本科學歷 + CFA + python，對從事金融行業有什么幫助？

發布時間：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畢業的考生去到名企就業其實是非常有優勢的，學歷高的比別人可能升得快一點，成長快一點，金融行業是很吃人脈的！

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

金融行業的證書需求

金融行業最吃香的兩個證書無非就是CFA與FRM，FRM偏向風險管理，定量(quantitative)的比重更大。CFA偏向投資，知識點也更加全面，包含FRM沒有的財務分析，股票投資，經濟學，職業道德等，包含的知識點數倍于FRM。

增加就業：

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

職業發展：

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，公司債，和公司債CDS的定量分析。所以FRM里除了巴塞爾協議和操作風險的知識用不到，其它的部分基本全會用到。

大寒節氣知多少

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

金融行業中的具體應用？

1.金融和Python語法

一般來說，在這一階段，對正規開發過程、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問題或者金融算法的數學語法相當接近。

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的價值來說明這一現象。我們將考慮Black-Scholes-Merton（BSM）模型，在這種模型中期權的潛在風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）從標準正態分布中取得I個（偽）隨機數z(i)，i∈{1，2，…，I}。

（2）為給定的z(i)和公式1-1計算所有到期指數水平ST(i)。

（3）計算到期時期權的所有內在價值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估計期權現值。

現在，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的效率和生產率

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

假設你是一位正在撰寫論文的金融專業學生，對標普 500 指數感興趣，想要分析 1 年的歷史指數水平，以了解指數在這段時間內的波動性，你希望找到證據證明這種變動性與某些典型的模型假設相反，它是隨時間變動而非固定。而且，應該對結果進行可視化，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.人工智能優先金融學

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

TensorFlow當然和股票自動算法交易一點關聯都沒有，但卻可以用于預測金融市場的變動，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測期貨價格變動方向，并以這些預測為基礎制定一個算法交易策略，首先，導入數據，準備期貨數據（定向滯后對數收益率數據）。

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）歷史日終數據。

? 計算整個歷史數據內的對數收益率。

? 生成帶有定向滯后對數收益率數據（+1或者?1）的DateFrame列。

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