Những khóa học thống kê nào sau đây là ứng dụng và hữu ích nhất trong ngành tài chính / công nghệ? [đóng cửa]

Tôi đang trong quá trình lựa chọn 3 lớp thống kê để tham gia cụm khóa học Toán ứng dụng của mình (tập trung vào khoa học tính toán hoặc phân tích thống kê). Bạn nghĩ 3 lớp nào sau đây hữu ích nhất / có thể áp dụng trong tài chính / công nghệ / kết hợp với Khoa học máy tính?

• Các quy trình ngẫu nhiên (Đi bộ ngẫu nhiên, các chuỗi Markov thời gian rời rạc, các quy trình Poisson)
• Mô hình tuyến tính: Lý thuyết và ứng dụng
• Giới thiệu về chuỗi thời gian
• Dự đoán thống kê hiện đại và học máy
• Lý thuyết trò chơi
• Giới thiệu về Phân tích Kinh tế lượng (Đăng ký chéo giữa Thống kê & Kinh tế)

1. Mô hình tuyến tính (những điều cơ bản)
2. Giới thiệu về Chuỗi thời gian (quan trọng đối với tài chính và công nghệ, nơi có rất nhiều dịp đo lường)
3. Dự đoán thống kê hiện đại và học máy (đối với các công cụ dự đoán mới lạ mắt, cũng quan trọng đối với tài chính và công nghệ)

Tôi muốn giới thiệu Mô hình tuyến tính và Giới thiệu về Chuỗi thời gian. Nếu bạn chỉ có ba môn tự chọn và bạn quyết định tập trung vào khoa học chuyên gia tính toán, tôi sẽ tham gia một khóa học về phân tích sinh tồn nếu có sẵn.

Làm việc như một nhà khoa học dữ liệu tại một trong những chuyên gia tư vấn lớn nhất thế giới, tôi chỉ có thể đưa ra hai xu của mình, một xu hữu ích cho công việc như của tôi. Tất cả các khóa học đều tuyệt vời và có ứng dụng cả trong nghiên cứu, phát triển cũng như tư vấn. Tuy nhiên một số khóa học có thể quan trọng hơn cho ứng dụng thực tế. Tuyên bố miễn trừ trách nhiệm: Điều này không phản ánh ý kiến ​​của chủ lao động của tôi và tôi cũng chỉ thấy một số phòng ban ở Đức.

CÁC KHÓA HỌC HỮU ÍCH NHẤT:

• Giới thiệu về chuỗi thời gian

Nếu bạn đang làm việc như một nhà khoa học dữ liệu, bạn chắc chắn sẽ thỉnh thoảng đưa ra dự báo. Điều quan trọng là bạn hiểu các mẫu như xu hướng, gốc đơn vị, tính thời vụ, v.v.

Trong thực tế, bạn sẽ phải đối mặt với dữ liệu với các tần số khác nhau như dữ liệu hàng tháng hoặc hàng quý.

Đọc nguyên tắc dự báo và thực hành để có được sự hiểu biết về các ứng dụng của dự báo.

• Dự đoán thống kê hiện đại và học máy

Khóa học này sẽ nâng cao cơ hội nhận được một công việc được trả lương cao. Machine Learning tương quan với mức lương cao hơn so với thống kê cổ điển. Nó chắc chắn là giá trị biết những thứ như dữ liệu đào tạo và kiểm tra. Bạn sẽ luôn xây dựng một mô hình và kiểm tra nó.

Cũng do tầm quan trọng của Machine Learning mà trang này được gọi là CrossValidated. hahahaha

C USNG SỬ DỤNG:

• Mô hình tuyến tính: Lý thuyết và ứng dụng
• Giới thiệu về Phân tích Kinh tế lượng (Đăng ký chéo giữa Thống kê & Kinh tế)

Các khóa học này có vẻ khá giống với tôi. Tôi đoán cả hai chủ yếu là xử lý dữ liệu theo chiều dọc và dữ liệu Pannel. Tuy nhiên, hầu hết các vấn đề hồi quy bạn sẽ gặp phải khi đối phó với Nhà khoa học dữ liệu với Chuỗi thời gian. Tôi vừa có một dự án với hồi quy lựa chọn modell / Tobit và một số thứ nhỏ mà tôi phải đối mặt với Phân tích dữ liệu và sinh tồn. Các nhiệm vụ phân loại tổng thể phổ biến rộng rãi hơn tại công ty của tôi so với các nhiệm vụ hồi quy.

Bạn rất có thể làm việc trong một nhóm với các nhà toán học, thống kê và nhà khoa học máy tính. Họ sẽ không dính vào các mô đun kinh tế lượng. Tuy nhiên, một sự hiểu biết vững chắc về các mô hình tuyến tính và phân tích kinh tế lượng sẽ giúp bạn giải quyết các vấn đề về chuỗi thời gian và dự báo.

Nó cũng phụ thuộc vào ngôn ngữ lập trình bạn thích. R (và thậm chí đặc biệt hơn là Stata) rất tiện dụng cho các mô hình hồi quy. Python khá hữu ích cho các nhiệm vụ khác.

Như Michael Chernick đã nêu các vấn đề về kinh tế lượng vi mô được sử dụng rộng rãi tại các công ty bảo hiểm. Nếu bạn làm việc trong một phân tích sinh tồn của bộ phận bảo hiểm nhân thọ sẽ rất quan trọng. Tuy nhiên, hầu hết các nhà khoa học dữ liệu không phải đối mặt với các nhiệm vụ như vậy.

Bạn có thể trải qua khóa học nền tảng kinh tế lượng được áp dụng này bởi UCLA và phản ánh xem bạn sẽ đối mặt với những câu hỏi như thế nào trong công việc tương lai của bạn.

ÁO KHOÁC IRRELEVANT:

• Các quy trình ngẫu nhiên (Đi bộ ngẫu nhiên, các chuỗi Markov thời gian rời rạc, các quy trình Poisson)

Điều này sẽ hầu như không hữu ích như một nhà khoa học dữ liệu. Có lẽ bạn có thể phải đối mặt với những mô hình như vậy nếu bạn đang làm việc trong bộ phận Tài chính định lượng của một ngân hàng.

• Lý thuyết trò chơi

Lý thuyết trò chơi là một khái niệm lý thuyết hầu như không được áp dụng trực tiếp vào thực tế. Trong nghiên cứu kinh tế và tâm lý, nó có thể hữu ích, tuy nhiên nó không thuộc phạm vi cổ điển của một nhà khoa học dữ liệu.

Xin đừng ngần ngại hỏi tôi có nên nói cụ thể hơn về một số khóa học không.

Là một người làm việc cho một ngân hàng trong vai trò định lượng, tôi không đồng ý với các câu trả lời khác. Quá trình ngẫu nhiên là rất quan trọng. Một kiến ​​thức tốt về các quy trình ngẫu nhiên cho phép bạn hiểu được trực giác đằng sau nhiều lớp khác mà bạn đề cập, đặc biệt là các mô hình chuỗi thời gian. Nó cũng là một sự khác biệt (theo kinh nghiệm của tôi, một kiến ​​thức tốt về các quá trình ngẫu nhiên là rất hiếm).

Tôi sẽ lấy

1. Các quy trình ngẫu nhiên
2. Dự đoán thống kê hiện đại và học máy
3. Mô hình tuyến tính: Lý thuyết và ứng dụng