险管理协会”(Global Association of Risk Professionals )GARP设立。 AQF考友群：760229148
风险管理涵盖众多领域，包括金融数量分析、市场风险、信用风险、操作风险、基金投资风险、会计、法律等内容。考试结束后，让我们用最精简的话概括一下，FRM体系试图帮助你探求三个问题的答案：
1.什么是金融风险?
2.如何度量金融风险?
3.量化后的金融风险，如何去管理?
FRM体系被发明已久很多风险度量方法，如Mean-Variance、VaR、蒙特卡洛随机过程、GARCH等等模型都曾长期被束之高阁，除了股票量化交易以外的领域鲜有人知(因为股票交易电子化程度足够高)。
而量化风控长久以来所面对的尴尬，可以打个形象的比方，就是在电(大数据)还没被发明前，数学家已经发明了收音机(量化模型)。
未来已来，我等作为传统银行风控体系生产出来的产品，为了不被历史的车轮压得粉碎，必然只能主动迭代，迎接全面量化风控时代的到来。
AQF(Analyst of Quantitative Finance)量化金融分析师是由量化金融标准委员会(Standard Committee of Quantitative Finance，SCQF)主考并颁证，是代表量化金融领域的专业水平证书。
量化金融分析师证书考试分为五大科目，分别为《量化投资基础》、《Python语言编程入门》、《基于Python的经典量化投资策略》、《交易系统设计》、《量化实盘交易》。证书要求学员掌握量化投资基础、Python编程基础、经典量化交易策略以及交易系统设计思想。
通过学习，每一个AQF持证人，都将取得以下收获：
● 熟悉中国主要金融市场及交易产品的交易机制;
● 熟知国内外期货交易、股市交易的异同点和内在运行机制;
● 掌握经典量化交易策略细节及其背后的交易哲学;
● 掌握金融、编程和建模知识基础，拥有量化交易实盘操作能力;
● 具备独立自主地研发新量化交易策略的能力;
● 掌握量化交易模型设计的基本框架，以及风险管理和资产组合理论的实际运用;
● 掌握从策略思想—>策略编写—>策略实现的完整量化投资决策过程;
● 具备量化投资实战交易能力。
学习AQF的学习，通过量化实战交易加深对FRM理论知识的理解，从而灵活运用FRM理论理论知识用于实战投资。
金程AQF实训项目
AQF量化金融分析师实训项目学习大纲
1.1.1. 第一部分：前导及课程介绍
1.AQF核心课程
2.量化策略的Python实现和回测
3.整体代码介绍
1.1.2. 第二部分：量化投资基础
1.量化投资背景及决策流程
2.量化择时
3.动量及反转策略
4.基金结构套利
5.行业轮动与相对价值
6.市场中性和多因子
7.事件驱动
8.CTA_1（TD模型）
9.统计套利_低风险套利
10.大数据和舆情分析
11.机器学习
12.高频交易和期权交易
13.其他策略和策略注意点
1.1.3. 第三部分：Python编程知识
Python语言环境搭建1.Python语言环境搭建
Python编程基础1.python数字运算和Jupyter notebook介绍
2.字符串
3.Python运算符
4.Tuple和List
5.字典
6.字符串格式化
7.控制结构_1.For循环
8.函数
9.全局和局部变量
10.模块
11.Python当中的重要函数
Python编程进阶1.Numpy数据分析精讲
2.Pandas数据分析详解
数据可视化1.Pandas内置数据可视化
2.Matplotlib基础
3.Seaborn
金融数据处理实战1.数据获取_1.本地数据读取
1.数据获取_2.网络数据读取_1
1.数据获取_2.网络数据读取_2.tushare
1.数据获取_2_网络数据读取_3.文件存储
2.金融数据处理_1.同时获取多只股票
2.金融数据处理_2.金融计算
2.金融数据处理_3.检验分布和相关性
3.金融时间序列分析_1.Python下的时间处理
3.金融时间序列分析_2.Pandas时间格式
3.金融时间序列分析_3.金融数据频率的转换
4.金融数据处理分析实战案例_案例1
4.金融数据处理分析实战案例_案例2_多指标条件选股分析_1
4.金融数据处理分析实战案例_案例2_多指标条件选股分析_2
1.1.4. 第四部分：量化交易策略模块
三大经典策略1.三大经典策略_1.SMA
1.三大经典策略_2.动量Momentum
1.三大经典策略_3.均值回归
配对交易策略2.配对交易
技术分析相关策略3.量化投资与技术分析_1.技术分析理论
3.量化投资与技术分析_2.CCI策略的Python实现
3.量化投资与技术分析_3.布林带策略的Python实现_1
3.量化投资与技术分析_4.SMA和CCI双指标交易系统
3.量化投资与技术分析_5.形态识别和移动止损策略
大数据舆情分析策略4.大数据舆情分析策略_基于谷歌搜索的大数据舆情分析
CTA交易策略5.CTA交易策略_Aberration趋势跟踪系统
量化投资与机器学习6.量化投资与机器学习_1_机器学习算法原理_2_逻辑回归原理
6.量化投资与机器学习_1_机器学习算法原理_3_SVM算法原理
6.量化投资与机器学习_1_机器学习算法原理_4_决策树算法原理
6.量化投资与机器学习_1_机器学习算法原理_5_KNN算法原理
6.量化投资与机器学习_1_机器学习算法原理_6_神经网络算法了解
6.量化投资与机器学习_1_机器学习算法原理_7_K-means算法原理和算法总结
6.量化投资与机器学习_2_机器学习算法实现_1_数据集生成原理
6.量化投资与机器学习_2_机器学习算法实现_2_数据集可视化
6.量化投资与机器学习_2_机器学习算法实现_3_逻辑回归算法的python实现
6.量化投资与机器学习_2_机器学习算法实现_4_DT_KNN_NB算法的python实现
6.量化投资与机器学习_2_机器学习算法实现_5_SVM算法的python实现
6.量化投资与机器学习_3_机器学习算法实战_6_基于逻辑回归和SVM的股市趋势预测
1.1.5. 第五部分：面向对象和实盘交易
1.模块内容整体介绍
2.面向对象、类、实例、属性和方法
3.创建类、实例、方法
4._init_初始化方法
5.面向对象程序实例
6.继承的概念及代码实现
7.面向对象继承的实战案例
8.多继承和量化交易平台的面向对象开发思路
9.用面向对象方法实现股债平衡策略
1.1.6. 第六部分 实盘模拟交易
基于优矿平台的面向对象策略1.优矿平台介绍
2.优矿平台回测框架介绍
3.优矿框架之context对象、account和position对象
4.优矿其它重要操作
5.优矿之小市值因子策略
6.优矿之双均线策略
7.优矿之均值回归策略
8.优矿之单因子策略模板
9.优矿之多因子策略模板
10.优矿之因子数据处理：去极值和标准化
面向对象实盘交易之Oanda1.Oanda平台介绍和账户配置
2.Oanda账户密码配置和交易框架原理
3.Oanda链接账户并查看信息
4.Oanda API获取历史数据
5.Oanda市价单和交易状态查询
6.Oanda高级交易订单
7. Oanda其它高级功能
8. Oanda实战ADX策略全讲解：策略逻辑、数据读取、历史数据处理、可视化、实时数据和实时交易
9. Oanda通过实时数据API调取实时数据、resample
面向对象实盘交易之IB1.IB实战平台介绍及API安装调试
2.IB实战平台请求和响应远离、线程控制
3.IB响应函数wrapper讲解
4.IB请求函数及合约定义
5.IB程序化下单、仓位及账户查询
6.IB三均线交易_金字塔仓位下单控制模型实盘交易之策略原理、线程控制原理、策略结构总览、响应函数、交易信号、策略展示等全讲解。
1.1.7. 第七部分：基于优矿的进阶学习
1.1回测与策略框架
1.2评价指标
1.3.1量化策略设计流程简介
1.3.2择时策略举例（双均线）
1.3.3量化投资模板1.0选股和择时
2.1基于技术分析的量化投资
2.2.1技术指标简介
2.2.2 MACD择时策略
2.2.3 WVAD择时策略
2.2.4 RSI择时策略
2.2.5 MFI择时策略
2.2.6 CCI择时策略
2.2.7技术指标总结
2.3通道技术
3.1.1日期效应
3.1.2动量效应
3.2.1格雷厄姆成长投资
3.2.2积极投资策略
3.2.3价值投资策略
3.2.4小型价值股投资策略
3.3.1交易系统设计的一般原理
3.3.2均线排列系统
3.3.3金肯纳特交易系统
3.3.4海龟交易法系统
