frm一级4个1大神复习经验分享系利(八)

一、时间安排

  • 考试准备时间是周中每天早上5点到8点,周末一整天。

二、复习材料

  • 先是刷了金城的强化课程,开2.5倍速看完一遍。
    然后做qbank和百题。第一遍做题错误都比较高,有题目看错的,选项看错的,计算算错的,还有压根不会的。这时候我发现看了第一遍视频掌握的不是很好,所以就针对每个科目去做一个错题集了。我用的是比较笨的方法,把所有错的都列出来,然后看答案的解题思路,然后把解题思路记下来,然后遇到重复错的,就加星号,遇到就加遇到就加,这样就知道自己哪里比较菜了。最后考前差不多把后三门的错题集搞出来了,然后就是一些强行记忆做题思路的过程。当时到考前,我没有时间做模考题了,就没有看模考题,只是看了下自己做的错题本子。

三、具体内容分析

  • 先是quant,这次丢脸了,考了好多贝叶斯的题目,有一个没看懂题目在问啥,感觉这次计算不太难,考试的重点都集中在时序之前的部分,所以概率的计算,分布的计算,以及假设检验里面的统计量都是一定要会的,记得covariance也考了来着,是一定要会的。还有就是anova table,要会,这个蛮重要的。像quant后面的那些部分,我记得好像考了几个定性题,感觉这部分就看看视频就好了,考试时候看题干描述,和哪个定义像,选什么就好。
  • 然后是bond,这本书都是讲市场上的金融产品,由于有些是工作中接触过的,所以学起来跳了很多,这部分也是考试的重点,像一些基本的bond的计算都一定要会的,然后就是bond的风险管理了,像久期凸性这些指标是一定要会计算的,记得ed好像是考了两个来着,反正这块计算是记得公式就能做出来的,一定要拿分。
  • 然后就是利率衍生品了,这个future我蛮薄弱的,好多东西都不知道,所以那时候特地列了个list去背,记忆各种场景,当然还是建议理解为主,去背非常的不推荐,没时间的除外。。。然后像mbs我直接跳过了,计算太麻烦,考试时候感觉根本来不及算。然后第三本书,期权和风险估值,感觉这块也是考了好多定性题,没考啥计算,像这块考定性我蛮菜的,好多题目都是排除不了全部的选项,所以只能从两个里面选一个,不过期权的计算,像二叉树和bs还是都要掌握的,我记得二叉树有考两个题,还是美式的来着。
  • 最后一本书,我就拿了个垫底的4,也没啥说的了,我就听了一遍网课,就对里面的那些案例蛮感兴趣的,其他的考试时候就都不记得了,惨,不过那个案例考了蛮多,我建议还是多听几遍网课,案例有意思,做题目的话,也好很多。

四、考试技巧

  • 计算器一定要会使用。我因为以前考过soa,所以很早就接触过这个垃圾计算器了,不能双行显示,容易按错,考试前还要被重置,我当初第一次考试,被要求重置计算器,然后计算的结果都保留两位小数,然后当时考P,所有的选项保留两位小数根本区分不了,就挂了。所以后来专门研究了计算器的使用,尤其是那个aos的切换,这个重置之后一定要自己手动改回来,不改动的话你按2+3*5结果就是25了,非常的违背认知。
  • 最后说说考试流程的事情,第一个就是我上来就把答题卡撕烂了,大家一定要引以为戒,考试会有复写纸,所以刚开始做的时候,一定沿里面的那条线去撕,不然就完了我撕烂之后,不能换,之后涂答题卡就很慢了,必须要紧紧按住答题卡才可以涂好。其次就是答题的时候我是最后再涂卡的,我因为会的不多吗,猜了很多题,所以写完之后还有40多分钟,用了20多分钟才涂好卡,每涂10个就看看有没有涂错顺序,最后20分钟去看下之前跳过的计算题,因为有些计算题一看就很浪费时间,所以我做的时候就跳过了,最后的时候也做了几个,我感觉适当放弃一些题目会好一点,不然花了太多时间去算一道题目,太不划算了,差不多就这些了,祝大家都能考过,不像我这样卡着分数线飘过,太惊险了,以上。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值