¿Con qué lenguajes de programación necesitas estar familiarizado para aprender economía?

1) Tan You Arthur_2006

Puedes utilizar Excel para procesar y analizar datos. Excel es el más básico. Si usas bien VBA, ayuda mucho. Si desea analizar datos, como el modelado, SAS sigue siendo bueno, pero es difícil de dominar. Si no tienes conocimientos básicos de idiomas, existen muchos otros programas que pueden hacerlo. Muchos bancos, empresas de valores y futuros utilizan Oracle o DB2, y algunas pequeñas empresas pueden utilizar SQL. Por lo tanto, si desea desarrollarse en esta área, debe dominar el conocimiento de las bases de datos. Después de todo, los talentos que entienden tanto de finanzas como de informática todavía son relativamente escasos. Muchas industrias nacionales están utilizando estas grandes bases de datos, como las telecomunicaciones, la aviación médica, etc. Si no sabe cómo analizar datos financieros, probablemente no se le pueda llamar experto financiero. En cuanto a si su análisis es preciso, depende de su dominio de los conocimientos financieros. En particular, los estudiantes de inversión necesitan adquirir algunos conocimientos en esta área. Muchos de ellos se especializan en finanzas aplicadas. No es necesario gastar demasiada energía en CFA y ACCA, y probablemente no se utilizarán en el trabajo. Los estudiantes que se especializan en matemáticas financieras, ingeniería financiera y ciencias actuariales deben dedicar algún tiempo a estudiar. De todos modos, depende de ti primero.

2) Ren Kun, entusiasta de la programación

Si quieres mantenerte al día con la comunidad académica internacional, lo mejor es aprender R. Al menos hasta donde yo sé, hay una clara tendencia de que la comunidad estadística estadounidense esté ocupada por R.

Si simplemente haces una regresión simple, interprétala de manera casual y elige un software estúpido. Si sólo se utilizan modelos econométricos maduros y ya preparados para la investigación empírica, entonces, por lo general, basta con un software tonto. Si desea hacer de la estadística y la econometría su campo de estudio o profesión, entonces la programación es esencial. Incluso si está realizando una investigación empírica que involucra estructuras de datos complejas, saber programación puede ayudarlo a mejorar enormemente su productividad. Además, la comunidad R es relativamente activa y puede mantenerse al día con las últimas tendencias.

Si se trata de procesar big data, una forma es utilizar SAS. Si no desea utilizar SAS, puede adquirir algunos conocimientos sobre bases de datos, como colocar datos en una base de datos SQLite, usar {RSSQLite} para acceder a la base de datos o usar {sqldf} para pasar marcos de datos en un entorno operativo SQL. .

Si cree que la ejecución de una tarea R es lenta, puede usar {parallel} o {parallelMap} para computación paralela, o puede usar computación en la nube para procesar datos.

Si otras cosas relacionadas con la comunidad no están implementadas en la comunidad R, como Java, puede usar {rJava} para llamar a objetos Java, pero la velocidad es un poco lenta.

Aún mejor, consideraría una carrera en análisis de datos. ¿Qué software o idioma es mejor para aprender? El lenguaje de programación funcional F# mencionado puede usar RProvider para llamar directamente a R, usar JavaProvider para llamar directamente a programas Java empaquetados en Jar, usar PythonProvider (que se lanzará pronto) para llamar directamente a programas Python, etc. y es fácil integrar recursos de las principales comunidades.

Actualmente, he establecido un repositorio en GitHub: Renkun-Ken/Learner para aprender estadística, econometría, no paramétrica, visualización de datos y bases de datos a través de r. Aunque no hay nada actualmente, se puede rastrear. .

Las anteriores son la programación necesaria para las estadísticas y mediciones relacionadas con la economía. De hecho, la "programación" requerida para las estadísticas y las mediciones es relativamente simple: básicamente procesa los datos y aplica el modelo de medición proporcionado. Requiere más programación: en primer lugar, si se trata de modelos de medición más avanzados, es posible que deba implementarlos usted mismo; en segundo lugar, algunas simulaciones de Monte Carlo requieren algo de programación;

De algunos campos nuevos relacionados con la economía, la economía computacional, la estadística computacional y la econometría computacional requieren sólidas capacidades de programación, incluida la implementación de algoritmos, el análisis de algoritmos, etc. Por ejemplo, una de las investigaciones actuales en economía computacional es la financiación computacional basada en agentes, que consiste en establecer un mercado financiero simulado. Hay varios activos en el mercado y los fundamentos de cada activo están determinados por dividendos aleatorios. siguiendo a varios inversores lógicos. Los inversores tienen diferentes creencias sobre los dividendos, por lo que los comportamientos comerciales desencadenados por sus respectivas lógicas también son diferentes.

En un mercado de subastas bidireccional, qué tipo de composición o comportamiento de los inversores y qué tipo de longitud de memoria pueden reproducir en la mayor medida las reglas de los precios de los activos o los rendimientos de los activos que observamos en el mercado financiero real, como las tasas de rendimiento de los activos. ? La cola gorda y la asimetría. En este momento, los investigadores necesitan conocimientos financieros sólidos para diseñar un mercado financiero simulado que no sea ni simple ni complejo, y también necesitan las capacidades de programación correspondientes para escribir modelos en lenguajes de programación. Se diseñarán muchas tecnologías de programación, como bases de datos (a veces rastreando muchas variables, como el flujo de efectivo de los inversores y la distribución de la riqueza), computación paralela (paralelismo de múltiples núcleos de CPU, paralelismo de múltiples procesos, paralelismo de clústeres e incluso computación de GPU), etc. . La investigación en esta área comenzó en la década de 1990.

3) Los internautas de Zhihu piensan que

La econometría también tiene muchas subcategorías, tome asiento. Hay muchos software de uso común, incluidos STATA, MATLAB, R, SAS, etc.

Si está realizando mediciones aplicadas (especialmente datos transversales y datos de panel), Stata es la mejor opción porque es muy conveniente para administrar datos o ejecutar regresión. En la actualidad, casi todos los artículos que aplican micrometría en las principales revistas tienen modelos estadísticos que se pueden utilizar, y la mayoría de ellos son producidos por stata. ¡Y la mayor ventaja es la simplicidad!

Si estás haciendo series temporales de aplicaciones, Eviews parece ser una buena opción. Pero generalmente no hago eso y no tengo mucho que decir.

Si desea realizar mediciones teóricas, no existe un paquete listo para usar para Stata Eviews. Incluso si Stata se puede programar, su programabilidad es muy pobre y no sólida. Por eso es muy conveniente conocer R y Matlab. Por supuesto, también puedes usar Python, y Sargent escribió recientemente un libro sobre cómo medir con Python. También está Julia, que es una mezcla de estos tres idiomas, pero mucho más rápida. La desventaja es que es demasiado pequeño.

Si tienes requisitos de alta velocidad, especialmente de medición financiera, puedes considerar lenguajes como C y Fortran. cy Fortran son definitivamente los más rápidos. También existe un tipo llamado revendedor, que es muy rápido, pero también muy pequeño. Sin embargo, las desventajas de estos idiomas son que son difíciles de aprender y de lento desarrollo. Se dice que Julia es tan rápida como C y su sintaxis es muy similar a Matlab y Python (lo que significa que es fácil de aprender), pero está en su infancia y es utilizada por muy pocas personas.

Si está en el campo de la medición financiera, se recomienda encarecidamente aprender SAS. SAS es el más autorizado y el más rápido. Por supuesto, el mayor problema es que es caro y la programabilidad no es tan buena. Sin embargo, la cantidad de datos financieros es muy, muy grande y SAS resulta útil cuando el software general está paralizado.

Al igual que yo, siempre uso Stata para organizar datos cuando creo aplicaciones. Aún puedo usar Stata sin usar otro software. Pero como a veces hacemos algún trabajo de medición teórica, matlab también es indispensable. También estoy trabajando en Julia porque Matlab es demasiado lento. Normalmente no uso Python para cálculos científicos. No mucha gente lo usa y la velocidad es lenta. Se utiliza comúnmente para capturar datos.

Finalmente, tiene sentido por qué recomiendo matlab en lugar de otro software. Muchos modelos, como la econometría espacial, la estimación bayesiana, los modelos DSGE y SVAR en mediciones macro, no están disponibles en stata y Eviews, pero matlab proporciona paquetes de software completos, como Dynare, basado en Matlab, y los paquetes de software de medición espacial de LeSage, etc. , también basado en matlab. Entonces, para casi cualquier modelo que desee usar en Matlab, puede encontrar el código y usarlo directamente. Incluso si no sabes cómo, no es difícil escribirlo tú mismo usando Matlab.

Por fin recordé una frase. La elección de estos software (excepto Stata, porque la posición de Stata en el campo de la medición aplicada es casi insustituible) se puede resumir en dos frases: si su propio tiempo es más valioso que el tiempo de la computadora, entonces aprenda Matlab, R o incluso Python. , Julia Todos son los más adecuados; si el tiempo de computadora es más valioso que usted, entonces es necesario aprender C y Fortran. Por supuesto, a menos que su trabajo sea muy especial (como la estimación de algunos modelos estructurales grandes), en términos generales, su tiempo es más valioso.

En resumen, es imposible utilizar un solo software para la aplicación y la teoría. Se recomienda elegir según su propia dirección.

Creo que recomiendo Stata y Matlab. Uno es conveniente y el otro es flexible. Ambos son muy poderosos y no son difíciles de aprender. Además, mucha gente los usa y es bastante conveniente comunicarse.

4) Internauta Zhang Zhenzhen

Datos, Excel simple, intuitivo y conveniente. Más complicado... Excel puede tener hasta 60.00 filas. ¿Está seguro de que necesita "aprender economía" a partir de una cantidad tan grande de datos?

Uso complejo de R, varios modelos, algoritmos e implementaciones. Básicamente, R tiene los paquetes de software correspondientes que se pueden descargar y usar directamente. Lea más documentos y practique más. Aproximadamente medio año de combate real. Toda la regresión y los resultados de mi tesis doctoral se realizaron en R y lo uso en todos los artículos que estoy escribiendo ahora. La alternativa es Stata. Eso no está mal, pero si estás empezando desde cero como yo, R es muy recomendable.

Una desventaja de R es que no puede realizar operaciones simbólicas. Esta solución gratuita incluye paquetes como python con scipy numpy, pero te recomiendo que uses mathematica, que tiene las funciones de cálculo simbólico más potentes y el mejor formato de salida. Puede encontrar una matriz jacobiana para realizar operaciones simbólicas y comparar los resultados.

Python, después de familiarizarme con R, descubrí que hay algunas funciones que R no puede implementar. Cuando existe una necesidad real, nunca es demasiado tarde para aprender. No es necesario de inmediato.

Además, toda investigación económica (me refiero a la teoría empírica, ya sabes) debe utilizar látex, que puede considerarse como un lenguaje de programación. Organizar fórmulas matemáticas en Word te volverá loco en poco tiempo. Ggplot2 se puede utilizar para trazar en R y enviar a tex. Utilice el paquete xtable para exportar tablas de datos normales a tex y utilice stargazer para exportar resultados de regresión a tex, lo cual es muy conveniente.

5) Internauta bayesiano

Lo primero de lo que quiero hablar es de R, que definitivamente es la corriente principal de los círculos académicos extranjeros en la actualidad. Básicamente no hay nada en el Departamento de Estadística excepto R. Como dirección relacionada con las estadísticas, R también está penetrando gradualmente. Por eso se recomienda estudiar.

Por cierto, la curva de aprendizaje de R es relativamente pronunciada, por lo que no recomiendo que las personas sin base comiencen desde R, de lo contrario la frustración será aún mayor. Python es un poco mejor, por lo que recomiendo comenzar con Python.

Python no es un software utilizado específicamente para estadísticas o mediciones, sino un lenguaje de programación de propósito general muy popular. Después de años de desarrollo, la biblioteca también es muy completa. Probé numpy, scipy, pandas y otras bibliotecas. En comparación con otros lenguajes de programación de propósito general, es bastante fácil de usar, pero personalmente creo que todavía no es tan bueno como R, como hacer dibujos.

Ggplot2 es de hecho una existencia divina, pero la biblioteca de Python sigue siendo ligeramente inferior. Sin embargo, además del procesamiento de datos, Python puede hacer demasiadas cosas y también es muy poderoso. Lo usamos principalmente, como recopilar datos de páginas web, requerir expresiones regulares, analizar páginas web, etc. Python tiene muchas ventajas sobre R en estos aspectos.

Por supuesto, a juzgar por la tendencia, Python parece ser mejor que R en el futuro. R es un grupo de estadísticos que programan y Python es un grupo de expertos en informática que intentan realizar procesamiento de datos. Parece que la base de Python es más sólida. Opinión personal, sólo como referencia.

Stata es el mejor software de medición además de R. He usado ambos durante varios años y sigo pensando que R es mejor de usar y más conveniente para organizar y procesar datos. Entonces, incluso en el campo de las micromediciones que mencionaste anteriormente, sigo prefiriendo r.

Además, spss, o eviews, etc. , utilizado principalmente por estudiantes que se especializan en gestión sensorial, tiene funciones limitadas y no se recomienda. No entraré en detalles aquí. Otro problema con el software anterior es que todos vienen con una tarifa. Teniendo en cuenta la futura protección de la propiedad intelectual, es más fiable utilizar los gratuitos.

r tiene dos deficiencias principales:

1. Es débil frente al big data. Sas tiene ventajas en este sentido, pero debo decir que la sintaxis de sas es demasiado antihumana y completamente inaceptable. Ante este problema lo que quiero decir es que hay que ver qué tan grande es el problema. Según mi experiencia, la cantidad de datos en la economía no parece ser suficiente para exceder el límite superior de r. Tal vez los datos de alta frecuencia en las finanzas sean mayores. Lo agregaré si lo encuentro. Probé datos de 10 g. La forma más sencilla no es aprender SAS, sino comprar 16 g de memoria. :) Con el precio actual de la memoria, no creo que sea un gran problema si es inferior a 32 g.

2. Rendimiento insuficiente. Python tiene el mismo problema a este respecto. La mejor solución es mezclar c/c++, pero esto es un pozo sin fondo, lleva mucho tiempo y es posible que no se aprenda bien. El método recomendado es comprar hardware, que es el más sencillo. :) Por supuesto, usar paquetes paralelos también es una de las soluciones. Probé varios clústeres de múltiples máquinas en la sala de computadoras, pero no tuvieron mucho éxito. Pídele consejo a alguien.

También mencionaste varios programas arriba. También hablaré sobre algunos programas que conozco:

Matlab: la clave para algo bueno es el rendimiento. También puedes usar c para esto. . /c++ para resolverlo. Pero no me gusta el software grande. Para encontrar la varianza media, se necesitan 5 minutos para comenzar. . .

Julia: En la actualidad, lo bueno de X2 todavía está atrayendo la atención y puede que sea relativamente joven, lo que da como resultado un número ligeramente menor de bibliotecas de soporte. Sin embargo, todavía soy relativamente optimista sobre el desarrollo futuro. Absorbe principalmente las ventajas de matlab, python y c/c++. Puede escribir y calcular rápidamente.

Finalmente, la programación funcional es algo bueno, pero el futuro de la programación funcional pura no es optimista. Incorpora una idea de programación bastante avanzada, pero en el trabajo real a menudo ocurren problemas importantes de rendimiento. Para resolver este problema, todavía necesitamos combinar programación funcional y otros métodos. Sin embargo, este es un método que se ha implementado en software como Python y R. Parece que no es necesario aprender otra programación funcional.

6) Dr. Rong Jianxin, Universidad de Finanzas y Economía de Shanghai

Stata se usa ampliamente en micromediciones, principalmente ingresando comandos directamente para la regresión, y no hay muchos lugares donde requieren programación.

En cuanto a programación, se recomienda R y Python.

R es un muy buen software de análisis estadístico. Sus aplicaciones en econometría se pueden encontrar en libros como Econometría en R, Econometría aplicada en R, Análisis y aplicaciones de series temporales, etc.

Python es muy bueno para capturar datos y el paquete de cálculo matemático SciPy puede reemplazar parcialmente funciones informáticas científicas como Matlab.

7) Zhihu internauta justin

Estadísticas económicas de pregrado, debido a que el plan de estudios de la escuela es muy interesante, hemos utilizado:

EViews: econometría, tiempo en serie y multivariado estadística.

Stata: Econometría.

SPSS: Un curso especial, éste merece un repaso estadístico.

Excel: utilizado en cursos de introducción a la estadística para estudiantes de primer año. Este también es un gran obstáculo, que es el uso de funciones simples, que no involucran VBA en absoluto.

Matlab: No existe un curso dedicado para este curso. Es un subproducto de haber terminado de programar en C. Más tarde, cuando entré en contacto con R y Mathematica, básicamente los abandoné.

R/S-Plus: He usado S-Plus durante el análisis de regresión, pero había estado usando el lenguaje R durante mucho tiempo y S-Plus era básicamente compatible, por lo que nunca usé S-Plus. .

Minitab: utilizado en cursos de control de calidad, estadística básica más algo de diseño experimental.

SAS: He aprendido por mi cuenta varias veces en el laboratorio y quedé directamente impresionado por su maravillosa sintaxis. Se dice que nuestra escuela tiene un curso especial de SAS para estudiantes de posgrado (similar al curso de pregrado de SPSS), jaja~

Xue Zhi (Ba), estudiante de último año de nuestro departamento, una vez se quejó de que ella también usaba muchos software, lo que la hizo sentir que me volví completamente loca y le di consejos a nuestro querido decano. Como estudiante, también le hice esta pregunta al decano. Lo que quiere decir es que diferentes programas tienen sus propias ventajas a la hora de procesar diferentes datos y su curso también es bastante sencillo, así que aprenda más. Además, diferentes profesores tienen diferentes preferencias a la hora de utilizar software, por lo que es inevitable utilizar software diferente en clase.

Para los estudiantes que estudian economía, Excel, SPSS y EViews (o Stata) son muy buenos. Stata y EViews pueden escribir algunos programas, y la operación de la interfaz de SPSS también es muy amigable. Utilizo R, y usaré R después de aprender el software en varias clases (de hecho, la mayoría de las veces R ya tiene paquetes listos para usar, y la mayoría de las veces lo uso directamente). r sigue siendo muy bueno, recomendado.

Muchos estudiantes de último año también señalaron que los estudiantes de economía deberían aprender suficiente programación, de lo contrario estarán en un camino sin retorno y correrán el riesgo de cambiar completamente de carrera. Soy un ejemplo negativo (lágrimas ~).

Así que no toques Python, C++ y Julia.