Welche der folgenden Statistikkurse sind in der Finanz- / Technologiebranche am besten geeignet und nützlich? [geschlossen]

Ich bin dabei, 3 Statistikklassen für meinen Kurscluster Angewandte Mathematik auszuwählen (wobei ich mich auf versicherungsmathematische Wissenschaften oder statistische Analysen konzentriere). Welche der folgenden 3 Klassen sind Ihrer Meinung nach am nützlichsten / anwendbar in Finanzen / Technik / gepaart mit Informatik?

• Stochastische Prozesse (zufällige Spaziergänge, zeitdiskrete Markov-Ketten, Poisson-Prozesse)
• Lineare Modellierung: Theorie und Anwendungen
• Einführung in Zeitreihen
• Moderne statistische Vorhersage und maschinelles Lernen
• Spieltheorie
• Einführung in die ökonometrische Analyse (Cross-Enrollment zwischen Stats & Econ)

1. Lineare Modellierung (die Grundlagen)
2. Einführung in Zeitreihen (wichtig für Finanzen und Technologie, wo es viele, viele Messanlässe gibt)
3. Moderne statistische Vorhersage und maschinelles Lernen (für die ausgefallenen neuen Vorhersagematerialien, die auch für Finanzen und Technologie wichtig sind)

Ich würde die lineare Modellierung und die Einführung in Zeitreihen empfehlen. Wenn Sie nur drei Wahlfächer haben und sich auf die Versicherungsmathematik konzentrieren möchten, würde ich einen Kurs in Überlebensanalyse belegen, sofern eines verfügbar ist.

Als Data Scientist bei einem der größten Beratungsunternehmen der Welt kann ich nur meine zwei Cent geben, von denen einer für einen Job wie meinen nützlich ist. Alle Kurse sind cool und finden sowohl in Forschung, Entwicklung als auch in Beratung Anwendung. Einige Kurse könnten jedoch für die praktische Anwendung wichtiger sein. Haftungsausschluss: Dies spiegelt nicht die Meinung meines Arbeitgebers wider und ich habe auch nur mehrere Abteilungen in Deutschland gesehen.

DIE NÜTZLICHSTEN KURSE:

• Einführung in Zeitreihen

Wenn Sie als Data Scientist arbeiten, werden Sie auf jeden Fall gelegentlich Prognosen erstellen. Es ist wichtig, dass Sie Muster wie Trends, Einheitswurzeln, Saisonalitäten usw. verstehen.

In der Praxis werden Sie mit Daten mit unterschiedlichen Häufigkeiten konfrontiert, z. B. monatlichen oder vierteljährlichen Daten.

Lesen Sie das Prognoseprinzip und die Prognosepraxis , um ein Verständnis für die Anwendungen der Prognose zu erhalten.

• Moderne statistische Vorhersage und maschinelles Lernen

Dieser Kurs erhöht Ihre Chancen auf einen hochbezahlten Job. Maschinelles Lernen korreliert mit höheren Gehältern als die klassische Statistik. Es lohnt sich auf jeden Fall, Dinge wie Trainings- und Testdaten zu kennen. Sie werden immer ein Modell bauen und es testen.

Es liegt auch an der Bedeutung des maschinellen Lernens, dass diese Seite als CrossValidated bezeichnet wird. hahahaha

AUCH NÜTZLICH:

• Lineare Modellierung: Theorie und Anwendungen
• Einführung in die ökonometrische Analyse (Cross-Enrollment zwischen Stats & Econ)

Diese Kurse scheinen mir ziemlich ähnlich zu sein. Ich gehe davon aus, dass sich beide hauptsächlich mit Longitudinal Data und Pannel Data befassen. Die meisten Regressionsprobleme, mit denen Sie als Data Scientist konfrontiert sind, befassen sich jedoch mit Zeitreihen. Ich hatte gerade ein Projekt mit Heckman-Auswahlmodell / Tobit-Regression und ein paar Kleinigkeiten, bei denen ich mit Count Data und Survival Analysis konfrontiert war. Allgemeine Klassifizierungsaufgaben sind in meinem Unternehmen weiter verbreitet als Regressionsaufgaben.

Sie arbeiten höchstwahrscheinlich in einem Team mit Mathematikern, Statistikern und Informatikern. Sie werden sich nicht an ökonometrische Modelle halten. Ein solides Verständnis linearer Modelle und ökonometrischer Analysen hilft Ihnen jedoch, Zeitreihen und Prognoseprobleme zu lösen.

Dies hängt auch von der von Ihnen bevorzugten Programmiersprache ab. R (und insbesondere Stata) sind sehr praktisch für Regressionsmodelle. Python ist eher nützlich für andere Aufgaben.

Wie Michael Chernick bereits sagte, sind mikroökonomische Fragen bei Versicherungen weit verbreitet. Wenn Sie in einer Lebensversicherungsabteilung arbeiten, ist die Überlebensanalyse von entscheidender Bedeutung. Die meisten Datenwissenschaftler stehen jedoch nicht vor solchen Aufgaben.

Sie können diesen angewandten ökonometrischen Grundkurs der UCLA durchlaufen und darüber nachdenken, inwieweit Sie in Ihrem zukünftigen Job mit solchen Fragen konfrontiert werden.

Eher irrelevant:

• Stochastische Prozesse (zufällige Spaziergänge, zeitdiskrete Markov-Ketten, Poisson-Prozesse)

Dies wird als Data Scientist kaum nützlich sein. Vielleicht können Sie sich solchen Modellen stellen, wenn Sie in einer Abteilung für quantitative Finanzen einer Bank arbeiten.

• Spieltheorie

Die Spieltheorie ist ein theoretisches Konzept, das in der Praxis kaum direkt angewendet wird. In der wirtschaftlichen und psychologischen Forschung mag es hilfreich sein, es liegt jedoch nicht im klassischen Bereich eines Datenwissenschaftlers.

Bitte zögern Sie nicht zu fragen, ob ich einige Kurse genauer beschreiben sollte.

Als jemand, der in einer quantitativen Rolle für eine Bank arbeitet, bin ich mit den anderen Antworten nicht einverstanden. Stochastische Prozesse sind sehr wichtig. Gute Kenntnisse über stochastische Prozesse ermöglichen es Ihnen, die Intuition hinter vielen anderen Klassen zu verstehen, die Sie erwähnen, insbesondere Zeitreihenmodelle. Es ist auch ein Unterscheidungsmerkmal (meiner Erfahrung nach ist eine gute Kenntnis stochastischer Prozesse selten).

Ich würde nehmen

1. Stochastische Prozesse
2. Moderne statistische Vorhersage und maschinelles Lernen
3. Lineare Modellierung: Theorie und Anwendungen