Chuỗi bài giảng về: Quản trị rủi ro định lượng

QRM Tutorial

QRM Tutorial has been created by

in collaboration with QRM Academy Ltd.

2015 09 11 QRM team

Left to right: R. Frey, M. Hofert, P. Embrechts, A.J. McNeil

Link: Quantitative Risk Management Tutorial – Video

—————–&&&—————-

Phân tích Hồi quy trên R

15 TYPES OF REGRESSION YOU SHOULD KNOW

(Nguồn: https://www.listendata.com)

Hồi quy là một trong những kỹ thuật phổ biến nhất để dự báo & khai phá dữ liệu. Trung bình, các chuyên gia phân tích thường chỉ biết 2-3 dạng hồi quy: Hồi quy tuyến tính và Hồi quy logistic. Tuy nhiên, thực tế thì có hơn 10 dạng hồi quy được sử dụng trong phân tích, mỗi dạng hồi quy đều có ý nghĩa riêng của nó. Tùy từng loại dữ liệu cũng như dạng phân bố của dữ liệu mà người ta sẽ chọn kiểu hồi quy phù hợp.
1. Phân tích hồi quy là gì?

Nói một cách đơn giản, phân tích hồi quy được sử dụng để mô hình mối quan hệ giữa biến phụ thuộc với một/nhiều biến độc lập.

2. Các thuật ngữ liên quan tới hồi quy

  • Giá trị ngoại lệ (Outliers)
  • Đa cộng tuyến (Multicollinearity)
  • Phương sai thay đổi (Heteroscedasticity)
  • Underfitting và Overfitting

3. Các dạng hồi quy

  • Hồi quy tuyến tính (Linear Regression)
  • Hồi quy đa thức (Polynomial Regression)
  • Hồi quy Logistic (Logistic Regression)
  • Hồi quy phân vị (Quantile Regression)
  • Hồi quy Ridge (Ridge Regression)
  • Hồi quy Lasso (Lasso Regression)
  • Hồi quy Elastic net (Elastic net Regression)
  • Hồi quy thành phần chính (Principal Component Regression – PCR)
  • Hồi quy bình phương nhỏ nhất từng phần (Partial Least Square Regression – PLS)
  • Hồi quy Support Vector (Support Vector Regression – SVR)
  • Hồi quy thứ tự (Ordinal Regression)
  • Hồi quy Poisson (Poisson Regression)
  • Hồi quy nhị thức âm (Negative Binomial Regression)
  • Hồi quy tựa-Poisson (Quasi-Poisson Regression)
  • Hồi quy Cox (Cox Regression)

4. Làm sao để chọn đúng mô hình hồi quy?

  • Nếu biến phụ thuộc là liên tục, mô hình có hiện tượng cộng tuyến hoặc có quá nhiều biến độc lập, có thể thử dùng hồi quy: PCR, PLS, Ridge, Lasso và Elastic net. Có thể chọn mô hình cuối cùng dựa trên: Adjusted r-square, RMSE, AIC và BIC.
  • Nếu làm việc trên dữ liệu rời rạc, có thể thử dùng hồi quy: Poisson, tựa-Poisson và nhị thức âm.
  • Để tránh Overfitting, có thể dùng phương pháp kiểm chứng-chéo (Cross-validation) để ước lượng mô hình khi dự báo. Có thể sử dụng các kỹ thuật hồi quy Ridge, Lasso và Elastic net để xử lí vấn đề Overfitting.
  • Thử dùng hồi quy SVR khi có khả năng là mô hình phi tuyến.

Bài viết đầy đủ: https://www.listendata.com/2018/03/regression-analysis.html


R-statistics.co

METHOD APPLICATION CASE
Robust Regression Applicable in all cases where OLS regression can be used. Applies re-weighting to reduce outlier influence.
Logistic Regression Models binary variables.
Probit Regression Models binary variables.
Multinomial Regression Models categorical variables with more that 2 levels.
Ordinal Logistic Models ordinal or rank variables.
Poisson and Negative Binomial Models count variables. Neg Binomial is used when there is over-dispersion.
Ridge Regression Address Multicollinearity
Beta Regression Models variables within (0, 1) range.
Dirichlet Regression Models compositional data
Loess Regression Smoothing Time series.
Isotonic Regression For approximation of data that can only increase (..typically cumulative data)

 


STHDA

Regression Analysis Essentials For Machine Learning

——————–&&&———————

Giới thiệu Dự án CORE: Economics for changing world

Kết quả hình ảnh cho core econ logo

“An open-access platform for anyone who wants to understand the economics of innovation, inequality, environmental sustainability, and more”

 


Giới thiệu Dự án CORE: Economics for changing world

(Tác giả: Giang Le)

CORE (Curriculum Open-access Resources in Economics) là một dự án xây dựng lại curriculum đào tạo kinh tế cho sinh viên đại học của một nhóm giáo sư của các trường lớn trên thế giới. Hiện tại nhóm này đã cung cấp một quyển textbook miễn phí và các resource bổ sung khác trên website của họ.

Về cơ bản CORE không nhằm lật đổ kinh tế học chính thống dù không tán thành cách dạy của những quyển textbook phổ biến hiện tại (như quyển của Mankiw). Mục tiêu của CORE là muốn cân bằng hơn các phần lý thuyết rất quan trọng khác nhưng hiện ít được quan tâm (dạy cho sinh viên đại học). Ví dụ games theory, information economics, và một số khái niệm của behavioral economics. Vai trò của Hayek được đề cao hơn nhiều nhưng đồng thời toán vẫn là công cụ quan trọng.

Download Giáo trình Kinh tế (miễn phí): The Economy

Trang chủ: http://www.core-econ.org/


A new paradigm for the introductory course in economics

(Nguồn: http://voxeu.org)

Table 1 Samuelsonian and CORE paradigms

Table 2 Problems and concepts

Figure 1 Humboldt University student responses from 2016 to the question: “What is the most pressing problem that economists should address?”

———————&&&———————-

Latent Variable Model with R: FA, EFA, CFA; SEM

Mô hình biến tiềm ẩn với R: FA, EFA, CFA; SEM

 

  • Preetish Panda

Exploratory Factor Analysis in R [EFA]


  • Alex Beaujean

Factor Analysis using R [EFA+CFA]


Chapter 1: Example and computing

Chapter 2: Factor Analysis

Chapter 3: Multigroup Factor Analysis

Chapter 4: Structural Equation Models


  • Joel Cadwell [bifactor model]

Network Visualization of Key Driver Analysis

Halo Effects and Multicollinearity: Separating the General from the Specific

Structural Equation Modeling: Separating the General from the Specific (Part II)


  • lavaan Tutorial [path analysis, confirmatory factor analysis, structural equation modeling and growth curve models]

http://lavaan.ugent.be

(ggplot2 SEM models with tidygraph and ggraph)


  • psych Tutorial [factor analysis, PCA, cluster analysis and reliability analysis; Item Response Theory; front end for SEM; Graphical displays]

http://personality-project.org/r/psych/

———————&&&——————

Machine Learning with R

Phương pháp tốt nhất để học Machine Learning là thiết kế và hoàn thiện những dự án nhỏ

Học máy với R


Thuật toán:

  1. Linear Discriminant Analysis (LDA)
  2. Classification and Regression Trees (CART).
  3. k-Nearest Neighbors (kNN).
  4. Support Vector Machines (SVM) with a linear kernel.
  5. Random Forest (RF)

Thuật toán: Random Forest


Thuật toán:

  1. Logistic Regression
  2. Recursive partitioning for classification (Basic and Bayesian)
  3. Random Forest
  4. Conditional Inference Tree
  5. Bayesian Networks
  6. Unbiased Non-parametric methods- Model Based (Logistic)
  7. Support Vector Machine
  8. Neural Network
  9. Lasso Regression

Mô hình: Neural Network


Mô hình: Artificial Neural Network (ANN): Feed-forward neural network


Mô hình:

  1. Feedforward neural network (Use Case: MNIST Digit Classification)
  2. Deep Autoencoders (Use Case: Anomaly Detection)



——————–&&&——————

Học thống kê/kinh tế lượng trên Youtube

LEARNING STATISTICS ON YOUTUBE

(Nguồn: http://flavioazevedo.com)

1. LEARNING STATISTICS WITH R

Youtube channel Content Software Online Materials? Remarks
Mike Marin [Intro] Basic Stats in R R Yes, good materials University British Columbia
Michael Butler [Intro] to R and Stats, Modern R Yes Good intro to R + Exercises
EZLearn [Intro] Basic Stats in R R Exercises w/ solutions
Renegade Thinking: Courtney Brown [Intro] Undergraduate Stats R Yes Good Lectures
Barton Poulson [Intro] Classical Stats, Programming & Solved Exercises R, Python, SPSS Yes Gives intro to Python, R, SPSS and launching an OLP
Ed Boone [Intro] Basic R and SAS R & SAS Yes
Lynda.com [Intro] Basics of R and Descriptives R Yes OLP
Bryan Craven [Intro] Basic Stats in R R No
Laura Suttle (Revolution) [Intro] R tour for Beginners R No
Phil Chan [Intro] Classical and Bio-stats R, SPSS, Eviews No
Gordon Anthony Davis [Intro] R Programming Tutorial R No Thorough intro for beginners
David Langer [Intro] Basics of R R No Excellent pedagogical Skills
MrClean1796 [Intro] Math, Physics and Statistics, lecture & R R No
Brian Caffo Advanced & Bio-Stats, Reproducible Research R Yes, CourseraandGitHub Professor of Bio-statistics, Johns Hopkins Univ.
James Scott Advanced Stats R Yes, and GitHub Several Course Materials on GitHub
Derek Kane Machine Learning R Yes Excellent Videos, Fourier Analysis, Time series Forecasting
DataCamp Programming, DataViz, R Markdown [free] R Yes, paid. 9$ for students
Maria Nattestad DataViz R Personal Website Plotting in R for Biologists
Christoph Scherber Mixed, GLM, GLS, Contrasts R Yes
Librarian Womack Time Series, DataViz, BigData R Yes, Course and .R Materials online
Jarad Niemi R Workflow, Bayesian, Statistical Inference R Yes
Justin Esarey Bayesian, Categorical and Longitudinal Data, Machine Learning R Yes, lots and lots Political Scientist
Jeromy Anglim Research Methods R Blog:Psych & Stats,GitHub + Rmeetups and Notes on Gelman, Carlin, Stern, and Rubin
Erin Buchanan Under- & post-graduate Stats, SEM R, G*Power, Excel Yes Excellent pedagogical strategies
Richard McElreath From Basic to Advanced Bayesian Stats R and Stan Yes, lots Book lectures
edureka Data Science R, Hadoop, Python Yes, online learning plattaform R Intro w/ Hadoop [free]
Learn R R programming, stats on webiste R, Python Yes, andOne R Tip A Day On website, lots of starter’s code
Data School Machine Learning, Data Manipulation (dplyr) Python, R Yes, dplyr
Econometrics Academy Statistics (via Econometrics) R, STATA, SPSS Yes OLP, Excellent Materials and Resources
Jalayer Academy Basic Stats + Machine Learning R, Excel No Also Lectures
Michael Levy Authoring from R, Markdown, Shiny R No
Melvin L. Machine Learning, R Programming, PCA, DataViz R, Python, Gephi No Interesting Intro for Spark
OpenIntroOrg Intro to Stats/R plus Inference, Linear Models, Bayesian R Yes,CourseraandOpenIntro Coursera Courses, Resources in SAS

2. LEARNING STATISTICS WITH OTHER SOFTWARE

Youtube channel Content Software Online Materials? Remarks
Jonathan Tuke Basic Stats Matlab No
Saiful Yusoff PLS, Intro to MaxQDA SmartPLS, MaxQDA Yes BYU
James Gaskin SEM, PLS, Cluster SPSS, AMOS, SmartPLS Yes BYU
Quantitative Specialists Basic Stats SPSS No Upbeat videos
RStatsInstitute Basic Stats SPSS No Instructor at Udemy
how2stats Basic Stats, lecture and software demonstrations SPSS Yes Complete Classical Stats
BrunelASK Basic Stats SPSS
The Doctoral Journey Basic Stats SPSS Yes
StatisticsLectures Basic Stats, lecture format SPSS Yes discontinued, but thorough basic stats
Andy Field Classical Stats, lecture and software demonstrations SPSS Yes, registration needed Used heavely in Social Sciences
Quinnipiac University:Biostatistics Classical Stats SPSS No
The RMUoHP Biostatistics Basic and Bio-Stats SPSS, Excel No
PUB708 Team Classical Statistics SPSS, MiniTab No
Professor Ami Gates Classical Stats SPSS, Excel, StatCrunch Yes
H. Michael Crowson Intro and Basic Stats in several Softare SPSS, STATA, AMOS, LISREAL Yes?
Math Guy Zero Classical Stats + SEM SPSS, Excel, PLS No Lots of materials
BayesianNetworks Bayesian Statistics, SEM, Causality BayesianLab Yes
Khan Academy Programming 101 Python Yes
Mike’s SAS Short intro to SAS, SPSS SAS, SPSS No
Christian A. Wandeler Basic Stats PSPP No

3. LECTURES ON STATISTICS

Youtube channel Content Software Online Materials? Remarks
Stomp On Step 1 [Intro] Bio-Stats, Basic Lectures Yes USMLE
Khan Academy [Intro] Basic Stats, lecture format Lectures Yes
Joseph Nystrom [Intro] Basic Stats Lectures Yes Active & unorthodox teaching
Statistics Learning Centre [Intro] Basic Stats Lectures Yes Register to access materials
Brandon Foltz [Intro] Basic Stats Lectures soon Excellent visuals
David Waldo [Intro] Probability Theory Lectures No
Andrew Jahn [Intro] Basic Stats Lectures No FSL, AFNI and SPM [Neuro-immaging]
Professor Leonard [Intro] Stats and Maths Lectures No Excellent pedagogical skills
ProfessorSerna [Intro] Basic Stats Lectures No
Victor Lavrenko Machine Learning, Probabilistic, Cluster, PCA, Mixture Models Lectures Yes, very complete Excellent Content, and lots of it
Jeremy Balka’s Statistics Graduate-level Classical Stats, Lecture Lectures Yes, very thorough Excellent altogether, p-value vid great!
Methods Manchester Uni Discussion on a wide variety of methods, SEM Lectures Yes Methods Fair
Steve Grambow Series on Inference Lectures Yes Great Lectures on Inference [DUKE]
Statistics Corner: Terry Shaneyfelt Statistical Inference Lectures Yes from a clinical perspective
Michel van Biezen Complete Course of Stats Lectures Yes, 1, 2, 3 Thorough and complete, plus Physics and Maths
Oxford Education Bayesian statistics: a comprehensive course Lectures Yes
Nando de Freitas Machine Learning Lectures Yes, alsohere and here
Alex Smola Machine Learning Lectures Yes, slides and code
Abu (Abulhair) Saparov Machine Learning Lectures Yes Taught by Tom Mitchell and Maria-Florina Balcan
Geoff Gordon Machine Learning, Optimization Lectures Yes
MIT OpenCourseWare Probability Theory,Stochastic Processes Lectures Yes, here,and here
Alexander Ihler Machine Learning Lectures Yes, along w/ many others classes
Royal Statistical Society Important Statistical issues Lectures Yes Interesting topics
Ben Lambert Graduate and Advanced Stats Lectures No Asymptotic Behaviour of Estimators, SEM, EFA
DeepLearning TV Machine (and Deep) Learning Lectures No Excellent pedagogical skills
Mathematical Monk Machine Learning, and Probability Theory Lectures No

————&&————

Time Series Analysis with R: ARMA, ARIMA, ARFIMA, ARCH, GARCH, VAR Models

Phân tích chuỗi thời gian với R:  Mô hình ARMA, ARIMA, ARFIMA (FARIMA), ARCH, GARCH, VAR

  • OTexts: Forecasting: principles and practice

ARIMA models

Dynamic regression models

Vector autoregressions (VAR)



  • Analytics Vidhya

A Complete Tutorial on Time Series Modeling in R



  • Avril Coghlan: Using R for Time Series Analysis

ARIMA Models



  • Quintuitive

ARMA Models for Trading



  • Milind Paradkar (Quantinsti)

Forecasting Stock Returns using ARIMA model



  • Portfolio Probe

A practical introduction to garch modeling (+EGARCH)



  • I. Ozkan: ARCH-GARCH Example with R

ARCH-GARCH Example with BIST, Oil and TL/USD Series



  • Alexios Ghalanos 

Introduction to the rugarch package (ARFIMAX, GARCH, NGARCH, NAGARCH, IGARCH, EGARCH, GJR-GARCH, TGARCH, AVGARCH, APARCH, fGARCH, …)

The rmgarch models: Background and properties (Multivariate GARCH: DCC-GARCH, GO-GARCH, Copula-GARCH)



  • Bernhard Pfaff

VAR, SVAR and SVEC Models: Implementation Within R Package vars (+Cointegration)



  • QuantStart: Time Series Analysis
  1. Beginner’s Guide to Time Series Analysis
  2. Serial Correlation in Time Series Analysis
  3. White Noise and Random Walks in Time Series Analysis
  4. Autoregressive Moving Average ARMA(p, q) Models for Time Series Analysis – Part 1
  5. Autoregressive Moving Average ARMA(p, q) Models for Time Series Analysis – Part 2
  6. Autoregressive Moving Average ARMA(p, q) Models for Time Series Analysis – Part 3
  7. Autoregressive Integrated Moving Average ARIMA(p, d, q) Models for Time Series Analysis
  8. Generalised Autoregressive Conditional Heteroskedasticity GARCH(p, q) Models for Time Series Analysis
  9. ARIMA+GARCH Trading Strategy on the S&P500 Stock Market Index Using R
  10. State Space Models and the Kalman Filter
  11. Cointegrated Time Series Analysis for Mean Reversion Trading with R (Cointegration)

———–&&———-