Этот курс является логическим продолжением курса «Вводный курс по анализу данных для финансистов: теория и практика на компьютере».
Финансовые данные по природе своей являются многомерными – одни показатели зависят от других.
В рамках данного курса слушатели обучаются актуальным многомерным методам, которые широко используются в современной финансовой сфере. Изложение начинается с простейших линейных моделей и заканчивается обобщенными линейными и нелинейными моделями.
Отдельное внимание в курсе уделяется задачам слушателей.
Примечание. Для прослушивания данного курса требуется свободное владение материалом в объеме курса «Вводный курс по анализу данных для финансистов: теория и практика на компьютере».
Более детально рассмотреть методологии и технологии анализа финансовых данных.
Это курс для тех, кто хочет научиться анализировать и понимать финансовые данные.
Подробнее о системах
STATISTICA Advanced
STATISTICA Automated Neural Networks
Основные понятия анализа многомерных финансовых данных
Регрессионный анализ
Общие линейные модели (GLM)
Общие модели частных наименьших квадратов (PLS)
Общие регрессионные модели (GRM)
Обобщенные линейные и нелинейные модели (GLZ)
Применения регрессионного анализа в банковской сфере
Анализ временных рядов
Общая постановка задачи прогнозирования: горизонт прогноза, прогноз краткосрочный, среднесрочный, долгосрочный
Тренд, сезонные составляющие, циклические компоненты
Описательный анализ временного ряда
Выборочные характеристики временных рядов: среднее, дисперсия, автокорреляционная функция, частная автокорреляционная функция
Распределение выборочных характеристик, точность оценок
Стационарные и нестационарные временные ряды
Простейшие методы прогнозирования
Модели экспоненциального сглаживания
Экспоненциальное сглаживание
Линейное экспоненциальное сглаживание
Методы декомпозиции временных рядов
Тренд и сезонность
Случайная компонента
Выделение циклической компоненты
Выделение скрытых периодичностей - спектральный анализ
Введение в спектральный анализ
Анализ периодограммы
Кросс-спектральный анализ
Линейные модели прогнозирования. ARIMA модель
Условия стационарности линейного процесса
Методология Бокса-Дженкинса идентификации ARIMA модели
Прогнозирование на основе ARIMA модели
Анализ остатков
Модели ARIMA с интервенцией
Типы интервенций. Параметры интервенций
Оценка адекватности модели
Анализ взаимосвязанных рядов, анализ распределенных лагов
Использование профилей желательности в задаче оптимизации
Многомерный анализ финансовых данных
Анализ главных компонент
Анализ доходности
Интерпретация главных компонент
Факторный анализ
Введение в методологию построения скоринговых моделей
Составление анкет
Сбор данных, объем данных
Чистка и верификация данных
Дескриптивный анализ, группировка и визуализация анкетных данных
Критерий «bad» и «good» клиентов
Отсеивание признаков
Различные методы построения скоринг-карт:
Обобщенные линейные и нелинейные модели
Общие модели дискриминантного анализа
Деревья классификации
Метод к-ближайших соседей
Байесовские процедуры
Метод опорных векторов
MAP сплайны
Нейронные сети
Настройка алгоритмов
Уровень отсечения – cut off
Оценка качества скоринг-карт, мониторинг и улучшение качества
Вопросы и ответы
15 академических часов, курс разбивается на 3 рабочих дня
Авторские права на дизайн и материалы сайта принадлежат компании StatSoft Russia.
|
© StatSoft Russia |
StatSoft Russia – компания, зарегистрированная и действующая в соответствии с законами России, которые могут отличаться от законов других стран, имеющих офисы StatSoft. Каждый офис StatSoft является самостоятельным юридическим лицом, имеет право предлагать услуги и разрабатывать приложения, которые могут быть, а могут и не быть представлены в офисах StatSoft других стран. |