陸續在做CQF持證人訪談，這次是黃同學，目前在一家金融科技創業公司，同時也是差價合約交易員。
1、為什么想要學習CQF？學完之后的感悟
我在研究生是跨專業學習金融的，因為比較缺乏金融的基礎知識，所以想要學習備考CFA和FRM證書來補全金融知識體系。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，再加上澳洲的機器交易氛圍比較濃厚，人工智能技術的逐步流行，漸漸地想要進入人工智能交易領域。
偶然間了解到CQF證書后，在考證學習知識體系和交易興趣這兩個因素驅使下，發現CQF非常符合我的興趣方向，決定優先考取這個證書。
FRM與CQF不同的點在于，FRM可以作為金融工程的基礎學科，而CQF以傳統的金融工程為基礎，疊加前沿的金融領域的課程，考試以編程項目為主，實戰操作性非常強。
強化概率和隨機世界的思考方式，相對系統性完整的了解人工智能算法框架，如有監督的算法的支持向量機、隨機森林、Boosting，無監督算法的神經網絡，以及進一步的強化學習。
逐步踏入覆蓋廣泛且比較前沿的領域，比如課程中會介紹如何用自然語言處理去預測，也有簡單的量子計算機的編程及實現編程的途徑。接觸到全球金融各類方向的從業者，終生學習并且能近距離接受國際前沿學者的理論，偶爾會和國內外的協會成員溝通他們在做的事情，從事的方向。
人的認知是不斷需要拓寬的，同時信息能產生價值，協會經常有很多國際上知名的教授開展的關于量化的一些觀點會議，能近距離接觸到前沿學者的理論。
2、在學習過程中，遇到困難是如何解決的？
學習CQF需要編程、數學和金融三個專業的知識相輔相成，而我在編程方面，相對比較熟悉的是只有之前在選修統計學院課程時接觸到的R語言，而python雖然有自學過一段時間，但是并不會運用。
而CQF的課程雖然也可以用R寫程序代碼，但是主要還是python語言作為主要教學語言。因此在學習過程中，有很多時間都是在python代碼查錯中度過。剛開始經常因為一個報錯的問題要花一天的時間來解決。
剛開始學習數學部分的時候，聽起來經常感覺似懂非懂，微分方程、偏微分方程、二項模型、泰勒展開、BSM、維納過程、概率密度函數、伊藤引理、布朗運動、隨機微積分、隨機偏微分、kolmogorov等式、鞅、fubinni’s定理等。
學數學部分那段時間，經常是伴隨著數學公式入睡，醒來第一個想法就是打開學習視頻。
在CQF考試試題發下來，確實需要一周的時間去讀懂題目的問題，去體會題目背后的真實意思表達，并且需要大量的瀏覽網站去了解題目涉及到的某個知識點背后的含義，也經常需要看文獻去追根溯源。
就像我的畢業論文的主題選的是金融時間序列的深度學習，使用長短期記憶神經網絡去預測股票價格趨勢。整個論文研究的脈絡是從特征工程系統開始，到長短期記憶神經網絡學習結束。
特征工程的構建包含了Self-organized Maps、Variance inflation factor、Random Forest、Recursive feature elimination等方法，之后的長短期記憶神經網絡采用了四種模型的對比，包含簡單的LSTM，雙向的LSTM，疊加卷積神經網絡的LSTM等。
我在研究生是跨專業學習金融的，因為比較缺乏金融的基礎知識，所以想要學習備考CFA和FRM證書來補全金融知識體系。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，再加上澳洲的機器交易氛圍比較濃厚，人工智能技術的逐步流行，漸漸地想要進入人工智能交易領域。
偶然間了解到CQF證書后，在考證學習知識體系和交易興趣這兩個因素驅使下，發現CQF非常符合我的興趣方向，決定優先考取這個證書。
FRM與CQF不同的點在于，FRM可以作為金融工程的基礎學科，而CQF以傳統的金融工程為基礎，疊加前沿的金融領域的課程，考試以編程項目為主，實戰操作性非常強。
強化概率和隨機世界的思考方式，相對系統性完整的了解人工智能算法框架，如有監督的算法的支持向量機、隨機森林、Boosting，無監督算法的神經網絡，以及進一步的強化學習。
逐步踏入覆蓋廣泛且比較前沿的領域，比如課程中會介紹如何用自然語言處理去預測，也有簡單的量子計算機的編程及實現編程的途徑。接觸到全球金融各類方向的從業者，終生學習并且能近距離接受國際前沿學者的理論，偶爾會和國內外的協會成員溝通他們在做的事情，從事的方向。
人的認知是不斷需要拓寬的，同時信息能產生價值，協會經常有很多國際上知名的教授開展的關于量化的一些觀點會議，能近距離接觸到前沿學者的理論。
2、在學習過程中，遇到困難是如何解決的？
學習CQF需要編程、數學和金融三個專業的知識相輔相成，而我在編程方面，相對比較熟悉的是只有之前在選修統計學院課程時接觸到的R語言，而python雖然有自學過一段時間，但是并不會運用。
而CQF的課程雖然也可以用R寫程序代碼，但是主要還是python語言作為主要教學語言。因此在學習過程中，有很多時間都是在python代碼查錯中度過。剛開始經常因為一個報錯的問題要花一天的時間來解決。
剛開始學習數學部分的時候，聽起來經常感覺似懂非懂，微分方程、偏微分方程、二項模型、泰勒展開、BSM、維納過程、概率密度函數、伊藤引理、布朗運動、隨機微積分、隨機偏微分、kolmogorov等式、鞅、fubinni’s定理等。
學數學部分那段時間，經常是伴隨著數學公式入睡，醒來第一個想法就是打開學習視頻。
在CQF考試試題發下來，確實需要一周的時間去讀懂題目的問題，去體會題目背后的真實意思表達，并且需要大量的瀏覽網站去了解題目涉及到的某個知識點背后的含義，也經常需要看文獻去追根溯源。
就像我的畢業論文的主題選的是金融時間序列的深度學習，使用長短期記憶神經網絡去預測股票價格趨勢。整個論文研究的脈絡是從特征工程系統開始，到長短期記憶神經網絡學習結束。
特征工程的構建包含了Self-organized Maps、Variance inflation factor、Random Forest、Recursive feature elimination等方法，之后的長短期記憶神經網絡采用了四種模型的對比，包含簡單的LSTM，雙向的LSTM，疊加卷積神經網絡的LSTM等。
學姐可以把當時上岸的備考規劃給你。少走1個月的彎路，同時我把備考的資料分享給大家，都是課程的內部資料，大家需要的可以戳下面卡片領取↓↓↓
3、未來的職業規劃
我未來應該依舊會從事量化金融領域，但是以何種表現形式或者何種實現路徑暫時未有定論。
相對比較確定的是會繼續把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域創業，但也會想要體驗不同團隊的做事風格，探索職業道路的可能性。
在我們整個學習的過程中，最開始看到的是露出水面部分的冰山一角，而在冰山之下，通常還有著難以預計的冰山全貌。
known the known,known the unknown,unknown the known and unknown the unknown。
在講馬爾可夫過程Markov Decision Process這一塊的知識點時講到：
The future is independent of the past given the present.
這雖是馬爾科夫過程的解釋，同時也感覺蘊含人生的一些道理。此去經年，愿風光霽月。
以上就是今天的全部內容。
我未來應該依舊會從事量化金融領域，但是以何種表現形式或者何種實現路徑暫時未有定論。
相對比較確定的是會繼續把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域創業，但也會想要體驗不同團隊的做事風格，探索職業道路的可能性。
在我們整個學習的過程中，最開始看到的是露出水面部分的冰山一角，而在冰山之下，通常還有著難以預計的冰山全貌。
known the known,known the unknown,unknown the known and unknown the unknown。
在講馬爾可夫過程Markov Decision Process這一塊的知識點時講到：
The future is independent of the past given the present.
這雖是馬爾科夫過程的解釋，同時也感覺蘊含人生的一些道理。此去經年，愿風光霽月。
以上就是今天的全部內容。
