CQF持證人專訪 ｜ 跨專業(yè)學(xué)習(xí)金融，直面挑戰(zhàn)，解決困難

01

為什么想要學(xué)習(xí)CQF？學(xué)完之后的感悟

我在研究生是跨專業(yè)學(xué)習(xí)金融的，因?yàn)楸容^缺乏金融的基礎(chǔ)知識，所以想要學(xué)習(xí)備考CFA和FRM證書來補(bǔ)全金融知識體系。在研究生金融課程中，有選修到一門債券交易的課程，開始逐步對交易感興趣，再加上澳洲的機(jī)器交易氛圍比較濃厚，人工智能技術(shù)的逐步流行，漸漸地想要進(jìn)入人工智能交易領(lǐng)域。

偶然間了解到CQF證書后，在考證學(xué)習(xí)知識體系和交易興趣這兩個(gè)因素驅(qū)使下，發(fā)現(xiàn)CQF非常符合我的興趣方向，決定優(yōu)先考取這個(gè)證書。
FRM與CQF不同的點(diǎn)在于，F(xiàn)RM可以作為金融工程的基礎(chǔ)學(xué)科，而CQF以傳統(tǒng)的金融工程為基礎(chǔ)，疊加前沿的金融領(lǐng)域的課程，考試以編程項(xiàng)目為主，實(shí)戰(zhàn)操作性非常強(qiáng)。

強(qiáng)化概率和隨機(jī)世界的思考方式，相對系統(tǒng)性完整的了解人工智能算法框架，如有監(jiān)督的算法的支持向量機(jī)、隨機(jī)森林、Boosting，無監(jiān)督算法的神經(jīng)網(wǎng)絡(luò)，以及進(jìn)一步的強(qiáng)化學(xué)習(xí)。
逐步踏入覆蓋廣泛且比較前沿的領(lǐng)域，比如課程中會(huì)介紹如何用自然語言處理去預(yù)測，也有簡單的量子計(jì)算機(jī)的編程及實(shí)現(xiàn)編程的途徑。接觸到全球金融各類方向的從業(yè)者，終生學(xué)習(xí)并且能近距離接受國際前沿學(xué)者的理論，偶爾會(huì)和國內(nèi)外的協(xié)會(huì)成員溝通他們在做的事情，從事的方向。
人的認(rèn)知是不斷需要拓寬的，同時(shí)信息能產(chǎn)生價(jià)值，協(xié)會(huì)經(jīng)常有很多國際上知名的教授開展的關(guān)于量化的一些觀點(diǎn)會(huì)議，能近距離接觸到前沿學(xué)者的理論。

02

在學(xué)習(xí)過程中，遇到困難是如何解決的？

學(xué)習(xí)CQF需要編程、數(shù)學(xué)和金融三個(gè)專業(yè)的知識相輔相成，而我在編程方面，相對比較熟悉的是只有之前在選修統(tǒng)計(jì)學(xué)院課程時(shí)接觸到的R語言，而python雖然有自學(xué)過一段時(shí)間，但是并不會(huì)運(yùn)用。
而CQF的課程雖然也可以用R寫程序代碼，但是主要還是python語言作為主要教學(xué)語言。因此在學(xué)習(xí)過程中，有很多時(shí)間都是在python代碼查錯(cuò)中度過。剛開始經(jīng)常因?yàn)橐粋€(gè)報(bào)錯(cuò)的問題要花一天的時(shí)間來解決。
剛開始學(xué)習(xí)數(shù)學(xué)部分的時(shí)候，聽起來經(jīng)常感覺似懂非懂，微分方程、偏微分方程、二項(xiàng)模型、泰勒展開、BSM、維納過程、概率密度函數(shù)、伊藤引理、布朗運(yùn)動(dòng)、隨機(jī)微積分、隨機(jī)偏微分、kolmogorov等式、鞅、fubinni’s定理等。
學(xué)數(shù)學(xué)部分那段時(shí)間，經(jīng)常是伴隨著數(shù)學(xué)公式入睡，醒來第一個(gè)想法就是打開學(xué)習(xí)視頻。

在CQF考試試題發(fā)下來，確實(shí)需要一周的時(shí)間去讀懂題目的問題，去體會(huì)題目背后的真實(shí)意思表達(dá)，并且需要大量的瀏覽網(wǎng)站去了解題目涉及到的某個(gè)知識點(diǎn)背后的含義，也經(jīng)常需要看文獻(xiàn)去追根溯源。
就像我的畢業(yè)論文的主題選的是金融時(shí)間序列的深度學(xué)習(xí)，使用長短期記憶神經(jīng)網(wǎng)絡(luò)去預(yù)測股票價(jià)格趨勢。整個(gè)論文研究的脈絡(luò)是從特征工程系統(tǒng)開始，到長短期記憶神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)束。

關(guān)于CQF的含金量，可以戳下下方了解：

特征工程的構(gòu)建包含了Self-organized Maps、Variance inflation factor、Random Forest、Recursive feature elimination等方法，之后的長短期記憶神經(jīng)網(wǎng)絡(luò)采用了四種模型的對比，包含簡單的LSTM，雙向的LSTM，疊加卷積神經(jīng)網(wǎng)絡(luò)的LSTM等。

03

未來的職業(yè)規(guī)劃

我未來應(yīng)該依舊會(huì)從事量化金融領(lǐng)域，但是以何種表現(xiàn)形式或者何種實(shí)現(xiàn)路徑暫時(shí)未有定論。
相對比較確定的是會(huì)繼續(xù)把CFA和FRM證書考下來，完善金融知識體系，相對不太確定的選擇是想要考金融人工智能方向的博士。雖然目前是在金融科技領(lǐng)域創(chuàng)業(yè)，但也會(huì)想要體驗(yàn)不同團(tuán)隊(duì)的做事風(fēng)格，探索職業(yè)道路的可能性。
在我們整個(gè)學(xué)習(xí)的過程中，最開始看到的是露出水面部分的冰山一角，而在冰山之下，通常還有著難以預(yù)計(jì)的冰山全貌。
known the known,known the unknown,unknown the known and unknown the unknown。
在講馬爾可夫過程Markov Decision Process這一塊的知識點(diǎn)時(shí)講到：
The future is independent of the past given the present.
這雖是馬爾科夫過程的解釋，同時(shí)也感覺蘊(yùn)含人生的一些道理。此去經(jīng)年，愿風(fēng)光霽月。