Math & Statistic Online Course for Quantitative Developer
มีคำถามเข้ามาทาง email อยากให้ช่วยแนะนำครอส Math และ Stat สำหรับการนำมาใช้ทำงานด้าน Quantitative Trading และ Quantitative Investing ให้หน่อย
ขอแนะนำจากประสบการณ์ตรงแล้วกัน ส่วนตัวผมเองเคยเรียนครอสของ MIT หรือ MIT Online Course ware ที่มีหัวข้อบทเรียนด้านนี้ ดีๆให้เรียนฟรี เยอะมาก แต่ปัจจุบันไม่ได้มีแค่ของ MOC เสมอไป เว็บอื่นๆ ของมหาวิทยาลัยอื่นๆก็มีให้เลือกเรียนได้
หลายการทดลองใน Lab นี้ใช้ความรู้จากครอสเหล่านี้ ดังนั้นการันตรีว่าถ้าเข้าใจ สามารถนำไปใช้ได้จริง ผมขอคัด 5 ครอสที่ เรียกว่าน่าจะมีประโยชน์และได้นำมาใช้งานบ่อยสุด
1. Linear Algebra
พื้นฐานสำคัญเลย ที่ต้องเข้าใจคือ Linear Algebra ครอสนี้ของ MIT เน้นสอนเรื่องการคำนวณ พื้นฐานของ matrix theory และ linear algebra
https://ocw.mit.edu/courses/mathematics/18-06sc-linear-algebra-fall-2011/
2. Mathematics with Applications in Finance
ครอสนี้เป็น ครอสแนะนำเลยดีมากสำหรับการเริ่มต้น แน่นอนว่าแม้จะไม่ได้สอนเทคนิคการวิเคราะห์ยุคใหม่ แต่พื้นฐานหลายเรื่องด้าน Finance ก็ยังสามารถจับมาประยุกต์ใช้งานได้ เช่น Volatility Model , Stochastic Process , Black-Scholes Formula, Risk-neutral, Option Pricing , SDE และอื่นๆพร้อมมี Case Studies ให้ได้ลองแกะศึกษาด้วย
3. Introduction to Probability and Statistics
ครอสนี้พื้นฐาน Stat ทำด้าน Quant Data Analysis หรือแม้ทำด้านระบบเทรด ก็หนี้ไม่พ้น stat และความน่าจะเป็นแน่นอน บางเรื่องเรานำหลักการ Stat มาใช้เช่นการวิเคราะหฺ์พฤติกรรมข้อมูล ถ้าไม่เข้าใจหลักการจริง สุดท้ายก็วิเคราะห์มั่ว หรือนำไปตีความแบบผิดๆแน่นอน
4. Time Series Analysis
การวิเคราะห์ข้อมูลประเภท Time Series Analysis แบบละเอียดไล่ตั้งแต่พื้นฐาน ยังวิธีการวิเคราะห์เลย แต่เสียดายครอสนี้ไม่มี vdo มีแต่ lecture note เท่านั้น
https://ocw.mit.edu/courses/economics/14-384-time-series-analysis-fall-2013/
5. Statistical Reasoning
ครอสนี้ของ stanford จะเป็นองค์ความรู้พื้นฐานด้าน Stat เช่น เรื่องของ EDA , Probability และ Inference แต่เน้นทางประยุกต์ ปฏิบัติกับข้อมูล จริง ให้เห็นขั้นตอนและกระบวนการปฏิบัติ
https://lagunita.stanford.edu/courses/OLI/StatReasoning/Open/about
ทั้งหมดนี้ 5 ครอสพื้นฐานสำคัญ ในการวิจัยและพัฒนาด้าน Quant ถ้าอยากเรียนจริง ทำจริง ต้องมีพื้นฐานเหล่านี้ ก่อนไปต่อยอดด้าน การเขียนโปรแกรม และการเรียนรู้เรื่องของ Machine Learning และ Deep Learning ต่อไป