Analítica aplicada - Métodos de investigación cuantitativa: Aplicación de la simulación de riesgos Monte Carlo, opciones reales estratégicas, previsión estocástica, Opt. de cartera

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 3 votos.

Título original:

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

Contenido del libro:

TERCERA EDICIÓN (2022)

La serie de libros Applied CQRM muestra cómo los análisis avanzados cubiertos en el programa de certificación Certified in Quantitative Risk Management (CQRM) pueden aplicarse a problemas empresariales de la vida real. En el Volumen I, mostramos cómo Risk Simulator y ROV BizStats pueden utilizarse para realizar análisis cuantitativos en investigaciones de grado y postgrado. Se hace hincapié en las aplicaciones pragmáticas con el fin de desmitificar los numerosos elementos inherentes al análisis cuantitativo. Una caja negra estadística seguirá siendo una caja negra si nadie puede entender los conceptos a pesar de su potencia y aplicabilidad. Sólo cuando los métodos de caja negra se vuelvan transparentes, de modo que los investigadores puedan comprender, aplicar y convencer a otros de sus resultados, valor añadido y aplicabilidad, los enfoques recibirán una atención generalizada. Esta transparencia se consigue mediante aplicaciones paso a paso de la modelización cuantitativa, así como mediante la presentación de múltiples casos y la discusión de aplicaciones de la vida real. Este libro está dirigido a las personas que han completado el programa de certificación CQRM, pero también puede ser utilizado por cualquier persona familiarizada con los métodos básicos de investigación cuantitativa - hay algo para todos. También puede utilizarse como libro de texto de segundo curso de MBA/MS o de introducción al doctorado. Los ejemplos del libro presuponen un cierto conocimiento previo de la materia. Puede obtenerse más información sobre el programa CQRM en: www.iiper.org www.realoptionsvaluation.com.

LO BÁSICO.

Tendencia central, dispersión, sesgo, curtosis.

Probabilidad, Teorema de Bayes, Árboles, Combinación, Permutación.

Clásica, estándar, valor P, IC.

Teorema del límite central.

Errores de tipo I-IV, sesgos de muestreo.

Tipos de datos y diseño de la recogida.

MÉTODOS ANALÍTICOS.

Pruebas T: Varianza igual/desigual/pareada, F-Test, Z-Test.

ANOVA, en bloque, de dos vías, ANCOVA, MANOVA.

Correlación lineal/no lineal.

Normalidad y ajuste de la distribución: Kolmogorov-Smirnov, Chi-cuadrado, criterio de información de Akaike, Anderson-Darling, Kuiper, Schwarz/Bayes, Box-Cox.

No paramétricos: Corridas, Wilcoxon, Mann-Whitney, Lilliefors, Q-Q, D'Agostino-Pearson, Shapiro-Wilk-Royston, Kruskal-Wallis, Mood's, Cochran's Q, Friedman's.

Fiabilidad Inter/Intra-Rater, Consistencia, Diversidad, Validez Interna/Externa, Predictibilidad.

Kappa de Cohen, Alfa de Cronbach, Lambda de Guttman, Correlación entre clases, W de Kendall, Diversidad de Shannon-Brillouin-Simpson, Homogeneidad, Grubbs Outlier, Mahalanobis, Discriminante lineal y cuadrática, Hannan-Quinn, Diebold-Mariano, Pesaran-Timmermann, Precisión, Control de errores.

Regresión multivariante lineal/no lineal.

Multicolinealidad, Heteroskedasticidad.

Modelización de ecuaciones estructurales (SEM), mínimos cuadrados parciales (PLS).

Endogeneidad, métodos de ecuaciones simultáneas, mínimos cuadrados en dos etapas.

Causalidad de Granger, Engle-Granger.

Regresiones avanzadas: Poisson, Deming, Logística Ordinal, Ridge, Ponderada, Bootstrap.

INTELIGENCIA ARTIFICIAL Y APRENDIZAJE AUTOMÁTICO (CIENCIA DE DATOS)

Bagging Linear Bootstrap.

Bagging Bootstrap no lineal.

Árboles de clasificación y regresión CART.

Ajuste personalizado.

Reducción dimensional Análisis de componentes principales.

Reducción dimensional Análisis factorial.

Ensemble Ajuste común.

Ensemble de ajuste complejo.

Series temporales conjuntas.

Segmentación Gaussian Mix y K-Means.

K-Nearest Neighbors.

Modelo de ajuste lineal.

Análisis discriminante multivariante (lineal)

Análisis Discriminante Multivariante (Cuadrático)

Redes Neuronales (Coseno, Tangente, Hiperbólica)

Clasificación Logística Binaria.

Clasificación binaria Normit-Probit.

Árboles filogenéticos y agrupación jerárquica.

Bosque aleatorio.

Agrupación por segmentación.

Máquinas de vectores soporte SVM.