"FRM是金融风险建模与管理的国际专业考试，是金融从业者的高级权威认证，其市场接受度和认可度非同一般。目前该考试的通过率较低，中国境内的持证者更是凤毛麟角。
FRM考试采用全英文形式，本身对语言要求很高，另外考试大纲涵盖范围之广泛、内容之丰富，对大多数考生来说，也是极大的挑战。其中，涉及到的各类经典金融风险模型资料更是所有渠道难求。
《MATLAB 金融风险管理师FRM. 金融科技Fintech 应用》作者均为北美一线金融风险建模从业者，他们考察了大量现实状况，得出的结论是：无论你是仅仅需要通过FRM考试，还是为了满足实际的工作需求，你都需要具备一定的编程能力，能够由程序生成各种可视化的数据和流程。如此，才能对FRM考纲深入理解并融会贯通，进而熟练准确地运用到工作中。
MATLAB是理工专业的推荐工具，软件不难，但是融入到业务中则需要一定的思路和方法。从这个角度出发，《MATLAB 金融风险管理师FRM. 金融科技Fintech 应用》不仅是FRM认证读者的推荐资料，也是一本非常好的MATLAB实战类书籍。另外，数据可视化方面，《MATLAB 金融风险管理师FRM. 金融科技Fintech 应用》也体现得淋漓尽致，几乎每一页都用精美数据表来诠释主题。
本系列图书一共有7本（暂定），5本基于MATLAB编程的分册将先行出版，后续还有两本基于Python编程的分册。力争让读者在了解FRM金融风险理论知识的同时，精准切入考试重点和难点，并真正掌握用于满足实战的金融本领，在成为光荣的FRM持有者之余，更可以游刃有余地在实际金融场景中大显身手。

"

金融风险管理已经成为各个金融机构推荐的职能部门，特别是随着全球金融一体化的不断发展与深入，金融风险管理越发重要，也日趋复杂。金融风险管理师（Financial Risk Manager，FRM）认证考试就是在这个大背景下推出的，FRM考试现在已经是金融风险管理领域很好权威的国际认证考试。本丛书以FRM考试第一、二级考纲内容为中心，并且突出介绍在实际工作中所必需的金融建模风险管理知识。本丛书将金融风险建模知识和MATLAB编程有机地结合在一起，配合丰富的彩色图表，由浅入深地将各种金融概念和计算结果可视化，帮助读者理解金融风险建模核心知识，提高数学和编程水平。《MATLAB金融风险管理师FRM.金融科技Fintech应用》是本丛书的第五本，共分12章。第1章是本丛书第三本第11章时间序列的姊妹章，介绍多重共线性、岭回归、Lasso回归，以及协整性和向量误差修正模型。第2章延续本丛书第三本第9、第10两章，继续探讨蒙特卡罗模拟中的跳跃过程和拟蒙特卡罗模拟，本章最后给出一个模拟投资组合VaR值的案例分析。第3章和第4章，分别介绍利率模型及波动率模型与校准；特别的是，这两章内容和衍生品定价紧密联系。第5章详细介绍对手风险中信用敞口、信用指标模拟计算，以及如何规避对手信用风险及信用价值调整；本章最后探讨错向风险。第6章介绍股票技术分析，其中包括蜡烛图、股价绘图、成交量图以及各种震荡指标等。第7、第8两章衔接本丛书第四本第8～10章，继续探讨投资组合优化问题。其中，第7章介绍平均绝对离差和风险价值两种风险指标以及信息比率和风险规避，本章最后介绍BlackLitterman模型；第8章主要介

第1章时间序列Ⅱ
1.1多重共线性
1.2岭回归
1.3Lasso回归
1.4协整性
1.5向量误差修正模型
第2章蒙特卡罗模拟Ⅲ
2.1跳跃过程
2.2拟蒙特卡罗模拟
2.3模拟投资组合VaR
第3章利率模型与校准
3.1利率衍生品
3.2利率模型
3.3模型校准
3.4利率三叉树
第4章波动率模型与校准
4.1隐含波动率
4.2Heston随机波动率模型
4.3局部波动率模型
4.4SABR随机波动率模型
第5章交易对手信用风险
5.1交易对手信用风险
5.2信用敞口
5.3信用敞口指标
5.4信用敞口的模拟
5.5交易对手信用风险规避
5.6信用价值调整
5.7错向风险
第6章技术分析
6.1技术分析
6.2蜡烛图
6.3其他股价绘图
6.4成交量图
6.5价格变化图像
6.6震荡指标
第7章投资组合优化Ⅳ
7.1风险指标
7.2平均离差(MAD)
7.3风险价值VaR和ES
7.4投资组合优化对象
7.5信息比率
7.6风险规避
7.7Black-Litterman模型
第8章投资组合优化Ⅴ
8.1风险贡献
8.2风险预算
8.3风险平价
8.4层次风险平价
8.5投资策略比较
8.6回顾测试
第9章因素投资
9.1单因子模型和CAPM市场模型
9.2双因子模型
9.3多因子模型
9.4多因子模型投资组合表达
9.5多因子模型的应用
9.6主成分分析模型
第10章机器学习Ⅰ
10.1机器学习概述
.10.2朴素贝叶斯分类
10.3高斯朴素贝叶斯分类
10.4高斯判别分析
10.5线性判别与二次判别
10.6k临近算法
第11章机器学习Ⅱ
11.1支持向量机
11.2软间隔与核技巧
11.3决策树
11.4性能度量
11.5高斯混合模型
11.6软聚类
11.7GMM参数调试
第12章机器学习Ⅲ
12.1k均值聚类
12.2层次聚类
12.3模糊C均值聚类
12.4DBSCAN聚类
12.5神经网络结构
12.6反向传播算法
结束语
备忘
参考及推荐图书