R in finance - Банки, финансовые и инвестиционные компании
Username:
Password:

Добро пожаловать на форум YupTalk.ru!
Обсуждаем международную карьеру, профессиональный рост, бизнес-образование,
транснациональные корпорации, стажировки, консалтинг, финансы, аудит, маркетинг и работу в целом.


О САЙТЕ | РЕКЛАМА | ПРАВИЛА | КОНТАКТЫ | RSS ПОДПИСКА | | | БЛОГ

Подписка на все новые сообщения по почте:
Страницы: 1
  Печать  
Автор Тема: R in finance  (Прочитано 13384 раз)
Franz
Новичок
*

Карма: 3
Оффлайн Оффлайн

Сообщений: 39



« : 24 Сентябрь 2015, 16:12:19 »

Друзья!

Подскажите, пожалуйста, насколько релевантно изучение языка программирования R для статистической обработки данных в РФ? Много ли у нас возможностей для data analysis работы в рамках финансов с использованием именно этого языка?

Какие возможности применения он дает? Есть ли какое-то использование его в финансовом анализе?

Правильно ли я понимаю, что особого карьерного роста он не сулит? Имеется ввиду, что из финансового аналитика, работающего с массивами данных, CFO не получится.

Язык набирает популярность в англоязычной среде, да и у нас им интересуются, только вот правда пока что одни программисты, судя по моему видению форумов.
Записан
FlyOverTheSky
Новичок
*

Карма: 15
Оффлайн Оффлайн

Сообщений: 17


« Ответ #1 : 24 Сентябрь 2015, 17:24:48 »

Для общих корпоративных финансов тебе в 99,9% случаев хватит excel для нужной стат. обработки. В остальных 0,01 - запрос профильному эксперту на проведение нужной стат. обработки. Поэтому там он не нужен.

Тебе нужен язык такого уровня если ты идешь в кванты/трейдинг, при этом там тебе потребуется гораздо больше знаний, чем простой R.

Для наглядности пример использования стат. обработки и используемых инструментов
1) корпфин - выделить тренд выручки/прибыли у фирмы с циклических производственным циклом для предсказания и сглаживания прогнозных финансовых показателей. Делается с массивом данных порядка 10-1000 записей в excel. Достаточно просто забить нужные формулы, в крайнем случае воспользоваться доп. аддонами (аля solver)

2) квант - провести стат.анализ выбранных торгуемых инструментов и корреляцию с другими для построения/настройки торговой стратегии по ним. Массив данных ~млн+ записей, используемые инструменты -  R/Python/SPSS/SQL и тп. Происходит построение и выгрузка нужного массива данных, затем он предобрабатывается, пишутся нужные процедуры/код, происходит поэтапная оценка результатов и повторный цикл исследования и тд.

Если соберешься учить R, то сначала приглядись к Python. R действительно хорошо для стат. обработки, тк. для этого и создавался, однако уже несколько устаревает и имеет некоторые существенные ограничения (например, ограничение по работе только с оперативной памятью твоего ПК) и не самый привычный синтаксис. В то время как Python стремительно развивается и имеет куда более обширную область применения, выучив его ты сможешь использовать его не только для стат. обработки но и для общих целей.

Изучать эти языки имеет смысл, если для тебя применимы следующие факторы:
1) оперируешь дейтасетами по 1,000,000+ записей (или столько, сколько вешает excel) или тебе нужна динамическая обработка
2) используешь сложные графики (например, http://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html или если тебе нужно на одном графике визуализировать факт. данные, тренд и доверительные интервалы прогноза
3) решаешь задачи machine learning (регрессия, классификация, кластеризация и тп.)

Таблички с данными руками не строит ни CFO, ни даже руководитель Квантов (со слов руководителя квантов Барклайса). Во всяком случае, это не является их основным занятием. Однако в прошлом они вполне могли этим заниматься.

Чтобы стать CFO напрямую R/python не нужен. Однако для рядового аналитика это очень мощный инструмент, владение которым позволяет с легкостью решать многие задачи по анализу данных. Если будешь работать в насыщенной данными областью (веб-аналитик, риски и пр. в банках, аналитик продаж FMCG) то он тебе очень сильно пригодиться. При этом в первую очередь учи не язык, а дисциплину стат.обработка/прогнозирование/datamining и тп.
Записан
DareToDesire
Новичок
*

Карма: 6
Оффлайн Оффлайн

Сообщений: 39


« Ответ #2 : 24 Сентябрь 2015, 18:33:36 »

Согласна, знание Python скорее больше ценится чем R (скорее больше где требуется). +В Python тоже можно делать стат анализ данных, язык сам по себе не сложный.
Записан
Juicy Brain
Новичок
*

Карма: 0
Оффлайн Оффлайн

Сообщений: 16


« Ответ #3 : 24 Сентябрь 2015, 20:30:25 »

Хорошая новость и плохая новость
Хорошая:
Стат обработка, включая R нужна в банках - кроме квантов (которые пишут на С++ а не R или Python) есть еще и риск-менеджеры. Вот они чаще используют R.
Плохая:
Проблема в том, что непосредственно R вторичный вопрос, важно понимать модели, а как ты их будешь строить - в Python/R/C++ уже вторичное, благо и R и Python опенсорсные языки, есть куча библиотек и решений. А вот написать новую модель (или подогнать готовую под бизнес-задачи) гораздо важнее.

To sum up - R это софтскилл, он нужен в отдельных местах, но не везде и не в первую очередь.
А вообще, если очень хочется идти в сторону data science я бы посоветовал идти именно туда, а не в банки. Сами по себе задачи решаемые в data science гораздо шире, чем та часть, применяемая в финансах. Став крутым data scientistом ты можешь реализовать свои скилы везде, а вот зная R и работая над M&A ты синергию не получишь. 
Записан
Basil Peace
Новичок
*

Карма: -1
Оффлайн Оффлайн

Сообщений: 15


« Ответ #4 : 12 Март 2016, 03:06:36 »

Согласен с коллегами:
Проблема в том, что непосредственно R вторичный вопрос, важно понимать модели, а как ты их будешь строить - в Python/R/C++ уже вторичное, благо и R и Python опенсорсные языки, есть куча библиотек и решений. А вот написать новую модель (или подогнать готовую под бизнес-задачи) гораздо важнее.
Для общих корпоративных финансов тебе в 99,9% случаев хватит excel для нужной стат. обработки. В остальных 0,01 - запрос профильному эксперту на проведение нужной стат. обработки. Поэтому там он не нужен.

Если объём данных большой, то в нормальных компаниях делают централизованные базы или хранилища данных, которые, во-первых, SSOT для всех аналитиков, во-вторых, легко масштабируются. R и Python настолько не масштабируются. И если нужно данные как-то существенно обработать, то это надо делать на серверной стороне, а не гонять данные к клиенту, т.е. нужно либо самому написать SQL-запрос, либо попросить это сделать эксперта.
Возможно запускать R/Python на серверной части (например, в PostgreSQL), но это нетривиально, и вас туда вряд ли пустят.

R применяют на проектных работах, когда готового хранилища с данными для анализа нет и заранее известно, что после окончания проекта можно будет всё грохнуть. Знакомый работал в Ингосстрахе на проекте как раз в такой ситуации и применял R. Ещё R любят учёные. Но я бы и в этих случаях разворачивал локальную СУБД.

С точки зрения IT-навыков для финансового аналитика считаю, что намного более полезно:
  • Выучить любой алгоритмический язык программирования (желательно классический - C/C++, Pascal, ...) - тогда сможешь и на VBA хорошо писать, и на чём угодно. И R сможешь освоить, если вдруг окажется надо
  • Научиться писать запросы на SQL и MDX
Записан
Franz
Новичок
*

Карма: 3
Оффлайн Оффлайн

Сообщений: 39



« Ответ #5 : 05 Февраль 2018, 00:09:21 »

Всем привет! Из 2016 в 2018ый)

Ну что, как продвигается использование стат. методов (инструментарий Excel, R, Python) в рамках анализа бизнеса?
Кто-нибудь реально предлагал руководству и применял на практике языки программирования для анализа данных или Excel'ем довольствовались?
У кого из форумчан и насколько сильно data analysis является day-to-day activity?

---

Просмотрел по диагонали вакансии североамериканских работодателей по части аналитиков - очень часто встречается комбинация знания экономики/ финансов и также R, Python, SQL - что думаете? Будет ли профессия из финансовых аналитиков превращаться в аналитиков финансовых данных?
Записан
ElKario
VIP
Постоялец
*

Карма: 27
Оффлайн Оффлайн

Сообщений: 154


« Ответ #6 : 06 Февраль 2018, 01:38:07 »

Привет, мое имхо :)
Нет, так не будет, скорее продолжится стандартный тренд: из core data scientist в (financial, marketing, suplly chain etc.) data scientist.

А продвигается, если честно, зашибись :)

По существу: эксельная аналитика (читай: арифметика, игнорируем унылый "анализ данных" вкладку) не приносит кроме отчетности ничего, модели врут в операционных проектах, толку мало. Все остальное - на коне.

Но, конечно, никакого экселя, если хотите, чтобы хоть какое-то уважение в тусовке было. Хотя, на мой вкус, это перегиб, иногда при небольшом датасете, проще crunching сделать в нем.
Записан



Страницы: 1
  Печать  
 
Обычная тема
Популярная тема (более 75 ответов)
Очень популярная тема (более 100 ответов)
Заблокированная тема
Прикрепленная тема
Голосование