Które z poniższych kursów statystycznych są najbardziej odpowiednie i przydatne w branży finansowej / technologicznej? [Zamknięte]

9

Jestem w trakcie wybierania 3 klas statystyki do wzięcia udziału w moim klastrze kursów matematyki stosowanej (koncentruję się na nauce aktuarialnej lub analizie statystycznej). Które 3 klasy z poniższych są najbardziej przydatne / przydatne w finansach / tech / w połączeniu z informatyką?

  • Procesy stochastyczne (losowe spacery, dyskretne łańcuchy Markowa w czasie, procesy Poissona)
  • Modelowanie liniowe: teoria i zastosowania
  • Wprowadzenie do szeregów czasowych
  • Nowoczesne prognozy statystyczne i uczenie maszynowe
  • Teoria gry
  • Wprowadzenie do analizy ekonometrycznej (rejestracja krzyżowa między statystykami i ekonem)
znak
źródło
1
Gratuluję trafienia HNQ (Hot Network Question) do pierwszego pytania, ale jest to oczywiście „przede wszystkim oparte na opiniach” , więc głosuję za jego zamknięciem.
Firebug
2
Ale są to również porady ekspertów, które są przydatne dla PO.
Michael R. Chernick
1
@MichaelChernick „Wiele dobrych pytań generuje pewien stopień opinii w oparciu o doświadczenie eksperckie , ale odpowiedzi na to pytanie będą zwykle prawie w całości oparte na opiniach, a nie faktach, referencjach lub konkretnej wiedzy specjalistycznej”.
Firebug
PO tutaj, nie zdawałem sobie sprawy, że mogę do tego użyć innych kont Stack Exchange. Przepraszam również, jeśli to pytanie było nie na temat, nie zdawałem sobie sprawy, że tak, i że przyniosłoby to tak dużą przyczepność. Dziękujemy za odpowiedzi wszystkim!
Maks.

Odpowiedzi:

12
  1. Modelowanie liniowe (podstawy)
  2. Wprowadzenie do szeregów czasowych (ważne dla finansów i technologii, gdzie jest wiele okazji do pomiaru)
  3. Nowoczesne prognozy statystyczne i uczenie maszynowe (dla nowych, fantazyjnych prognoz, ważne także dla finansów i technologii)
Mark White
źródło
2
Twoje wybory są również dobre. Trudno wybrać tylko trzy, gdy koncentracja dotyczy nauk aktuarialnych lub ogólnie analizy statystycznej. Uzgodniliśmy pierwsze dwa, a trzecie różnią się. Po prostu założyłem, że jeśli nauka aktuarialna jest skoncentrowana w matematyce stosowanej, ważny byłby poważny kurs analizy przeżycia.
Michael R. Chernick
5

Poleciłbym modelowanie liniowe i wprowadzenie do szeregów czasowych. Jeśli masz tylko trzy przedmioty do wyboru i decydujesz się skoncentrować na nauce aktuarialnej, wziąłbym kurs analizy przetrwania, jeśli jest dostępny.

Michael R. Chernick
źródło
5

Pracując jako specjalista ds. Danych w jednej z największych firm konsultingowych na świecie, mogę dać dwa centy, które są przydatne w pracy takiej jak moja. Wszystkie kursy są fajne i mają zastosowanie zarówno w badaniach, rozwoju, jak i doradztwie. Jednak niektóre kursy mogą być ważniejsze dla praktycznego zastosowania. Oświadczenie: To nie odzwierciedla opinii mojego pracodawcy i widziałem tylko kilka działów w Niemczech.

NAJBARDZIEJ PRZYDATNE KURSY:

  • Wprowadzenie do szeregów czasowych

Jeśli pracujesz jako Data Scientist, na pewno od czasu do czasu sporządzisz prognozę. Ważne jest, aby zrozumieć wzorce, takie jak trendy, pierwiastki, sezonowość itp.

W praktyce będziesz mieć do czynienia z danymi o różnych częstotliwościach, takimi jak dane miesięczne lub kwartalne.

Przeczytaj zasadę i praktykę prognozowania , aby zrozumieć zastosowania prognozowania.

  • Nowoczesne prognozy statystyczne i uczenie maszynowe

Ten kurs zwiększy Twoje szanse na uzyskanie dobrze płatnej pracy. Uczenie maszynowe jest skorelowane z wyższymi wynagrodzeniami niż statystyki klasyczne. Zdecydowanie warto wiedzieć takie rzeczy, jak dane dotyczące treningu i testów. Zawsze zbudujesz model i przetestujesz go.

Ze względu na znaczenie uczenia maszynowego ta strona nazywa się CrossValidated. hahahaha

PRZYDATNE TAKŻE:

  • Modelowanie liniowe: teoria i zastosowania
  • Wprowadzenie do analizy ekonometrycznej (rejestracja krzyżowa między statystykami i ekonem)

Te kursy wydają mi się bardzo podobne. Zakładam, że oba dotyczą głównie danych podłużnych i danych paneli. Jednak większość problemów związanych z regresją, z jakimi będziesz się borykać, gdy naukowiec zajmujący się danymi zajmuje się szeregami czasowymi. Miałem tylko jeden projekt z modelem selekcji Heckmana / regresją Tobita i kilkoma małymi rzeczami, w których spotkałem Count Data i Survival Analysis. Ogólne zadania klasyfikacyjne są bardziej rozpowszechnione w mojej firmie niż zadania regresyjne.

Najprawdopodobniej będziesz pracować w zespole z matematykami, statystykami i informatykami. Nie będą trzymać się modeli ekonometrycznych. Niemniej jednak solidne zrozumienie modeli liniowych i analiza ekonometryczna pomoże ci poradzić sobie z szeregami czasowymi i problemami z prognozowaniem.

Zależy to również od preferowanego języka programowania. R (a zwłaszcza Stata) są bardzo przydatne w modelach regresji. Python jest raczej przydatny do innych zadań.

Jak już stwierdził Michael Chernick, w ubezpieczeniach szeroko stosuje się zagadnienia mikroekonometryczne. Jeśli pracujesz w dziale ubezpieczeń na życie, kluczowe znaczenie będzie miała analiza przeżycia. Jednak większość badaczy danych nie ma takich zadań.

Możesz przejść przez ten zastosowany kurs podstaw ekonometrycznych przez UCLA i zastanowić się, jak daleko napotkasz takie pytania w swojej przyszłej pracy.

RATHER IRRELEVANT:

  • Procesy stochastyczne (losowe spacery, dyskretne łańcuchy Markowa w czasie, procesy Poissona)

Nie będzie to przydatne jako Data Scientist. Być może możesz spotkać się z takimi modelami, jeśli pracujesz w dziale finansów ilościowych banku.

  • Teoria gry

Teoria gier jest koncepcją teoretyczną, która praktycznie nie jest bezpośrednio stosowana w praktyce. W badaniach ekonomicznych i psychologicznych może być to pomocne, jednak nie leży to w klasycznym zakresie danych.

Nie wahaj się zapytać, czy powinienem być bardziej szczegółowy na temat niektórych kursów.

Ferdi
źródło
3

Jako ktoś, kto pracuje dla banku w roli ilościowej, nie zgadzam się z innymi odpowiedziami. Procesy stochastyczne są bardzo ważne. Dobra znajomość procesów stochastycznych pozwala zrozumieć intuicję wielu innych klas, o których wspominasz, zwłaszcza modeli szeregów czasowych. Jest to również wyróżnik (z mojego doświadczenia, dobra znajomość procesów stochastycznych jest rzadka).

Wziąłbym

  1. Procesy stochastyczne
  2. Nowoczesne prognozy statystyczne i uczenie maszynowe
  3. Modelowanie liniowe: teoria i zastosowania
użytkownik9403
źródło