一、各章节学习目标

Module 1 Rates and Returns

计算、解释和比较不同的利率，实际无风险利率，风险溢价，货币加权收益率和时间加权收益率，计算和解释年化回报率和连续复合回报率。

Module 2 Time Value of Money in Finance

用货币的时间价值原理来评估金融资产。计算债券和股票相关的预期未来现金流量的现值。在当前价格下求解隐含债券和股票回报。现金流可加性，理解金融资产如何在市场中定价。

Module 3 Statistical Measures of Asset Returns

集中趋势(central tendency)，分散(dispersion)和回报分布形状(the shape of return distributions)等关键指标,特别是偏度skewness和峰度kurtosis。两个变量之间的协方差covariance and和相关性correlation的图形介绍，协方差和相关性是构建投资组合实现资产多样化的关键概念。

Module 4 Probability Trees and Conditional Expectations

随机变量的期望值、方差和标准差的计算。概率树，它有助于将条件期望和期望值的总概率可视化。贝叶斯公式，这是一种随着新信息的到来而调整概率的合理方法。

Module 5 Portfolio Mathematics

了解投资组合回报和风险度量。计算投资组合的预期收益，预测特定的投资组合指标通过查看投资组合的各个组成部分的风险和回报来预测相关性和协方差。投资组合管理中广泛使用的各种投资组合风险度量。

Module 6 Simulation Methods

解释正态分布和对数正态分布之间的关系，如何构建和解释蒙特卡罗模拟分析。与蒙特卡罗模拟有一些相似之处的bootstrap 重采样。

Module 7 Introduction to Linear Regression

介绍了抽样，我们使用样本来估计参数;我们使用样本统计。中心极限定理帮助我们理解在我们面临的许多估计问题中样本均值的抽样分布，各种重采样方法(bootstrap、jacknife)。

Module 8 Hypothesis Testing

假设检验，说明假设检验在金融和投资管理中的应用。误差对假设检验过程的影响。非参数检验及其在投资管理中的应用。

Module 9 Parametricand Non-Parametric Tests ofIndependence

测试两个变量之间相关性的参数方法和非参数方法。如果我们想要检验分类数据或离散数据之间是否存在关系，我们可以使用非参数检验统计量进行独立性检验。在实现这种非参数测试时列联表的使用。

Module 10 Simple Linear Regression

简单线性回归线性回归允许我们通过量化两个变量之间关系的强度来检验关于两个变量之间关系的假设，并使用一个变量对另一个变量进行预测。重点是单一自变量的线性回归，也就是简单的线性回归。

Module 11 Introduction to Big Data Techniques

金融科技包括使用大数据、人工智能和机器学习来评估投资机会、优化投资组合和降低风险。

二、学习建议

数量所占比重为 6%-9%，数量权重虽低，但学的时候整体内容多，专有名词很多，且需要有一定的数学基础，需要花费较多时间去理解，同时会牵扯到其他科目的知识，在一个词开始学习数量时不太明白的可以标记好放一放，等全部科目学完之后再回过头来学习会轻松些。出现的一些计算，主要是辅助更好地来理解知识点的，同时需要在理解知识点的基础上多做题。