Subcategories

• 英国精算师（IFoA）和澳洲精算师（IAAust）

  CM1利息理论和寿险精算

  CM2金融经济学

  CS1概率论与数理统计

  CS2精算模型和非寿险精算

  CB1公司金融与财务报表

  CB2经济学

  CB3和OPAT

  CP1-3

  正精FIA阶段（SP和SA）
  29
  Topics
  51
  Posts

  J

  想问问part b 机考要怎样复习？谢谢
• 北美精算师（SOA）

  P概率论

  FM利息理论

  LTAM寿险精算

  STAM非寿险精算

  IFM投资与金融市场

  SRM风险建模统计

  PA预测分析

  VEE和FAP

  正精FSA阶段
  8
  Topics
  13
  Posts

  K

  以下会结合module和考试内容一起总结。 Module 1-2 对于R的基础介绍（下载、基础代码，比较基础就不在这过多介绍了） Module 3 ggplot Module 4 Describing variables/Missing data/Data design/Univariate data exploration/Bivariate data exploration Module 5 Data issue/resolutions Module 6 Genelarized linear model (GLM) /regularization Module 7 Decision tree/bagging/boosting Module 8 PCA/K-means clustering Module 9 Communication Module 3 ggplot 主要是辅助report的撰写，visualization来使得文章更数据化和具有描述性。 Histogram/bar chart 柱状图，主要是density和count的函数，对于单一变量的作图。比如整个数据库中age在每个点的分布。以下图表为举例，Prodcat指产品类型。左图1为不同产品类型的数量累计图形，可用fill=#对柱状图进行染色，左图2、图3不同产品类型的索赔件数（count amount）和索赔额（face amount）,可用weight=#来修改y轴的坐标属性，从单一变量的密度和分布函数变成了两个变量的相关分布图形。 Line/point/smooth 散点图和趋势线，通常为两个变量的相关图形。smooth和line的区别为smooth可用把该趋势线的标准差在图形中变现出来。如下图的阴影部分就是该线条的标准差。LifeExp（生活成本）与gdpPercap（人均gdp）之间的关系，然后不同颜色的点代表不同的continent（洲），可以用color=# 来上色。 Boxplot 箱型图，主要是展示以某一变量为基准（y轴）在不同情形（x轴）的分布，分布主要显示first quantile，中位数，third quantile和偏差点。如以下事例，箱型的上下边分别表示first quantile和third quantile，中位数为箱型图案中间的线，离箱型图案较远处的散点为偏差点。下图表示在不同时点，路上行人的数量差异。 Module 4 Describing variables/Missing data/Data design/Univariate data exploration/Bivariate data exploration（对于数据格式的整体完善和处理，从而辅助于之后的visualization） Type of data, 对于将在模型里用到的数据主要分为factor和number（或integer）的形式，而在考试中通常会出现character格式的数据，需要转换成factor，如以下代码表示： Describing variables主要分为target variables和predictor variables，如module 3里boxplot举的事例，target就是y轴的pedestrians，predictor则是x轴的hour。 Missing value的处理在考试中通常分为以下几种： remove columns/ rows，直接移除行或列，移除列的主要原因通常会是该变量对于预测无实质性的影响（significant effect），移除行的原因则是，移除该数组对于整体sample无较大影响。 replace with “unknown”,如果移除行数较多，对于数组的完整性造成影响，则会以unknown的变量表示。 还有mean，median，mode这三种方法来处理missing values。由于在现实生活中的缺乏操作性，所以通常很少用。 Data design 通常是对于数据进行相关处理，主要有Oversampling和Undersampling两种方法，考试偶尔也会考到某一个variable的granular（颗粒度），越详细的数据分类，颗粒度就会高，从国家到省到市到区到镇，就是颗粒度越来越高的一个过程。 Univariate data exploration是指单变量的分布，通常是指数据的numeric statistics或者summaries，在ggplot中多以histogram和bar chart的形式体现。 Bivariate data exploration主要分为三种 categorical versus numerical、categorical versus categorical和 numerical versus numerical，通常展示出来的图形都是条件分布的。下图所示就是在histogram和boxplot展示的bivariate exploration。两种exploration通常会在考试中的task1、2、3中要求对整个dataset的数据有所描述而用到。 Module 5 Data issue/resolutions 此部分主要描述了outliers的类型，分为errors（错误值，如age显示140）和natural（自然偏差height显示2.2m，实际存在，但与样本其他点偏离较大）。 bivariate data exploration的作图，numerical对应numerical多用scatterplot和point的方法，categorical对应categorical多用histogram和bar chart，numerical对于histogram则多用box plot。 考试时还会用到 library（dplyr）的package来处理数据，通常都会提供code，主要用到的是filter，mutate和summarise，偶尔会有select和arrange的用法。以filter举例，就是做条件筛选数据，以下这条code就是表示我们只需要数据里年龄大于或等于18的数据。 data<-data %>% filter(data$age>18) Module 6 Genelarized linear model (GLM) /regularization 以下为四种常见的所有模型和default link function，用来应对于不同的实际情景，以poisson分布为例，主要应对于预测分析target variable大于零的情形，如街上的行人数量。 既然有了模型，随机而来的就是model selection，用相关的方法来判断模型的好坏。主要方法会有AIC，BIC和Deviance。常见的情形是更小的系数代表更好的模型。在比较系数高低的同时，是用backward selection或者forward selection来进行模型变量的选择。顾名思义，backward selection是逆向选择，模型从完整的模型对变量一个一个消减来观察AIC等系数的变化；forward selection则是正向选择，模型从唯一的截距开始增加变量。 Regularization则是对于过于复杂的模型进行变量削弱和衰减（shrinkage），主要方法为ridge，lasso和elastic net（ridge和lasso的结合）。更多的情形下会用到lasso，因为lasso可用把变量的系数（coefficient）衰减到0，而ridge只能衰减到接近于0。也就是lasso相对于ridge，可用让我们在分析模型时，得到一个更简单的模型。
• 中国精算师（CAA）

  A1数学

  A2金融数学

  A3精算模型

  A4经济学基础

  A5寿险精算

  A6非寿险精算

  A7会计与财务

  A8精算管理
  0
  Topics
  0
  Posts
  No new posts.
• 北美财险精算师（CAS）

  MAS-I

  MAS-II

  Exam 5

  Exam 6

  Exam 7

  Exam 8

  Exam 9
  1
  Topics
  2
  Posts

  L

  目前结果还没有出来，我就先发表了，考过了就当是经验分享，没有就当是失败总结吧！ 【自我背景】 本科学的金融相关专业，研究生念的精算数学，研究生期间在校考了除PA外的所有基础性考试，所以有一定精算基础。因工作需要，转CAS，目前在职准备精算考试。 【学习资料】 manual 2016版 (再往后的实在是找不到了，所幸CAS考纲每次变动不大) 官网的各年真题。 【复习过程】 我大概从1月份开始学习，刚开始都没啥进度，年前就看完了ULAE还有ALAE及recoveries。（我是从后往前看的，毕竟刚开始学习的时候还是比较有激情，且时间宽松的，而且先啃硬骨头，后面会越来越容易。）过完年基本上就慢慢开始往后看了吧，每天大概就是早上半小时，晚上1-2小时，周三周五晚上不看书。周末两天总共基本上也就能看个4-8小时左右吧，偶尔也要刷剧逛街。 从清明节放假结束后，我开始了比较高强度的学习，每天早上大概在公司看半个小时左右，下了班后会再看2-3个小时，偶尔也会去锻炼，就大概在锻炼后回去看1个小时。周末全都在家看书，周六大概是7个小时，周日5个小时。中间有一周因为看MAS 2就没有准备exam 5。5.1-5.5放假期间，除去和亲戚去海底捞聚了个餐，2号加了半天班，基本上每天学习6-8小时。趁着热乎劲儿，6号一早就去考试了。 所以总计学习了大概200-250小时。 【关于刷题】 我看了TIA所有的manual，Part A和Part B没有做题，基本都是一些基础内容，计算不多。从Part C开始，我做了所有标了good question的past exam qeustion。考前刷了17-19年的5套题（18年有一套没答案），其中两套我是自己打到了excel里面模拟机考做的。感觉过去考试题目和现在的还挺相近的，所以建议还是多做一点过往真题。每章做完我都还按照manual后面的knowledge checklist自己写个总结，列一下常考的类型题，有利于最后复习。 【考场情况】 我是在北京考试中心考的，位置在白石桥南、国家图书馆那边。里面不是很大，总共只有2个机房。同时考的还有很多考GMAT的同学。工作人员不是很多，所以入场等了很久。大概流程就是测体温、登记、存包、验护照、留掌纹、等叫号进机房考试。如果是报名的早上8点的考试，不要过早去，因为7:30之前是不让进去的。 【关于机考】 毕竟这是我的第一次CAS考试，之前也没参加过纸考。 先说说机考的优点吧。 *拉三角特别快，不用一个个敲计算器。 *特别适合改错，毕竟都是excel，即使有地方算错了，直接改了就好，整个后面计算的逻辑都不会变，结果会直接更改，不用重现算一遍。 *可以通过点开navigation看到每个题目大概涉及啥，比如说是ULAE还是reserve technique，就是整体对考试涉及到的考点有个把握，可以更好安排答题顺序和时间分配。 缺点嘛， *不能圈圈画画了，之前用纸笔联系的时候，经常会圈出来一些重点提醒自己别忘掉，譬如48-ult的因子。 *没有办法列公式了。经常我敲着敲着就不知道自己算到哪里了。 *有的时候题目和答案不能在同一个屏幕里面展现，还是不方便。