Рассмотрим цели, методы и примеры исследования неструктурированных текстовых данных, используемых в проектах больших данных машинного обучения, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим цели, методы и примеры исследования структурированных данных в проектах больших данных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим работу с неструктурированными текстовыми данными в проектах больших данных - этапы подготовки и предварительной обработки текста для использования в машинном обучении, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим на примерах этапы подготовки и первичной обработки в проектах больших данных, в том числе методы поиска и устранения ошибок в данных, а также методы трансформации данных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим пошаговый процесс реализации проекта финансового прогнозирования с использованием больших данных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Обзор темы больших данных, концепция объема, разнообразия, скорости (3V) и достоверности больших данных, а также особенности применения проектов больших данных в управлении инвестициями, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим порядок принятия решения при выборе алгоритма машинного обучения, соответствующего поставленной задаче, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим нейронные сети глубокого обучения (DNN) и алгоритмы машинного обучения с подкреплением (RL), - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим алгоритмы нейронных сетей, их отличия от других алгоритмов машинного обучения, а также их применение в финансовой практике, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим иерархическую кластеризацию, алгоритм неконтролируемого машинного обучения, который создает иерархические связи между кластерами данных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим кластеризацию k-средних, один из алгоритмов неконтролируемого машинного обучения, а также задачи, для которых она подходит, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим кластеризацию, одну из разновидностей неконтролируемого машинного обучения, а также задачи, для которых применяются алгоритмы кластеризации, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим анализ главных компонентов (PCA), один из алгоритмов неконтролируемого машинного обучения, применяющийся для уменьшения размерности данных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим агрегацию алгоритмов машинного обучения, известную как ансамблевое обучение, а также метод случайного леса, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим дерево классификации и регрессии (CART), распространенный и визуально понятный алгоритм контролируемого машинного обучения, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим метод k ближайших соседей (KNN), алгоритм контролируемого машинного обучения, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим метод опорных векторов (SVM), один из самых популярных алгоритмов контролируемого машинного обучения, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим алгоритмы контролируемого машинного обучения, используемые для решения задач с непрерывной целевой переменной: пенализированную регрессию и Лассо-регрессию, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим оценку эффективности алгоритмов машинного обучения, проблему переобучения алгоритмов ML и методы ее решения, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим фундаментальные концепции машинного обучения (ML), включая определение и обзор ключевых типов машинного обучения, таких как контролируемое и неконтролируемое ML, - в рамках изучения количественных методов по программе CFA (Уровень II).

Обзор основных тем изучения машинного обучения, а также применения методов машинного обучения в финансовом анализе и управлении инвестициями, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим проблемы выбора подходящей модели временного ряда для анализа данной инвестиционной проблемы, а также обоснование этого выбора и пошаговое руководство по прогнозированию временных рядов, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим анализ переменных нескольких временных рядов на нестационарность и коинтеграцию перед использованием в линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим условно гетероскедастичные авторегрессионные модели (ARCH), а также как модели ARCH применяются для прогнозирования дисперсии временных рядов, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим проверку и исправление сезонности в моделях временных рядов, а также расчет и интерпретацию прогнозируемого значения для авторегрессионной модели с сезонным лагом, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим основы моделей скользящего среднего, сглаживание прошлых значений временного ряда с помощью скользящего среднего, а также прогнозирование с помощью моделей скользящего среднего, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим концепцию единичного корня, анализ временных рядов с единичным корнем, а также проверку авторегрессионной модели на нестационарность с помощью теста (критерия) единичного корня, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим случайное блуждание - одну из наиболее широко изученных моделей временных рядов для финансовых данных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим нестабильность коэффициентов регрессии моделей временных рядов, а также определение периода выборки при построении модели, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим сравнение точности прогнозирования в пределах выборки и вне выборки, а также сравнение точности прогнозов различных моделей временных рядов на основе критерия среднеквадратической ошибки, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим возврат (реверсию) к среднему временного ряда, а также прогнозирование нескольких периодов временного ряда, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим структуру авторегрессионных моделей и расчет прогнозов на ее основе, а также использование автокорреляции остаточных ошибок для проверки соответствия авторегрессионной модели временному ряду, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим авторегрессионные модели временных рядов, а также характеристики ковариантно стационарных временных рядов, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим факторы, определяющие выбор линейного или лог-линейного тренда для определенного временного ряда, а также оценку ограничений моделей трендов, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим прогнозирование временных рядов, смоделированных как логарифмический линейный тренд, а также особенности выбора и использования модели лог-линейного тренда, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим расчет и оценку прогнозируемого значения тренда для временных рядов, смоделированных как линейный тренд, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим концепцию временных рядов данных и фундаментальные вопросы анализа временных рядов при принятии финансовых и инвестиционных решений, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим качественные зависимые переменные, как работают регрессионные модели с такими переменными и как интерпретировать результаты таких регрессий, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим проблему ошибочной спецификации модели множественной регрессии, использующей временные ряды данных, а также влияние этой ошибки на результаты регрессионного анализа, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим, как ошибки спецификации модели множественной регрессии влияют на результаты регрессионного анализа, а также как избежать типичных ошибок неправильной спецификации модели, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим мультиколлинеарность, причины ее возникновения и последствия в регрессионном анализе, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим сериальную корреляцию (автокорреляцию), возникающую в регрессиях временных рядов, а также ее влияние на статистический вывод и методы ее устранения, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим типы гетероскедастичности, корректировку регрессии на гетероскедастичность и то, как гетероскедастичность влияет на статистический вывод, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим определение, интерпретацию и визуализацию фиктивных переменных в множественной линейной регрессии, а также проверку статистической значимости регрессионной модели с помощью фиктивных переменных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим проверку значимости модели множественной линейной регрессии в целом (F-критерий), расчет и интерпретацию F-статистики и коэффициента детерминации в модели множественной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим особенности прогнозирования зависимой переменной в модели множественной регрессии, основанной на предполагаемых значениях независимых переменных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим допущения, которые определяют классическую нормальную модель множественной линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим модель, формулы и примеры множественной линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим особенности выбора подходящей функциональной формы простой линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим функциональные формы простых линейных регрессий, которые включают преобразование независимых и зависимых переменных с помощью логарифма, - в рамках изучения количественных методов по программе CFA (Уровень II).