Si quiero estudiar finanzas computacionales, ¿dónde debería empezar?

¡Preparé un programa para ayudar a gente como tú!

Ahora, si quieres hacerlo tú mismo, necesitas familiarizarte bastante con Python, C ++ o R. O incluso mejor, todos ellos. Personalmente, sugiero aprender R si provienen de un historial de estadísticas (y la cantidad ridícula de paquetes financieros en R son una ventaja).

A continuación, debe tener confianza con el análisis de series temporales financieras y, en particular, en la programación con series temporales financieras. Tengo algunos tutoriales sobre este tema, y ​​también está cubierto en mi curso, pero hay muchos recursos en línea para esto en general.

La verdadera clave es familiarizarse con algunos de los modelos más útiles. Modelos de optimización de cartera, precios de derivados, estrategias de negociación y gestión de riesgos. El cálculo estocástico será importante a medida que avance hacia los modelos más complejos.

Ahora comience a construir proyectos con datos financieros, probándolos en tiempo real en el mercado o construyendo motores de prueba para probar sus teorías.

Tienes una gran base / punto de partida. Estoy totalmente de acuerdo con lo que han sugerido los demás (Python, R, Matlab, C ++, etc.), así que no solo voy a repetir lo que se ha dicho, aunque creo que serían las primeras cosas que sugeriría como Los primeros pasos también.

Dicho esto, me centraré en el lado más teórico que nadie ha mencionado directamente mucho … Sugiero que fortalezca sus probabilidades y estadísticas tanto como pueda. Álgebra lineal también, por supuesto, pero con tu experiencia en matemáticas aplicadas, probablemente te está yendo bien en esas cosas. Los problemas / preguntas de los procesos estocásticos de nivel avanzado son muy comunes entre las preguntas de la entrevista (el lema de Ito, derivando la pde Black-Scholes …). Para obtener una buena idea de lo que piden, lea: Heard on the Street: Preguntas cuantitativas de las entrevistas de trabajo de Wall Street

Para más sobre el tema:

Teoría del arbitraje en tiempo continuo (Oxford Finance Series)

Una introducción a las matemáticas de los derivados financieros.

También te beneficiarías MUCHO si juegas con bibliotecas como numpy, pandas, scipy y quantlib. Familiarizarse con los conceptos básicos del aprendizaje automático:

Aprendizaje automático

Reconocimiento de patrones y aprendizaje automático

Y hay muchos buenos cursos e incluso especializaciones en Udacity y Coursera (el ofrecido por Stanford en Coursera y el (s) ofrecido por Georgia Tech en Udacity viene a la mente)

Desde un punto de vista menos teórico: hackea con scikit-learn, weka, o incluso con TensorFlow.

Bono: ¡Revisa este estupendo artículo!

Trading algorítmico en menos de 100 líneas de código Python

Creo que podría ayudarlo a inspirarse y proponer ideas. Estoy seguro de que si pudieras construir un algoritmo de trading exitoso, o al menos parte de una plataforma de trading, y tuvieras eso en tu github, algunas compañías podrían encontrarse interesadas.

Comience leyendo mi blog epchan.blogspot.com y realice una prueba retroactiva de las ideas comerciales que presenté utilizando Matlab, Python o R. También puede leer mis libros, comenzando con Algorithmic Trading y avanzando a Machine Trading. En Machine Trading, también hice referencia a otros blogs que debería leer y contener buenas ideas comerciales. Finalmente, puede intentar construir su sistema de comercio backtest / live en Quantopian o Design y estrategias de trading algorítmico de trading en un navegador web, con datos financieros gratuitos, backtesting en la nube y capital.

Paul Wilmott en Juego de volúmenes cuantitativos de finanzas 3 (2ª edición) Paul Wilmott en Juego de volúmenes cuantitativos de finanzas 3 (2ª edición): Paul Wilmott: 9780470018705: Amazon.com: Libros