金融建模到底是怎样一个存在?

提起金融，大多数人可能会条件反射地想到&#34;华尔街&#34; &#34;投行&#34;，以及金融人士常说的&#34;Financial Modeling&#34;。
其中Financial Modeling更是让许多外行人看来无比&#34;高大上&#34;。那么这个&#34;Financial Modeling&#34;，到底是一种什么样的存在呢?
Financial Models是什么?
一句话概括Financial Model就是加减乘除四则运算计算一个时间段内的各种参考数值(比如常用的各种index)，用来给投资分析师写报告或者调研时参考用。
不过不是只有四则运算就很简单很low，背后其实涉及了很多逻辑判断、汇率转换、时间时差转换、每个时间点对应的值存储。
有人曾将建模形象地比作&#34;蒸馏咖啡&#34;的过程：
咖啡豆是&#34;10K/10Q/SEC Fillings&#34;;
研磨工具为Excel表格等软件或语言;
浓萃精华为最终的Thesis，即投资观点。
因此，一杯好喝的&#34;金融咖啡&#34;，不仅需要优良的咖啡豆，还需要给力的研磨工具，方能得到一份精致的浓萃精华，来做出这样一杯满意的咖啡。

金程量化金融分析师AQF实训项目

以一个典型的投资案例的财务模型为例，总体来看，所有分析都汇总在不同的sheet里：

1. 最基本的三张财务报表：利润表、资产负债表、现金流量表(历史+未来预测)
2. 为了完成对公司业绩的预测，还要对公司所处的市场规模以及公司未来的表现进行预测：

3. 在回报倍数(X_Cal那一页)的计算中，用到各类DCF或者PE Comparable等常用的模型。下图是另外两个实战的模型，利用WACC和DCF等等去估值一个公司的价值。

4. 敏感性分析：针对投资人最关心的两大指标(回报倍数和IRR)，基于各种最重要的场景进行敏感性分析，包括：投资方式(股权?债券?混合?)、资产注入的不同形态、未来的PE以及未来的EPS等等。

5. 在个别复杂的情况，还需要针对Equity或者Loan的不同Class或者Tranche进行拆分然后具体的分析。

6. 交易员有时候也会拿Excel来做各种金融产品的价格估算和交易执行策略的安排，虽然看起来简单，但是后台对接着庞大的Bloomberg各类接口以及各大牛逼码农开发的各类超级接口和复杂的后台逻辑。AQF考友群：760229148
下图提供的是一个针对某外汇的交易策略安排及价格估算。

Financial Models的应用
偏会计或财务方面：财务三张报表的历史及预测;
偏项目投资或项目管理方面：NPV/IRR等模型;
偏股权及债券投资方面：市场规模预测、投资价值预测(DCF及Comparable等等)等等、针对各种股权的回报预测;
偏交易方面：针对各类金融产品(FX、衍生品等等)的模型估算和执行策略等等。
AQF：量化金融分析师（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。
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Oanda
1.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IB
1.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