本科學(xué)歷 + CFA + python，對從事金融行業(yè)有什么幫助？

發(fā)布時間：2021-10-18 09:24編輯：融躍教育CFA

如今，想要從事一份金融工作，最最基本的門檻就是大學(xué)本科，而名校本科和普本也是有差距的，所有大家把更多精力放到了職考證書上。

名?？忌?/span>985、211畢業(yè)的考生去到名企就業(yè)其實是非常有優(yōu)勢的，學(xué)歷高的比別人可能升得快一點，成長快一點，金融行業(yè)是很吃人脈的！

非名校畢業(yè)：金融崗位對學(xué)校/學(xué)歷的要求高一些，但如果不是名校畢業(yè)的，就可以通過考專業(yè)證書來證明自己的能力，這一點很多名企非?？粗兀?/span>

金融行業(yè)的證書需求

金融行業(yè)最吃香的兩個證書無非就是CFA與FRM，FRM偏向風(fēng)險管理，定量(quantitative)的比重更大。CFA偏向投資，知識點也更加全面，包含F(xiàn)RM沒有的財務(wù)分析，股票投資，經(jīng)濟學(xué)，職業(yè)道德等，包含的知識點數(shù)倍于FRM。

增加就業(yè)：

證書本身對于就業(yè)并不是決定性的，但是基于很多考生參加考試的初衷正是就業(yè)或者轉(zhuǎn)行，所以如果一定要選一個對就業(yè)幫助更大的證書的話，那肯定是CFA考試。在美國找工作的網(wǎng)站上，如果以“FRM”為關(guān)鍵詞搜索職位有50個對應(yīng)結(jié)果的話，那么搜CFA就會有至少100個。

職業(yè)發(fā)展：

在為對沖基金工作時，主要覆蓋美國和亞洲的股票，股票期權(quán)，公司債，和公司債CDS的定量分析。所以FRM里除了巴塞爾協(xié)議和操作風(fēng)險的知識用不到，其它的部分基本全會用到。

大寒節(jié)氣知多少

影響加薪/晉升的因素有很多，證書不是重要一項，但有影響。比如很多公司的年終考核打分表里都有“專業(yè)知識完備程度”一項。CFA至少可以讓這一項拿高分。

python在

金融行業(yè)中的具體應(yīng)用？

1.金融和Python語法

一般來說，在這一階段，對正規(guī)開發(fā)過程、測試、文檔或者部署沒有太多的要求。然而，這一階段似乎是人們特別容易愛上Python的時候，主要原因是Python的語法總體上和用于描述科學(xué)問題或者金融算法的數(shù)學(xué)語法相當(dāng)接近。

我們可以通過一個簡單的金融算法——通過蒙特卡洛模擬方法估計歐式看漲期權(quán)的價值來說明這一現(xiàn)象。我們將考慮Black-Scholes-Merton（BSM）模型，在這種模型中期權(quán)的潛在風(fēng)險遵循幾何布朗運動。

下面是蒙特卡洛估值過程的算法描述：

（1）從標(biāo)準(zhǔn)正態(tài)分布中取得I個（偽）隨機數(shù)z(i)，i∈{1，2，…，I}。

（2）為給定的z(i)和公式1-1計算所有到期指數(shù)水平ST(i)。

（3）計算到期時期權(quán)的所有內(nèi)在價值hT(i)=max(ST(i)?K,0)。

（4）通過公式1-2中給出的蒙特卡羅估算函數(shù)估計期權(quán)現(xiàn)值。

現(xiàn)在，我們需要將這個問題和算法翻譯為Python代碼，下面的代碼將實現(xiàn)一些必要的步驟。

In [6]: import math
        import numpy as np ?

In [7]: S0 = 100. ?
        K = 105. ?
        T = 1.0 ?
        r = 0.05 ?
        sigma = 0.2 ?

In [8]: I = 100000 ?

In [9]: np.random.seed(1000) ?
In [10]: z = np.random.standard_normal(I) ?

In [11]: ST = S0 * np.exp((r - sigma ** 2 / 2) * T + sigma * math.sqrt(T) * z) ?

In [12]: hT = np.maximum(ST - K, 0) ?

In [13]: C0 = math.exp(-r * T) * np.mean(hT) ?

In [14]: print('Value of the European call option: {:5.3f}.'.format(C0)) ?
Value of the European call option: 8.019.

2.Python的效率和生產(chǎn)率

Python效率較為明顯的領(lǐng)域之一是交互式的數(shù)據(jù)分析。這些領(lǐng)域從IPython、Jupyter Notebook等有力工具和pandas之類的程序中庫獲益良多。

假設(shè)你是一位正在撰寫論文的金融專業(yè)學(xué)生，對標(biāo)普 500 指數(shù)感興趣，想要分析 1 年的歷史指數(shù)水平，以了解指數(shù)在這段時間內(nèi)的波動性，你希望找到證據(jù)證明這種變動性與某些典型的模型假設(shè)相反，它是隨時間變動而非固定。而且，應(yīng)該對結(jié)果進行可視化，你要進行的主要的工作如下：

In [16]: import numpy as np ?
         import pandas as pd ?
         from pylab import plt, mpl ?

In [17]: plt.style.use('seaborn') ?
mpl.rcParams['font.family'] = 'serif' ?
%matplotlib inline

In [18]: data = pd.read_csv('../../source/tr_eikon_eod_data.csv',
index_col=0, parse_dates=True) ?
data = pd.DataFrame(data['.SPX']) ?
data.dropna(inplace=True) ?
data.info() ?
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 2138 entries, 2010-01-04 to 2018-06-29
Data columns (total 1 columns):
.SPX 2138 non-null float64
dtypes: float64(1)
memory usage: 33.4 KB

In [19]: data['rets'] = np.log(data / data.shift(1)) ?
data['vola'] = data['rets'].rolling(252).std() * np.sqrt(252) ?
In [20]: data[['.SPX', 'vola']].plot(subplots=True, figsize=  
(10, 6)); ?

3.人工智能優(yōu)先金融學(xué)

由于通過編程API能夠取得大量金融數(shù)據(jù)，所以在金融問題（如算法交易）上應(yīng)用人工智能（AI）方法、特別是機器與深度學(xué)習(xí)（ML，DL）就變得非常容易，也更有成果了。

TensorFlow當(dāng)然和股票自動算法交易一點關(guān)聯(lián)都沒有，但卻可以用于預(yù)測金融市場的變動，最廣泛使用的Python ML程序庫是scikit-learn。

下面的代碼以高度簡化的方式說明：ML 分類算法如何用來預(yù)測期貨價格變動方向，并以這些預(yù)測為基礎(chǔ)制定一個算法交易策略，首先，導(dǎo)入數(shù)據(jù)，準(zhǔn)備期貨數(shù)據(jù)（定向滯后對數(shù)收益率數(shù)據(jù)）。

In [36]: import numpy as np
         import pandas as pd

In [37]: data = pd.read_csv('../../source/tr_eikon_eod_data.csv',
index_col=0, parse_dates=True)
data = pd.DataFrame(data['AAPL.O']) ?
data['Returns'] = np.log(data / data.shift()) ?
data.dropna(inplace=True)

In [38]: lags = 6

In [39]: cols = []
         for lag in range(1, lags + 1):
col = 'lag_{}'.format(lag)
data[col] = np.sign(data['Returns'].shift(lag)) ?
cols.append(col)
data.dropna(inplace=True)

? 選擇蘋果公司（AAPL.0）歷史日終數(shù)據(jù)。

? 計算整個歷史數(shù)據(jù)內(nèi)的對數(shù)收益率。

? 生成帶有定向滯后對數(shù)收益率數(shù)據(jù)（+1或者?1）的DateFrame列。

接下來，為支持向量機（SVM）算法、模型擬合和預(yù)測步驟實例化一個模型對象。圖片說明，根據(jù)預(yù)測買進和賣出蘋果公司股票的基于預(yù)測交易策略的表現(xiàn)勝過被動的基準(zhǔn)股票投資方法。

（圖片來自于知乎百科）

本科學(xué)歷 + CFA + python

對金融行業(yè)有什么幫助？

這是一個內(nèi)卷的時代，競爭很激烈！金融是行業(yè)薪資非常高的行業(yè)，面對職業(yè)要求以及學(xué)歷要求，我們只能更加優(yōu)秀，不是清北大的一樣可以有出路，你只要努力還是有的，拿下金融相關(guān)的證書，有自己在金融方面的一技之長，也未必沒有夢想中的工作！

當(dāng)然，CFA這類證書考下來肯定可以給你加分，因為備考的過程，其實也是你慢慢學(xué)習(xí)和了解金融行業(yè)過程，這種證書未來你工作時候如果沒有，老板也會建議你去考一考。

至于Python，不知大家看沒看到前一陣子JP Morgan要求全體工作人員都要學(xué)會Python編程技能這個新聞。其實編程不是只能應(yīng)用在量化交易、策略研究當(dāng)中做投行時，用編程軟件做點數(shù)據(jù)分析，畫畫高水平的圖肯定會加分吶，而且我們都處在這個變革的時代，未來編程能力真的會是一項基本技能。

為了不被時代落下，督促自己學(xué)學(xué)也是極好的

路總會有的，這個世界本沒有路，走的人多了，也變成了路。

粗繒大布裹生涯，腹有詩書氣自華。

Python3.0全新升級

領(lǐng)跑金融實戰(zhàn)：

數(shù)據(jù)處理與分析、金融建模、量化決策、爬蟲、人工智能

簡單易學(xué)、功能強大：

金融行業(yè)的“第一語言”

#Python金融時代已經(jīng)到來#