CQF项目课程学习介绍（二）—— 机器学习

最新推荐文章于 2024-10-10 08:00:21 发布

进击的Matrix

最新推荐文章于 2024-10-10 08:00:21 发布

阅读量963

点赞数

分类专栏：量化金融分析文章标签：学习人工智能金融

本文链接：https://blog.csdn.net/wccchangchun/article/details/128882258

版权

量化金融分析专栏收录该内容

9 篇文章

订阅专栏

✏️写作：个人博客，InfoQ，掘金，知乎，CSDN

📧公众号：进击的Matrix

🚫特别声明：原创不易，未经授权不得转载或抄袭，如需转载可联系小编授权。

CQF与AI

上一篇文章CQF项目课程学习介绍(一)中粗略的介绍了CQF项目，以及CQF Model 1- Model 3的课程学习内容。本篇文章将给大家介绍Model 4- Model 6的学习内容，Model 4，Model 5主要是机器学习（也可称为人工智能）的课程学习，Model 6的内容固定收益和信贷。毫无疑问人工智能技术在量化金融分析中已大显身手，CQF项目的课程内容也是紧跟行业前沿发展和趋势，在正式课程和高级选修课程中，都用了大量的课时模块来学习人工智能技术在量化金融分析中的应用。

根据《2021年度中国量化投资白皮书》报告显示：

海内外量化机构人工智能布局时间

国内不同机构关注的研究方向

国内相比于国外，在布局人工智能技术上，时间相对晚一些，国外大型机构，银行，对冲基金布局相对较早，并且技术体系比较完备，同时国内对人工智能技术争议性相对较大，主要体现在，所有量化从业者在大面积主动学习人工智能，但对于其趋势又感受并不强烈。可能源于在具体使用上，一方面机构对于新型算法处于开拓期，另外一方面又对其可解释性存疑，所以使用较为慎重。

人工智能在量化金融研究中的应用主要在这两方面：

模型构建
因子挖掘及生成

当前量化机构人工智能应用领域

Module 4和Module 5的人工智能这两个模块对计算机技术以及编程的要求就比较高了，对于有程序员背景，或工科、理科背景的同学，相对会更能接受些，不会有太吃力的感觉，如果没有接触过计算机技术、编程的同学，CQF课程前导课的Python就显得尤为重要，需要扎实学好，可以多看几遍。

其实这也是CQF有人觉得难的原因，因为要求学习者有较高的数学，金融和计算机三大领域的专业性知识和较强的动手实践能力，才能将该证拿下来。这也是它让我着迷之处，我就是勇于不断挑战自己的知识边界，认知边界，不断扩张自己，虽然不断扩张自己的过程是痛苦的，但是当自己达到目标后，是内心和精神上一场蜕变后的满足与强大！我就是这么永无止境的，不断前行，前行，前行的人！

下面就来介绍CQF课程学习Module 4- Module 6的内容:

Module 4

Data Science and Machine Learning I

数据科学和机器学习 I

This module will introduce the latest techniques used for machine learning in finance. Starting with a comprehensive overview of the topic, the essential mathematical tools followed by a deep dive into the topic of supervised learning , including regression methods, K-Nearest neighbors, Support Vector Machines, Ensemble methods and many more.

本模块将介绍用于金融领域的机器学习最新技术。从对该主题的全面概述开始，基本数学工具，然后深入研究监督学习主题，包括回归方法，K近邻，支持向量机，集成方法等等。

Introduction to Machine Learning: What is Mathematical Modeling, Classic Tools, Principal Techniques, Principal techniques for Machine Learning, Supervised & Unsupervised Learning, Reinforcement Learning.

机器学习介绍: 什么是数学建模，经典工具，主要技术，机器学习的主要技术，监督和无监督学习，强化学习。

Maths Toolbox: Maximum Likelihood Estimation, Cost/Loss Function, Gradient Descent, Stochastic Gradient Descent, Bias & Variance, Lagrange Multipliers, Principal Component Analysis.

数学工具箱: 最大似然估计，损失函数，梯度下降，随机梯度下降，偏差和方差，拉格朗日乘数，主成分分析。

Supervised Learning I: Linear Regression, Penalized Regression: lasso, Ridge & Elastic Net, Logistic, Softmax Regression, Decision Trees, Ensemble Models -Bagging & Boosting.

监督学习 I: 线性回归，惩罚性回归: 套索，脊和弹性网，逻辑回归，softmax 逻辑回归，决策树，集成模型-装袋和升压。

Logistic Regression, Support Vector Machines, Cluster Analysis: BIRCH, hierarchical, K-mean, Expectation maximization, DBSCAN, OPTICS and mean shift Kalman filtering.

逻辑回归，支持向量机，聚类分析: BIRCH 层次聚类算法，分层，K 均值，期望最大化，DBSCAN 基于密度的聚类算法，OPTICS 和 Mean-Shift 和 Kalman 滤波器。

Machine Learning Lab: Supervised Learning Implementation, Python - Scikit Learn; Support Vector Machines.

机器学习实验: 监督学习练习，Python - Scikit Learn，支持向量机。

Module 5

Data Science and Machine Learning II

数据科学和机器学习 II

In this module we will explore several more methods used for machine learning in finance. Starting with unsupervised learning, Deep learning and Neural networks, we will move into natural language processing and reinforcement learning. You will study the theoretical framework, analyze practical case studies exploring how these techniques are used within finance.

在本学习模块中，我们将会探索机器学习用于金融中的更多方法，从无监督学习、深度学习和神经网络开始，我们将进入自然语言处理和强化学习。您将学习理论框架，分析实际案例研究，探索这些技术如何在金融中使用。

Machine Learning & Predictive Analytics: Regression, regression in high dimensions, support vector machines, dimension reduction: principal component analysis (PCA), kernel PCA, non-negative matrix decomposition.

机器学习和预测分析：归回，高维回归，支持向量机，降维：主成分分析(PCA)，核主成分分析(Kernel PCA)，非负矩阵分解。

Unsupervised Learning I: K Means Clustering; Self Organizing Maps; Strengths & Weakness of HAC and SOM.

无监督学习 I：K 聚类，自组织映射，HAC 和 SOM(自组织映射)的优势和劣势。

Unsupervised Learning II: t-SNE; UMAP; Autoencoders.

无监督学习 II: t-SNE 降维学习方法，UMAP 降维算法，Autoencoders 自动编码器神经网络模型。

Deep Learning & Neural Networks: Structural Building Blocks; Forward & Back Propagation; Multi Output Perceptron; Building Neural Networks.

深度学习和神经网络：结构框架，正向和反向传播，多输出感知机，构建神经网络。

Neural Network Architectures: Feedforward, Recurrent, Long Short Term Memory, Convolutional, Generative Adversarial.

神经网络架构：正反馈，循环神经网络，长短期记忆，卷积神经，对抗生成网络。

Natural Language Processing: Pre-processing; Word Vectorizations, Word2Vec; Deep Learning & NLP Tools.

自然语言处理：预处理；词矢量化，Word2Vec 算法模型，深度学习和 NLP 工具。

Reinforcement Learning: Multi-armed Bandit; Exploration Strategies; Risk Sensitivity.

强化学习: 多臂老虎机(MAB)，探测策略，风险敏感度。

AI Based Algo Trading Strategies Using Python: Financial data analysis with Python and pandas, application of classification algorithms, vectorized backtesting, risk analysis for algo trading strategies.

使用 Python 的基于 AI 算法的交易策略：使用 Python 和 pandas 进行金融数据分析，分类算法的应用，矢量化回归测试，算法交易策略的风险分析。

Module 6

Fixed Income and Credit

固定收益和信贷

In this module we will review the multitude of interest models used within the industry, focusing on the implementation and limitations of each model. You will learn about credit and how credit risk models are used in quant finance, including structural, reduced form as well as copula models.

在本模块中，我们将回顾行业内使用的一些有趣模型，重点关注每种模型的实现和有限性，您将了解信用以及如何在量化金融中使用信用风险模型，包括结构，简化形式以及 copula 模型

Fixed-Income Products: Fixed and floating rates, bonds, swaps, caps and floors, FRAs and other delta products.

固定收益产品：固定收益率和浮动利率，债券，掉期合约，利率上下限，FRAs 和其他 Delta 产品。

Yield, Duration and Convexity: Definitions, use and limitations, bootstrapping to build up the yield curve from bonds and swaps.

利率，久期，凸性：定义，使用和限制，从债券和掉期合约中建立收益曲线。

Curve Stripping: reference rates & basis spreads, OIS discounting and dual-curve stripping, cross-currency basis curve, cost of funds and the credit crisis.

曲线剥离：参考利率和基础利差，OIS 贴现和双曲线剥离，货币基础曲线，资金成本和信贷危机。

Interpolation Methods: piece wise constant forwards, piece wise linear, cubic splines, smart quadratics, quartics, monontone convex splines.

插值法: 分段恒定向前，分段线性，三次样条曲线，智能二次型，四次曲线，单调凸样条。

Current Market Practices: Money vs. scrip, holiday calendars, business day rules, and schedule generation, day count fractions.

货币市场实践：货币和代币，假期日历，工作日规则和日交易计划，天计算分数。

Stochastic Interest Rate Models, one and two factors: Transferring ideas from the equity world, differences from the equity world, popular models, data analysis.

随机利率模型，一个和两个因素: 从股票世界转移观点，不同于股票世界，流行的模型，数据分析。

Calibration: Fitting the yield curve in simple models, use and abuse.

校准：用简单模型拟合收益率曲线，使用和滥用。

Heath, Jarrow and Morton Model: Modeling the yield curve. Determining risk factors of yield curve evolution and optimal volatility structure by PCA. Pricing interest rate derivatives by Monte Carlo.

赫斯-伽罗-莫顿模型: 对收益率曲线的建模，PCA 确定收益率曲线演变的风险因素和最佳波动率结构，蒙特卡洛衍生品定价。

The Libor Market Model: (Also Brace, Gatarek and Musiela). Calibrating the reference volatility structure by fitting to caplet or swaption data.

伦敦银行同业拆借利率市场模型: （还有布雷斯，加塔雷克和穆西埃拉)，通过拟合 caplet 或互换数据来校准参考波动率结构。

Advanced Monte Carlo Techniques: Low-discrepancy series for numerical quadrature. Use for option pricing, speculation and scenario analysis.

高级蒙特卡罗技术: 数值求积的低差异级数，用于期权定价，投机和情景分析。

SABR Arbitrage Free SABR Model: Managing volatility risks, smiles, local volatility models, reduction to the effective forward equation, arbitrage free boundary conditions.

SABR 无套利 SABR 模型：管理波动率风险，微笑，局部波动率模型，简化为有效的远期方程，无套利边界条件。

Credit Risk and Credit Derivatives: Products and uses, credit derivatives, qualitative description of instruments, applications.

信用风险和信用衍生品: 产品和用途，信用衍生品，工具的定性描述，应用。

Structural and Intensity models used for credit risk.

用于信用风险的结构和强度模型。

CDS Pricing, Market Approach: Implied default probability, recovery rate, default time modeling, building a spreadsheet on CDS pricing.

CDS 定价，市场方法：隐含违约概率，回收率，违约时间建模，建立 CDS 定价的电子表格。

Synthetic CDO Pricing: The default probability distribution, default correlation, tranche sensitivity, pricing spread.

综合 CDO 定价：违约概率分布，违约相关性，部分敏感性，定价价差。

Implementation: CDO/copula modeling using spreadsheets.

实践：使用电子表格进行 CDO/copula 建模。

Correlation and State Dependence: correlation, linear correlation, analyzing correlation, sensitivity and state dependence.

相关性和状态依赖：相关性，线性相关，分析相关性，敏感性和状态依赖性。

Risk of Default: The hazard rate, implied hazard rate, stochastic hazard rate and credit rating, capital structure arbitrage.

违约风险：风险率、隐含危险率、随机危险率和信用评级、资本结构套利。

Copulas: Pricing basket credit instruments by simulation.

连接函数：通过模拟定价一揽子信贷工具。

Statistical Methods in Estimating Default Probability: ratings migration and transition matrices and Markov processes.

评估违约概率的统计方法: 分级迁移转移矩阵和马尔可夫过程。

X-Valuation Adjustment: Background, default probability and exposure, collateral, CVA, regulatory requirements, DVA and FVA, Counterparty Lab in excel, credit default swaps, bootstrapping CDS spreads, interest rate swaps.

X-Valuation 调整：背景，违约概率和风险敞口，抵押品，CVA，监管要求，DVA 和 FVA，对手 Lab in excel，信用违约互换，自举 CDS 价差，利率互换。

Preparatory Reading

Jon Gregory, The xVA Challenge: Counterparty Credit Risk, Funding, Collateral and Capital, third edition, 2015, Wiley (Chapters 4-7, 10, 12)
Paul Wilmott, Paul Wilmott Introduces Quantitative Finance, 2007, Wiley (Chapters 14-19)
Paul Wilmott, Paul Wilmott on Quantitative Finance, second edition, 2006, Wiley (Chapters 30-33, 36, 37, 39-42)
Peter Jaeckel, Monte Carlo Methods in Finance, 2002, Wiley (Chapters 1-14)