Esta será mi primera respuesta en Quora, pero realmente intentaré que sea buena.
Realmente depende de la cantidad y realmente depende de los científicos de datos.
Déjame elaborar:
- ¿Cuáles son algunos museos que son líderes en el uso de análisis de datos?
- ¿Cuál es la diferencia entre extraer datos y comprimir datos?
- ¿Cuál es el proceso para realizar algunos proyectos pequeños en componentes de big data?
- ¿Hadoop está saliendo? ¿Se avecina una tecnología que pueda reemplazar toda la forma en que MapReduce consulta en un grupo de máquinas? ¿No puede simplemente automatizar la forma en que ejecuta estas consultas? ¿Es esto lo que Blaze está tratando de lograr?
- ¿Por qué se prefiere Mechanical Turk sobre Crowdflower para obtener datos etiquetados para Machine Learning?
Como un cuant:
Como Quant definitivamente harás muchas matemáticas, pero esas matemáticas dependerán del área en la que te encuentres.
Si eres un Quant en el espacio de fijación de precios (mayormente en el lado de la venta):
Utilizará mucho cálculo estocástico, cálculo mallorquín para modelar soluciones si tiene el pedigrí para hacerlo analíticamente. Si estás más en el lado numérico, entonces utilizarás métodos de diferencia finita o incluso más avanzado: ¡Elementos finitos!
Todo esto es para resolver la pregunta:
Si supongo que mi activo subyacente tiene la siguiente dinámica [Insertar un proceso estocástico muy extraño o SDE o incluso el Sistema de SDE].
¿Cuánto vale la derivada “X”?
Ahora que tiene “Su mundo”, tiene que hacer coincidir sus ecuaciones para ajustarse a la realidad, esto se llama calibración. Para una rutina de calibración, normalmente debe usar la optimización, ¡pero en muchos gustos, colores y sabores diferentes! Todo depende del mercado.
El objetivo principal es llegar a la “Zona de no arbitraje”, ya que eso es regalar dinero con sus precios.
Si eres un Quant en el espacio de negociación de algo (lado de venta y lado de compra):
TAMBIÉN necesitará conocimiento estocástico, no cálculo adecuado (será bueno saberlo) pero el conocimiento estocástico procesa, esto es cuando se vuelve más “estadístico”, ya que debe calibrar contra las distribuciones. Aquí no desea procesos que sean amigables con la familia Ito, sino procesos que capturen el comportamiento que busca en el flujo de órdenes de mercado y el impacto para realizar el Análisis de Cost Trading y otras cosas de ejecución.
Aquí también deberá resolver estos SDE, pero más en el sentido de que desea ser lo más preciso posible pero al mismo tiempo no ajustarse al ruido, por lo que las técnicas de filtrado se vuelven útiles. Un filtro fácil de entender será una media móvil de algo.
Si eres un Quant en Investigación o Análisis (lado de venta y lado de compra):
TAMBIÉN debe conocer el conocimiento de los procesos estocásticos, esto es cuando la frase “Señal a ruido” se vuelve muy fundamental y todas las técnicas de Ingeniería eléctrica y procesamiento de señales de datos se vuelven útiles. (Esto significa distribuciones, estadísticas multivariadas, estadísticas no paramétricas y filtrado). La idea aquí es buscar señales que sean consistentes y que eventualmente puedan convertirse en dinero.
Ahora…. Para el científico de datos.
Como científico de datos:
Es lo mismo, dependerá de qué tipo de análisis predictivo esté haciendo.
Como científico de datos en los problemas de recomendación:
Debe conocer realmente la factorización matricial y el álgebra lineal a un nivel completamente nuevo, hay muchas cosas poderosas que se necesitan debido a la necesidad de precisión y la necesidad de trabajar con Big Data (por lo que debe trabajar sus matemáticas para trabajar en un distribuir el sistema).
Como científico de datos en problemas de clasificación:
Tienes que saber realmente todo lo que puedes, no es broma. Hay toneladas de recursos para resolver un problema de clasificación, por lo que debe comprender todo lo que pueda. Sin embargo, lo más exitoso en este momento son los métodos de ensamble (Impulso), pero se ha avanzado en el lado del Aprendizaje profundo para aplicar esto en un problema de Clasificación. (El aprendizaje profundo se trata de convoluciones y álgebra lineal).
Como científico de datos en problemas de regresión:
Está casi en el mismo caso que un Quant en el lado de frente, haga un pronóstico de una variable numérica, pero puede hacerlo para poder utilizar las mismas técnicas. Lo que cambia son las características. Normalmente, estos problemas no están relacionados con “Finanzas”, por lo que se debe agregar otro tipo de conocimiento a la ingeniería de características.
Espero que aclare un poco qué tipo de matemática usas en cada lado, pero como puedes ver, hay una gran intersección allí.