下列哪些统计课程在金融/科技行业中最适用且最有用？[关闭]

我正在选择3种统计学课程来参加我的应用数学课程群（专注于精算科学或统计分析）。您认为以下哪三类在金融/科技/计算机科学领域最有用/最适用？

• 随机过程（随机行走，离散时间马尔可夫链，泊松过程）
• 线性建模：理论与应用
• 时间序列简介
• 现代统计预测与机器学习
• 博弈论
• 计量经济分析简介（统计与经济之间的交叉注册）

1. 线性建模（基础知识）
2. 时间序列简介（对于金融和技术很重要，在测量场合有很多次）
3. 现代统计预测和机器学习（对于新颖的预测事物，对于金融和技术也很重要）

我会推荐线性建模和时间序列简介。如果您只有三门选修课，而您决定专注于精算学，那么我将选修一门生存分析课程。

我可以在世界上最大的咨询公司之一担任数据科学家的工作，只给我两分钱，这对于我的工作非常有用。所有课程都很酷，并且在研究，开发和咨询中都有应用。但是，某些课程对于实际应用可能更重要。免责声明：这并不反映我雇主的意见，我也只在德国见过几个部门。

最有用的课程：

• 时间序列简介

如果您是数据科学家，则肯定会偶尔做出预测。了解诸如趋势，单位根，季节性等模式非常重要。

实际上，您将面对频率不同的数据，例如每月或每季度的数据。

阅读预测原理和实践，以了解预测的应用。

• 现代统计预测与机器学习

这门课程将增加您获得高薪工作的机会。与经典统计相比，机器学习的薪水更高。绝对值得了解诸如培训和测试数据之类的知识。您将始终构建模型并对其进行测试。

也由于机器学习的重要性，该页面被称为CrossValidated。哈哈哈哈

还有用：

• 线性建模：理论与应用
• 计量经济分析简介（统计与经济之间的交叉注册）

这些课程似乎和我很相似。我认为两者都主要处理纵向数据和面板数据。但是，作为数据科学家处理时间序列时，您将面临大多数回归问题。我只有一个项目，涉及Heckman选择模型/ Tobit回归和一些小事情，我要面对计数数据和生存分析。我公司的总体分类任务比回归任务更为广泛。

您最有可能与数学家，统计学家和计算机科学家一起工作。他们不会坚持计量经济学模型。但是，对线性模型和计量经济学分析有扎实的了解将有助于您处理时间序列和预测问题。

它还取决于您喜欢的编程语言。R（尤其是Stata）对于回归模型非常方便。Python对于其他任务非常有用。

正如迈克尔·切尔尼克（Michael Chernick）所说，微观计量经济学问题已广泛用于保险业。如果您在人寿保险部门工作，生存分析将至关重要。但是，大多数数据科学家并不面对这样的任务。

您可以参加UCLA的本应用经济计量基础课程，并反思您在未来的工作中将面对这些问题的程度。

无关紧要的：

• 随机过程（随机行走，离散时间马尔可夫链，泊松过程）

作为数据科学家，这几乎没有用。如果您在银行的量化金融部门工作，也许可以面对这样的模型。

• 博弈论

博弈论是一个几乎没有直接应用于实践的理论概念。在经济和心理学研究中，它可能会有所帮助，但是它不在数据科学家的经典范围内。

请不要犹豫，问我是否应该更具体地介绍一些课程。

作为定量工作于银行的人，我不同意其他答案。随机过程非常重要。对随机过程的深入了解使您能够理解您提到的许多其他类的背后的直觉，尤其是时间序列模型。它也是一个差异化因素（以我的经验，对随机过程的了解很少。）

我会

1. 随机过程
2. 现代统计预测与机器学习
3. 线性建模：理论与应用