Sólo puedo hablar de comercio cuantitativo. Como regla general, cuanto más baja sea la frecuencia en la que se trabaja, más importante es la econometría, mientras que para una frecuencia más alta, la econometría se vuelve más inútil . (Seguiría recomendando a un econometrista de alto nivel para la HFT, ya que tiene lo que se necesita para tener éxito, es sólo que los modelos no son aplicables fuera de la caja).
Pero si estuviera entrevistando a alguien con formación en econometría para un puesto de investigación cuantitativa, esperaría (dada la relevancia de las series temporales financieras):
He intentado poner una leyenda, ^ es algo que debe aprender más tarde y ^^ es algo que debes aprender después de aprender ^ .
- ^^ Filtros de Kalman para modelos lineales dinámicos.
- GARCH (aprenda primero ARCH).
- ARMA(p,q)/ARIMA(p,i,q)/AR(p)/MA(q).
- ACF/PACF.
- Evaluación econométrica de las previsiones (RMSE, MSE, MAE).
- Comprensión exhaustiva de OLS. Supuestos y consecuencias de la violación.
- ^ Modelos de cambio de régimen y de umbral.
- Modelos de cointegración como VECM y Engle-Granger y modelos básicos $I(n)$ teoría junto con la prueba de root unitaria ADF/PP.
- VARs.
- ^ Regresión cuantílica.
- Conocimiento básico de los algoritmos de reducción de la dimensionalidad (cuanto más, mejor, pero no sería una expectativa para un candidato de econometría).
- ^ Funciones de respuesta al impulso.
- ^ Aplicaciones de Monte Carlo para construir distribuciones de muestreo y la idea del bootstrap, junto con el conocimiento general de al menos un estimador bootstrap.
- Un buen conocimiento de las pruebas de hipótesis, de las distribuciones de muestreo, de los conceptos de población/muestra, de la selección de la longitud de los rezagos, de la coherencia/potencia/desviación, del equilibrio entre la varianza y la desviación, de la máxima verosimilitud, de la PDF/CDF, del conocimiento cualitativo de las diferentes distribuciones utilizadas habitualmente.
- Un conocimiento de por qué y cómo los econometristas preprocesan los datos, toman diferencias, introducen variables y tienen en cuenta las no linealidades con simples transformaciones sobre las características individuales, las interacciones entre características, los cocientes de características y las rupturas de las funciones indicadoras (ya sean determinadas por los datos o, normalmente más apropiado, determinadas a priori).
- Comovement no necesariamente como un fenómeno de pendiente; correlaciones lineales (y sus trampas), correlaciones de rango, relación de tres vías entre correlación, pendiente de regresión lineal y vector de cointegración, cómo probar los spillovers en una DGP lineal, y estimadores de dependencia más globales y avanzados (como cópula, wavelet, información mutua, IRFs a través de VECM/VAR, descomposiciones de varianza de errores de previsión, entre otros).
- La diferencia entre análisis de residuos y conjunto de pruebas de validación cruzada y cómo ambos se relacionan con el sobreajuste y la generalización del modelo.
No me importaría:
También me gustaría ver con suerte (lo más probable es que se haya recogido en el autoaprendizaje):
- ^^ Las ondículas (DWT/CWT/análisis de diferencias de fase/correlación bivariada en el dominio de la frecuencia) y la STFT deberían formar parte de la caja de herramientas de un econometrista.
- ^^ Estimadores de correlación dinámica (DCC-GARCH, cópulas estocásticas)
- Un conocimiento de la teoría de la generalización recogido en las clases de aprendizaje automático.
- ^^ Métodos como el NNG para obtener mejores estimaciones OLS. Potenciación y embolsamiento de DGP lineales para una mejor generalización.
- ^^ La regresión perpendicular y los estimadores LAD cuando los mínimos cuadrados no son apropiados dada la violación de algún supuesto, si no se quiere la expectativa condicional (la mediana condicional es teóricamente deseable), o si no se quiere hacer inadvertidamente mínimos rectángulos ante una mala especificación de la relación causal, o se quiere que la pérdida sea menos sesgada por los valores atípicos.
Aquí hay algunas cosas voluntarias que o he visto trabajar a algunos de los mejores en la industria o en un trabajo de econometría, y me impresionaría mucho ver los conocimientos en estas áreas:
- Control óptimo estocástico (un gran fondo cuantitativo de macroeconomía global está trabajando en esto)
- Series temporales bayesianas (un reputado y gran fondo sistemático ha investigado al respecto)
- Me gustaría que se supiera cómo plantear una DGP y averiguar cómo estimarla con métodos numéricos. Por ejemplo, cómo incluir variables exógenas en la ecuación de forzamiento en la cópula simetrizada de Joe-Clayton de Patton, y luego averiguar cómo optimizar la densidad numéricamente y los errores estándar insesgados y consistentes. Otra posibilidad sería derivar un estimador de Kalman para extraer los parámetros de la curva de rendimiento que varían en el tiempo (curvatura, pendiente, etc.). Todo el mundo estima modelos MGARCH y VECM sencillos, ya que basta con introducir los datos en
R así que es dudoso que haya un alfa aquí. Probablemente hay algo de alfa para los tipos que pueden estimar modelos parsimoniosos que otros simplemente no pueden porque no están en el 1% superior de los econometristas.
Aquí hay algunas cosas que probablemente no son necesarias en baja frecuencia investigación cuantitativa:
- Teoría avanzada de la optimización. Se espera que conozca los AG, el gradiente estocástico y el método de Newton.
- Aprendizaje automático no lineal.
- Reducción de la dimensionalidad no lineal o aprendizaje de la variedad. Todo lo que se espera que sepa es PCA, ICA y el concepto de modelo de factores de series temporales.
- Procesamiento digital de señales no relacionados con los estimadores de comovimiento.
Hay una cosa de otro ámbito que puede ser necesaria:
- SDEs de Ornstein-Uhlenbeck para un fondo de comercio de pares.
Verás que he enumerado casi todo lo que es aplicable a las series temporales. Así que la mayor parte de lo que obtendrás en un curso de series temporales financieras es lo que se espera, creo.
Obsérvese que no he enumerado los modelos econométricos de alta frecuencia, ya que creo que no son útiles en las finanzas de alta frecuencia. Si vas a optar a un puesto de este tipo, te entrevistarán informáticos e ingenieros eléctricos, que es más probable que te hagan una pregunta sobre la complejidad asintótica del tiempo que sobre econometría.
