Estratégias De Negociação De Séries Temporais

Quantocracy é um dos principais sites de agregação de links quant. Eu leio diariamente e eu sugiro fortemente que você verifique se você quiser ficar no topo da notícia na blogosfera quant: Bem-vindo ao seu recurso FREE Algorithmic Trading, onde você vai aprender a desenvolver estratégias rentáveis ​​de negociação algorítmica e ganhar uma carreira em Quantitativo. Últimos artigos Por Michael Halls-Moore em 11 de outubro de 2016 Na terça-feira passada eu voei para Nova York, EUA para dar uma palestra no Meetup Quantopian NYC e moderar um painel sobre Programação Wars no Trading Show de Nova York 2016. Ambos os eventos foram Extremamente interessante e eu conheci um monte de grandes pessoas. Eu quero escrever um breve resumo da viagem, pois trouxe à minha atenção algumas áreas fascinantes de pesquisa de finanças quantia que eu não estava ciente de. Leia mais. Por Michael Halls-Moore em 28 de setembro de 2016 Este é um post curto para permitir que os leitores do QuantStart saibam que falarei em alguns eventos em Nova York e Cingapura nos próximos meses: Leia mais. Por Michael Halls-Moore em 27 de setembro de 2016 No artigo anterior da série Hidden Markov Modelos foram introduzidos. Eles foram discutidos no contexto da classe mais ampla de Modelos de Markov. Eles foram motivados pela necessidade de comerciantes quantitativos terem a capacidade de detectar regimes de mercado, a fim de ajustar como suas estratégias quant são gerenciadas. Leia mais. Por Michael Halls-Moore em 21 de setembro de 2016 Anteriormente em QuantStart consideramos os fundamentos matemáticos de State Space Models e Kalman Filters. Bem como a aplicação da biblioteca pykalman a um par de ETFs para ajustar dinamicamente uma relação de hedge como base para uma estratégia de negociação de reversão média. Leia mais. Por Michael Halls-Moore em 6 de setembro de 2016 O mundo das finanças quantitativas continua a evoluir a um ritmo rápido. Mesmo nos últimos quatro anos da existência deste site, o mercado de postos de trabalho quantitativos mudou significativamente. Neste artigo descrevemos essas mudanças. O conselho em o que é provável ser na demanda nos próximos anos será aplicável ambos àqueles ainda na instrução assim como aqueles que pensam adiante a uma mudança da carreira. Leia mais. Análise de séries temporais e arbitragem estatística G63.2707, Outono de 2009 Esboço Como analisamos dados financeiros históricos para desenvolver estratégias de negociação rentáveis ​​e de baixo risco Este curso é uma introdução à análise de séries temporais usada nas finanças e estratégias de negociação relevantes Tanto para os compradores como para os vendedores. O curso será dividido em três partes: Modelos lineares: AR e MA para processos escalares e vetoriais, e estimativa de volatilidade e covariância simples. Avaliação do modelo e análise residual. Cointegração e sua aplicação na modelagem de risco e estratégias de negociação de pares. Modelos não-lineares: ARCH, GARCH, e modelos mais gerais de volatilidade. Aplicações: microestrutura de mercado, modelagem de custos de transação e estratégias de negociação ótimas para ambas as agências e principais negociações. Instrutores Lin Li, ll1084 at nyu Pré-requisitos O curso é destinado a estudantes de segundo ano no Programa de Mestrado em Matemática em Finanças da Courant Institutes. Espera-se que esses alunos tenham uma excelente base em matemática aplicada ao financiamento (cálculo estocástico e PDEs), um histórico razoável em finanças (teoria de portfólio e gerenciamento de risco) e em computação, mas não necessariamente um conhecimento intensivo de estatística. Os alunos com preparação comparável podem se inscrever se houver espaço disponível. Trabalho Cerca de 5 lições de casa (40 no total), um teste (30) e um projeto final (30). Referências Nós temos uma conta de classe na Wharton Research Data Services. As informações de login serão dadas em sala de aula. Carol Alexander, Modelos de Mercado. James D. Hamilton, Análise de séries temporais, Princeton University Press 1994. Joel Hasbrouck, Microstrutura do Mercado Empírico, Oxford University Press 2006 (mais informações na página de Hasbroucks). Stephen J. Taylor, Dinâmica de Preços de Ativos, Volatilidade e Previsão, Princeton University Press 2005. Ruey S. Tsay, Análise de Séries Financeiras, 2ª Edição, Wiley 2005. Os artigos de pesquisa serão disponibilizados conforme necessário. Horário das noites de segunda-feira, das 7:10 às 21:00 em Prata 713, de 14 de setembro a 7 ou 14 de dezembro. (Não há feriado do Dia de Colombo este ano.) A programação eo esboço abaixo estão sujeitos a mudanças dependendo de como O curso desenvolve e sobre as demandas de viagens dos instrutores. Forçando a Série de Tempo Financeiro - Parte I Por Michael Halls-Moore em 8 de janeiro de 2014 Nesta série de artigos vamos criar um processo estatisticamente robusto para a previsão de séries de tempo financeiras. Estas previsões constituirão a base para um conjunto de estratégias de negociação automatizadas. O primeiro artigo da série discutirá a abordagem de modelagem e um grupo de algoritmos de classificação que nos permitirá prever a direção do mercado. Dentro destes artigos estaremos fazendo uso do scikit-learn. Uma biblioteca de aprendizagem de máquina para Python. Scikit-learn contém implementações de muitas técnicas de aprendizagem de máquina. Não só isso nos poupa muito tempo na implementação dos nossos próprios, mas minimiza o risco de bugs introduzidos pelo nosso próprio código e permite verificação adicional contra bibliotecas escritas em outros pacotes, como R. Isso nos dá uma grande quantidade de Confiança se precisamos criar nossa própria implementação personalizada (por razões de velocidade de execução, digamos). Processo de Previsão Uma explicação detalhada do campo da aprendizagem da máquina estatística está além deste artigo. A fim de utilizar técnicas como Regressão Logística. Análise Discriminante Linear e Análise Discriminante Quadrática precisamos delinear alguns conceitos básicos. Técnicas de Aprendizagem Supervisionadas As técnicas de aprendizagem supervisionadas envolvem um conjunto de tuplas conhecidas (xi, yi), i in, com xi representando as variáveis ​​preditoras (tais como rendimentos do mercado de acções defasados ​​ou volume negociado) e yi representando as variáveis ​​de resposta / observação associadas O retorno do mercado de ações hoje). Nessa situação, estamos interessados ​​na previsão. Dadas as variáveis ​​preditoras futuras, desejamos estimar as respostas desses preditores. Isto está em oposição à inferência onde estamos mais interessados ​​na relação entre as variáveis. Todos os algoritmos que usamos neste artigo, juntamente com muitos outros que vamos empregar no futuro, são do domínio de aprendizagem supervisionada. Medição da precisão de previsão A classe particular de métodos que nos interessam envolve a classificação binária. Ou seja, tentaremos alocar o retorno percentual para um dia específico em dois baldes: Para cima ou para Baixo. Num preparador de produção estaríamos muito preocupados com a magnitude desta previsão e com os desvios da predição do valor real. Em tais casos, podemos fazer uso do erro médio quadrado. Mean Absolute Deviation e Root-Mean-Squared Error para fornecer uma estimativa de precisão de previsão. A literatura fornece numerosos outros exemplos de medidas de precisão de previsão. Neste caso, vamos apenas estar preocupados com a taxa de sucesso. Que é simplesmente a porcentagem de vezes que o previsor conseguiu uma predição exata (isto é, quando o dia aumentou e vice-versa). Em exemplos posteriores, faremos uso de uma matriz de confusão para determinar o desempenho de predição numa base de classe por classe. Além disso, vamos calcular os valores acima mencionados e incorporá-los em nosso processo de pesquisa comercial. Fatores de previsão Uma metodologia de previsão é tão boa quanto os fatores escolhidos como preditores. Há um número surpreendente de fatores potenciais para escolher quando a previsão do mercado de ações retorna índice. Neste artigo, vamos restringir os fatores aos atrasos de tempo dos retornos percentuais atuais. Isso não é porque eles são os melhores preditores, mas sim porque é fácil demonstrar o processo de previsão em um conjunto de dados facilmente obtido. A escolha do fator de previsão é extremamente importante, se não o mais importante, componente do previsor. Mesmo as técnicas de aprendizagem simples da máquina produzirão bons resultados em fatores bem escolhidos. Note que o inverso não é frequentemente o caso. Jogar um algoritmo em um problema geralmente levará a uma má previsão de precisão. Para este previsor especificamente, eu escolhi o primeiro e segundo atrasos de tempo da porcentagem retorna como os preditores para a direção atual do mercado de ações. Esta é uma opção relativamente arbitrária e há muito espaço para modificação, por exemplo, adicionando atrasos adicionais ou o volume de ações negociadas. É geralmente melhor ter menos preditores em um modelo, embora existam testes estatísticos disponíveis que podem demonstrar a capacidade preditiva de cada fator. Previsão do SampP500 com regressão logística, LDA e QDA O SampP500 é um índice ponderado das 500 maiores empresas de capital aberto (por capitalização de mercado) no mercado de ações dos EUA. É frequentemente considerado um benchmark de acções. Muitos produtos derivados existem para permitir a especulação ou hedging sobre o índice. Em particular, o SampP500 E-Mini Contrato de Futuros de Índice é um meio extremamente líquido de negociar o índice. Nesta seção, vamos usar três classificadores para prever a direção do preço de fechamento no dia N com base apenas na informação de preços conhecida no dia N-1. Um movimento direcional ascendente significa que o preço de fechamento em N é maior que o preço em N-1, enquanto um movimento descendente implica um preço de fechamento em N menor que em N-1. Se pudermos determinar a direção do movimento de uma forma que excede significativamente uma taxa de 50 hit, com baixo erro e uma boa significância estatística, então estamos no caminho para a formação de uma estratégia de negociação sistemática básica com base em nossas previsões. Nesta fase não estavam preocupados com os mais atualizados algoritmos de classificação de aprendizagem de máquina. Agora estavam apenas introduzindo conceitos e tão bem começar a discussão sobre a previsão com alguns métodos elementares. Regressão logística A primeira técnica que consideraremos é regressão logística (LR). No nosso caso, vamos usar LR para medir a relação entre uma variável dependente categórica binária (Up ou Down) e múltiplas variáveis ​​contínuas independentes (os retornos de porcentagem defasados). O modelo fornece a probabilidade de que um determinado dia (seguinte) será categorizado como Up ou Down. Nesta implementação, escolhemos atribuir cada dia como Up se a probabilidade exceder 0,5. Poderíamos usar um limiar diferente, mas por simplicidade escolhi 0,5. LR usa a fórmula logística para modelar a probabilidade de obter um Up Day (YU) com base nos fatores de atraso (L1, L2): A função logística é usada porque fornece uma probabilidade entre 0,1 para todos os valores de L1 e L2, Ao contrário da regressão linear onde as probabilidades negativas podem ser geradas no mesmo ajuste. Para ajustar o modelo (isto é estimar os coeficientes betai) é utilizado o método de máxima verossimilhança. Felizmente para nós, a implementação da montagem e previsão do modelo LR é tratada pela biblioteca scikit-learn. Análise Discriminante Linear A técnica seguinte utilizada é Análise Discriminante Linear (LDA). LDA difere de LR porque em LR nós modelamos P (YUL1, L2) como uma distribuição condicional da resposta Y dada aos preditores Li, usando uma função logística. Em LDA a distribuição das variáveis ​​de Li é modelada separadamente, dado Y, e P (YUL1, L2) é obtido através do Teorema de Bayes. Essencialmente, o LDA resulta da suposição de que os preditores são extraídos de uma distribuição Gaussiana multivariada. Após calcultar as estimativas para os parâmetros dessa distribuição, os parâmetros podem ser introduzidos no Teorema de Bayes para fazer previsões a respeito de qual classe uma observação pertence. LDA assume que todas as classes compartilham a mesma matriz de covariância. Eu não vou me debruçar sobre as fórmulas para estimar a distribuição ou probabilidades posteriores que são necessários para fazer previsões, como mais uma vez scikit-aprender trata isso para nós. Quadratic Discriminant Analysis A Quadratic Discriminant Analysis (QDA) está intimamente relacionada com a LDA. A diferença significativa é que cada classe pode agora possuir sua própria matriz de covariância. QDA geralmente executa melhor quando os limites de decisão não são lineares. O LDA geralmente funciona melhor quando há menos observações de treinamento (isto é, quando é necessário reduzir a variância). QDA, por outro lado, funciona bem quando o conjunto de treinamento é grande (isto é, a variância é menos preocupante). O uso de um ou outro, em última análise, se resume ao trade-off de desvio-variação. Tal como acontece com o LR eo LDA, o scikit-learn cuida da implementação do QDA, de modo que só precisamos fornecê-lo com dados de treinamento / teste para estimativa e previsão de parâmetros. Implementação do Python Para a implementação destes previsionadores, faremos uso do NumPy. Pandas e scikit-aprender. Anteriormente, eu escrevi um tutorial sobre como instalar essas bibliotecas. Ive pesadamente comentou o código em si por isso deve ser fácil de verificar o que está acontecendo. O primeiro passo é importar os módulos relevantes e bibliotecas. Vamos importar o LogisticRegression. LDA e QDA classificadores para este previsor: Agora que as bibliotecas são importadas, precisamos criar um pandas DataFrame que contém o retardo percentual retorna para um número anterior de dias (padrão a cinco). Createlaggedseries tomará um símbolo de estoque (como reconhecido pelo Yahoo Finance) e criará um DataFrame atrasado durante o período especificado: A próxima função auxiliar é projetada para criar um percentage de porcentagem para cada modelo, eliminando o código duplicado. Ela se baseia no fato de que os objetos Regressão Logística, LDA e QDA têm os mesmos métodos (ajuste e previsão). A taxa de acerto é emitida para o terminal: Finalmente, nós amarrá-lo juntamente com uma função principal. Nesse caso, tentaríamos prever a direção do mercado de ações norte-americano em 2005, usando dados de retorno de 2001 a 2004: A saída do código é a seguinte: Pode-se ver que a Regressão Logística eo Analisador Discriminante Linear foram capazes de Ganhar uma taxa de 56 hit. No entanto, o Analisador Quadratic Discriminant foi capaz de melhorar em ambos para produzir uma taxa de 60 hit. Para o período particular analisado, isto é provavelmente devido ao fato de que há alguma não-linearidade na relação entre os fatores retardados e a direção que não é bem capturada na análise linear. Assim, há esperança de que possamos ser capazes de prever parcialmente o mercado de ações dos EUA. Existem algumas advertências a esta metodologia de previsão: Nós não usamos qualquer forma de validação cruzada para reduzir erros de montagem. Um preparador de produção exigiria que essa análise fosse considerada robusta. O forecaster só foi treinado em dados entre 2001-2004 inclusive. Dados de mercado de ações mais recentes podem ter precisão de previsão substancialmente diferente. Nós havent realmente tentado trocar fora esta informação. Em particular, como seria realmente executar negócios. Usaria o futuro do e-mini dos EUA Se usássemos as ordens do Market-On-Open (MOO) ou do Market-On-Close (MOC) Também precisamos considerar os custos de transação. Em artigos subseqüentes, consideraremos essas questões em maior profundidade. Uma advertência sobre a previsão aleatória Nesta seção eu quero destacar abertamente o problema da significância estatística quando se lida com meteorologistas. Além do forecaster descrito acima eu também gerou uma série de previsão baseada unicamente no sinal de sorteios aleatórios de uma distribuição normal padrão. Observe que no mesmo período produziu uma taxa de acerto de 53,4 e, no entanto, o método utilizado para gerar a série não é essencialmente diferente de jogar uma moeda. Tenha isso em mente sempre que você realizar procedimentos de previsão, pois muitas vezes pode levar a dire Negociação se não forem levados em conta. Nos artigos a seguir, consideraremos classificadores de previsão não-lineares supervisionados mais avançados, como redes de neurônios artificiais (ANN) e máquinas de vetores de suporte (SVM). Com uma estabilidade de técnicas de aprendizado de máquina à nossa disposição, poderemos usar métodos de conjunto para produzir uma precisão de previsão e robustez que às vezes pode exceder as de qualquer previsor individual. Michael Halls-Moore Mike é o fundador da QuantStart e tem estado envolvido na indústria de finanças quantitativas nos últimos cinco anos, principalmente como um desenvolvedor quantitativo e mais tarde como consultor de negociação de quant para hedge funds. Time-Series Momentum Trading Strategies no Global (2015) 50: 80. doi: 10.1057 / be.2015.16 4 Views Resumo Nos últimos anos, a presença de lucros anormais nos mercados de ações tem sido Empiricamente validado, colocando assim a Hipótese de Mercado Eficiente em julgamento ea afirmação de que o mercado sabe tudo ou o mercado não pode ser derrotado foi provado ser um mito. Com a presença de regras comerciais lucrativas nos mercados de ações, a especulação se torna um fenômeno comum tornando o sistema financeiro intrinsecamente instável, vulnerável a choques e propenso a falhas. Este estudo, ao explorar a presença de regras de negociação rentável no mercado global nos últimos anos, acha que os sub-mercados dos países desenvolvidos são mais vulneráveis ​​às atividades especulativas Palavras-chave estratégias de negociação de séries temporais mercado de ações global negociação Referências Ahn, D. H. J. Conrad e R. F. Dittmar. 2003. Ajuste de Risco e Estratégias de Negociação. A Revisão de Estudos Financeiros, 16 (2): 459485. CrossRef Google Scholar Baker, M. e J. Wurgler. 2007. Sentimento do investidor no mercado de ações. Revista de Perspectivas Econômicas, 21 (2): 129157. CrossRef Google Scholar Baltas, A. e R. Kosowski. 2012. Melhorando TimeSeries Momentum Estratégias: O papel dos sinais de negociação e Estimadores de volatilidade. Papers. ssrn / sol3 / papers. cfmabstractid2140091 (acessado em 15 de dezembro de 2014). Barberis, N. N. Shleifer e R. Vishny. 1998. Um modelo de sentimento do investidor. Jornal de Economia Financeira, 49 (3): 307343. CrossRef Google Scholar Berk, J. R.C. Verde e V. Naik. 1999. Investimento Ótimo, Opções de Crescimento e Retornos de Segurança. Journal of Finance, 54 (5): 15531607. CrossRef Google Scholar Bessembinder, H. e K. Chan. 1995. A Rentabilidade das Regras Técnicas de Negociação nas Bolsas Asiáticas. Pacific-Basin Finance Journal, 3 (2): 257284. CrossRef Google Acadêmico Brennan, M. J. T. Chordia e A. Subrahmanyam. 1998. Especificações de Factores Alternativos, Características de Segurança e a Secção Transversal de Rendimentos de Stock Esperados. Journal of Financial Economics, 49 (1998): 345373. CrossRef Google Acadêmico Brock, W. J. Lakonishock e B. LeBaron. 1992. Regras Técnicas Simples de Negociação e as Propriedades Estocásticas de Retorno de Estoque. Journal of Finance, 47 (5): 17311764. CrossRef Google Acadêmico Chakrabarti, G. e C. Sen. 2014. Green Investment: The Case for India. Springer. Google Acadêmico Chakrabarti, G. e C. Sen. próximos 2015. Os Verdes, os Cinzas eo Mercado de Ações Global, em volume editado para ser publicado pela IISWBM Kolkata, Índia: Springer. Google Scholar Chan, L. K.C. Y. Hamao e J. Lakonishok. 1991. Fundamentos e Retornos das Ações no Japão. Jornal de Finanças, 46 (5): 17391746. CrossRef Google Scholar Daniel, K. D. Hirshleifer e A. Subrahmanyam. 1998. Uma Teoria de Sobre-Confiança, Auto-Atribuição, Mercado de Segurança e Sub-Reações. Journal of Finance, 53 (6): 18391885. CrossRef Google Scholar Fama, E. F. 1970. Mercados de Capital Eficientes: Uma Revisão da Teoria e do Trabalho Empírico. Journal of Finance, 25 (2): 383417. CrossRef Google Acadêmico Hong, H. e J. Stein. 1999. Uma teoria unificada da sub-reação, da troca momentânea e da excesso da reação em mercados do recurso. Journal of Finance, 54 (6): 21432184. CrossRef Google Scholar Hudson, R. M. Dempsey e K. Keasey. 1996. Uma Nota sobre a Eficiência de Forma Fraca de Mercados de Capital: A Aplicação de Regras Técnicas Simples de Negociação aos Preços de Acções do Reino Unido1935 a 1994. Jornal de Banca e Finanças, 20 (6): 11211132. CrossRef Google Scholar Jensen, M. C. 1968. O Desempenho dos Fundos Mútuos no Período 19451964. Journal of Finance, 23 (2): 389416. CrossRef Google Scholar Johnson, T. C. 2002. Efeitos de Momento Racional. Journal of Finance, 57 (2): 585608. CrossRef Google Scholar Lakonishok, J. A. Shleifer e R. W. Vishny. 1994. Investimento, Extrapolação e Risco Contra Investidores. Journal of Finance, 49 (5): 15411578. CrossRef Google Acadêmico Lewellen, J. 2002. Momentum e Autocorrelação em Retorno de Estoque. A Revisão de Estudos Financeiros, 15 (2): 533564. CrossRef Google Scholar Liu, L. e L. Zhang. 2008. Lucros Momentum, Fator de Preços e Risco Macro-Econômico. Revisão de Estudos Financeiros, 21 (6): 24172448. CrossRef Google Scholar Lo, A. e C. Mackinlay. 1988. Os preços conservados em estoque não seguem caminhadas aleatórias: Evidência de um teste simples da especificação. Revisão de Estudos Financeiros, 1 (3): 4166. CrossRef Google Scholar Lo, A. H. Mamaysky e J. Wang. 2000. Fundamentos da Análise Técnica: Algoritmos Computacionais, Inferência Estatística e Implementação Empírica. Jornal de Finanças, 55 (4): 17051765. CrossRef Google Scholar Moskowitz, T. J. Y. H. Ooi e L. H. Pedersen. 2012. Time Series Momentum. Journal of Financial Economics, 104 (2012): 228250. CrossRef Google Acadêmico ONeill, M. A. Brabazon, C. Ryan e J. J. Collins. 2001. Evolução das Regras de Negociação do Índice de Mercado Utilizando a Evolução Gramatical. EvoWorkshops 2001, pp. 343352. Potvin, J. P. Soriano e M. Valle. Gerando Regras de Negociação nos Mercados de Ações com Programação Genética. Computadores amp Operações de Pesquisa, 31 (7): 10331047. CrossRef Google Scholar Qiu, L. X. E I. Welch. 2006. Medidas de Sentimento de Investidores. Documento de trabalho não publicado, Universidade de Brown. Ratner, M. e R. P.C. Leal. 1999. Testes de Estratégias Técnicas de Negociação nos Mercados Emergentes de Ações da América Latina e Ásia. Jornal de Bancos e Finanças, 23 (12): 18871905. CrossRef Google Scholar Ready, M. J. 2002. Lucros de Regras Técnicas de Negociação. Financial Management, 31 (3): 4361. CrossRef Google Scholar Rosenberg, B. K. Reid e R. Lanstein. 1985. Evidências Persuasivas de Ineficiência de Mercado. Journal of Portfolio Management, 11 (Spring): 916. CrossRef Google Scholar Sagi, J. S. E M. S. Sesholes. 2007. Atributos Firme-Específicos e a Seção Transversal do Momentum. Jornal de Economia Financeira, 84 (2007): 389434. CrossRef Google Scholar Informações sobre direitos autorais Associação Nacional de Economia Empresarial 2015 Autores e Afiliações Eu sou um profissional que oferece serviços nas áreas de consultoria estatística e financeira. Tenho um PhD em Estatística e um PhD Menor em Finanças da Universidade de Stanford. Trabalhei na indústria há dez anos, focando em projetos relacionados à mineração de dados, análise de fator, análise de cluster, análise de séries temporais, modelagem de volatilidade estocástica / preço de ativos, arbitragem estatística / desenvolvimento de estratégias comerciais proprietárias e assim por diante. Igualmente importante, eu tenho nove anos de experiência em consultoria financeira e estatística. Tenho consultado empresas, profissionais de negócios, pesquisadores e estudantes nas áreas de Marketing, Medicina, Biologia, Psicologia, Sociologia, Ciência Política, Engenharia, Economia e Finanças. Em termos de localização, os meus clientes têm sede em Nova Iorque, Boston, Filadélfia, Washington, Los Angeles, São Francisco, San José, Stanford, Seattle, Chicago, Toronto, Montreal, Londres, Edimburgo, Bergen, Frankfurt, Kuwait City, Hong Kong, Adelaide, Melbourne, Sydney e assim por diante. Normalmente, eu me encontro em Manhattan ou consultar via Skype, e-mail e telefone, se os clientes estão longe de Nova York. Além disso, faço projetos completos para meus clientes, que podem ou não exigir uma reunião. Exemplos de serviços: análise de dados em qualquer dos principais pacotes estatísticos (R, Matlab, SPSS, Stata, SAS, JMP, EViews, Minitab), desenho de experimentos, desenvolvimento de sistemas de preços e negociação, validação de modelos, Para melhorar o conhecimento geral. Leia a descrição detalhada dos tipos de serviço. Experiência e estudos de caso. A menos que a urgência esteja envolvida, a taxa é de 80 por hora para projetos padrão (regressão, ANOVA, dados de painel, desenho de levantamento, testes não-paramétricos) e mais para o material de tecnologia de ponta (mineração de dados, análise de cluster, séries temporais multivariadas, modelos de Markov ocultos , Markov Chain Monte Carlo, modelagem bayesiana, estatísticas espaciais, GWAS, funcionalidade SAS, estratégias de arbitragem / negociação estatística, preços de ativos exóticos, gerenciamento de risco de mercado). Envie um e-mail para obter informações mais detalhadas sobre preços ou qualquer outro esclarecimento. Ver Site no Mobile Classic