Khái quát
Quantitative Methods là một trong những môn học nền tảng trong chương trình CFA ở Level 1 và Level 2. Môn học này trang bị cho học viên các công cụ định lượng quan trọng để phân tích dữ liệu tài chính, đo lường rủi ro, xây dựng mô hình và hỗ trợ quá trình ra quyết định đầu tư.
Tầm quan trọng của Quantitative Methods trong CFA
- Ở Level 1, môn học tập trung vào các nguyên tắc cơ bản như giá trị thời gian của tiền (TVM), thống kê mô tả, lý thuyết xác suất, phân tích hồi quy đơn giản và mô phỏng rủi ro. Đây là nền tảng quan trọng giúp học viên hiểu cách sử dụng dữ liệu tài chính trong thực tế.
- Ở Level 2, chương trình nâng cao hơn với các chủ đề như hồi quy bội, phân tích chuỗi thời gian, kiểm định giả thuyết nâng cao và các phương pháp ước lượng phức tạp. Học viên sẽ học cách đánh giá dữ liệu tài chính một cách chính xác hơn và áp dụng các mô hình dự báo vào đầu tư thực tế.
- Ở Level 3, chương trình CFA không có môn Quantitative Methods riêng biệt, nhưng các kiến thức từ Level 1 và Level 2 sẽ đóng vai trò quan trọng trong việc phân tích danh mục đầu tư, tối ưu hóa chiến lược giao dịch và quản lý rủi ro chuyên sâu.
Tỷ trọng
Tỷ trọng môn Quantitative Methods trong bài thi CFA 2025 không có thay đổi so với 2024. Tuy môn học có tỷ trọng thấp hơn so với các môn khác, nhưng lại là kiến thức nền tảng cho các môn học còn lại.
| Tỷ trọng | |
| Level 1 | 6-9% |
| Level 2 | 5-10% |
Các Module
Level 1
| STT | Module | Nội dung |
| 1 | Rates and Return | – Hiểu về Giá trị thời gian của tiền (TVM), một khái niệm quan trọng trong tài chính. – Khám phá các thành phần của lãi suất và cách diễn giải chúng. – Tính toán giá trị tương lai và hiện tại của dòng tiền, bao gồm các dòng tiền đều và không đều. – Tìm hiểu về niên kim và niên kim vĩnh cửu, cách tính giá trị hiện tại của chúng. – Hiểu các phương pháp đo lường lợi nhuận như trung bình cộng ( arithmetic mean), trung bình nhân (geometric mean), trung bình điều hòa (harmonic mean). |
| 2 | The Time Value of Money (TVM) in Finance | – Ứng dụng TVM vào đầu tư trái phiếu và cổ phiếu. – Hiểu cách giá trị hiện tại của dòng tiền ảnh hưởng đến định giá cổ phiếu. – Phân tích tác động của lãi suất và thời gian lên giá trị của tài sản tài chính. |
| 3 | Statistical Measures of Asset Returns | – Phân biệt các loại dữ liệu. – Tạo bảng phân phối tần suất và sử dụng các công cụ trực quan hóa dữ liệu. – Hiểu các giá trị trung tâm như trung bình, trung vị, mode và độ phân tán như phương sai, độ lệch chuẩn. – Phân tích mối quan hệ giữa các biến tài chính thông qua hiệp phương sai và hệ số tương quan. |
| 4 | Probability Trees and Conditional Expectations | – Hiểu các khái niệm xác suất cơ bản như xác suất có điều kiện, xác suất liên kết, và quy tắc tổng xác suất. – Áp dụng công thức Bayes vào dự báo tài chính.- Tìm hiểu về nguyên tắc đếm trong xác suất, bao gồm quy tắc nhân, giai thừa, hoán vị và tổ hợp. |
| 5 | Portfolio Mathematics | – Phân tích lợi nhuận danh mục đầu tư, phương sai, hiệp phương sai và hệ số tương quan. – Hiểu về biến ngẫu nhiên rời rạc và liên tục, bao gồm phân phối nhị thức, chuẩn và lognormal. – Đánh giá rủi ro danh mục bằng các chỉ số đo lường rủi ro phổ biến. |
| 6 | Simulation Methods | – Tìm hiểu về phân phối lognormal và ứng dụng của nó trong dự báo tài sản. – Ứng dụng mô phỏng Monte Carlo. |
| 7 | Estimation and Inference | – Nắm vững các phương pháp lấy mẫu và định lý giới hạn trung tâm. – Hiểu về ước lượng điểm và ước lượng khoảng tin cậy. – Nhận diện các sai lệch trong lấy mẫu như bias từ cỡ mẫu, bias chọn mẫu, bias thời gian. |
| 8 | Hypothesis Testing | – Tìm hiểu quy trình kiểm định giả thuyết thống kê. – Kiểm định giả thuyết về trung bình của một tổng thể và so sánh giữa hai tổng thể. – Kiểm định giả thuyết về phương sai sử dụng kiểm định chi bình phương và kiểm định F. |
| 9 | Parametric and Non-Parametric Tests of Independence | – Kiểm định giả thuyết về mối quan hệ giữa các biến, sử dụng hệ số tương quan Pearson và kiểm định Spearman. – Sử dụng bảng phân phối để kiểm định tính độc lập của các biến định tính. |
| 10 | Simple Linear Regression | – Xây dựng và diễn giải mô hình hồi quy tuyến tính đơn giản. – Đánh giá độ phù hợp của mô hình hồi quy bằng R-squared, ANOVA và các thống kê khác. – Kiểm định hệ số dốc hồi quy bằng kiểm định t, p-value, kiểm định F. |
| 11 | Introduction to Big Data | – Hiểu về dữ liệu lớn và trí tuệ nhân tạo trong tài chính. – Tìm hiểu về khoa học dữ liệu, AI và công nghệ sổ cái phân tán (blockchain) trong đầu tư tài chính. |
Level 2
| STT | Module | Nội dung |
| 1 | Basics of Multiple Regression and Underlying Assumptions | – Mô tả các loại vấn đề đầu tư được giải quyết bằng hồi quy tuyến tính bội và quy trình hồi quy. – Xây dựng mô hình hồi quy tuyến tính bội, mô tả mối quan hệ giữa biến phụ thuộc và nhiều biến độc lập, và diễn giải các hệ số hồi quy ước lượng. – Giải thích các giả định cơ bản của mô hình hồi quy tuyến tính bội và diễn giải các biểu đồ phần dư để xác định các vi phạm tiềm năng của các giả định này. |
| 2 | Evaluating Regression Model Fit and Interpreting Model Results | – Đánh giá mức độ phù hợp của mô hình hồi quy bằng cách phân tích kết quả bảng ANOVA và các thước đo độ phù hợp. – Xây dựng các giả thuyết về ý nghĩa của hai hoặc nhiều hệ số trong mô hình hồi quy bội và diễn giải kết quả của các kiểm định giả thuyết chung. – Tính toán và diễn giải giá trị dự đoán cho biến phụ thuộc, dựa trên mô hình hồi quy ước lượng và các giá trị giả định cho biến độc lập. |
| 3 | Model Misspecification | – Việc xác định sai mô hình ảnh hưởng đến kết quả phân tích hồi quy và cách tránh các dạng lỗi sai phổ biến. – Giải thích các loại phương sai thay đổi và cách nó ảnh hưởng đến suy luận thống kê. – Giải thích tự tương quan và cách nó ảnh hưởng đến suy luận thống kê. – Giải thích đa cộng tuyến và cách nó ảnh hưởng đến phân tích hồi quy. |
| 4 | Extensions of Multiple Regression | – Các nguyên tắc và mô hình cốt lõi của các mô hình hồi quy bội và các giả định cơ bản được áp dụng và điều chỉnh cho các tình huống thực tế. – Phát hiện vi phạm giả định và các điều chỉnh có liên quan- Vai trò của hồi quy logistic trong máy học để phân tích Big Data. |
| 5 | Time-Series Analysis | – Sử dụng dữ liệu quá khứ để dự báo tương lai của một chuỗi dữ liệu thời gian.- Ước lượng các mô hình chuỗi thời gian và cách các mô hình này giải thích sự thay đổi của chuỗi dữ liệu theo thời gian. |
| 6 | Machine Learning | – Tổng quan về máy học và các thuật toán thiết yếu được áp dụng cho đầu tư.- Các thuật toán học máy không giám sát, mạng nơ-ron, deep learning và cách chọn thuật toán phù hợp với mục đích. |
| 7 | Big Data Projects | – Cách đưa ra dự đoán bằng cách sử dụng dữ liệu có cấu trúc và không có cấu trúc. – Ứng dụng của dữ liệu lớn trong việc dự đoán xu hướng thị trường và ra quyết định đầu tư. |
Xem thêm các bài viết: Thông tin CFA, Tin tức thị trường, Tổng hợp công thức CFA
