眾所周知，世界正處在快速變化的歷史進程之中，世界經濟正在發生更深層次的變化。
全球正經歷著科技與產業的高度融合、產業與科技都在不斷深度疊加，隨著前沿型變革技術的深入發展以及綜合應用，社會生產生活協作模式加速轉型，人類社會即將進入新一輪的創新發展高峰期。
金融企業還是非金融企業，都在與數位化、網絡化技術深度跨界耦合。這都開始深刻改變全球服務業的生產方式、產業組織和競爭格局，並重塑全球經濟的面貌。
我們通過以上的例子，告訴各位，金融學本身正在發生著翻天覆地的變化，這也就是今天我們為何要聊量化金融的原因。
量化金融學，其英文是quantitativefinance，其實又叫數理金融學，主要是一種利用數學方法、數理統計、計算機編程技術以及信息網絡知識解決金融經濟乃至金融社會問題的學科、而「量化金融」既可以是被認為是一種研究金融的方法，又可以認為是一種研究或解決現實金融問題的手段。而量化金融學囊括了：金融數學、金融工程學、金融統計學、金融計量學，甚至人工智慧、大數據科學等學科知識。其覆蓋面之廣，跨學科跨領域之複雜，是以往任何一個金融學細分學科或領域所無法比擬的。而量化金融專業是一個新興的學科專業方向，其內涵和外延容易和金融工程專業、計算金融專業、金融數學專業混淆。因此，我們先在此做一定的梳理。
如前面所說，量化金融主要是利用數學方法和數理統計工具解決金融經濟乃至金融社會問題。也有很多其他的專業與量化金融類似，比如金融工程、金融風險管理、計算金融以及金融數學。一般而言，這些學科都是致力於將學生培養和打造成為量化分析師（Quant）,讓其具有較強的分析、交易、投資和風險管理技能。根據維基百科上關於量化金融的介紹，全球最早的量化金融項目可以追溯到1990年。
提到量化金融，就不得不提到金融工程學。金融工程學本身也是一個涉及多學科的專業學科，該學科涉及金融理論、經濟與管理科學、工程學方法、數學工具以及電腦程式開發與編程。當然也有人認為金融工程學是金融數學與計算金融在金融研究領域的具體應用。
需要特別注意的是，金融工程專業雖然號稱 「工程學」，但是一般而言，以美國為例，美國的工程師協會並不承認金融工程學位隸屬於工程學之範疇，而且特別有意思的是：國際金融工程師協會已改名為國際量化金融協會（IAQF）。國際量化金融協會的全稱是The International Association for QuantitativeFinance，簡稱IAQF，該組織是全球最大的也是最權威的量化金融協會，它的前身是國際金融工程師協會，全稱是International Association of Financial Engineers，簡稱：IAFE。
該協會認為金融工程學主要的專業知識和研究工具包括：應用數學、計算機科學、統計學以及經濟學理論。該協會認為以上所涉及的專業知識和研究工具的排名是有順序的。首先，無需置疑，應用數學絕對是排在首要位置，然後是計算機科學，統計學次之，而經濟學理論在金融工程中的地位則較為弱化。以華爾街的量化分析師（Quants）為例，很多人的經濟學知識相對貧乏，大量的量化分析師都直接來自於數學專業、物理專業或計算機專業。當然還有人認為凡是利用技術性工具處理和研究金融學問題的都應該稱可為金融工程師，尤其是銀行的程式設計師（也包括IT部們從業人員）以及那些在政府部門利用統計處理金融經濟問題的從業人員都應該被認為是金融工程師。當然，一般在金融領域，我們更希望將金融工程從業人員定義為是那些受過系統的專業高等教育訓練的、有完備金融知識的人才，並將這些人稱為金融工程師。此外，還需要注意的是，還有人將金融工程師定義為是那些創造金融產品和策略的金融從業人員。簡而言之，不管如何試圖定義「金融工程」，我們都可以發現，金融工程專業的興起，確實是開始於上世紀90年代，金融工程的興起背後的一個推手主要是因為全球出現了對新金融衍生品需求的浪潮，進而催生了大量涉及利用金融數學知識構建金融產品定價、估值模型、風險管理或涉及量化投資策略的金融職位，最終導致量化分析師（有時也稱為「寬客」）這個職位的產生。目前，普遍的共識認為：金融工程學的主要應用領域包括公司金融、衍生品定價、金融監管、投資組合管理(包括資產管理)、風險管理、結構化金融產品設計、量化交易以及金融產品的估值。
而另外一個容易與量化金融學以及金融工程學混淆的專業方向是計算金融學。一般可以認為該學科是計算機科學在金融學中的具體應用，也可以認為是計算機科學的一個分支，當然國外也有學者認為計算金融學是金融學的一個分支，由此可見計算金融學也是一個典型的交叉學科。當然為了和金融數學或金融工程學分開，有學者認為計算金融學應該更偏重於對數據、交易算法的分析，該專業的人才培養重點應特別注重學生的編程能力的培養，並要求學生能夠綜合的利用電腦程式化（或算法化）的數學模型對複雜金融市場問題進行分析，進而從事定價、估值、對衝、套利以及風險管理的研究和相關工作。此外，該專業也應要求學生對特定金融算法的「可實現性」以及對數據（尤其是大數據）的「可處理性」問題特別關注。誠然，這些問題也是計算金融學研究的重點。簡而言之，該專業的核心數學課程應包括：數值分析、優化運籌學、隨機過程、隨機微積分（重點關注數值解問題）、統計與機器學習理論、大數據統計與數據科學等。目前，業界一般認為，因為算法交易、量化投資以及高頻交易的領域的研究和應用涉及太多計算機科學與網絡信息技術知識，而這些領域，對知識的要求，明顯有別於傳統金融工程的範疇，因此應該針對這類知識需求專列出來，設立一個學科，也就是計算金融學。
還有一個專業也容易讓大眾產生混淆，即金融數學。很多院校將金融數學專業設立在數學或統計學院下，此外特別有意思的是維基百科一度將金融數學等價於量化金融，但是因為其專業名稱畢竟是「金融數學」，即金融是形容詞，而數學是主語，普遍認為「金融數學」是應用數學的一個分支，這在「數學圈」中是不爭的事實。一般而言，金融數學家們這麼定義他們自己：首先這是數學領域一個分支，學科研究重點在於利用數學或數值方法建立金融理論與數學的關係和聯繫，該學科「潔癖般的」強調數學定理上的嚴謹，並致力於將金融理論與數學定理之間保持一致性和完備性，而至於為保持一致性和完備性而犧牲掉經濟學直覺或造成經濟學含義的不明顯，卻絕對不是金融數學家所關注的焦點和研究重點。維基百科上有一個很有趣的例子幫助大眾來區分經濟學家和金融數學家。這個例子是這樣的。經濟學家會思考公司的股票價格的形成的原因以及背後的經濟學機理。一般而言，經濟學家一定會將理由歸結為理性人的消費以及基於消費的效用函數。而金融數學家會僅將股價設置為某種數學家熟悉的數學模型（比如幾何布朗運動），而金融數學家不會思考（也不會去關注）「股價為何是布朗運動」這類問題。金融數學家也一般不會關注股票價格形成機制背後的經濟學含義，簡而言之，金融數學家會把股票價格假設為一個自驅動過程，新的股票價格的變動僅收到過去自身信息的影響以及一些隨機的外生衝擊的影響，而經濟學家會思考股票價格背後的內生化衝擊的影響，也會考慮人在股票價格的變動和形成中的作用或動機決策。
由此可見，金融工程學、計算金融以及金融數學都涉及應用數學、計算機科學與信息技術、統計學，既有聯繫又有側重，當然一種比較簡單的區分是量化金融學是金融工程學、計算金融以及金融數學的一個統一的抽象化概括。
下面我們來介紹一下量化金融學發展的脈絡。
量化金融的思想最早應追溯到20世紀初，「量化」第一人的稱號可能應該頒給法國學者勞倫斯. 巴施裡耶(LouisBachelier)，他的本職工作是一位數學家，他1900年的博士論文的題目為《投機理論》是目前已知的最早的試圖用隨機分析來研究金融問題的學者，他的論文主要是認為金融資產價格的運動滿足一種特殊的隨機過程，這種隨機過程在今天看來其實就是大名鼎鼎的「布朗運動（Brownian motion）」,基於這樣的假設，巴施裡耶研究了股票期權的定價問題，但可惜的是，他的博士論文在當時並沒有受到廣泛的關注。但後世最終還以了他應得的榮譽，目前很多教科書上都認為巴施裡耶是金融數學領域的先驅。
對量化金融或者量化經濟學有實質性推動的是經濟學泰鬥保羅.薩繆爾森(Paul Samuelson)。如前面所說，在很長一段時間，國內學界將quantitative一詞翻譯為「數理」因此很自然的讓大眾以為「量化金融學」以及「量化經濟學」的發展是過去幾年才興起，其實「量化」的方法思考和處理經濟與金融的問題應該是從薩繆爾森的時代就已經確立。薩繆爾森一生都在致力於將宏觀經濟學以及微觀經濟學進行徹底的「數理化」，也就是「量化」，其主要「量化」貢獻包括：消費理論中的功效理論、福利經濟學領域的林達爾-鮑恩-薩繆爾森條件（Lindahl-Bowen-Samuelson condition）、金融經濟學中的有效市場假設以及隧道理論、國際金融學中的巴拉薩-薩繆爾森效應（Balassa-Samuelsoneffect）等。當然，對量化金融學而言，後人認為是薩繆爾森重新發現了巴施裡耶的博士論文在金融學中的重要性，為後來的金融工程學的發展，尤其是期權定價理論指明了正確的研究方向，使得該學科的分析研究體系得以建立。後來量化金融學領域的若干「大牛」，諸如羅伯特.莫頓（Robert Merton），都是薩繆爾森的學生。
量化金融學發展中最具裡程碑式的事件應該是BSM歐式期權定價公式的誕生。BSM歐式期權定價公式的全稱是Black-Scholes-Merton歐式期權定價公式，該模型是三位經濟學家的名字的縮寫，這三位經濟學家分別是布萊克-費克雪（BlackFischer）、邁倫·斯科爾斯（Myron Scholes）和羅伯特.莫頓,該模型最早由費克雪和斯科爾斯在1973年提出，發表在著名經濟學學術期刊《政治經濟學期刊（JPE）》,論文題目為《期權定價與公司債務》，他們利用偏微分方程推導出了歐式期權的定價公式，這也就是現在的BSM期權定價公式。而羅伯特.莫頓是最早的系統的從經濟學視角發表學術文章全面闡述和擴展費克雪和斯科爾斯模型的學者，莫頓也是較早的將費克雪和斯科爾斯的模型稱為「費克雪-斯科爾斯期權定價模型」的學者。
在該模型出現之前，金融市場上對期權的估值幾乎都是「想當然」的「拍腦袋」，而該模型雖然表達式頗為複雜但卻極度易於使用，主要的原因是，該模型僅需要交易員提供五個參數，便可以迅速計算出期權的合理價格，這五個參數分別是：標的物價格、行權價、無風險利率、期權期限以及波動率（volatility）。除波動率為主觀因素外，其餘四個因素皆為客觀因素，數據可十分公開透明的在市場上獲得。其後的經驗表明該模型很多時候都能較好的貼近市場的期權真實價格。因為BSM模型的開創性研究，斯科爾斯和莫頓在1997年獲得了諾貝爾經濟學獎。費克雪在1995年患病去世，而諾獎委員會認為費克雪在BSM模型的貢獻極為重要，費克雪未能獲得諾獎確實非常令人惋惜。
當然需要特別強調的是，雖然該模型也有很多不足，從誕生之日起也被人詬病，比如該模型認為波動率為一常數，但事實證明波動率並非為常數。因篇幅限制，對於BSM模型的不足和缺陷問題不展開討論。但無容置疑的是，在上世紀70年，BSM模型的出現是有跨時代意義的，是極具開創性的研究。
上世紀70年代是量化金融快速發展的時代，具體的學術成就包括：蒙特卡羅法在金融中的應用、利率定價理論的發展、離散衍生品的定價、債券與利率期限結構理論的發展。因為時間關係，我們就不展開論述，有興趣的學生可以系統的學習金融數學、金融工程、隨機分析等課程。
以上的這類量化金融從業人員有幾個特點：首先他們多來自於數學和物理專業，主要使用金融數學中的隨機分析（stochastic calculus）開展他們的工作或研究。風險中性假設是他們工作的重要準繩，他們的主要工作是對金融資產，尤其是衍生品進行定價。上世紀出現的「金融創新」其實也是指的這類人從事的工作。上世紀出現的概念「金融創新」的本質是指為滿足客戶對未來現金流或特殊風險偏好的需要，量化金融從業人員為客戶創造性的定製或開發出滿足客戶需求的金融產品。一個新的金融產品被創造出了，首先是需要有一個定價標準或給出明確的定價公式，這就是這類量化金融從業人員的工作和職責使命。因為風險中性假設是他們工作的重要準繩，也就是說他們研究的問題是定義在風險中性概率測度的世界裡的，在業界，我們習慣於用英文字母Q表示風險中性概率，因此這類量化金融從業人員也被稱為Q-type量化金融從業人員。
隨著計算機技術的普及，網際網路時代的到來，使得更多複雜的數學模型可以實現，市場累積的金融數據也越來越多，這使得更多受過專業數學與統計訓練的專業技術人才利用量化手段開始科學性的從事投資與投機，尤其是一些專業的統計與計算機人士，在分析了大量的金融價格數據後發現金融數據往往具有其特有的統計特性。比如大量的實證研究發現，金融資產價格，不管在成熟金融市場還是在新興市場，都並非完全滿足隨機遊走或布朗運動，資產價格的收益率的概率分布都存在不對稱性和肥尾特性。
此外，長期的實證研究還發現，收益率與其歷史數據的自相關係數也未如傳統金融時間序列分析的那麼的高，而收益率的平方項的自相關係數卻非常高，這也就是後來所謂的「波動聚凝（volatility clustering）」。用樸實的語言表述就是：如果股票收益率連續波動，波動具有持續性。基於這些實證特性，若干學者對傳統時間序列模型，比如ARMA （Auto-Regressive and Moving AverageModel，自回歸移動平均)模型進行了重構，提出了ARCH，其全稱是Auto-Regressive Conditional Heteroskedasticity，中文翻譯為自回歸條件異方差模型，該模型認為模型的擾動項的方差並非為常數，而是隨時間變化。
一般認為，紐約大學的羅伯特.恩格爾（Robert Engle）教授是ARCH的發明人，恩格爾教授在2003年因為ARCH模型獲得了諾貝爾經濟學獎，雖然現在我們更多的是使用GARCH，GARCH模型是由杜克大學的提姆.波勒斯勒夫（Tim Bellerslev）擴展了ARCH模型。
經過差不多半個世紀的發展，金融計量學（financial econometrics）已經發展成為了一個嚴謹完備的學科，該學科一個重要的研究領域就是研究波動率。研究波動率可能是整個金融計量學研究的重點。簡而言之，波動率類似於動態化的方差（variance）。而方差本質上是一個最簡單的刻度風險的指標。波動率的研究可以廣泛的應用到金融學的三個重要的領域：
（一）投資組合最優權重的配置研究。投資組合學的核心就是研究收益（用統計學的一階矩--期望值來度量）和風險（用統計學的二階矩--方差來表示）的關係，進而尋找最優的資產權重配置問題。所以投資組合學本質上特別關注動態方差的研究。此外，在經典的CAPM理論中，β值始終是研究的重點，基於GARCH的波動率研究也可以擴展到研究動態β。
（二）金融風險管理中的應用。在險價值(英語：Value at Risk，縮寫：VaR）和預期虧空（expected shortfall，縮寫：ES)是風險管理領域最重要的一個風險測度指標，而構建VaR和ES本質就是尋找恰當的波動率。
（三）金融工程中的應用。期權定價是金融工程學的核心理論支柱。根據BSM期權定價公式，期權的價值主要來自于波動率。業界甚至認為波動率是期權價值的發動機。目前實證的研究也證實期權定價中的波動率絕對不是一個常數，它是隨時間變化的。而動態化波動率的方法雖然有不少，但最為簡單高效的是採用GARCH模型的方法。而且經過若干年的發展，GARCH模型家族已非常成熟和完善。有人統計過，現在GARCH家族的模型多達三四十種。
需要注意的是，金融計量學構建模型的依據是基於大量的現實世界的真實數據，基於統計概率事實，這類模型更適合在金融市場中從事投資、投機或從事風險管理，尤其是適合在金融市場中從事投資或投機，進行統計套利和實現算法交易。這類從業人員的工作風格和使用的知識工具和前面提到的Q-type從業人員，有很多的區別。因為這類從業人員面對的是真實世界的概率模型，有別於Q-type從業人員。Q-type從業人員面對的是風險中性概率模型，Q-type從業人員的首要工作任務是對產品進行定價，而非通過分析大量市場數據形成投資策略，進行投資或投機決策，實現套利。為區分Q-type從業人員，業界後來把面對真實世界數據，並利用真實世界概率模型從事投資與交易的從業人員稱為P-type從業人員。過去十年，P-type的量化分析師開始走上歷史舞臺，主要的原因有以下幾點：
第一原因是大數據時代的到來，這是伴隨著網際網路時代的興起而到來的。更多的金融數據為統計學專業的人才提供了豐富的數據試驗場。
第二個原因是全球金融監管的新趨勢。大眾普遍認為2008年席捲全球的美國金融危機是過度使用金融衍生品造成的。而衍生品的開發本來就是Q-Type量化分析師的主要工作職責，而2008年美國爆發金融危機後，美國政府出臺了號稱人類歷史上最嚴厲的金融監管法案----《多德-弗蘭克華爾街改革和消費者保護法法案》，致使大量涉及衍生品產品開發的崗位消失，致使Q-Type從業人員崗位減少，這也是導致Q-Type量化分析師大量轉行的原因。
第三個原因是人工智慧時代的到來，在二十年前人工智慧領域的發展遇到了難以想像的瓶頸，最主要的原因是缺乏理論支持，早期的人工智慧科研人員主要是來自於計算機系，他們的數學與統計功底薄弱。但是大概在上世紀90年代末，人工智慧得到了迅猛的發展，主要的原因是人工智慧領域的研究開始和統計學深度融合，最主要的代表事件是《統計學習理論》的興起，支持向量機（Support Vector Machine, 縮寫：SVM）模型可以說是讓嚴謹的應用數理統計領域知識在人工智慧領域得到了真正的應用，並且大行其道。SVM模型有較強的預測能力和學習能力，於是在2000年前後被若干華爾街量化交易公司使用，進行金融資產價格預測，此外SVM還在信用評估領域有大量的應用。進入2005年前後，SVM模型為代表的機器學習理論遭遇研究發展瓶頸，業界普遍發現該類模型的預測正確率在達到一定程度後，就再難提高，致使業界開始懷疑SVM模型視角下的人工智慧技術是否已發展到了其極限，觸及「天花板」。令人慶幸的是，在2006年前後，一種被世人長期遺忘的人工智慧理論---神經網絡又回到了大眾的視野，不過這次神經網絡理論的成功回歸是基於人類硬體技術有了大的突破—即圖形處理器（英語：Graphics Processing Unit，縮寫：GPU）在人工智慧中的大規模應用。從事神經網絡的科研人員將基於結合大規模GPU硬體技術搭建的中大型神經網絡的理論稱為「深度學習理論（Deep Learning）」，其標誌事件是加拿大多倫多大學的傑弗. 欣頓(Geoffrey Hinton) 2006年在《Science》上發表的關於深度學習的論文。2016年，基於深度學習技術構建的阿爾法圍棋（AlphaGo）打敗韓國棋手李世石成為年度熱門事件，基於人工智慧的量化金融研究也成為了國內業界炒作的熱點。值得一提的是，2019年3月27日素有計算機科學最高獎之稱的圖靈獎頒發給了傑弗. 欣頓等三位在深度學習領域有突出原創性貢獻的科學家。客觀而言，大數據時代的到來和人工智慧時代的到來都帶來了P-Type量化行業的迅猛發展。
下面說一下，量化金融教育在我國發展的情況。
在討論量化金融學的發展之前，我們有必要回顧一下金融學科在我國的發展歷程，可以客觀的說金融學在我國的發展是十分曲折的。因為各種原因，我國金融行業的發展長期處在「金融抑制」的狀態，一般西方主流的觀點認為，金融行業的三大支柱分別為商業銀行、證券公司以及保險機構，而我國長期一直是商業銀行獨大的局面，我國金融市場的發展也處於一種「抑制」的狀態下，我國始終沒有建立起完備的衍生品市場體系，金融風險分散手段、量化投資手段有限。當然，就金融學科建設而言，因為我國金融行業的不發達，致使可研究的金融問題有限，學科地位不高，時至今日金融學也是隸屬於經濟學，屬於二級學科。
國內很多本科的入門課《金融學》其實質並非西方意義上的《金融學》，其實更像高級版本的《貨幣銀行學》，特別需要注意的是，《貨幣銀行學》一般是從經濟學視角思考商業銀行和央行貨幣政策問題，和西方意義上的《金融學》課程立論基礎幾乎完全不同。西方的金融學的發展，在很長一段時期也是隸屬於財務管理專業或者商學院，在過去十幾年間，金融學成為炙手可熱的專業，並能從財務管理專業或者商學院脫離出來主要是受益於投資學和金融工程學的發展，投資學和金融工程學極完備的理論基礎成為了現代金融學發展的重要理論支柱。可以認為，投資學、金融工程學以及財務管理和金融經濟學這四大理論支柱支撐起了一個完整的現代金融學學科，並使得金融學最終成為一個獨立的學科。隨著人工智慧、大數據等前沿技術的興起，此外還有諸如比特幣、網際網路金融等新概念、新業態的助推，當下的「金融」這一概念的內涵和外延都在不斷被重構甚至是被顛覆。我們在本講座的前面已討論，就不再冗述。
美國的卡內基梅隆大學和加拿大的滑鐵盧大學的量化金融專業都是非常具有國際視野和辦學特點的，這兩個學校的量化金融專業的設立時間都不長，但在過去十餘年間，這兩個學校的量化金融專業都迅速在業界獲得了口碑和積累了人氣，一個重要的原因是這兩個大學的專業都得益於了它們學校的計算機科學與工程專業的發展，這和過去十幾年大數據、人工智慧技術的崛起也密切相關，而更主要的是這兩個學校培養出來的學生有極強的實際解決問題的動手能力。動手能力強弱和學生的計算機編程能力成正比。簡而言之，美國的卡內基梅隆大學和加拿大的滑鐵盧大學是較早嘗試將計算機科學與工程專業與金融學深度融合的大學，這也是這兩個學校在過去十年迅速崛起的最重要的原因。
當然中國的量化金融人才培養不能完全照搬國外模式。原因有二：第一、中國國情不同，金融市場與機構發展的階段和國外不同，西方量化金融專業的模式適合於成熟市場及機構，在西方的人才培養目標下培養的畢業生不能適應現階段我國金融市場和機構用人單位的要求。第二、卡內基梅隆大學和加拿大的滑鐵盧大學的量化金融專業為專業碩士課程，並無本科專業，雖然這兩所學校的招生計劃中都提到並不要求學生本科具有金融學學位，並允許零金融基礎學生報考，但目前國內的高校在嘗試在本科階段設立量化金融，如果要在本科階段開設量化金融專業，國外可借鑑經驗非常少。第三，國外量化金融專業偏Q-type而國內目前更需要P-type的從業人員。
下面給出一些學習量化金融的建議，我們認為可以分三步走。
第一步，起步篇。「不積跬步，無以至千裡」。因為量化金融是新興交叉學科，普遍的共識是認為該學科需要學生有非常強的數理背景，這樣的認識是正確的，因此，目前不少高校是將量化金融專業設置在研究生階段。該專業方向分析歡迎本科是數學、統計、物理、計算機等相關專業學生報考，但是有時也會給很多考生一種錯覺：只要數學計算機好，任何人轉學金融學專業就一定沒問題。這種認識其實是錯誤的。金融涉及大量的財務、法律以及經濟學的知識，這些知識表面上看似不涉及高深的數學知識，但是對於完全沒有基礎背景的學生而言，其實是不容易掌握的，而這些看似「簡單」的文科類金融知識，其實也不一定簡單，如果沒有3~5年系統的學習和社會實踐，跨專業的學生其實是無法理解其中的玄妙。對於跨專業的學生，我們推薦以下八門金融本科階段的核心課程，並建議牢牢掌握知識點，這八門課程也是首都經濟貿易大學金融學院指定的本科核心課程。這些教材的課後習題一般網上都可以獲得，這些課程的學習都需要學生結合大量的習題，才能做到知識掌握的牢固。
這八門分別是：公司金融、商業銀行管理、投資學、衍生品學、固定收益證券分析、貨幣金融學、風險管理與保險學。
此外，因為金融行業是一個要求從業人員具有極強的專業知識，因此一些金融行業內從業執照的考試，也可以幫助金融從業人員提供其自身金融專業素養。這些重要的金融資格考試包括：《證券從業資格考試》、《美國特許金融分析師(CFA)》和《美國金融風險管理師（FRM）》。其中，《證券從業資格考試》是由中國證券業協會負責組織的全國統一考試，證券資格是進入證券行業的必備證書，是進入銀行或非銀行金融機構、上市公司、投資公司、大型企業集團、財經媒體、政府經濟部門的重要參考。
下面介紹一下量化金融學的中級進階篇。
首先需要培養自己的編程能力，尤其是利用編程技術處理大數據的能力。在當下，尤其是人工智慧時代，編程基本逐步成為大學生的一種基本技能。我們推薦學生在本科階段開始系統的學習Python計算機語言。Python是一款面向對象的解釋型電腦程式設計語言，Python之所以變得如此受歡迎，除了有若干頂級IT公司的大力推廣外，也得益於其自身的硬實力。主要的原因是Python擁有大量豐富和強大的「庫」，Python也是一種很好的「膠水語言」，Python可以很好的把其他語言之作的這種模塊（尤其是C/C、Fortran語言等）很輕易的聯結在一起。更主要的是當下主流的人工智慧大數據分析與開發框架都是基於Python語言。常見的人工智慧分析與開發框架有：由google開發的Tensorflow和Keras，由Facebook公司開發的Pytorch，有亞馬遜開發的mxnet，以及Scikit-learn算法庫。這些常見的人工智慧分析與開發框架都是基於Python 語言。
由此可見，掌握了Python編程如同獲得了一把打開大數據與人工智慧世界大門的鑰匙。
學生需要系統的學習金融計量學知識，金融計量學是P-type從業人員的百寶箱，工具利器。我們推薦芝加哥大學商學院蔡瑞胸（Ruey S.Tsay）的系列教材。蔡瑞胸（Ruey S.Tsay）是一位在金融計量（P-type）領域著名的學者，他撰寫的三本給高年級本科和碩士生的金融計量教材（Ruey S.Tsay，2005，2013，2014）是非常好的P-type入門教材，蔡瑞胸在2005年出版的教材，適合高年級研究生，而2013年出版的第二本書適合第一年的研究生，而第三本書適合高年級本科生。我們建議學生的學習順序應是先閱讀第三本書，然後閱讀第二本書，最後閱讀第一本書。此外，蔡瑞胸都在自己的個人主頁上公開這三本書中所涉及模型的代碼。
學生需要多學習隨機過程以及金融數學的知識，隨機分析領域的經典教材，即由著名金融數學家施裡夫(Shreve,S.E)編寫的教材（Shreve，2004)，特別需要一提的是，施裡夫長期擔任CMU大學量化金融項目的負責人。當然這本書較為晦澀，需要學生有較好的關於數理統計與隨機過程的知識。
此外，學生還應該加強人工智慧理論課程的訓練。學生應該在本科或者研究生階段接受系統的人工智慧理論課程教育，應系統的學習統計學習理論或機器學習理論，一般對於初學者而言，可以認為統計學習理論和機器學習理論是一個概念。
最後說一下量化金融的高級進修篇。
量化金融專業的前沿學術研究和其他金融與經濟學科的前沿研究有很大的不同，最大的不同在於其研究問題的實用性。在掌握了若干中級量化金融的研究生課程之後，量化金融專業的學生如果進入博士階段的學習，應該將更多精力放在前沿學術文獻的梳理上，現將量化金融領域的學術前沿期刊梳理給讀者。
一般而言，金融學隸屬於經濟學範疇，在經濟學領域中，金融作為經濟學不可分割的一部分，很多頂級的金融學學術文章也出現在頂級經濟學期刊中，國際公認的五大頂級英文經濟學期刊分別是：《美國經濟評論》（American Economic Review）、《經濟學季刊》（QuarterlyJournal of Economics）、《政治經濟學雜誌》（Journal of PoliticalEconomy）、《計量經濟學雜誌》（Econometrica）與《經濟研究評論》（Review of Economic Studies）。
金融學領域中的頂級期刊，主要是以下四大雜誌《金融學雜誌》（Journal of Finance）《金融經濟學雜誌》（Journal ofFinancial Economics）《金融與量化分析雜誌》（Journal of Financialand Quantitative Analysis）《金融研究評論》（Review of FinancialStudies）。
此外還有很多國外金融學術雜誌也非常不錯，建議讀者關注：《金融數學》（Mathematical Finance）、《金融數學雜誌》（Journal ofMathematical Finance）、《量化金融》（Quantitative Finance）、《計算金融學雜誌》（Journal of Computational Finance）、《金融計量學雜誌》（Journalof Financial Econometrics）、《實證金融學雜誌》（Journal ofEmpirical Finance）、《銀行與金融雜誌》（Journal of Banking andFinance）、《計量經濟學雜誌》（Journal of Econometrics）。
當然一些人工智慧方面的工作論文和學術期刊也值得量化金融從業人員關注。
資料來源《基本無害的量化金融學》