学科概述
在一级统计学的基础上，二级“数量分析”这门学科介绍了金融投资领域相关数学建模的方法，其中最重要的方法便是用于研究变量之间相互关系的回归分析的方法。这些数学建模方法已经在实务中得到了广泛的应用，是现代金融中不可或缺的重要数学工具。
中小学阶段的数学学习都是要求我们利用方程求解数据，如果我们将这一过程反转过来，通过数据拟合出数据之间的方程，发现变量之间的关系便是“回归方程”的过程。
2020年新增了机器学习和大数据的相关内容，这一部分是大家非常关注的地方。同时也说明协会是非常与时俱进的。
数量分析在二级考试中的占比为5%-10%（一到两个案例），但是就过往经验而言，大多数情况下，该部分只会涉及一个case考题。数量学科占比并不算多，但是鉴于该学科比较容易得分的特点，同学们还是应当在考前准备充分，尽量获取高分。
学科框架
二级数量主要涉及以下几个部分：
一元回归分析
回归分析的步骤分为四步：
1.建立回归模型；
2.对模型展开分析，主要分析方法就是分析ANOVA表中的各项数据信息；
3.对回归模型进行显著性检验，内容包括区间估计、假设检验；
4.运用模型预测因变量。
多元回归
这一部分主要阐述了多元回归与一元回归之间的区别，此外该章节还引入了虚拟变量的概念，并且讨论了回归模型的假设被违反的几种常见情形。多元回归是二级数量的核心内容，它的知识点将贯穿整个二级数量的教材。
机器学习（Machine Learning）
这一部分描述了机器学习的基本思想，主要算法，模型评估，以及在金融领域的应用。本章的重点在于对机器学习有一个宏观的认识，而并不要求掌握编程语言和复杂的数学方法。
作为投资分析师，只需要知道机器学习能够解决的问题，关键的算法，适用的范围，和在金融领域的主要应用即可。本节几乎不涉及计算。因此大家应当重点理解相关概念的含义，无需死记硬背。
大数据（Big Data Projects）
这一部分主要介绍了大数据分析的各个步骤，并分别从结构化数据与非结构化数据的角度对于各个步骤进行了阐述。同样，本节涉及计算的地方很少，仍然以概念理解为主。
时间序列模型
这一部分主要介绍了两类时间序列模型：趋势模型和自回归模型。所有内容都围绕这两类模型进行展开。这部分内容是数量学习的难点（虽然它也仅仅是介绍了时间序列模型的皮毛），同学们一定要深刻理解其中的逻辑，多加练习。
概率方法：情景分析、决策树与模拟
这部分是一个论文节选，因此本章也不作为考试重点。我们要掌握这三类风险衡量工具之间的异同点，以及每种方法各自适合的使用场景。
考试重难点
二级数量2020年新增了机器学习和大数据两章的内容，需要引起重视。这部分虽然学起来很难，但从原版书例题和课后题来看出的题目并不难，更多的是概念之间的辨析。
此外二级数量传统的重难点依旧在多元回归分析和时间序列模型上。我们需要重点掌握违反回归模型假设的三种情形：异方差、序列相关和多重共线性。
对于时间序列模型，我们需要重点掌握自回归模型的假设，这同时也是一个难点。关于时间序列模型这一部分，需要我们理清各个模型相互间的逻辑关系，并且强调对重要概念的结论的理解。
与一级数量的联系与区别
一级数量的推断性统计部分在二级数量中有多处应用，例如在一元/多元回归分析中大量应用区间估计与假设检验的知识。与一级数量相比，二级数量涉及的知识点数量其实并不多，远少于一级数量的知识点。
但是二级数量更专注于研究回归分析和时间序列模型分析这些更深层次的内容，难度会略高于一级数量。2020年新增的机器学习与大数据的内容也在一级基础上进行了一个提升。
复习策略
二级数量分析依然延续了一级“学起来费劲，考起来不难”的优秀传统。知识点内容较为抽象，好在考试题型相对固定，考试题目既有定性分析又有定量计算。弄清模型假设条件背后逻辑以及每个模型优缺点是我们在学习数量分析这门学科时应当优先关注的地方。
读题时可以把case一些关键信息在阅读的过程中划出来，避免遗漏。对于一些计算题而言，一定要看清楚问题指向的表格是哪一个，有些case表格数据较多，很容易看错。此外，一些细节例如要求的是“in percent”还是“in decimal”等也不要搞错。
就考试而言，二级里面数量这门学科逻辑较强，考试的知识点也集中，得分率高。所以建议要跟着老师的思路，不要自己天马行空。在学习的过程中就把知识点理解透彻，建立好框架体系，把逻辑理清，做题的过程中才会一路顺畅。
如果自学觉得很吃力的小伙伴们，不妨来跟着二老来学习哦！具体可以戳下面的链接哦！
品职教育：2020.06 CFA冲刺班Plus招生啦！品职优质班型，买它！（限时报班福利领取中）
品职教育：2020.12 CFA招生啦！品职，让你比想象的更优秀
配图来源网络
戳原文，直接购买「2020品职CFA课程」
