2012年江西省CFA二级考试试题知识大全

超详细版CFA二级考经今年6月的CFA二级成绩刚出来，我5A3B2C顺利通过。

这个成绩比那些大牛们还相差甚远，但我也不认为这是个低空飘过的分数。

两个C分别是Quantitative和FixedIncome，都是权重最小的（今年的FixedIncome破天荒只出了一个itemset），5个A里面却包括了Equity和FSA这样权重很大的科目。

根据权重来安排复习计划很重要，我考一级的时候就是这个战略，最后是以6A4B的成绩通过的，6个A里面依然包括着Equity、FSA和Ethics这些大权重topic。

但无论怎么复习终归还是有些点复习不到或者考试时候忘记，这是难以避免的，既然70%就可以通过，另外30%就要合理挥霍一下嘛。

为了攒人品和为后来者提供一些建议，我把我复习每一个topic的经验分享一下。

首先介绍一下我的学术背景：美国综合排名60位左右的大学经济学本科毕业（辅修数学和金融），现在在综合排名40左右的大学读金融研究生。

鉴于我开始读研究生的时候已经考完二级了，所以研究生的背景对于这次考试的通过可以忽略不计。

我在大学的时候修过几门金融的课程，但是真正把所有知识体系梳理清楚和对金融有清晰认识是复习CFA一级的时候。

一级虽然难度不高，但是知识点体系庞大，通过一级可以为以后的金融学习奠定一个很好的基础。

我正式开始复习二级是三月初，时间比较充裕，但如果你上班上课很紧张的话我建议从年初就要开始准备了。

Ethical &Professional StandardsEthics的面孔在所有topic里面既熟悉又陌生。

熟悉在那一条条一级就已经考过的道德准则，陌生在做练习题的时候照样一题题地做错。

Ethics比一级多加了一个Softdollar standard和Research objectivity standard, 看似仅仅是对道德准则中两条小准则的延伸，字面的表达也很好理解，但是无奈做题就是做不对。

CFA二知识点梳理CFA（Chartered Financial Analyst）是全球金融领域最具权威性的证书之一，也是全球许多金融人士追求的目标。

CFA考试由三级组成，分别为CFA一级、CFA二级和CFA三级，每一级的内容都非常庞大而复杂。

以下是CFA二级的知识点梳理。

CFA二级的重点知识点主要包括三个主题：投资工具、资产估值和投资管理。

投资工具方面，主要涵盖了证券市场和投资工具的特点和功能、固定收益证券、股票和衍生品等。

在证券市场和投资工具的特点和功能中，涉及到市场的结构、市场参与者和交易流程等内容；而对于固定收益证券，CFA二级要求掌握不同类型的债券（包括国债、公司债和抵押债券）以及它们的特点和估价方法等；对于股票，CFA二级要求了解股票市场和投资策略、股票估值方法、市净率和市盈率等基本概念；对于衍生品，主要包括期货、期权和互换协议等，要求了解其特点和交易策略。

资产估值方面，CFA二级主要涉及公司财务报表分析、企业估值、固定收益证券的估值和股票的估值等。

在公司财务报表分析中，包括理解财务报表、财务比率分析、财务报表分析框架等；在企业估值中，要求了解现金流量估计、公司估值模型以及DCF（现金流量贴现）方法等；在固定收益证券的估值中，要求了解折现率计算、债券定价等；在股票的估值方面，要求了解相对估值和市盈率法、股票盈利模型等。

投资管理方面，CFA二级要求了解投资组合的基本概念、投资管理的效率和绩效评估等。

在投资组合的基本概念中，包括资产配置和风险管理等；在投资管理的效率方面，涉及到有效市场假说、投资者行为和投资管理的规模等；在绩效评估中，要求了解投资绩效指标和绩效归因等。

除了以上三个主题外，CFA二级还涉及到道德和投资专业行为、行业和公司分析、财务报表分析和估值、定量方法等其他知识点。

总结起来，CFA二级的知识点主要包括投资工具、资产估值和投资管理。

投资工具方面主要涵盖证券市场和投资工具的特点和功能、固定收益证券、股票和衍生品等；资产估值方面主要涉及公司财务报表分析、企业估值、固定收益证券的估值和股票的估值等；投资管理方面主要包括投资组合的基本概念、投资管理的效率和绩效评估等。

Quant (1 Item Sets)•Simple linear regression with one independent variable (the basics)•Multiple regression with more than one independent variable (basics again plus model misspecification and problems with regression)•Time series analysis (observations over successive time periods; e.g. monthly stock returns, quarterly revenue data)Focus1.Simple linear regression1)计算：Covariance, correlation coefficient；并解释r的取值范围2)correlation coefficient等于0的假设检验，在给定置信度的情况下，判断接受还是拒绝原假设3)计算：估计标准误、回归系数、以及回归的置信区间4)使用H0和Ha来判断回归系数是否可靠5)计算：在回归模型已知的情况下模型的因变量 & 因变量的置信区间6)学会使用AVOVA分析，计算F统计量2.Multiple regression1)多元回归的显著性检验a)多元回归模型的假设b)P-Valuec)回归系数的t-test统计量d)判断在一定的置信度和单双尾的条件下，确定是否应该接受原假设e)计算：多元回归系数的置信区间、预测的因变量值f) F 统计量在回归分析中使用2)计算并区分：多元回归中R2和调整后的R23)ANOVA表格：也许会出现计算4)dummy variable，要会解释5)多元回归的问题（每个细节都需要把握）a)异方差性i.带来的影响ii.什么检验iii.出现异方差容易犯第几类错误iv.如何调整b)序列相关性i.带来的影响ii.什么检验iii.出现序列相关性容易犯第几类错误iv.如何调整c)多重共线性i.对回归分析的影响ii.什么检验iii.出现多重共线性容易犯第几类错误iv.如何调整d)知道模型不确定性对回归分析结果的影响，怎么样可以避免这些模型不确定性3.Time-Series Analysis1)知道将时间序列转化为线性趋势或log-linear trend模型2)解释自回归性，计算往前一期或两期的预测3)用残差的自相关性来检验是否自回归性模型适合该时间序列4)mean reversion，计算mean-reverting level5)In-sample forecasts & Out-sample forecasts，基于均方根误差下，比较不同时间序列模型的准确性6)Covariance Stationarity & Mean Reversion7)Random Walk & Random Walk with a Drift，并比较随机游走和协方差平稳过程的差异8)Unit Root Definition，一般什么时候会出现，如何对单位根进行测试9)Unit Root Test for Nonstationarity，有单位根的时间序列可以被转化成Autoregressive (AR)model10)First Differencing11)知道如何检验和修正季节性时间序列模型。

统计学Reading 11 相关和回归Reading 12 多元线性回归1. 相关分析:1) 协方差和相关系数的计算;2) 相关系数的检验(ρ = 0): t = r ((n - 2) / (1 – r2))1/2, df = n – 2.2. 线性回归:1) 模型及假设, dependent variable (Y) and independent variable (X).2) 参数估计(min SSE): b i = Cov(X i, Y) / Var(X i), b0 = E(Y) –Σb i * E(X i).3) 回归系数的置信区间和统计检验: t = (b i–βi) / s bi, df = n – k – 1.注：k为independent variable的数目, 不要求计算标准误s bi.3. 线性模型的显著性检验:1) Total sum of squares (SST) = Σ(Y – E(Y))2, Y –观测值;Regression sum of square (RSS) = Σ(y – E(Y))2, y –拟合值;Sum of squared error (SSE) = Σ(Y - y)2;SST = RSS + SSE.Standard error of estimate SEE = (MSE).3) Determination coefficient R2 = RSS / SST,Adjusted R2 = 1 – (n - 1)/(n – k - 1) * (1 – R2): adjust the impact of additional variables.4) F-检验：F = MSR / MSE, df = (k, n – k - 1).4. 模型前提假设的检验:1) Heteroskedasticity:A) Effect :Unconditional: heteroskedasticity is unrelated to the level of X, no major problem;Conditional: coefficient estimates are not affected, but s.e. and F-test are unreliable.B) Detecting:a) Residual plot: residual = actual – predicted.b) Breusch-pagan test (H0: no heteroskedasticity):n * R resid2 ~ χ2(k), 其中R resid2是residual对X回归的决定系数.C) Correcting: using robust or corrected s.e.2) Serial correlation: residual terms are correlated with each other:A) Effect:Positive serial correlation: underestimating s.e., unreliable F-test;Negative serial correlation: overestimating s.e., unreliable F-test.B) Detecting:a) Residual plot.b) Durbin-Watson test (H0: no serial correlation):DW ≈ 2(1 - r), 其中r是残差的自相关系数, 0 ≤ DW ≤ 4.C) Correcting: corrected s.e. for both serial correlation and heteroskedasticity.3) Multicollinearity: independent variables are highly correlated with each other:A) Effect: individual variables are not significant (large s.e.) but their combination is.B) Detecting:a) None of individual coefficient is significant, but F-test is.b) Correlations between variables (> 0.7).注：两变量间的相关系数并未考虑变量线性组合的相关性，因此低相关系数并不一定意味着不存在multicollinearity.C) Correcting: omit correlated variables or take stepwise regression.4) Model misspecification: 不合适地选取解释变量（实际意义不对或不满足线性模型的前提假设）或不恰当的变量转换等.5. Dummy variable (0 – 1 variable):1) Independent dummy variable: linear regression is appropriate.注：n classes → (n - 1) dummy variable.2) Qualitative dependent variable (Y取0, 1): ordinary regression may not be appropriate, use logit regression model or discriminate model.Reading 13 时间序列分析1. Trend model:1) Linear: x t = b0 + b1t + εt;2) Log-linear: ln(x t) = b0 + b1t + εt, 常用于为增长率建模.2. Autoregressive model (AR):1) AR(p): x t = b0 + b1x t-1 + … + b p x t-p + εp, lag: 1, … , p.2) Covariance stationarity:a) Constant and finite E(X t): mean-reverting level for AR(1) E(X t) = b0 / (1 – b1).Random walks (unit root process): x t = b0 + x t-1 + εt不是平稳过程.b) Constant and finite Var(X t);c) Constant and finite Cov(X t, X t-k):对AR平稳序列, 自相关系数Cor(X t, X t-k) = ρk→ 0.3) Forecasting:a) In-sample (within the range of data) and out-sample forecasts.b) Short time series: more stable (no dramatic change);Long-time series: more reliable.c) Predicting power: root mean squared error (RMSE) on the out-sample data.3. AR模型的检验与修正:1) Nonstationarity:a) Detecting: Dickey-Fuller (DF) test or unit root test:For AR(1): x t– x t-1 = b0 + (b1 - 1)x t-1 + εt, H0: b1 = 1, t-test with modified s.e.b) Correcting - differencing:For random walks: 令y t = x t– x t-1, 有y t = b0 + εt.2) Serial correlation (residual terms should not exhibit serial correlation):a) Detecting:H0: Cor(εt, εt-k) = 0 for any lag k; t = Cor(εt, εt-k) / (1 / T) 1/2, df = T – p - 1.注: T – number of effective observations, T = n – p.一般线性回归中的DW检验不适用于AR模型。