AQF去年全国考试通过率是多少?

AQF去年全国考试通过率大概是多少？以及AQF考试费用大概是多少？更多关于AQF考试相关问题下文中都会一一讲解~

量化金融分析师(AQF®)（简称AQF ，Analyst of Quantitative Finance）由量化金融标准委员会（Standard Committee of Quantitative Finance，SCQF）主考并颁证，是代表量化金融领域的专业水平证书。本文中小编为大家详细讲解关于AQF考试详情(比如：AQF报名、AQF费用、AQF时间...)

AQF去年全国考试通过率是多少？针对这个问题，AQF去年全国考试通过率大概是在80%左右~

AQF考试时间：每年3月与9月的第三个星期日

AQF考试地点：2019年3月起开设线下考点

AQF报考条件：同时符合下列条件的考生，可以申请参加量化金融分析师全国统一考试：

(1) 具有完全民事行为能力且年满18周岁

(2) 参加并完成指定授权培训机构提供的量化金融分析师实训项目AQF，并获得对应学分。

AQF量化金融实训项目

AQF考试题型：单选题20%、多选题20%、解答题60%

AQF考试范围：以标准委员会发布的《量化金融分析师全国统一考试大纲》为准。

AQF考试方式：考试采用计算机化考试方式。

(1)即在计算机终端获取试题、作答并提交答题结果。

(2)考试试题从量化金融分析师考试题库中随机抽题;随机抽题以试卷中的试题数量、类型、难度一致为原则。

AQF考试费用：

(1)2019年3月起注册费：760元/人/次，考试费：1500元/人/次;

(2)由于特殊原因举办的场次，考试费用将另行规定。

AQF考试语言：中文+Python程序设计语言

AQF试卷评阅和成绩认定：

(1) 考生答卷由量化金融标准委员会组织集中评阅，AQF考试成绩报经中国市场学会金融服务工作委员会审核后发布。

(2) AQF成绩发布后，AQF考生可登录标准委员会指定的官网查询成绩并下载和打印成绩单。

(3) AQF考试实行百分制，总分60分为成绩合格分数线。

(4) 成绩合格的AQF考生，可申请成为量化金融标准委员会个人会员。

如果还有关于量化金融分析师AQF其他的问题的话，欢迎在线咨询小编，小编会为大家解答~

课程适合人群：

金融工程/数学专业背景的同学/工作人士，希望进一步学习Python编程以及在量化投资的实战应用；

非金融工程专业背景的同学/工作人士，希望迅速成为宽客；

金融相关人员，希望学习如何系统的做量化策略；

个人投资者，希望系统学习掌握量化投资相关的实务技能，从模型开发，回测，策略改进，搭建稳定的量化交易系统。

AQF量化金融分析师实训项目学习大纲

1.1.1. 第一部分：前导及课程介绍

1.AQF核心课程

2.量化策略的Python实现和回测

3.整体代码介绍

1.1.2. 第二部分：量化投资基础

1.量化投资背景及决策流程

2.量化择时

3.动量及反转策略

4.基金结构套利

5.行业轮动与相对价值

6.市场中性和多因子

7.事件驱动

8.CTA_1（TD模型）

9.统计套利_低风险套利

10.大数据和舆情分析

11.机器学习

12.高频交易和期权交易

13.其他策略和策略注意点

1.1.3. 第三部分：Python编程知识

Python语言环境搭建1.Python语言环境搭建

Python编程基础1.python数字运算和Jupyter notebook介绍

2.字符串

3.Python运算符

4.Tuple和List

5.字典

6.字符串格式化

7.控制结构_1.For循环

8.函数

9.全局和局部变量

10.模块

11.Python当中的重要函数

Python编程进阶1.Numpy数据分析精讲

2.Pandas数据分析详解

数据可视化1.Pandas内置数据可视化

2.Matplotlib基础

3.Seaborn

金融数据处理实战1.数据获取_1.本地数据读取

1.数据获取_2.网络数据读取_1

1.数据获取_2.网络数据读取_2.tushare

1.数据获取_2_网络数据读取_3.文件存储

2.金融数据处理_1.同时获取多只股票

2.金融数据处理_2.金融计算

2.金融数据处理_3.检验分布和相关性

3.金融时间序列分析_1.Python下的时间处理

3.金融时间序列分析_2.Pandas时间格式

3.金融时间序列分析_3.金融数据频率的转换

4.金融数据处理分析实战案例_案例1

4.金融数据处理分析实战案例_案例2_多指标条件选股分析_1

4.金融数据处理分析实战案例_案例2_多指标条件选股分析_2

1.1.4. 第四部分：量化交易策略模块

三大经典策略1.三大经典策略_1.SMA

1.三大经典策略_2.动量Momentum

1.三大经典策略_3.均值回归

配对交易策略2.配对交易

技术分析相关策略3.量化投资与技术分析_1.技术分析理论

3.量化投资与技术分析_2.CCI策略的Python实现

3.量化投资与技术分析_3.布林带策略的Python实现_1

3.量化投资与技术分析_4.SMA和CCI双指标交易系统

3.量化投资与技术分析_5.形态识别和移动止损策略

大数据舆情分析策略4.大数据舆情分析策略_基于谷歌搜索的大数据舆情分析

CTA交易策略5.CTA交易策略_Aberration趋势跟踪系统

量化投资与机器学习6.量化投资与机器学习_1_机器学习算法原理_2_逻辑回归原理

6.量化投资与机器学习_1_机器学习算法原理_3_SVM算法原理

6.量化投资与机器学习_1_机器学习算法原理_4_决策树算法原理

6.量化投资与机器学习_1_机器学习算法原理_5_KNN算法原理

6.量化投资与机器学习_1_机器学习算法原理_6_神经网络算法了解

6.量化投资与机器学习_1_机器学习算法原理_7_K-means算法原理和算法总结

6.量化投资与机器学习_2_机器学习算法实现_1_数据集生成原理

6.量化投资与机器学习_2_机器学习算法实现_2_数据集可视化

6.量化投资与机器学习_2_机器学习算法实现_3_逻辑回归算法的python实现

6.量化投资与机器学习_2_机器学习算法实现_4_DT_KNN_NB算法的python实现

6.量化投资与机器学习_2_机器学习算法实现_5_SVM算法的python实现

6.量化投资与机器学习_3_机器学习算法实战_6_基于逻辑回归和SVM的股市趋势预测

1.1.5. 第五部分：面向对象和实盘交易

1.模块内容整体介绍

2.面向对象、类、实例、属性和方法

3.创建类、实例、方法

4._init_初始化方法

5.面向对象程序实例

6.继承的概念及代码实现

7.面向对象继承的实战案例

8.多继承和量化交易平台的面向对象开发思路

9.用面向对象方法实现股债平衡策略

1.1.6. 第六部分 实盘模拟交易

基于优矿平台的面向对象策略1.优矿平台介绍

2.优矿平台回测框架介绍

3.优矿框架之context对象、account和position对象

4.优矿其它重要操作

5.优矿之小市值因子策略

6.优矿之双均线策略

7.优矿之均值回归策略

8.优矿之单因子策略模板

9.优矿之多因子策略模板

10.优矿之因子数据处理：去极值和标准化

面向对象实盘交易之Oanda1.Oanda平台介绍和账户配置

2.Oanda账户密码配置和交易框架原理

3.Oanda链接账户并查看信息

4.Oanda API获取历史数据

5.Oanda市价单和交易状态查询

6.Oanda高级交易订单

7. Oanda其它高级功能

8. Oanda实战ADX策略全讲解：策略逻辑、数据读取、历史数据处理、可视化、实时数据和实时交易

9. Oanda通过实时数据API调取实时数据、resample

面向对象实盘交易之IB1.IB实战平台介绍及API安装调试

2.IB实战平台请求和响应远离、线程控制

3.IB响应函数wrapper讲解

4.IB请求函数及合约定义

5.IB程序化下单、仓位及账户查询

6.IB三均线交易_金字塔仓位下单控制模型实盘交易之策略原理、线程控制原理、策略结构总览、响应函数、交易信号、策略展示等全讲解。

1.1.7. 第七部分：基于优矿的进阶学习

1.1回测与策略框架

1.2评价指标

1.3.1量化策略设计流程简介

1.3.2择时策略举例（双均线）

1.3.3量化投资模板1.0选股和择时

2.1基于技术分析的量化投资

2.2.1技术指标简介

2.2.2 MACD择时策略

2.2.3 WVAD择时策略

2.2.4 RSI择时策略

2.2.5 MFI择时策略

2.2.6 CCI择时策略

2.2.7技术指标总结

2.3通道技术

3.1.1日期效应

3.1.2动量效应

3.2.1格雷厄姆成长投资

3.2.2积极投资策略

3.2.3价值投资策略

3.2.4小型价值股投资策略

3.3.1交易系统设计的一般原理

3.3.2均线排列系统

3.3.3金肯纳特交易系统

3.3.4海龟交易法系统