Какие из следующих курсов статистики являются наиболее применимыми и полезными в финансовой / технической индустрии? [закрыто]

Я нахожусь в процессе выбора 3 классов статистики для моего кластера курсов прикладной математики (я концентрируюсь на актуарной науке или статистическом анализе). Какие 3 класса из следующих, по вашему мнению, наиболее полезны / применимы в области финансов / технологий / в сочетании с информатикой?

• Стохастические процессы (случайные блуждания, цепи Маркова с дискретным временем, пуассоновские процессы)
• Линейное моделирование: теория и приложения
• Введение во временные ряды
• Современное статистическое прогнозирование и машинное обучение
• Теория игры
• Введение в эконометрический анализ (перекрестная регистрация между Stats и Econ)

1. Линейное моделирование (основы)
2. Введение во временные ряды (важно для финансов и технологий, где есть много случаев измерения)
3. Современное статистическое прогнозирование и машинное обучение (для новых интересных предсказательных вещей, также важных для финансов и технологий)

Я бы порекомендовал линейное моделирование и введение во временные ряды. Если у вас есть только три факультатива и вы решили сосредоточиться на актуарной науке, я бы прошел курс анализа выживания, если таковой имеется.

Работая в качестве Data Scientist в одной из крупнейших консалтинговых компаний в мире, я могу просто дать свои два цента, один из которых полезен для такой работы, как моя. Все курсы классные и имеют приложения как в исследованиях, разработках, так и в консалтинге. Однако некоторые курсы могут быть более важными для практического применения. Отказ от ответственности: это не отражает мнение моего работодателя, и я также видел только несколько департаментов в Германии.

САМЫЕ ПОЛЕЗНЫЕ КУРСЫ:

• Введение во временные ряды

Если вы работаете в качестве Data Scientist, вы обязательно будете делать прогнозы время от времени. Важно, чтобы вы понимали такие закономерности, как тенденции, корни единиц, сезонность и т. Д.

На практике вы будете сталкиваться с данными с различной частотой, такими как ежемесячные или квартальные данные.

Прочитайте принцип и практику прогнозирования , чтобы получить представление о приложениях прогнозирования.

• Современное статистическое прогнозирование и машинное обучение

Этот курс повысит ваши шансы получить высокооплачиваемую работу. Машинное обучение соотносится с более высокими зарплатами, чем классическая статистика. Это определенно стоит знать такие вещи, как данные обучения и испытаний. Вы всегда будете строить модель и тестировать ее.

Это также связано с важностью машинного обучения, что эта страница называется CrossValidated. Хахаха

ТАКЖЕ ПОЛЕЗНО:

• Линейное моделирование: теория и приложения
• Введение в эконометрический анализ (перекрестная регистрация между Stats и Econ)

Эти курсы кажутся мне очень похожими. Я предполагаю, что оба в основном имеют дело с продольными данными и панельными данными. Однако большинство проблем регрессии, с которыми вы столкнетесь, когда Data Scientist будут иметь дело с временными рядами У меня только что был один проект с моделью выбора Хекмана / регрессией Тобита и некоторыми небольшими вещами, где я столкнулся с подсчетом данных и анализом выживания. Общие задачи классификации более распространены в моей компании, чем задачи регрессии.

Скорее всего, вы будете работать в команде с математиками, статистиками и компьютерными учеными. Они не будут придерживаться эконометрических моделей. Тем не менее, глубокое понимание линейных моделей и эконометрического анализа поможет вам справиться с временными рядами и проблемами прогнозирования.

Это также зависит от языка программирования, который вы предпочитаете. R (и даже более конкретно Stata) очень удобны для регрессионных моделей. Python довольно полезен для других задач.

Как уже говорил Майкл Черник, микроэконометрические проблемы широко используются в страховании. Если вы работаете в отделе страхования жизни, анализ выживания будет иметь решающее значение. Однако большинство исследователей данных не сталкиваются с такими задачами.

Вы можете пройти этот прикладной эконометрический базовый курс UCLA и подумать, насколько далеко вы столкнетесь с такими вопросами в своей будущей работе.

ДАЛЕЕ НЕУСТОЙЧИВЫЙ:

• Стохастические процессы (случайные блуждания, цепи Маркова с дискретным временем, пуассоновские процессы)

Это вряд ли будет полезно как Data Scientist. Может быть, вы можете столкнуться с такими моделями, если вы работаете в отделе количественных финансов банка.

• Теория игры

Теория игр - это теоретическая концепция, которая практически не применяется на практике. В экономических и психологических исследованиях это может быть полезно, однако это не входит в классическую сферу данных ученого.

Пожалуйста, не стесняйтесь спрашивать, если я должен быть более конкретным о некоторых курсах.

Как человек, который работает в банке в количественной роли, я не согласен с другими ответами. Стохастические процессы очень важны. Хорошее знание стохастических процессов позволяет вам понять интуицию многих других упомянутых вами классов, особенно моделей временных рядов. Это также отличительный признак (по моему опыту хорошее знание случайных процессов встречается редко).

я бы взял

1. Стохастические процессы
2. Современное статистическое прогнозирование и машинное обучение
3. Линейное моделирование: теория и приложения