I Made the Quant Roadmap

[zene] Itt az ideje. Készítettem egy kvantitatív útitervezetet, hogy segítsek eligazodni az utadon a kvanttá válás felé. Felsoroltam szinte minden egyes témát, amire csak gondolni tudtam a matematikában, valószínűségszámításban és statisztikában, pénzügyekben és közgazdaságtanban, számítástechnika és gépi tanulás területén, strukturált sorrendben: első, második és harmadik szinten. Ebben a videóban pedig végigvezetem Önt ezen az útitervezeten. Hogyan tanulnék meg egy új témát ezen tudományterületek mindegyikén. Hol keresnék forrásokat ezekre a specifikus témákra, meddig terjedjen a tanulmányunk bármelyik tudományterületen attól függően, hogy milyen szerepet céloztam meg. És útközben az első, második és harmadik szinten cselekvésre kész célok lesznek. Így tudni fogja, hogy hatékonyan megtanulta-e mindent az előző szinten. Kezdjük a tetejével. Hogyan is fogjunk hozzá az útitervezethez? Nos, nem tudja, hogy mit nem tud. És ez az útitervező pontosan feltárja, hogy mi az. Az első szinten szeretne kezdeni, haladjon lefelé a második és harmadik szintre sorrendben, és győződjön meg róla, hogy minden egyes tudományterületen lefedte az összes altémát. Hogyan is tanulunk meg egy témát ezeken a tudományterületeken? Nos, három szakaszból áll valami új elsajátítása. Az első szakasz a tanulmányozás. Ez azt jelenti, hogy előadásra jár, videóelőadást néz, olvas valamit. Ez a nehéz rész. Ez a fejtörés. Olvassa el egyszer, olvassa el kétszer. Még mindig nem értelmes. Itt történik a munka a második lépéssel együtt: a gyakorlás. Gyakorolnia kell a témát, amit tanul. És itt épül fel az intuíció. Feladatlapok, kvant klubok, adaptív gyakorlórendszer, és így tovább. Ha ezt megtette, képes lesz alkalmazni a valós világban. Ha erre képtelen, térjen vissza az első lépéshez. Meg kell értenie, hogy pontosan mit tanul. Ez nem a memorizálásról vagy csak egy vizsga átmentéséről szól. Ez arról szól, hogy mély és alapvető megértést alakítson ki az altémák mindegyikéről, hogy egy nagyon erős és hatékony kvantitatív eszköztárat építhessen. Mit tegyen, ha nem talál forrást, vagy az nincs felsorolva ezen az útitervezeten? Hagyok egy linket ehhez az útitervezethez az alábbi leírásban, de valószínűleg van egy ingyenes YouTube videóm, amely a témának szentelt. Nagyon kevés YouTube videó kering odakint az opciók árazásáról Fourier-transzformációval, vagy a véges differenciák alkalmazásáról specifikusan a Black-Scholes egyenletre. Minden ilyen ezoterikus témában vannak videóim. Tehát nézze meg a Quan Guild-et a YouTube-on. Ez legyen az első hely, ahol elkezdi. Szüksége van mindent megtanulni ezen a listán? Meddig kell eljutnia minden tudományterületen? Nos, attól függően, hogy milyen szerepet céloz meg, ez határozza meg, meddig terjedjenek a tanulmányai. Ha kvant kereskedő szeretne lenni, a matematikai kettes szint elegendő. Számítástechnika kettes szint, gépi tanulás valószínűleg egyes vagy kettes szint elegendő. Valószínűségszámítás és statisztika, mesterfokon kell elsajátítania. Ön aktív kockázatvállaló. Meg kell értenie a modellvezérelt döntéshozatalt, a statisztika és valószínűség korlátait, és hogyan kell kiszámított kockázatokat vállalni. Ha kvant fejlesztő szeretne lenni, a matematikai kettes szint elegendő. Számítástechnika, mesterfokon kell elsajátítania. Gépi tanulás hármas szint elegendő. Attól függően, hogy milyen szerepet tölt be, igen, sok ilyen szerep különböző kalapokat visel. Néha mesterfokra van szükség különböző tudományterületeken, és így tovább. De általában, nézzük ezt a három szerepet. Valószínűségszámítás és statisztika kettes szint elegendő. Kvantitatív kutatáshoz, mesterfokon kell elsajátítania a matematikát. Ezzel valószínűleg a valószínűségszámítást és statisztikát is mesterfokon fogja elsajátítani. Számítástechnika hármas szint és gépi tanulás hármas szint erősen ajánlott. Ha nem tudja pontosan, melyik szerepet szeretné célozni, kezdje az egyes szinten, válasszon különböző tudományterületeket, és nézze meg, mihez vonzódik. Nézze meg, miben jó, és nézze meg, mit szeret. Ez segíthet a döntéshozatalban. Tehát, kezdve az egyes szinten, navigáljunk a számítástechnikához. A számítástechnikának van a legalacsonyabb belépési küszöbe. Minden eszköz ingyenes, általában nyílt forráskódú, online elérhető. Közvetlenül letöltheti őket a számítógépére, és azonnal elkezdhet kódolni. Az egyes szintű számítástechnika magában foglalja a programozási alapokat és eszközöket, alap szerkesztőket, IDE-ket, alap programozási szintaxist különböző nyelveken, változók, adattípusok, műveletek, vezérlőfolyam, adatstruktúrák, listák, tömbök, szótárak, objektumok megértését, hogyan tárolódnak ezek a dolgok a memóriában, függvények, procedurális programozás, hogyan kell használni a parancssort, alap verziókövetést, és még webfejlesztést is ajánlanék: HTML, CSS és JavaScript alapvető UI koncepciókhoz, webalkalmazás programozáshoz. És van egy teljes kurzusom, amely ezeknek a témáknak szentelt a Quanild-en. Ez nem csak egy szórványos témák halmaza. Az Ön célja, hogy ezen anyagok tanulmányozása után képes legyen bármit a nulláról felépíteni. Ez a kód olvasása és írása. Szinte minden itt található lehetővé teszi, hogy bármilyen kívánt alkalmazást felépítsen. Nem beszélek egy teljes end-to-end gépi tanulási folyamat üzembe helyezéséről. Egy nagyon alapvető alkalmazás felépítéséről beszélek a számítógépén, egy webalkalmazásról, és így tovább. Miután megtanulta ezt az anyagot, képesnek kell lennie hatékonyan olvasni és írni kódot. Ez az Ön célja a számítástechnika egyes szintjén. Most áttérünk a matematika ezen gondolatára. Beszéljünk az alapvető készségekről, amelyek a későbbi tanulmányokhoz szükségesek. Az itt felsorolt témák a középiskolai matematika órákon találhatók. Beszélünk algebráról és geometriáról. Egyenletrendszerek megoldása, függvények, alapfüggvények, polinomok, racionális függvények, exponenciálisok, logaritmusok, koordinátageometria, alapvető bizonyítások. Ez az anyag általános, de itt követik el a legtöbb hibát a magasabb matematikában. Voltak tanársegédeim, professzoraim, társaim és kollégáim, akik nagyon alapvető algebrai hibákat követtek el. Ha valaha is látta az Oppenheimer című filmet, látni fogja azt a jelenetet, ahol tudja, hogy elmegy az egyik kutatóhoz: "A te matematikád jobb, mint az enyém most." És ez azért van, mert ez egy fejsze, amit élesen kell tartania. Az Ön célja itt az, hogy annyit gyakoroljon, amennyit csak tud, hogy képes legyen ezeket a témákat a valós világban alkalmazni determinisztikus események modellezésére. Ez szóban forgó problémák megoldása. Képesnek lenni egyenletrendszer felállítására. Itt jön be a kritikus gondolkodás. Az alapvető témák megértése, az intuíció birtoklása és az alkalmazás képessége. Ez a matematika egyes szintje. Tovább a valószínűségszámításhoz és statisztikához. Ezen a szinten ésszerű megértéssel kell rendelkeznie a matematikából az egyes szinten felsorolt témákból, hogy megközelíthesse a valószínűségszámítást és statisztikát. Ellenkező esetben ennek nagy része nem fog értelmet adni. Tehát a valószínűségszámítás és statisztika területén el kell kezdenie ezekkel az alapvető statisztikai és valószínűségi fogalmakkal. Ez a statisztikai fogalom: átlag, medián, módusz, terjedelem, variancia és szórás, amennyiben az egy adatmintára vonatkozik. Ebben a kontextusban még nem is beszélünk becslőkről, torzításról és varianciáról. Csak ezeknek a nyers becslőknek az alkalmazásáról beszélünk egy adatminta részhalmazára. Ez nagyon, nagyon alapvető valószínűségszámítás és statisztika. Valószínűleg csak egy számhalmazt fog megfigyelni, és kiszámítja ezeket a statisztikai mennyiségeket. Alapvető ismeretekkel kell rendelkeznie a valószínűségről, halmazelméletről, mintaterekről és eseményekről, feltételes valószínűségről és statisztikáról, kombinatorikáról. Ez egy trükkös dolog a diákok számára. Nehéz megérteni, hogy mit és hol kell számolni, de ez gyakorlással jár. Az Ön célja itt az, hogy annyi intuíciót építsen fel, amennyit csak tud, de alapvetően megértse az olyan kritikus fogalmakat, mint a függetlenség, a kölcsönös kizárás. Megértse, hogy amikor releváns információkra kondicionál, minden megváltozik, az alapvető eloszlás, a valószínűség és a statisztika. Működő ismeretekkel kell rendelkeznie a valószínűség gyakorisági értelmezése közötti különbségről. Mit is jelent egy valószínűség, és hogyan értelmezik ezt a valószínűséget a valós világban, amikor adatokból becsülik meg? Az Ön célja az, hogy megértse, hogy a valós világban valamilyen populációs adatgeneráló eloszlást becsülünk, amely valószínűleg idővel változni fog. Amikor az osztályteremben vagyunk, és egy véletlen változót nézünk, gondoljon például egy kockadobásra vagy egy pénzfeldobásra. Ezek az eloszlások nem változnak idővel, igaz? Tehát ezek az Ön alapvető statisztikai és valószínűségi fogalmai, amelyeket meg kell tanulnia. Az egyes szinthez az Ön általános célja az, hogy képes legyen modellezni ezeket a véletlen változókat, ezeket a zárt eloszlásokat, amelyek nem változnak idővel. Beszélek a véletlen eseményeiről, egy pénzfeldobásról, egy kockadobásról, és így tovább. Most beszéljünk a pénzügyekről és közgazdaságtanról. Az egyes szint fogalmai: alapvető piaci és makroökonómia, mikroökonómia, kínálatról és keresletről, részvényekről, kötvényekről, befektetési alapokról, megtakarításról, befektetésről, kereskedésről, a pénz időértékéről, jövőbeli és jelenértékről, inflációról és kamatlábakról, GDP-ről, monetáris és fiskális politikáról beszélünk. Ez a racionális ügynöki gondolat, az egyik első feltételezés, amit a közgazdaságtanban teszünk, hogy az ügynökök racionálisan cselekszenek. De ha megnézi a piac viselkedését, az ügynökök abszolút nem cselekszenek racionálisan. Tehát meg kell értenie a hatást a lefelé irányuló modellekben. Az egyensúlyi ár a tisztességes ár? Nem mindig. És ez az, ami lehetőséget teremt. Tehát a pénzügyek és közgazdaságtan tekintetében a legtöbb fogalmat alapvető makro- és mikroökonómiai órákon tárgyalják, de ragaszkodni fognak az elmélethez. És meg kell értenie, hogy a pénzügyek és közgazdaságtan legtöbb formális tanulmánya nem igaz a valós világban. Sok esetben ezek a struktúrák nem érvényesek. Tehát az Ön célja itt az alapvető elmélet elsajátítása, a kamatcsökkentések vagy kamatemelések hatásának megértése az egész piacra, és hogyan fogják befolyásolni a piacot azok a döntések, amelyeket a Fed hoz. De ami még fontosabb, az Ön célja lesz mindezeknek a témáknak a megértése, hogy kritikusan gondolkodjon róluk. Amikor a Wall Street Journal cikket olvas, érti az olvasott témákat? Ez az első lépés. A második lépés az, hogy kritikusan gondolkodjon róluk. Mit feltételeznek mások, amikor ezeket az állításokat teszik? Helyesek a feltételezések, vagy a gyakorlatban megsértik őket, és valami egészen más fog történni? Mindez hozzájárul a kiszámított kockázatok vállalásának képességéhez. Ha egy feltételezés nem értelmes, miért nem értelmes? Tudja-e modellezni kvantitatív módon? Tudja-e alkalmazni a matematikából, valószínűségszámításból és statisztikából tanultakat, hogy számot adjon annak a feltételezésnek a valószínűségéről, amelyet talán egy olyan cikkben tesznek, mint egy Wall Street Journal cikk? Tud-e ez alapján kereskedni? Akkor van egy modellvezérelt értéke, ami alapján kereskedhet. Mindez teszi a kvantot az alapvető megértéssé a gyakorlatban kezelt témákról és a képességről, hogy aztán tájékozott döntéseket hozzon a bizonytalanság közepette. Ez a végső célunk. Tehát az egyes szintű tanulási céljai, ismételve: számítástechnikában képes legyen bármit felépíteni, alapvető UI-kat, webalkalmazásokat, számítógépes alkalmazásokat, API-kat stb. implementálni. Valószínűségszámítás és statisztika: képes legyen modellezni azokat a fix eloszlásokat. Pénzügyek és közgazdaságtan: képes legyen megérteni az olvasott híreket. Megérteni az implicit feltételezéseket ezekben a különböző cikkekben és megjegyzésekben. Matematika célja: képes legyen determinisztikus problémák felállítására és megoldására. Ha úgy találja, hogy nem tudja teljesíteni ezeket a tanulási célokat, térjen vissza. Nem tanulta meg az alapvető anyagot, vagy nem gyakorolt eleget ahhoz, hogy a valós világban alkalmazza. Ezután vége az egyes szintnek. Most haladhatunk a kettes szinthez. És itt jön be a gépi tanulás. De van egy alapvető szintű matematika, valószínűségszámítás és statisztika, valamint számítástechnika, amely szükséges a gépi tanulás tanulmányozásához. És most a kettes szintű témákról fogunk beszélni minden tudományterületen, és áttekintjük a kettes szintű tanulási célokat. Kezdjük a számítástechnikával. Itt kezdjük meg a formálisabb tanulmányainkat. Nem csak a kódolás megtanulásáról beszélünk. Adatstruktúrákról és algoritmusokról, fákról, halmokról, grafokról, hash táblákról, rendezési és keresési algoritmusokról, dinamikus programozásról, idő- és tárhely komplexitásról, Big O jelölésről, objektumorientált programozási elvekről beszélünk. Remélhetőleg már találkozott velük az egyes szinten, amikor átment ezen az anyagon. Valószínűleg így lesz. Ha nem, a kettes szint az ideje, hogy felvegye. Továbbá, megértve az adatbázis gondolatát, információk tárolása. Hogyan titkosítsunk és mentsünk el jelszavakat egy adatbázisban? Mindezek szükséges témák a tanuláshoz. Ez általában az, amit a kvant interjúk tudáskörében tesztelnek. Kapni fog egy valamilyen szóban forgó problémát. Ez csak egy LeetCode vagy HackerRank lesz, tudja, és az Ön képessége, hogy megértse ezeket az alapvető struktúrákat és alkalmazza őket a nekik adott problémára, közvetlenül kapcsolódik az ezen altémák megértéséhez. Tehát hogyan gyakoroljon? Nos, valószínűleg van 20 tervezési minta, amit tanulni kell, hogy szinte minden LeetCode problémát megoldjon, az egyszerűtől a nehézig. Az Ön képessége, hogy megoldja ezeket a problémákat a tudáskörben, közvetlenül kapcsolódik az időhöz és a gyakorláshoz, amit minden egyes altémába fektet. Ezek olyan témák, amelyeket valószínűleg egyetemen fog tanulni. Mindezek a különböző keresési és rendezési algoritmusok, ezek az adatstruktúrák, és így tovább. De aztán Önön múlik, hogy gyakorolja őket. Tehát honnan szerezzen gyakorlóanyagot ezekhez a témákhoz? Nos, nem tudok mást ajánlani, mint a getcracked.io. Ez a platform kifejezetten ezekre a kvant fejlesztői szerepekre épült, és ez egy nagyszerű hely, ahol el lehet kezdeni tanulni minden egyes témát és azokat a témákat, amelyeket a hármas szinten fogok felsorolni. Ez Coding Jesus platformja. Ha nem ismeri, mindenképpen nézze meg a YouTube-on. Sok fantasztikus tartalommal rendelkezik. Tehát, ha gyakorolni szeretné ezeket a témákat, nézze meg a getcracked.io-t. Ez vége a számítástechnika kettes szintjének. Most navigáljunk a matematikához. A matematika kettes szintjén főleg a kalkulus 1-től a kalkulus 4-ig terjedő témákra összpontosítunk. Ez a határérték, a derivált és az integrál gondolata. Optimalizálás. Ezek a témák alkalmazása. Extrémumok, maximumok, minimumok keresése függvényekben, többrészes kalkulus, kiterjesztés több bemeneti függvényekre, parciális deriváltak, gradiens hasonló optimalizálási problémák megoldására. És persze lineáris algebra vektorokhoz, mátrixokhoz, mátrixműveletekhez, különböző mátrix dekompozíciókhoz, dimenziócsökkentéshez. Talán nézzük az egenvektor dekompozíciót, a szinguláris érték dekompozíciót, amelyek mindkettő felhasználható a főkomponens analízis megtalálására, és talán lineáris egyenletrendszerek megoldására is. Ez ismét csak a kalkulus 1, 2, 3 és 4, valamint a lineáris algebrája lesz. Ha kvant kutató szeretne lenni, akkor nagyon erős lineáris algebrára van szüksége. Szinte minden, amit ebben a térben csinálunk, adat tudományi probléma. Minden adathalmaz egy mátrix. Minden gépi tanulási modell egy optimalizálási probléma. Ha a minimálisat szeretné elérni itt, akkor általában az egyes kalkulus elegendő a többi szerephez. De ha annyi matematikai tudást szeretne megszerezni, amennyit csak lehet, hogy ezeket a nagyon speciális kvantitatív kutatói szerepeket célozza meg, akkor természetesen mesterfokon kell elsajátítania mindezen témákat. Ezt tudva, most áttérhetünk a valószínűségszámításhoz és statisztikához. Ez megadja a szükséges előfeltételi anyagot. A matematika kettes szintjéig tartó tanulmányok, főleg a lineáris algebra és talán az 1, 2 és 3. kalkulus elegendő lesz ahhoz, hogy megértse ezeket a témákat a valószínűségszámítás és statisztika kettes szintjén. Ez a valószínűségi eloszlások és következtetések gondolata, véletlen változók, diszkrét és folytonos véletlen változók. Ezért van szüksége a kalkulus ismeretére, mert a valószínűségi sűrűségfüggvényt általában integráljuk, hogy megkapjuk a kumulatív eloszlási függvényt. Ez adja meg a tudományos körökben tanult általános eloszlásokat. A binomiális, geometriai, Poisson, normál, t-eloszlás. Vannak mások statisztikai tesztekhez: Khi-négyzet eloszlások, F-eloszlások, béta eloszlások, gamma eloszlások, a lista folytatódik. A centrális határeloszlás tétele és a nagy számok törvénye valószínűleg a legfontosabb téma ezen a listán. Ez magyarázza meg, miért tudunk különböző statisztikai mennyiségeket szimulálni. A hipotézistesztelés és a konfidencia-intervallumok gondolata egy szép tudományos kiterjesztés. A lineáris regresszió megértése és annak ereje tudományos kontextusban szintén nagyon fontos. Ezeket a témákat általában egyetemi statisztika szak vagy mellékszak alapkurzusain találja meg. Ezeket a témákat valószínűleg nem fogja találni egy középiskolai osztályban, hacsak nem végez valamilyen kettős beiratkozást. Még egy AP osztály is csak finoman érinti a nagy számok törvényét, a centrális határeloszlás tételét, valamint a hipotézistesztelés és a konfidencia-intervallumok gondolatát. Nem megy elég mélyre. Valójában nem fogja vizsgálni a paraméterhalmaz szupremumát, amely az egész tesztet ésszerűvé teszi. Tehát ezen témák mély és alapvető megértése a formális tanulmányokból származik. Az Ön alapvető célja itt az, hogy megértse ezeket a témákat mind az osztályteremben, mind a valós világban. Ez a legfontosabb része a kettes szintű valószínűségszámításnak és statisztikának: megérteni, mikor konvergálnak az eloszlások, valószínűségek és statisztikák, és mikor nem. A valóságban, hacsak nem fix véletlenszerűséggel foglalkozunk, nem konvergálnak. Létfontosságú megérteni a különbséget egy időben változó populációs adatgeneráló eloszlás és egy megfigyelt empirikus minta között. Ez az oka annak, hogy szinte mindenki helytelenül háttesztel. Nem értik, hogy ha egy adott időpontban információkra kondicionálnak, és kereskedésbe kezdenek, az más, mint itt információkra kondicionálni és kereskedésbe kezdeni. De sok videóm van erről a témáról, ha ez érdekli. A kettes szinthez a különbség megértése az osztályteremben és a valós világban. Miután mindezeket a témákat feldolgozta a valószínűségszámításban és statisztikában, készen áll a gépi tanulásra. És ez bizony egy mély tenger. Nagyon csábító, amint bekerül a gépi tanulás terébe, hogy csak egy csomó projektet építsen, és egy csomó modellt túltanuljon az adatokon, hogy néhány nagyon jó mintán belüli teljesítménymutatót érjen el. De a cél ezen témák mindegyikének elsajátítása ezen a kettes szinten a modellfejlesztési folyamat teljes megértése. És itt az adatbeszerzésről beszélek, ami azt jelenti, hogy valamilyen kutatási kérdést tesz fel, beszerzi a szükséges adatokat, megtisztítja, előfeldolgozza, jellemzőkkel gazdagítja, majd kiválaszt egy modellt egy adott problémára, legyen az osztályozási probléma, valamilyen regressziós probléma, általában felügyelt gépi tanulást végez ebben a kapacitásban, de talán dimenziócsökkentést, felügyelet nélküli gépi tanulást néz. Ezen a szinten csak meg kell tanulnia az összes rendelkezésre álló eszközt ebben a teljes folyamatban, ami az első kutatási kérdéstől a modell üzembe helyezéséig tart. Nem beszélek egy end-to-end folyamat önálló felépítéséről és üzembe helyezéséről az AWS-en, de beszélek az egyes szakaszok megértéséről ebben a folyamatban. A felügyelt, felügyelet nélküli és megerősítéses tanulás közötti különbség, az úgynevezett torzítás-variancia kompromisszum. Ezzel már találkozott a kettes szintű valószínűségszámításban és statisztikában. A keresztvalidálás, a modellértékelési mutatók, a lineáris és logisztikus regresszió, a valószínűségszámítás és statisztika kiterjesztése, a döntési fák, az ensemble módszerek, a véletlen erdők, a gradiens emelési módszerek, a támogató vektor gépek, a K-legközelebbi szomszédok, és az ideghálózat gondolata, amely valójában csak egy óriási kompozit függvény, amelyet a kettes szintű matematika technikáival fog optimalizálni. Ezek a gépi tanulás alapvető témái, és sok ilyen ötletnek szentelt videóm van. Teljes cikkeim vannak bootcampekről, amelyek a felügyelet nélküli, felügyelt és megerősítéses tanulás gondolatát tárgyalják, az egyes tudományterületeken elérhető eszközöket és technikákat, valamint kód snippeteket a Medium-on. Tehát sok forrása van a kvant YouTube-on és a Medium-on, hogy önállóan tanulja meg ezeket a különböző témákat. Ezeket ismét megtalálja valamilyen statisztika szakban. Ezek lesznek a gépi tanulás kettes szintű témái. Az Ön kulcsfontosságú célja itt a teljes fejlesztési folyamat megértése. Ez az első kutatási kérdéstől az adatbeszerzésig, egészen a modell üzembe helyezéséig tart. Minden lépésnél különböző problémákkal fog találkozni. Lesznek kiugró értékek. Meg kell oldania valamilyen multikollinearitási problémát egy jellemzőkészleten belül. És így tovább. Ezeket a témákat valamilyen formális diploma programban fogja látni adat analitikában, adat tudományban, gépi tanulásban, mesterséges intelligenciában. Néhány műveletkutatási és statisztikai program is tárgyalhatja ezeket a témákat, de én soha nem tanultam ezeket formálisan. Csak elolvastam Francis Schwali könyvét, és az elég gyorsan felzárkóztatott. Ha megérti az alapvető valószínűségszámítást, statisztikát és matematikát, ezek a témák nagyon természetesen következnek. Tehát ez vége a kettes szintű gépi tanulásnak. Most áttérhetünk a pénzügyekre és közgazdaságtanra, és beszélhetünk a nagy ötletről ezeknek a témáknak a tanulmányozásában ezen a szinten. Ezen a ponton, az alapvető mikro- és makroökonómia, néhány alapvető pénzügyi elmélet, azaz a pénz időértéke az egyes szinten, áttérünk a kettes szintre, és megismerjük a különböző pénzügyi instrumentumokat, a modern portfólióelméletet, a származtatott ügyleteket, opciókat, határidős ügyleteket, swapokat, talán néhány fix kamatozású kötvényt, devizát, a CAPM és az árazott kockázat gondolatát, a hatékony piac hipotézist, az alfa fogalmát és annak létezését vagy hiányát, valamint alapvető értékelést és kockázatkezelést. Talán foglalkozik az érték kockázattal, diszkontált cash flow elemzéssel, ilyesmikkel. Az Ön kulcsfontosságú célja, amikor mindezt először egy tudományos környezetben tanulja, az, hogy megértse, hogy szinte minden modell, amit megnéz, nem érvényes a gyakorlatban. Nem tudom eléggé hangsúlyozni, hányszor vitattam a hatékony piac hipotézist tudományos kollégáimmal, barátaimmal, társaikkal, akármivel. A nap végén a piacok valamilyen szinten hatékonyak, de rengeteg hely van az alfára. Az egyensúlyi ár nem mindig a tisztességes ár. Az ügynökök nem mindig racionálisak. A lista folytatódik. Ezt minőségi környezetben is megvitathatjuk, és kvant kereskedési stratégiával is bizonyíthatom Önnek. De a legfontosabb dolog, amit szem előtt kell tartani, az Ön célja a pénzügyek és közgazdaságtan tanulmányozása ezen a szinten az, hogy mindent, amit tanul, egy szem sóval vegyen. Értse meg, hogyan segít magyarázni, amit a valóságban megfigyelünk, de értse meg, hogy van hely a megsértésekre. Igaz? A piac nem tökéletesen hatékony. Az alfa létezik. Nem csak árazott kockázat, és nem rendelkezünk mindezekkel a tényezőkkel. A piacok nem tökéletesek. Tehát a kettes szintű pénzügyek és közgazdaságtan tekintetében ezek a fő témák, amelyeket tanulni kell. Ezeket meglehetősen könnyű megérteni, mert többnyire csak minőségi megértést jelentenek az alapvető piaci interakciókról, makro politikáról és így tovább. És ezzel hatékonyan lefedtük a kettes szint minden témáját. Az ok, amiért a tanulást és a megértést részesítem előnyben, az az, hogy ha valóban megérti ezeket a témákat, kritikusan gondolkodhat róluk a valós világban, és új kiterjesztéseket hozhat létre. Mások munkájára építhet, hogy új modelleket, új eredményeket állítson elő, és akár stratégiákat is létrehozhasson. Ezt akarja mindenki megtanulni. És mindenki hozzám jön: "Hogyan tanulhatok meg kvant kereskedővé válni? Hogyan építhetek kereskedési stratégiát?" Nos, ez munka. Ez kutatás. Senki sem akarja elvégezni a munkát. Nem ezt akarják hallani, de ez az igazság. Meg kell tanulnia. Meg kell értenie, kritikusan gondolkodnia, és új kiterjesztéseket létrehoznia. Tehát a céljai ezen a szinten az, hogy megértse és gyakorolja ezeket a DS és A problémákat. Értse meg az idő- és tárhely komplexitást. Számítástechnika, valószínűségszámítás és statisztika: meg kell értenie a feltételezéseket és az alapvető megsértéseket a valós világban a tájékozott döntéshozatal érdekében a bizonytalanság közepette. Gépi tanulás: a cél a modellfejlesztési folyamat megértése. Emlékezzen az első kutatási kérdéstől az adatbeszerzésig, egészen a modell üzembe helyezéséig. Pénzügyek és közgazdaságtan: meg kell értenie a modern pénzügyi elméletet és azt a tényt, hogy nagyrészt nonszensz, nem működünk tökéletes világban, a hatékony piac hipotézis, a CAPM nem érvényes, az alfa létezik [szipog] nem minden árazott kockázat. Matematika: képes legyen determinisztikus problémák felállítására és megoldására kalkulussal. Ha bármilyen kapacitásban belemerül a gépi tanulásba, rá fog jönni, hogy szinte minden, amit csinálni fog, az ez lesz. Most haladhatunk a hármas szintű témákhoz. Ha eljut erre a tanulmányi szintre bármelyik általunk tárgyalt tudományterületen, olyan erős alapokkal fog rendelkezni, hogy tudni fogja, mit kell tanulnia ezután. Találkozni fog vele, és az összes többi témával, amellyel eddig találkozott. Természetesen vonzódni fog ahhoz, amit pontosan tudnia kell ezután. Ez nem jelenti azt, hogy nem lehetnek tudáshiányai, és pontosan ezért fogom kifejezetten megvitatni az összes olyan témát, amelyet hármas szintű témáknak tartok. Számítástechnikában ez lesz az advanced search optimization és rendszerek, alacsony késleltetésű programozás, numerikus optimalizálási technikák. Ez most a számítástechnika alkalmazása kifejezetten az optimalizálásra a kalkulusból, gradiens emelkedés és variancia. Newton módszere, szimulált izzítás és genetikai algoritmusok sztochasztikus kereséshez, alacsony késleltetésű architektúra, piaci adatfolyamok, végrehajtási rendszerek, párhuzamosság, szálak, párhuzamosság, elosztott rendszerek, mikroszolgáltatások, üzenetsorok, és így tovább. Itt kezdődik igazán a magas szintű fejlesztés. És magas szint alatt nem az absztrakció vagy a komplexitás szintjét értem. A nehézségről beszélek. Megismétlem, amit a kettes szinten mondtam. Mindez gyakorlást igényel a teljes megértéshez, elsajátításhoz és értékeléshez. Ezen a ponton nem csak ezt az anyagot fogja megtanulni, hanem tapasztalni fogja és a gyakorlatban alkalmazni. Ha visszatérünk a kettes szintű témákhoz, ezek mind szükségesek általában a kvant interjúk tudáskörében, de ezek a témák is. Alacsony késleltetésű architektúra, szálak, és így tovább. Mindezek olyan témák, amelyeket gyakorolnia kell. Tehát ezek a hármas szintű számítástechnikai témák. Ismét, ez általában a kvant fejlesztői vagy a kvant kutatás bizonyos formái számára van fenntartva. Ezek a témák határozottan mély merülés. Nincs felszínes tanulmányuk. Most áttérhetünk a hármas szintű matematika fókuszára. Ez magában foglalja a sztochasztikus kalkulust, differenciálegyenleteket, parciális differenciálegyenleteket és numerikus módszereket. Tehát ez differenciálegyenletek, sztochasztikus kalkulus, közönséges és parciális differenciálegyenletek, ODE-k, PDE-k, PDE-k megoldása, mint a Black-Scholes egyenlet, Brown-mozgás, geometriai Brown-mozgás, alapvető sztochasztikus differenciálegyenletek megoldása Itô-lemmával, a sztochasztikus kalkulus alapvető tétele. És ez természetesen segít a SDE-kkel. Ezek az eszközök az árazásban az alapvető eszközök dinamikájának modellezésére szolgálnak. És persze vannak eszközeink, mint a Monte Carlo szimuláció az árazáshoz és a kockázathoz, és a véges differenciák. Ezek numerikus technikák a különböző problémák megoldására ezeken a területeken. Ezek a témák nagyon speciálisak. Általában csak nagyon specifikus matematikai programokban tanulhatja meg őket. Ezek a kvant pénzügyi programok, műveletkutatási és pénzügyi mérnöki programok, amelyek általában diplomás szinten találhatók. Bár néhány alapképzési program is elkezd foglalkozni ezekkel a témákkal. Amikor sztochasztikus kalkulust lát, tudja, hogy véletlenszerűség jelenlétében van. Általában kalkulust alkalmaz egy véletlen változóra vagy egy sztochasztikus folyamatra, amely csak egy véletlen változó, amelyet általában idő szerint indexelnek, esetleg esetekben húzások. És meg akarja találni a dolgokat, mint egy függvény differenciálja ezen folyamatból, vagy talán integrálni fog ezen folyamat véletlenszerűsége szerint. Tehát ez minden, amit a sztochasztikus kalkulus jelent, de egyértelműen ez is magas szintű megértést igényel a valószínűségszámításból és statisztikából. Ezek elválaszthatatlanok. Tehát a valószínűségszámítás és statisztika hármas szintjén erősíteni fogja a tudományos fogalmak megértését a kettes szintből. Ez a diszkrét és folytonos véletlen változók, hogyan definiálják őket sűrűség- vagy tömegfüggvény, eloszlási függvény, momentumgeneráló vagy karakterisztikus függvény formájában, és így tovább. Erősíteni fogja ezt a megértést azáltal, hogy megnézi a folyamatokat. Tanulni fog sztochasztikus folyamatokat, idősorokat és fejlett statisztikai modelleket, autoregresszív és mozgóátlag modelleket, ARMA, ARMA, GARCH modelleket kifejezetten a volatilitásra, állandóságra és egységgyök tesztekre, miért nagyrészt nonszenszek, bayesi következtetés, priorok, valószínűség, posteriorok. Valószínűleg látott már valamilyen Bayes tételt az egyes vagy kettes szintű valószínűségszámítás és statisztika tanulmányai során, de ezen a ponton képes lesz alkalmazni egy szélesebb körben a folyamatokra. Találkozni fog nemparametrikus modellek tanulmányozásával és a robusztus statisztikák, nem normál adatok, kiugró értékek kezelése, nem állandóság, az adatok függőségének gondolata. Már nem húz ugyanabból a statikus populációs eloszlásból minden alkalommal, amikor megfigyel egy mintát. És ez egy nagyon nehéz probléma a gyakorlatban. És pontosan ezért olyan nehéz kereskedési stratégiákat építeni. Tehát ez a hármas szintű valószínűségszámítás és statisztika tanulmánya. Szépen kiegészíti a sztochasztikus kalkulust a matematika hármas szintű tanulmányában, mivel a sztochasztikus folyamatok általában azok, amelyeken a sztochasztikus kalkulust végzik, és ez magyarázza azt is, amit a videó elején említettem, amikor azt mondtam, hogy miután megtanulta a hármas szintet vagy elsajátította a matematikát, akkor is megtanulja a hozzá tartozó valószínűségszámítást és statisztikát, mert valamilyen ponton ez csak a matematika alkalmazása, ahol a számítástechnika teljesen elkülönül a tanulmánytól. Különböző numerikus technikákat alkalmazhatunk, amelyek némi kódolást igényelnek ezen különböző problémák megoldásához, de ezek nagyrészt nem kapcsolódnak ezekhez a témákhoz. Használhatunk valószínűségszámítási és statisztikai témákat az alacsony késleltetésű architektúrák modellezésére, de ez csak egy alkalmazás, majd a valószínűségszámítás és statisztika a hármas szinten. Most áttérhetünk a gépi tanulás gondolatára. És amint láthatja, nincs előfeltétele a hármas szinten. Ezen a ponton feldolgozta a szükséges előfeltételeket a kettes szintű számítástechnika, valószínűségszámítás és statisztika, valamint matematika tanulmányai során. És persze a gépi tanulás kettes szintje ahhoz, hogy megtanulja ezeket a fejlett gépi tanulási koncepciókat. Ez lesz a gépi tanulás kifejezetten idősorokhoz, jellemzőkkel gazdagítás pénzügyi volatilitás, megbízási könyv adatokhoz, a walk-forward validálás gondolata, szigorú háttesztelés. Nagyon könnyű torzítást bevinni a modellfejlesztési folyamatba. Megerősítéses tanulás: beszéltünk a felügyelet nélküli és felügyelt tanulásról a kettes szinten. A Q-learning, a politikai keresés gondolata egy kicsit bonyolultabb. Ez valójában csak egy optimalizálási probléma. Ez egy nagyon érdekes optimalizálási probléma. És a kettes szintű számítástechnika technikáit, különböző keresési algoritmusokat használunk ebben a kapacitásban az optimális politikák megtalálásához. Ez valójában csak egy optimalizálási probléma. Ügynökök létrehozásához, amelyek képesek dolgokat csinálni egy környezetben, fejlettebb mélytanulási struktúrákat nézünk, RNN-eket, LSTM-eket szekvenciális adatokhoz. Talán transzformer modelleket, generatív modelleket, variációs autoenkódereket, autoenkódereket nemlineáris dimenziócsökkentéshez, ilyesmiket is nézünk. Ezek csak érdekesebb, képességesebb modellarchitektúrák. A kauzális következtetés gondolata. Nem csak egy egyszerű kauzalitási tesztről beszélünk, valamilyen Granger kauzalitásról, ezek nagyrészt haszontalanok. Ha van valamilyen kauzális következtetés, amit meg akar határozni, akkor mindenképpen mélyen kell tanulmányoznia ezt. És persze az alfa-k kifejlesztésének és kombinálásának módszertana, ensemble módszerek, keresztmetszeti és idősoros megközelítések. Nem csak egy stratégiával fog kereskedni. Lesz valamilyen alfája, amely egy éles értéket produkál, egy alfa, amely 1,5-öt produkál. És tudja, elkezdi összerakni ezeket a darabokat, és kereskedik a nagyobb alfával. Nem csak ezeket az egyediakat fogja kereskedni, és ez a nagyobb portfólió. Tehát ebben a kontextusban ezek mind a hármas szintű gépi tanulás témái. Most áttérhetünk az utolsó tudományterületre, a pénzügyekre és közgazdaságtanra ezen a hármas szinten. Ezen a szinten valóban elkezd közeledni a fejlettebb témákhoz, amelyeket valószínűleg valamilyen tiszta pénzügyi vagy közgazdasági diplomaprogramban, talán még PhD programban is találna pénzügyekből és közgazdaságtanból. Ezek a viselkedési pénzügyi témák, fejlett kockázatkezelés, érték kockázaton, feltételes érték kockázaton meglehetősen tipikus, de vannak érdekes kiterjesztések az irodalomban, ahol generatív struktúrákat nézünk ezeknek a mennyiségeknek az közelítésére. Egyes esetekben még jobban teljesítenek néhány walk-forward tesztben. Kognitív elfogultságok, piaci anomáliák, farok kockázat és fekete hattyú események. Ha ezeknek az eseményeknek a valószínűségét akarjuk modellezni, akkor a valószínűségeket történelmi adatokkal fogjuk proxy-zni. De ne feledje, ha valóban értékes dolgot akarunk megállapítani egy előretekintő környezetben, akkor valójában modelleznünk kell az érdeklődő eseményt, igaz? Ha megnézi az olyan dolgokat, mint a "The Big Short", amikor azok az emberek fogadtak a lakáspiac ellen, alternatív adatokat használtak a kiszámított kockázat tájékoztatására, igaz? Nem csak idősoros adatokat fogunk használni itt, igaz? Ez nincs csak beépítve az idősorba. Olyan, mintha: Oké, meg tudjuk állapítani, hogy ez egy jó kockázat, amit most vállalhatunk a portfóliónkkal, hogy fogadjunk a... tudja, amit a piac jelenleg kedvezőnek implikál. Nem így működik a tér. És minél többet működik benne, minél többet próbál modellezni dolgokat idősoros kapacitásban, annál inkább látni fogja, hogy ez egy gépi tanulási problémává válik. És ez pontosan az, amiről itt beszéltünk. Tehát meg fogja tanulni az idősor elemzést, a valószínűségszámítást és statisztikát. Nagyon gyorsan megtalálja a korlátait, és talán valamilyen alacsony késleltetésű kereskedést és piacalkotást. Ezek a modellek nagyon hasznosak lehetnek. De nagyon gyorsan, makro szinten, adat tudományi problémává kell alakítania, hogy valós világban modellvezérelt döntéshozatalt végezzen. És ez vezet minket a hármas szintű céljainkhoz. És az Ön számára szóló megjegyzésem az, hogy az új kvantitatív ötletek az alapvető anyag mesterfokából származnak. Hogyan remélheti, hogy létrehoz szükséges kiterjesztéseket az idősor modellekhez, ha nem érti az alapvető AR vagy MA megközelítést? Hogyan remélheti, hogy modellezni fogja ezeket a farok eseményeket, ha nem érti az idősor adatok korlátait, és a szükségességét, hogy az egész problémát adat tudományi problémává alakítsa? Ezért összpontosítok annyira a tanulás és megértés gondolatára, mert ha megtanulja és megérti mindezeket az alapvető témákat, meghozhatja a saját döntéseit. Nem kell senkit sem kérdeznie. Olyan, mint amikor pókerezik, nem fogok senkit sem kérdezni, hogy emeljek-e itt, igaz? Ez... tapasztalatból tanultam. És megtanulhatja mindezeket a témákat, és tapasztalhatja őket azáltal, hogy a valós világban alkalmazza őket. És pontosan így hoz tájékozott döntéseket. Így válik kvanttá. Ahogy az előző két szinten, felvázoltam néhány hármas szintű tanulási célt. De valójában ezen a ponton annyi tapasztalata lesz az egyes területeken dolgozva, hogy tudni fogja, mit kell tennie ezután. Tudni fogja, hol vannak a tudáshiányai, mit kell tanulnia, gyakorolnia, talán a valós világban alkalmaznia, hogy tapasztalatot szerezzen, és így tovább. És ez az, amit minden nap csinálunk kvantként. Elvesszük a kvantitatív eszköztárunkat, és elmegyünk, és mindent, amit tudunk, tanultunk és elsajátítottunk, a valós problémákra alkalmazzuk. És ezek a valós problémák nyitottak. Kreatív új megoldásokat igényelnek. Nem dobhatunk csak egy AR1 modellt a problémára és oldhatjuk meg. Ezért szükséges az alapvető anyag mesterfoka. És ez elvezet minket az útitervező végére. Ez vége ennek a videónak a kvant útitervezőről. Remélem, élvezte. Remélem, tanult valamit. Ha úgy gondolja, hogy valamit elfelejtettem bármelyik tudományterületen vagy szinten, nyugodtan hagyja megjegyzésben. Mindig tehetek hozzáadásokat és szerkesztéseket ehhez az útitervezethez, és ez minden bizonnyal segít bárkinek, aki első alkalommal nézi. Ismétlem, ez egy élő, lélegző dokumentum lesz, amelyet az alábbi leírásban linkelek. Ezen kívül ennek a videónak az elkészítése nyilvánvalóan hatalmas erőfeszítést igényelt. Tehát, ha élvezte, és szeretne többet látni hasonlókból a jövőben, kérem, lájkoljon, kommenteljen, iratkozzon fel, ossza meg. Ez rengeteget segít nekem. Mindig nagyra értékelem. Ezen kívül nagyon szeretnék köszönetet mondani a megtekintésért, és a következő videóban találkozunk.