همیشه در حال آموختن!

افکار ما با کسانی است که خانواده یا دوستانشان تحت تأثیر Covid-19 قرار گرفته اند ، کسانی که از بیمار مراقبت می کنند ، کسانی که در خط مقدم این بیماری همه گیر می جنگند. ما خبرنامه قبلی را به همه شما اختصاص دادیم ، یک فداکاری مشابه برای خبرنامه امروز است. ما می خواهیم برای همه خوانندگان خود ، قبل از هر چیز ، برای سلامتی آرزو کنیم. خوب و ایمن بمانید. ما بسیار امیدواریم که بحران فعلی به زودی تمام شود.

با تشکر گرم از بلندگوهای تالزی!

ما به ویژه از بلندگوهای برجسته تالزی از سال 2020 سپاسگزاریم. ما می خواهیم از این فرصت استفاده کنیم تا به صورت حضوری از آنها تشکر کنیم. به ترتیب زمانی: رابین ویگگلزورث ، سیتین کاراکوس ، مایکل ایمرمن ، کوری ویستوچ ، اوری لی ، دیوید مونوز کنستانتین ، والرییا پرووشینا ، ژاک جوبرت ، رایان فرگوسن ، دیوید فاستر ، جنس نوردویگ ، بودوگ ، بود میشرا ، لوئیجی بالرابیو ، گرادیو ، جیو ، جی. جکی چن ، جان هال ، زیسیس پولوس ، الکساندر دنف ، سعید آمین ، ماریا گرازیا ویگلیوتی ، متیو دیکسون ، ایگور هالپرین ، پل بیلکون ، ارنست چان ، دانیل دافی ، دانیل برناردی ، یورگ کینیتز ، آلکس زرهرته ساتهراث ، توبرات ، توبرتونکوف ، توبرات. Papanicolaou ، Keywan Rasekhschaffe ، Jan Novotny ، Mark Salmon. خیلی ممنون از اینکه در این سال دشوار به جامعه ما خطاب کردید!

شریک زندگی: Cuemacro

Cuemacro شرکتی است که بر درک بازارهای کلان از منظر کمی ، به ویژه در بازارهای ارز متمرکز است. هدف ما درک چگونگی استفاده از داده ها برای تعمیق درک بازارهای کلان است. ما از منابع داده موجود و نوآورانه برای ایجاد استراتژی های سیستماتیک ، تجزیه و تحلیل و شاخص های داده استفاده می کنیم.

شریک زندگی: انجمن بین المللی برای امور مالی کمی (IAQF)

IAQF جامعه ای غیر انتفاعی و حرفه ای است که با ارائه بسترهای نرم افزاری برای بحث در مورد موضوعات مهم و مهم در این زمینه ، به تقویت حرفه امور مالی کمی اختصاص داده شده است. IAQF که در سال 1992 تأسیس شده است ، از دانشگاهیان و پزشکان فردی از بانک ها ، فروشندگان کارگزار ، صندوق های تامینی ، صندوق های بازنشستگی ، مدیران دارایی ، شرکت های فناوری ، تنظیم کننده ها ، حسابداری ، مشاوره و شرکت های حقوقی و دانشگاه های سراسر جهان تشکیل شده است.

IAQF از طریق مباحث صریح در مورد موضوعات سیاست فعلی ، برنامه های حمایت مالی برای آموزش جامعه مالی و شناخت دستاوردهای برجسته در این زمینه ، به عنوان چراغ برای توسعه امور مالی کمی عمل می کند. در طول تاریخ خود ، رهبری برجسته IAQF ما را در موقعیتی قرار داده است تا با نیازهای در حال تحول در جامعه مهندسی مالی پاسخ دهیم. برنامه های IAQF-از کمیته های خاص منطقه ما گرفته تا مباحث ماهانه ما به جایزه مهندس مالی سال-به گونه ای طراحی شده است که عضویت ما را با فعالیت های منحصر به فرد ارزشمند فراهم کند تا کار خود را در این زمینه و فرصت های شبکه و اجتماعی کردن با همکارانشان تقویت کند. واد

وب سایت جدید

برای تأمین بهتر نیازهای مشتریان و جامعه ، ما یک وب سایت جدید ایجاد کرده ایم. می توانید از آن به آدرس www.thalesians.com بازدید کنید

این وب سایت شامل بخش هایی در مورد فعالیت های آموزشی و مشاوره ما ، در سمینارهای اخیر و آینده و کارهای اخیر ما مانند انتشارات و کتابخانه های نرم افزاری است. ما امیدواریم که شما همچنین صفحات منابع (هنوز در حال گسترش) را دوست داشته باشید که منابع مفید برای کار علوم داده را جمع می کنند.

در وب سایت جدید شما قادر خواهید بود فیلم ها را تماشا کرده و اسلایدها را از سمینارهای اخیر تالزی بخوانید.

همچنین می توانید در دوره های آموزشی هیجان انگیز آینده ثبت نام کنید. در زمان همه گیر جهانی Covid-19 ، ما تمرکز جدی خود را بر یادگیری حفظ می کنیم. خواهید فهمید که این تمرکز در وب سایت جدید منعکس شده است.

گواهی توسعه دهنده کمی (QDC)

هدف این دوره توسعه مهارت های اساسی نقش توسعه دهنده کمی است. این دوره از سطح مقدماتی است و نیازی به تجربه برنامه نویسی ندارد. این دوره توسط پزشکان از امور مالی کمی با تجربه در توسعه مدل برای قیمت گذاری مشتق و تجارت سیستماتیک طراحی شده است.

زبانهای کدگذاری اولیه این دوره پایتون و C ++ است. از آنجا که برای کار با داده های سری زمانی در امور مالی ضروری است ، ما پایگاه داده KDB+ و زبان Q را معرفی می کنیم که راه حل های پیشرو برای ذخیره سری زمانی است.

این دوره از 5 ماژول تشکیل شده است: پایتون برای امور مالی ؛اصول C ++ و موارد استفاده از مالی کمی ؛ساختار داده ها و الگوریتم های C ++ ؛بانکهای اطلاعاتی در امور مالی: KDB+؛طراحی سیستم عامل های تجاری سیستماتیک.

در طول دوره نمونه آزمون سوالات از مصاحبه های Quant/Developer ارائه می شود.

KDB+/Q را با ما بیاموزید!

KDB+ یک پایگاه داده سری زمانی است که برای تجزیه و تحلیل داده های بزرگ بهینه شده است. طراحی ستونی KDB+ به این معنی است که سرعت و کارآیی بیشتری نسبت به پایگاه داده های رابطه ای معمولی ارائه می دهد و پشتیبانی بومی آن برای سری زمانی ، سرعت و عملکرد نمایش داده ها ، تجمع و تجزیه و تحلیل داده های ساختاری را به شدت بهبود می بخشد. به گفته EfinancialCareers ، K و Q ، زبانهای پشت KDB+، "بهترین شغل را در بانکداری به شما می دهد" و "داغترین زبان برنامه نویسی در امور مالی" هستند.

همراه با شرکای خود ، WBS Training Ltd ، ما در حال راه اندازی یک دوره آموزشی در مورد داده های بزرگ و داده های فرکانس بالا با KDB+/Q در تاریخ 2020. 11. 30 - 2020. 12. 03 هستیم. دوره شما مقدمه ای از KDB+/Q را پوشش می دهد. نصب KDB+/Q ؛متغیرها ، انواع و اپراتورها ؛لیست هافرهنگ لغت ؛جریان کنترل ؛کارکرد؛تکرارها ؛جداول ؛Q-SQL ؛پیوستاشکال عملکردی ؛ورودی و خروجی؛جداول پاشیده و تقسیم شده ؛IPC و ادغام ؛موازی سازی ؛KDB+/Q DevOps ؛داده های سطح 2 ؛شبیه سازی؛آشنایی با KDB+/TICK.

این دوره یک پایه محکم برای تبدیل شدن به یک KDB+/Q Quant/Developer ماهر فراهم می کند.

استنباط آماری مکرر و بیزی

استنباط آماری فرایند استفاده از تجزیه و تحلیل داده ها برای نتیجه گیری در مورد جمعیت یا حقایق علمی بر اساس یک نمونه داده است. استنباط می تواند اشکال مختلفی به خود بگیرد ، اما اهداف استنباطی اولیه اغلب تخمین نقطه خواهد بود ، برای تهیه "بهترین حدس" از یک پارامتر ناشناخته و تخمین فاصله ، برای تولید دامنه برای پارامترهای ناشناخته که توسط داده ها پشتیبانی می شوند.

طبق رویکرد مکرر ، پارامترها و فرضیه ها به عنوان مقادیر ناشناخته اما ثابت (غیر تصادفی) تلقی می شوند و در نتیجه امکان ایجاد اظهارات احتمال در مورد این ناشناخته ها وجود ندارد. همانطور که از نام آن پیداست ، رویکرد مکرر با یک نمای فرکانس از احتمال مشخص می شود ، و رفتار روشهای استنباطی تحت نمونه گیری مکرر فرضی از داده ها ارزیابی می شود.

تحت رویکرد بیزی ، خط دیگری در نظر گرفته می شود. پارامترها به عنوان متغیرهای تصادفی در نظر گرفته می شوند. به عنوان بخشی از مدل ، توزیع قبلی پارامتر معرفی می شود. این قرار است قبل از به دست آوردن داده ها ، وضعیت دانش یا جهل را در مورد پارامترها بیان کند (سابق). با توجه به توزیع قبلی ، مدل احتمال و داده ها ، اکنون می توان با توجه به داده ها ، احتمال خلفی (پست سابق) پارامترها را محاسبه کرد. از این توزیع استنتاج در مورد پارامترها انجام می شود.

در دوره مدرن استنتاج آماری توسط زبانهای برنامه نویسی احتمالی (PP) تسهیل می شود. اشکالات جانباز/WinBugs/OpenBugs توسط Pystan و PYMC3 تکمیل شده است. و اکنون PYMC4 در افق است.

در این دوره ، هر دو رویکرد مکرر و بیزی را بررسی خواهیم کرد ، زبانهای برنامه نویسی احتمالی (PP) را توضیح می دهیم و استفاده از آنها را با مثال نشان می دهیم.

فیلتر تصادفی ، زنجیره مارکوف مونت کارلو و برنامه ها

علاقه به مشکل فیلتر به اواخر دهه 1930 - اوایل دهه 1940 باز می گردد. این کار در کارهای Kolmogorov در سریال های زمانی و Wiener در مورد بهبود ارتباط رادار در طول جنگ جهانی دوم مورد توجه قرار گرفت ، که برای اولین بار در سال 1942 به عنوان یک یادداشت طبقه بندی شده با نام مستعار "خطرات زرد" ظاهر شد ، بنابراین به نام رنگ کاغذ که روی آن چاپ شده است.

کالمن این کار را به فرآیندهای غیر ثابت گسترش داد. این کار دارای برنامه های نظامی بود ، به ویژه پیش بینی مسیرهای موشکی بالستیک. فرآیندهای غیر ثابت برای الگوبرداری از مراحل واقعی راه اندازی و ورود مجدد آنها مورد نیاز بود. البته ، فرآیندهای غیر ثابت در سایر زمینه ها بسیار زیاد است-حتی حرکت استاندارد براونیک مدل کارشناسی اصلی در امور مالی غیر ثابت است. مهندسان برق کلمن در ابتدا ایده های خود را با شک و تردید ملاقات کردند ، بنابراین وی در یک ژورنال مهندسی مکانیک به پایان رسید. در سال 1960 ، کالمن از مرکز تحقیقات ناسا آمس بازدید کرد ، جایی که استنلی اف. اشمیت به این کار علاقه مند شد. این منجر به تصویب آن توسط برنامه آپولو و سایر پروژه ها در هوافضا و دفاع شد. نسخه زمان گسسته فیلتر به دست آمده توسط کالمن اکنون به عنوان فیلتر کالمن شناخته شده است.

با این حال ، راه حل های کلی نامتناهی است و به راحتی قابل اجرا نیست. در عمل ، تقریب های عددی به کار می رود. فیلترهای ذرات یک کلاس مهم از چنین تقریبی را تشکیل می دهند. این روشها گاهی اوقات به عنوان مونت کارلو متوالی (SMC) گفته می شود ، اصطلاحی که توسط لیو و چن ابداع شده است. تکنیک های مونت کارلو لازم برای فیلتر ذرات به کار هامرسلی و مورتون است. نمونه برداری از اهمیت متوالی (SIS) به کار مایین و دستگیره باز می گردد. مرحله مهم نمونه برداری توسط گوردون ، سلموند و اسمیت ، بر اساس ایده روبین ، برای به دست آوردن اولین فیلتر تغییر شکل مجدد اهمیت متوالی (SIR) اضافه شد ، که در تجربه ما ، محبوب ترین الگوریتم فیلتر ذرات است که در عمل مورد استفاده قرار می گیرد.

مونت کارلو زنجیره مارکوف (MCMC) منشأ خود را از کار کلانشهر نیکلاس ، مارشال N. روزنبلوت ، آریانا دبلیو روزنبلوت ، ادوارد تلر و آگوستا اچ. تلر در لوس آلاموس در شبیه سازی مایع در تعادل با مرحله گاز خود می گیرد. این کشف هنگامی رخ داد که نویسندگان آن فهمیدند که به جای شبیه سازی پویایی دقیق ، می توانند یک زنجیره مارکوف خاص را با همان توزیع تعادل شبیه سازی کنند.

در این دوره نظریه و عمل فیلتر Kalman و ذرات را در نظر می گیریم و از زبانهای برنامه نویسی احتمالی (PP) استفاده می کنیم ، مانند اشکالات جانباز/وینبوگ/Openbugs و Pystan ، PyMC3 و PyMC4 اخیر برای انجام تجزیه و تحلیل MCMC.< SPAN> زنجیره ماركوف مونت کارلو (MCMC) منشأ خود را از كار متروپولیس نیکلاس ، مارشال N. روزنبلوت ، آریانا دبلیو روزنلوت ، ادوارد تلر و آگوستا اچ. تلر در لس آلاموس در شبیه سازی یک مایع در تعادل با گاز خود می گیرد. فاز. این کشف هنگامی رخ داد که نویسندگان آن فهمیدند که به جای شبیه سازی پویایی دقیق ، می توانند یک زنجیره مارکوف خاص را با همان توزیع تعادل شبیه سازی کنند.