Quantitative Methods CFA Level 1
Rates & Returns · TVM · Statistiques · Probabilités · Portfolio Math · Simulation · Estimation · Hypothesis Testing · Régression · Big Data — Modules 10-18 du curriculum 📊
Quantitative Methods est la matière fondatrice du CFA Level 1. Elle fournit les outils mathématiques et statistiques utilisés dans toutes les autres matières du curriculum — valeur temps de l’argent (TVM), statistiques descriptives, probabilités, tests d’hypothèse et régression linéaire. Son poids direct à l’examen est modeste (6-9%), mais sa maîtrise conditionne votre réussite en Equity, Fixed Income, Derivatives et Portfolio Management. C’est pourquoi nous recommandons de l’étudier en premier dans notre guide de préparation.
📌 Stratégie : Quant est la matière à étudier en premier. Elle pose les fondations pour Equity (DDM, CAPM), Fixed Income (duration, pricing), Derivatives (put-call parity, binomial) et Portfolio Management (Markowitz, variance du portefeuille). Maîtrisez votre calculatrice BA II Plus (fonctions TVM, CF, STAT) avant de commencer.
LM1. Rates and Returns
| Concept | L’essentiel à retenir |
|---|---|
| Trois interprétations du taux d’intérêt | (1) Required rate of return — rendement minimum exigé par l’investisseur. (2) Discount rate — taux d’actualisation pour obtenir la valeur présente. (3) Opportunity cost — valeur sacrifiée en choisissant une alternative |
| Décomposition du taux | r = Real risk-free rate + Inflation premium + Default risk premium + Liquidity premium + Maturity premium. Le nominal risk-free rate ≈ real risk-free rate + inflation premium |
| Holding Period Return (HPR) | HPR = (P₁ − P₀ + D) / P₀. Rendement sur une période unique — inclut le gain en capital + le revenu (dividende/coupon) |
| Arithmetic Mean Return | Moyenne simple des rendements périodiques. Meilleur estimateur du rendement espéré sur une seule période. Surestime le rendement composé réalisé sur plusieurs périodes |
| Geometric Mean Return | R_G = [(1+R₁)(1+R₂)…(1+Rₙ)]^(1/n) − 1. Mesure le taux de croissance composé effectif. Toujours ≤ arithmetic mean (sauf si tous les rendements sont identiques) |
| Harmonic Mean | X_H = n / Σ(1/Xᵢ). Utilisé pour les stratégies de dollar-cost averaging. Toujours ≤ geometric mean ≤ arithmetic mean |
| Money-Weighted Return (MWR) | = IRR des flux d’entrée/sortie de l’investisseur. Reflète le rendement réel obtenu. Sensible au timing des cash flows |
| Time-Weighted Return (TWR) | = Taux de croissance composé d’1 unité monétaire. Insensible au timing des flux → préféré pour évaluer la performance des gérants de portefeuille |
| Annualized Return | r_annual = (1 + r_period)^(c/n) − 1. Permet de comparer des rendements sur des horizons différents |
| Continuously Compounded Return | r_cc = ln(1 + HPR) = ln(P₁/P₀). Symétrique, additive dans le temps, utilisé en modélisation financière |
| Gross vs Net Return | Gross = avant frais de gestion (compare les gérants). Net = après frais (ce que l’investisseur touche réellement) |
| Real Return | (1 + real) = (1 + nominal) / (1 + inflation). Approximation : real ≈ nominal − inflation. Utile pour comparer entre périodes et entre classes d’actifs |
| Leveraged Return | R_L = R_p + (V_B/V_E) × (R_p − r_B). L’effet de levier amplifie gains ET pertes |
✅ Key takeaway : TWR est préféré pour évaluer les portfolio managers (insensible aux flux), MWR reflète le rendement réel de l’investisseur. Geometric mean = croissance composée réelle. Ces distinctions sont testées quasiment à chaque session.
LM2. Time Value of Money in Finance
| Concept | L’essentiel à retenir |
|---|---|
| Fixed-Income TVM | Prix d’une obligation = PV de tous les cash flows futurs (coupons + principal) actualisés au YTM. Relation inverse prix/taux. Obligatoire de savoir calculer sur la BA II Plus (N, I/Y, PMT, FV, PV) |
| Equity TVM | Valorisation d’une action = PV des dividendes futurs. Gordon Growth Model : P₀ = D₁ / (r − g). Multi-stage DDM : actualiser chaque dividende individuellement puis le terminal value |
| Implied Return & Growth | Partant du prix observé, on peut résoudre pour le taux de rendement implicite (YTM pour les obligations, r pour les actions) ou le taux de croissance implicite g |
| Cash Flow Additivity | Principe fondamental : la PV d’une série de cash flows = somme des PV individuelles. Base du pricing de tous les instruments financiers |
| Implied Forward Rates | Les taux forward peuvent être extraits des taux spot via le no-arbitrage : (1+S₂)² = (1+S₁)(1+f₁,₁). Le forward rate est le taux qui rend les deux stratégies équivalentes |
| Forward Exchange Rates | Covered Interest Rate Parity : F/S = (1+r_d) / (1+r_f). Le taux de change forward élimine l’arbitrage entre devises |
| Option Pricing via Additivity | La valeur d’une option peut être décomposée en cash flows conditionnels. Introduction au concept de réplication (développé en Derivatives) |
⚠️ Piège fréquent : dans le Gordon Growth Model, D₁ = D₀ × (1+g). L’erreur classique est d’utiliser D₀ au lieu de D₁. Vérifiez toujours si l’énoncé donne le dernier dividende versé (D₀) ou le prochain dividende attendu (D₁).
LM3. Statistical Measures of Asset Returns
| Concept | Formule / Définition | Application CFA |
|---|---|---|
| Moyenne arithmétique | X̄ = ΣXᵢ / n | Estimateur du rendement espéré sur une seule période |
| Médiane | Valeur centrale (position (n+1)/2) | Robuste aux outliers — utile si distribution asymétrique |
| Mode | Valeur la plus fréquente | Peut ne pas exister ou être multiple |
| Percentiles / Quartiles | Q1 (25%), Q2 (50% = médiane), Q3 (75%) | Interquartile Range (IQR) = Q3 − Q1 |
| Range | Max − Min | Mesure la plus simple de dispersion — sensible aux outliers |
| Mean Absolute Deviation | MAD = Σ|Xᵢ − X̄| / n | Plus robuste que la variance car pas de mise au carré |
| Variance (sample) | s² = Σ(Xᵢ − X̄)² / (n−1) | Diviseur = n−1 (Bessel correction) pour un estimateur non biaisé |
| Standard Deviation | s = √s² | Même unité que les données. Mesure de risque la plus utilisée |
| Target Downside Deviation | √[Σmin(Xᵢ − B, 0)² / (n−1)] | Ne pénalise que les rendements sous le seuil B. Utilisé dans le Sortino Ratio |
| Coefficient of Variation | CV = s / X̄ | Permet de comparer la dispersion de séries d’unités différentes (scale-free) |
| Sharpe Ratio | Sharpe = (R̄p − Rf) / sp | Rendement excédentaire par unité de risque total. Plus élevé = mieux |
| Skewness | Mesure d’asymétrie | Positive skew = queue droite longue (frequent small losses, few extreme gains). Negative skew = queue gauche longue (l’inverse). Normal = 0 |
| Kurtosis | Mesure l’épaisseur des queues | Leptokurtic (kurtosis > 3) = queues épaisses = plus de rendements extrêmes. Platykurtic (< 3) = queues fines. Mesokurtic (= 3) = normal. Excess kurtosis = kurtosis − 3 |
| Covariance | Cov(X,Y) = Σ(Xᵢ−X̄)(Yᵢ−Ȳ) / (n−1) | Signe indique direction de la relation. Magnitude difficile à interpréter (pas normalisée) |
| Correlation | ρ = Cov(X,Y) / (sₓ × sᵧ) | Normalisée entre −1 et +1. ρ = 0 ≠ indépendance. Ne capte que les relations linéaires |
📊 Skewness & investissement
Les investisseurs préfèrent une positive skewness (plus de chance de gains extrêmes) et une faible kurtosis (moins de rendements extrêmes dans les deux sens). La plupart des distributions de rendements réelles présentent une negative skew + excess kurtosis → plus de risque extrême que prévu par la loi normale.
⚠️ Limites de la corrélation
La corrélation ne capture que les relations linéaires. Elle peut être 0 même si les variables sont fortement liées (relation non linéaire). Les outliers peuvent fausser la corrélation. Elle n’implique pas la causalité (spurious correlation).
LM4. Probability Trees and Conditional Expectations
| Concept | L’essentiel à retenir |
|---|---|
| Expected Value | E(X) = Σ P(xᵢ) × xᵢ. Moyenne pondérée par les probabilités. Base de toute décision d’investissement sous incertitude |
| Variance of a Random Variable | σ² = Σ P(xᵢ) × (xᵢ − μ)². Mesure la dispersion des résultats possibles autour de l’espérance |
| Probability Tree | Outil visuel qui décompose un événement en branches successives. Chaque branche = une probabilité conditionnelle. Utile pour les scénarios multi-étapes |
| Conditional Expectation | E(X|S) = espérance de X sachant que le scénario S s’est réalisé. Chaque branche du tree peut avoir sa propre espérance conditionnelle |
| Total Probability Rule | E(X) = Σ E(X|Sᵢ) × P(Sᵢ). L’espérance totale est la moyenne pondérée des espérances conditionnelles. Très utilisé dans les modèles de valorisation multi-scénarios |
| Bayes’ Formula | P(A|B) = P(B|A) × P(A) / P(B). Met à jour les probabilités a priori en fonction de nouvelles informations. Fondamental pour l’analyse financière (mise à jour des prévisions quand de nouvelles données arrivent) |
📌 Pour l’examen : Bayes’ Formula est un classique du CFA Level 1. L’astuce est de construire un tableau 2×2 avec les probabilités jointes plutôt que d’appliquer la formule directement. Technique plus fiable sous pression et moins sujette aux erreurs.
LM5. Portfolio Mathematics
| Concept | L’essentiel à retenir |
|---|---|
| Portfolio Expected Return | E(Rp) = Σ wᵢ × E(Rᵢ). Moyenne pondérée des rendements espérés des actifs. Les poids wᵢ somment à 1 |
| Portfolio Variance (2 actifs) | σ²p = w₁²σ₁² + w₂²σ₂² + 2w₁w₂Cov(1,2). La diversification réduit le risque quand Cov < 0 ou faible. Formule critique pour l’examen |
| Covariance & Corrélation | Cov(1,2) = ρ₁₂ × σ₁ × σ₂. On peut réécrire : σ²p = w₁²σ₁² + w₂²σ₂² + 2w₁w₂ρ₁₂σ₁σ₂ |
| Cas extrêmes de corrélation | ρ = +1 → pas de diversification (σp = w₁σ₁ + w₂σ₂). ρ = −1 → diversification parfaite possible (σp peut = 0). ρ = 0 → σp = √(w₁²σ₁² + w₂²σ₂²) |
| N actifs | σ²p = ΣΣ wᵢwⱼCov(i,j). Avec N actifs, il y a N variances et N(N−1)/2 covariances uniques. Quand N est grand, le risque du portefeuille est principalement déterminé par les covariances, pas les variances individuelles |
| Normal Distribution | ~68% des observations dans ±1σ, ~95% dans ±2σ, ~99.7% dans ±3σ. Base des intervalles de confiance et du calcul de VaR |
| Safety-First Ratio (SFRatio) | SFRatio = (E(Rp) − R_L) / σp. R_L = rendement seuil minimum. Plus SFRatio est élevé, plus la probabilité de tomber sous R_L est faible. Concept lié au Sharpe Ratio |
✅ La variance du portefeuille est LA formule à connaître parfaitement. Elle revient dans Equity (CAPM), Fixed Income (key rate duration), Portfolio Management (Markowitz) et Derivatives (hedging). Maîtrisez les cas ρ = +1, −1 et 0 pour gagner du temps à l’examen.
LM6. Simulation Methods
| Concept | L’essentiel à retenir |
|---|---|
| Lognormal Distribution | Si ln(X) suit une loi normale, alors X suit une loi lognormale. Les prix des actifs sont souvent modélisés comme lognormaux (bornés par 0, asymétriques). Les rendements sont modélisés comme normaux |
| Continuously Compounded Returns | r_cc = ln(S₁/S₀) = ln(1 + HPR). Propriété clé : les rendements continus sont additifs dans le temps. r_cc(total) = r_cc(1) + r_cc(2) + … + r_cc(n) |
| Monte Carlo Simulation | Génère des milliers de scénarios aléatoires selon une distribution spécifiée. Utilisé pour : pricing d’options complexes, VaR, stress testing, planification de retraite. Limites : dépend des hypothèses du modèle (garbage in, garbage out) |
| Bootstrapping | Technique de rééchantillonnage : on tire des échantillons avec remise à partir des données historiques. Avantage : ne nécessite aucune hypothèse sur la distribution. Utilisé pour estimer les statistiques quand la distribution théorique est inconnue |
LM7. Estimation and Inference
| Concept | L’essentiel à retenir |
|---|---|
| Simple Random Sampling | Chaque élément de la population a la même probabilité d’être sélectionné. Base de l’inférence statistique |
| Stratified Random Sampling | On divise la population en sous-groupes (strates) puis on échantillonne dans chaque strate. Réduit l’erreur d’échantillonnage quand les strates sont homogènes internement |
| Cluster Sampling | On divise en clusters (groupes), on sélectionne aléatoirement des clusters entiers, puis on étudie tous les éléments du cluster sélectionné |
| Non-Probability Sampling | Convenience sampling, judgmental sampling. Plus rapide mais risque de biais. Les résultats ne sont pas généralisables à la population |
| Central Limit Theorem (CLT) | Théorème fondamental : si n ≥ 30, la distribution de la moyenne d’échantillon tend vers une loi normale, quelle que soit la distribution de la population. E(X̄) = μ, σ(X̄) = σ/√n |
| Standard Error | SE = σ/√n (si σ connu) ou s/√n (si σ estimé). Mesure la précision de l’estimation de la moyenne. Plus n est grand, plus SE est petit |
| Confidence Intervals | X̄ ± z(α/2) × SE (si σ connu, n grand). X̄ ± t(α/2, n−1) × SE (si σ inconnu). 90% → z=1.645, 95% → z=1.96, 99% → z=2.576 |
📌 CLT est probablement le théorème le plus important de toute la section Quant. Il justifie l’utilisation de la loi normale pour construire des intervalles de confiance et faire des tests d’hypothèse, même quand la population sous-jacente n’est pas normale. Condition : n ≥ 30.
LM8. Hypothesis Testing
| Concept | L’essentiel à retenir |
|---|---|
| H₀ et H₁ | H₀ (null) = hypothèse de statu quo (ce qu’on cherche à rejeter). H₁ (alternative) = ce qu’on veut prouver. On ne « prouve » jamais H₀ — on échoue à la rejeter |
| Two-tailed vs One-tailed | Two-tailed : H₁ : μ ≠ μ₀ (reject si test stat dans l’une ou l’autre queue). One-tailed : H₁ : μ > μ₀ ou μ < μ₀ (reject dans une seule queue) |
| Type I Error (α) | Rejeter H₀ alors qu’elle est vraie (faux positif). Niveau de signification = probabilité de Type I error |
| Type II Error (β) | Ne pas rejeter H₀ alors qu’elle est fausse (faux négatif). Power = 1 − β = probabilité de correctement rejeter H₀ quand elle est fausse |
| Test Statistic | t = (X̄ − μ₀) / (s/√n). On compare à la valeur critique ou on calcule la p-value. Si |t| > valeur critique → reject H₀ |
| p-value | Plus petite valeur de α pour laquelle on rejeterait H₀. Si p-value < α → reject H₀. Plus la p-value est petite, plus la preuve contre H₀ est forte |
| z-test vs t-test | z-test : σ connu et n ≥ 30. t-test : σ inconnu (utiliser s). Quand n ≥ 30, t converge vers z. En pratique, on utilise presque toujours le t-test |
| Paired t-test | Compare les moyennes de deux échantillons dépendants (ex: rendements du même portefeuille avant/après). t = d̄ / (sd/√n) où d̄ = moyenne des différences |
| F-test (variance) | Compare deux variances : F = s₁²/s₂² (plus grande variance au numérateur). Utilisé pour tester l’homogénéité des variances |
| Chi-square test | χ² = (n−1)s²/σ₀². Test sur une seule variance. Aussi utilisé pour les tests d’indépendance avec les contingency tables |
| Parametric vs Non-Parametric | Parametric = hypothèses sur la distribution (normalité). Non-parametric = aucune hypothèse distributionnelle. Spearman rank correlation = version non-parametric de la corrélation de Pearson |
⚠️ Processus en 7 étapes : (1) Formuler H₀ et H₁ (2) Identifier le test et la distribution (3) Fixer le niveau de signification α (4) Formuler la règle de décision (5) Calculer la test statistic (6) Prendre la décision (7) Conclure. Suivez toujours cet ordre — les examinateurs testent souvent les étapes individuellement.
LM9. Simple Linear Regression
| Concept | L’essentiel à retenir |
|---|---|
| Modèle | Yᵢ = b₀ + b₁Xᵢ + εᵢ. b₀ = intercept (valeur de Y quand X=0). b₁ = slope (changement de Y par unité de X). εᵢ = terme d’erreur |
| Estimation OLS | Ordinary Least Squares minimise la somme des résidus au carré : Σ(Yᵢ − Ŷᵢ)². Produit les estimations b̂₀ et b̂₁ |
| 4 Hypothèses | (1) Linearité : relation linéaire entre X et Y. (2) Homoskedasticity : variance constante des erreurs. (3) Indépendance : erreurs non corrélées entre elles. (4) Normalité : erreurs normalement distribuées |
| R² (Coefficient of Determination) | R² = RSS/TSS = 1 − SSE/TSS. Proportion de la variance de Y expliquée par le modèle. R² ∈ [0, 1]. En régression simple, R² = ρ² |
| SEE (Standard Error of Estimate) | SEE = √[SSE/(n−2)]. Mesure la dispersion des points autour de la droite de régression. Plus petit = meilleur ajustement |
| ANOVA | TSS = RSS + SSE. Total Sum of Squares = Regression SS + Error SS. F-stat = (RSS/1) / (SSE/(n-2)). Test la significativité globale du modèle |
| Test de b₁ | t = b̂₁ / SE(b̂₁). H₀ : b₁ = 0 (pas de relation linéaire). Si |t| > t_critique → relation significative |
| Prediction Interval | Ŷ ± t_critique × SE. Plus large qu’un confidence interval car intègre l’incertitude sur la prédiction individuelle en plus de l’incertitude sur les paramètres |
| Functional Forms | Log-Lin : ln(Y) = b₀ + b₁X → b₁ = % change de Y par unité de X. Lin-Log : Y = b₀ + b₁ln(X) → b₁ = change de Y par 1% de change de X. Log-Log : ln(Y) = b₀ + b₁ln(X) → b₁ = élasticité |
+ Big Data Techniques & FinTech
Module descriptif (peu de calculs, souvent 1-2 questions à l’examen).
| Concept | L’essentiel |
|---|---|
| Big Data (3V → 4V) | Volume (quantité massive), Velocity (vitesse de génération), Variety (données structurées, non-structurées, semi-structurées), + Veracity (qualité/fiabilité) |
| Types de données | Structured : bases de données relationnelles, spreadsheets. Unstructured : texte, images, vidéo, audio. Semi-structured : JSON, XML, HTML |
| Machine Learning | Supervised : données labélisées → prédiction (classification, régression). Unsupervised : pas de labels → clustering, dimension reduction. Deep learning : réseaux de neurones multicouches |
| NLP (Natural Language Processing) | Analyse de texte : sentiment analysis, extraction d’informations à partir de news, rapports financiers, réseaux sociaux |
| Data Visualization | Heatmaps, scatter plots, histograms — outils pour identifier des patterns dans les données |
📐 Formules essentielles — Quantitative Methods
Ces formules ne sont pas fournies le jour de l’examen.
Rates & Returns (LM1)
| Formule | Expression |
|---|---|
| Holding Period Return | HPR = (P₁ − P₀ + D) / P₀ |
| Geometric Mean Return | R_G = [(1+R₁)(1+R₂)…(1+Rₙ)]^(1/n) − 1 |
| Harmonic Mean | X_H = n / Σ(1/Xᵢ) |
| Money-Weighted Return | IRR des flux d’entrée/sortie (résoudre sur BA II Plus avec CF) |
| Annualized Return | r_annual = (1 + r_period)^(periods/year) − 1 |
| Continuously Compounded Return | r_cc = ln(1 + HPR) = ln(P₁/P₀) |
| Effective Annual Rate (EAR) | EAR = (1 + r/m)^m − 1 |
| Real Return | (1 + real) = (1 + nominal) / (1 + inflation) |
| Leveraged Return | R_L = R_p + (V_B/V_E) × (R_p − r_B) |
TVM (LM2)
| Formule | Expression |
|---|---|
| Future Value | FV = PV × (1 + r)ⁿ |
| Present Value | PV = FV / (1 + r)ⁿ |
| PV Annuity | PV = PMT × [1 − (1+r)⁻ⁿ] / r |
| PV Annuity Due | PV_due = PV_ordinary × (1 + r) |
| Perpetuity | PV = PMT / r |
| Growing Perpetuity (Gordon) | P₀ = D₁ / (r − g) |
| Implied Forward Rate | (1+S₂)² = (1+S₁)(1+f₁,₁) |
Statistiques & Probabilités (LM3-LM4)
| Formule | Expression |
|---|---|
| Sample Variance | s² = Σ(Xᵢ − X̄)² / (n−1) |
| Standard Deviation | s = √s² |
| Coefficient of Variation | CV = s / X̄ |
| Sharpe Ratio | Sharpe = (R̄p − Rf) / σp |
| Sortino Ratio | Sortino = (R̄p − Rf) / σ_downside |
| Expected Value | E(X) = Σ P(xᵢ) × xᵢ |
| Variance (random variable) | σ² = Σ P(xᵢ) × (xᵢ − μ)² |
| Covariance | Cov(X,Y) = Σ P × (xᵢ − μₓ)(yᵢ − μᵧ) |
| Correlation | ρ = Cov(X,Y) / (σₓ × σᵧ) |
| Bayes’ Formula | P(A|B) = P(B|A) × P(A) / P(B) |
| Total Probability Rule | E(X) = Σ E(X|Sᵢ) × P(Sᵢ) |
Portfolio & Inference (LM5-LM8)
| Formule | Expression |
|---|---|
| Portfolio Variance (2 actifs) | σ²p = w₁²σ₁² + w₂²σ₂² + 2w₁w₂ρ₁₂σ₁σ₂ |
| Safety-First Ratio | SFRatio = (E(Rp) − R_L) / σp |
| Standard Error | SE = σ/√n (ou s/√n) |
| Confidence Interval | X̄ ± z(α/2) × SE |
| z-values | 90%→1.645 · 95%→1.96 · 99%→2.576 |
| t-statistic | t = (X̄ − μ₀) / (s/√n) |
| Chi-square | χ² = (n−1)s² / σ₀² |
| F-test | F = s₁² / s₂² (plus grande au numérateur) |
Regression (LM9)
| Formule | Expression |
|---|---|
| Modèle | Yᵢ = b₀ + b₁Xᵢ + εᵢ |
| R² | R² = RSS / TSS = 1 − SSE/TSS |
| SEE | SEE = √[SSE / (n−2)] |
| ANOVA : F-stat | F = (RSS/k) / (SSE/(n−k−1)) |
| Test de slope | t = b̂₁ / SE(b̂₁) |
| Log-Log (élasticité) | ln(Y) = b₀ + b₁ ln(X) → b₁ = élasticité |
⚠️ Erreurs fréquentes à éviter
| Erreur | Pourquoi c’est faux | Correction |
|---|---|---|
| Confondre arithmetic et geometric mean | Arithmetic surestime le rendement composé | Geometric = rendement composé réel. Arithmetic = estimateur du rendement espéré sur 1 période |
| Utiliser D₀ au lieu de D₁ dans le Gordon Model | P₀ = D₁/(r−g) et non D₀/(r−g) | Si l’énoncé donne le dernier dividende versé, calculez D₁ = D₀ × (1+g) |
| Variance avec diviseur n au lieu de n−1 | Diviseur n = variance de population. n−1 = sample variance (Bessel correction) | Au CFA Level 1, c’est presque toujours un échantillon → n−1 |
| Interpréter corrélation 0 comme indépendance | ρ = 0 signifie pas de relation linéaire, mais il peut y avoir une relation non linéaire forte | Corrélation ≠ causalité. ρ = 0 ≠ indépendance |
| Confondre Type I et Type II error | Type I = faux positif (rejeter H₀ vraie). Type II = faux négatif (ne pas rejeter H₀ fausse) | Mnémonique : Type I = « crier au loup » (fausse alarme). Type II = « ignorer le loup » (manquer le signal) |
| Oublier de vérifier les conditions du CLT | Le CLT nécessite n ≥ 30 pour que la distribution de X̄ soit approx. normale | Si n < 30 ET la population n’est pas normale → on ne peut pas utiliser le z-test |
| Interpréter R² comme qualité de prédiction | Un R² élevé ne signifie pas que le modèle prédit bien les valeurs futures | R² = % de variance expliquée dans l’échantillon. Vérifier les hypothèses du modèle et l’out-of-sample performance |
| Mauvaise utilisation de la calculatrice TVM | Oublier de clear les registres entre deux calculs, ou confondre le signe des flux | Toujours 2nd CLR TVM avant un nouveau calcul. PV et FV doivent avoir des signes opposés |
📖 Stratégie d’étude pour Quant
📅 Temps recommandé
30-40 heures sur ~3 semaines. Quant représente ~10% du volume de travail mais fonde toutes les matières quantitatives. Investir du temps ici paie des dividendes dans Equity, FI, Derivatives et Portfolio
🎯 Priorisation par LOS
Haute fréquence : TVM (calculatrice), HPR, TWR vs MWR, variance du portefeuille, Sharpe ratio, intervalles de confiance, hypothèses de base. Fréquence modérée : Bayes, régression, skewness/kurtosis. Basse fréquence : Big Data (descriptif, 1-2 questions)
🔧 BA II Plus : fonctions clés
TVM : N, I/Y, PV, PMT, FV + 2nd CLR TVM. CF : CF₀, C01, F01… + IRR CPT (pour MWR). STAT : DATA + 2nd STAT (moyenne, σ). Entraînez-vous sur 20-30 problèmes TVM avant d’attaquer le reste
🔄 Méthode recommandée
Lisez chaque LM + end-of-chapter questions immédiatement. Créez des flashcards pour les formules. Après les 9 LM, faites le topic test Quant du CFA Learning Ecosystem. Relisez les formules la veille de l’examen
❓ Questions fréquentes
Quant est-il vraiment important si la pondération est seulement 6-9% ?
Oui, absolument. Le poids direct est modeste, mais Quant est la fondation de 4 autres matières : les formules TVM reviennent en Equity (DDM, CAPM), Fixed Income (pricing, duration), Derivatives (forwards, put-call parity) et Portfolio Management (Markowitz). Ne pas maîtriser Quant, c’est se handicaper sur ~40% de l’examen.
Faut-il mémoriser toutes les formules ?
Oui pour les formules marquées en gras dans nos tableaux — elles ne sont pas fournies à l’examen. Utilisez des flashcards avec répétition espacée. Pour les formules secondaires, comprenez la logique : si vous savez que la variance mesure la dispersion au carré, vous pouvez reconstituer la formule.
Je n’ai pas de background en stats — est-ce un problème ?
Non. Le curriculum est conçu pour enseigner les stats from scratch. Les vidéos gratuites de Mark Meldrum sur YouTube sont particulièrement claires pour les débutants en Quant. Prévoyez simplement ~5-10h supplémentaires si les stats sont entièrement nouvelles pour vous.
BA II Plus ou HP 12C ?
La BA II Plus est recommandée pour 95% des candidats. Elle est plus intuitive, mieux documentée dans les prep materials, et a des fonctions directement alignées avec le curriculum (TVM, CF, STAT). La HP 12C utilise la notation polonaise inversée (RPN) — efficace si vous la connaissez déjà, mais courbe d’apprentissage plus raide sinon.
Quel est le module le plus difficile de Quant ?
Hypothesis Testing (LM8) et Linear Regression (LM9) sont les modules les plus exigeants conceptuellement. La clé est de comprendre le processus en 7 étapes des tests d’hypothèse et de ne pas se perdre dans les détails des différentes distributions. Pour la régression, focalisez-vous sur l’interprétation de R², SEE et la significativité de b₁.
Le Big Data / FinTech tombe-t-il souvent à l’examen ?
Rarement plus de 1-2 questions. C’est un module descriptif sans formules. Connaissez les 3V (Volume, Velocity, Variety), la différence entre supervised et unsupervised learning, et les types de données (structured, unstructured, semi-structured). Ne passez pas plus de 2-3h dessus.
📚 Voir aussi — CFA Level 1
Guide complet CFA Level 1
Certification AMF
Répétition espacée
Toutes les certifications
Certifications Cloud
Cours d’anglais