Analityka stosowana - Metody badań ilościowych: Zastosowanie symulacji ryzyka Monte Carlo, strategiczne opcje rzeczywiste, prognozy stochastyczne, optymalizacja portfela

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.

Oryginalny tytuł:

Applied Analytics - Quantitative Research Methods: Applying Monte Carlo Risk Simulation, Strategic Real Options, Stochastic Forecasting, Portfolio Opt

Zawartość książki:

TRZECIE WYDANIE (2022)

Seria książek Applied CQRM pokazuje, w jaki sposób zaawansowana analityka objęta programem certyfikacji Certified in Quantitative Risk Management (CQRM) może być zastosowana do rzeczywistych problemów biznesowych. W tomie I pokazujemy, w jaki sposób Risk Simulator i ROV BizStats mogą być wykorzystywane do przeprowadzania analiz ilościowych w badaniach dyplomowych i podyplomowych. Pragmatyczne zastosowania są podkreślane w celu demistyfikacji wielu elementów nieodłącznie związanych z analizą ilościową. Statystyczna czarna skrzynka pozostanie czarną skrzynką, jeśli nikt nie będzie w stanie zrozumieć jej koncepcji pomimo jej mocy i możliwości zastosowania. Dopiero gdy metody czarnej skrzynki staną się przejrzyste, tak aby badacze mogli zrozumieć, zastosować i przekonać innych o ich wynikach, wartości dodanej i możliwości zastosowania, podejścia te zyskają powszechną uwagę. Przejrzystość ta jest osiągana poprzez zastosowanie modelowania ilościowego krok po kroku, a także prezentowanie wielu przypadków i omawianie rzeczywistych zastosowań. Książka ta jest skierowana do osób, które ukończyły program certyfikacji CQRM, ale może być również używana przez każdego, kto zna podstawowe metody badań ilościowych - każdy znajdzie w niej coś dla siebie. Nadaje się również do wykorzystania jako podręcznik na drugim roku studiów MBA/MS lub podręcznik wprowadzający do studiów doktoranckich. Przykłady zawarte w książce zakładają pewną wcześniejszą znajomość tematu. Dodatkowe informacje na temat programu CQRM można uzyskać pod adresem: www.iiper.org www.realoptionsvaluation.com.

PODSTAWY.

Tendencja centralna, rozrzut, skośność, kurtoza.

Prawdopodobieństwo, Twierdzenie Bayesa, Drzewa, Kombinacja, Permutacja.

Klasyczna, standardowa, wartość P, CI.

Centralne twierdzenie graniczne.

Błędy I-IV typu, błędy próbkowania.

Typy danych i projektowanie zbiorów danych.

METODY ANALITYCZNE.

Testy T: Równe/nierówne/sparowane wariancje, test F, test Z.

ANOVA, blokowa, dwukierunkowa, ANCOVA, MANOVA.

Korelacja liniowa/nieliniowa.

Normalność i dopasowanie dystrybucyjne: Kołmogorow-Smirnow, Chi-kwadrat, kryterium informacyjne Akaike, Anderson-Darling, Kuiper's, Schwarz/Bayes, Box-Cox.

Nieparametryczne: Biegi, Wilcoxon, Mann-Whitney, Lilliefors, Q-Q, D'Agostino-Pearson, Shapiro-Wilk-Royston, Kruskal-Wallis, Mood's, Cochran's Q, Friedman's.

Rzetelność wewnętrzna/wewnętrzna, spójność, różnorodność, trafność wewnętrzna/zewnętrzna, przewidywalność.

Kappa Cohena, alfa Cronbacha, lambda Guttmana, korelacja międzyklasowa, W Kendalla, różnorodność Shannona-Brillouina-Simpsona, jednorodność, wartości odstające Grubbsa, Mahalanobisa, dyskryminacja liniowa i kwadratowa, Hannan-Quinn, Diebold-Mariano, Pesaran-Timmermann, precyzja, kontrola błędów.

Liniowa/nieliniowa regresja wielowymiarowa.

Wieloliniowość, heteroskedastyczność.

Modelowanie równań strukturalnych (SEM), metoda najmniejszych kwadratów (PLS).

Endogeniczność, metody równań równoległych, dwustopniowe metody najmniejszych kwadratów.

Przyczynowość Grangera, Engle-Granger.

Regresja zaawansowana: Poissona, Deminga, logistyczna porządkowa, Ridge'a, ważona, Bootstrap.

SZTUCZNA INTELIGENCJA I UCZENIE MASZYNOWE (NAUKA O DANYCH)

Bagging Linear Bootstrap.

Bagging Nonlinear Bootstrap.

Drzewa klasyfikacyjne i regresyjne CART.

Custom Fit.

Redukcja wymiarów Analiza składowych głównych.

Analiza czynnikowa z redukcją wymiarów.

Wspólne dopasowanie zespołu.

Ensemble Complex Fit.

Zespół szeregów czasowych.

Gaussian Mix & K-Means Segmentation.

K-Najbliżsi Sąsiedzi.

Liniowy model dopasowania.

Wielowymiarowa analiza dyskryminacyjna (liniowa)

Wielowymiarowa analiza dyskryminacyjna (kwadratowa)

Sieć neuronowa (cosinus, tangens, hiperboliczny)

Logistyczna klasyfikacja binarna.

Klasyfikacja binarna Normit-Probit.

Drzewa filogenetyczne i klastrowanie hierarchiczne.

Las losowy.

Klasteryzacja segmentacyjna.

Maszyny wektorów nośnych SVM.