Analitica applicata - Metodi di ricerca quantitativa: Applicazione della simulazione di rischio Monte Carlo, delle opzioni reali strategiche, delle previsioni stocastiche, dell'ottica di portafoglio.

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 3 voti.

Titolo originale:

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

Contenuto del libro:

TERZA EDIZIONE (2022)

La serie di libri Applied CQRM mostra come le analisi avanzate trattate nel programma di certificazione Certified in Quantitative Risk Management (CQRM) possano essere applicate a problemi aziendali reali. Nel primo volume, mostriamo come Risk Simulator e ROV BizStats possano essere utilizzati per eseguire analisi quantitative in ricerche di laurea e post-laurea. Le applicazioni pragmatiche sono enfatizzate al fine di demistificare i molti elementi inerenti all'analisi quantitativa. Una scatola nera statistica rimarrà tale se nessuno riesce a comprenderne i concetti nonostante la sua potenza e applicabilità. È solo quando i metodi della scatola nera diventano trasparenti, in modo che i ricercatori possano comprenderli, applicarli e convincere gli altri dei loro risultati, del loro valore aggiunto e della loro applicabilità, che gli approcci riceveranno un'attenzione diffusa. Questa trasparenza viene raggiunta attraverso applicazioni passo-passo della modellazione quantitativa, nonché attraverso la presentazione di casi multipli e la discussione di applicazioni reali. Questo libro è rivolto a coloro che hanno completato il programma di certificazione CQRM, ma può essere utilizzato anche da chiunque abbia familiarità con i metodi di ricerca quantitativa di base: c'è qualcosa per tutti. Può essere utilizzato anche come testo per il secondo anno di un MBA o di un master o come testo introduttivo al dottorato di ricerca. Gli esempi contenuti nel libro presuppongono una certa conoscenza preliminare della materia. Ulteriori informazioni sul programma CQRM sono disponibili all'indirizzo: www.iiper.org www.realoptionsvaluation.com.

LE BASI.

Tendenza centrale, diffusione, obliquità, curtosi.

Probabilità, Teorema di Bayes, Alberi, Combinazione, Permutazione.

Classica, standard, valore P, IC.

Teorema del limite centrale.

Errori di tipo I-IV, bias di campionamento.

Tipi di dati e progettazione della raccolta.

METODI ANALITICI.

Test T: Varianza uguale/disuguale/appaiata, F-Test, Z-Test.

ANOVA, a blocchi, a due vie, ANCOVA, MANOVA.

Correlazione lineare/online.

Normalità e adattamento distributivo: Kolmogorov-Smirnov, Chi-quadrato, criterio di informazione di Akaike, Anderson-Darling, Kuiper, Schwarz/Bayes, Box-Cox.

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

Affidabilità inter/intra-retributore, coerenza, diversità, validità interna/esterna, prevedibilità.

Kappa di Cohen, Alfa di Cronbach, Lambda di Guttman, Correlazione interclasse, W di Kendall, Diversità Shannon-Brillouin-Simpson, Omogeneità, Grubbs Outlier, Mahalanobis, Discriminante lineare e quadratica, Hannan-Quinn, Diebold-Mariano, Pesaran-Timmermann, Precisione, Controllo degli errori.

Regressione multivariata lineare/online.

Multicollinearità, eteroschedasticità.

Modellazione delle equazioni strutturali (SEM), Partial Least Squares (PLS).

Endogeneità, metodi di equazioni simultanee, minimi quadrati a due stadi.

Causalità di Granger, Engle-Granger.

Regressioni avanzate: Poisson, Deming, Ordinal Logistic, Ridge, Weighted, Bootstrap.

INTELLIGENZA ARTIFICIALE E APPRENDIMENTO AUTOMATICO (SCIENZA DEI DATI)

Bagging Linear Bootstrap.

Bagging Bootstrap non lineare.

Alberi di classificazione e regressione CART.

Adattamento personalizzato.

Riduzione delle dimensioni Analisi delle componenti principali.

Riduzione delle dimensioni Analisi dei fattori.

Ensemble Common Fit.

Ensemble complesso.

Serie temporali di insieme.

Miscela gaussiana e segmentazione K-Means.

K-Nearest Neighbors.

Modello di adattamento lineare.

Analisi discriminante multivariata (lineare).

Analisi discriminante multivariata (quadratica).

Rete neurale (coseno, tangente, iperbolica).

Classificazione binaria logistica.

Classificazione binaria normoprobitale.

Alberi filogenetici e clustering gerarchico.

Foresta casuale.

Clustering di segmentazione.

Macchine a vettori di supporto SVM.