本科学历 + CFA + python，对从事金融行业有什么帮助？

发布时间：2021-10-18 09:24编辑：融跃教育CFA

如今，想要从事一份金融工作，最最基本的门槛就是大学本科，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职考证书上。

名校考生：985、211毕业的考生去到名企就业其实是非常有优势的，学历高的比别人可能升得快一点，成长快一点，金融行业是很吃人脉的！

非名校毕业：金融岗位对学校/学历的要求高一些，但如果不是名校毕业的，就可以通过考专业证书来证明自己的能力，这一点很多名企非常看重！

金融行业的证书需求

金融行业最吃香的两个证书无非就是CFA与FRM，FRM偏向风险管理，定量(quantitative)的比重更大。CFA偏向投资，知识点也更加全面，包含FRM没有的财务分析，股票投资，经济学，职业道德等，包含的知识点数倍于FRM。

增加就业：

证书本身对于就业并不是决定性的，但是基于很多考生参加考试的初衷正是就业或者转行，所以如果一定要选一个对就业帮助更大的证书的话，那肯定是CFA考试。在美国找工作的网站上，如果以“FRM”为关键词搜索职位有50个对应结果的话，那么搜CFA就会有至少100个。

职业发展：

在为对冲基金工作时，主要覆盖美国和亚洲的股票，股票期权，公司债，和公司债CDS的定量分析。所以FRM里除了巴塞尔协议和操作风险的知识用不到，其它的部分基本全会用到。

大寒节气知多少

影响加薪/晋升的因素有很多，证书不是重要一项，但有影响。比如很多公司的年终考核打分表里都有“专业知识完备程度”一项。CFA至少可以让这一项拿高分。

python在

金融行业中的具体应用？

1.金融和Python语法

一般来说，在这一阶段，对正规开发过程、测试、文档或者部署没有太多的要求。然而，这一阶段似乎是人们特别容易爱上Python的时候，主要原因是Python的语法总体上和用于描述科学问题或者金融算法的数学语法相当接近。

我们可以通过一个简单的金融算法——通过蒙特卡洛模拟方法估计欧式看涨期权的价值来说明这一现象。我们将考虑Black-Scholes-Merton（BSM）模型，在这种模型中期权的潜在风险遵循几何布朗运动。

下面是蒙特卡洛估值过程的算法描述：

（1）从标准正态分布中取得I个（伪）随机数z(i)，i∈{1，2，…，I}。

（2）为给定的z(i)和公式1-1计算所有到期指数水平ST(i)。

（3）计算到期时期权的所有内在价值hT(i)=max(ST(i)−K,0)。

（4）通过公式1-2中给出的蒙特卡罗估算函数估计期权现值。

现在，我们需要将这个问题和算法翻译为Python代码，下面的代码将实现一些必要的步骤。

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

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

In [8]: I = 100000 ❷

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

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

In [12]: hT = np.maximum(ST - K, 0) ❻

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

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

2.Python的效率和生产率

Python效率较为明显的领域之一是交互式的数据分析。这些领域从IPython、Jupyter Notebook等有力工具和pandas之类的程序中库获益良多。

假设你是一位正在撰写论文的金融专业学生，对标普 500 指数感兴趣，想要分析 1 年的历史指数水平，以了解指数在这段时间内的波动性，你希望找到证据证明这种变动性与某些典型的模型假设相反，它是随时间变动而非固定。而且，应该对结果进行可视化，你要进行的主要的工作如下：

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

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

In [18]: data = pd.read_csv('../../source/tr_eikon_eod_data.csv',
index_col=0, parse_dates=True) ❸
data = pd.DataFrame(data['.SPX']) ❹
data.dropna(inplace=True) ❹
data.info() ❺
<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)) ❻
data['vola'] = data['rets'].rolling(252).std() * np.sqrt(252) ❼
In [20]: data[['.SPX', 'vola']].plot(subplots=True, figsize=  
(10, 6)); ❽

3.人工智能优先金融学

由于通过编程API能够取得大量金融数据，所以在金融问题（如算法交易）上应用人工智能（AI）方法、特别是机器与深度学习（ML，DL）就变得非常容易，也更有成果了。

TensorFlow当然和股票自动算法交易一点关联都没有，但却可以用于预测金融市场的变动，最广泛使用的Python ML程序库是scikit-learn。

下面的代码以高度简化的方式说明：ML 分类算法如何用来预测期货价格变动方向，并以这些预测为基础制定一个算法交易策略，首先，导入数据，准备期货数据（定向滞后对数收益率数据）。

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']) ❶
data['Returns'] = np.log(data / data.shift()) ❷
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)) ❸
cols.append(col)
data.dropna(inplace=True)

❶ 选择苹果公司（AAPL.0）历史日终数据。

❷ 计算整个历史数据内的对数收益率。

❸ 生成带有定向滞后对数收益率数据（+1或者−1）的DateFrame列。

接下来，为支持向量机（SVM）算法、模型拟合和预测步骤实例化一个模型对象。图片说明，根据预测买进和卖出苹果公司股票的基于预测交易策略的表现胜过被动的基准股票投资方法。