Modelo De Media Móvil Con Movimiento Automático

ARMA Unplugged Esta es la primera entrada de nuestra serie de tutoriales Unplugged, en la que profundizamos en los detalles de cada uno de los modelos de series de tiempo con los que ya está familiarizado, destacando las suposiciones subyacentes y conduciendo a casa las intuiciones detrás de ellos. En este número, abordamos el modelo ARMA como una piedra angular en el modelado de series temporales. A diferencia de los problemas de análisis anteriores, comenzaremos aquí con la definición del proceso ARMA, declararemos las entradas, salidas, parámetros, restricciones de estabilidad, supuestos y, finalmente, dibujaremos algunas pautas para el proceso de modelado. Antecedentes Por definición, el promedio móvil auto-regresivo (ARMA) es un proceso estocástico estacionario compuesto de sumas de Excel autorregresivo y componentes de media móvil. Alternativamente, en una formulación simple: Hipótesis Veamos más de cerca la formulación. El proceso ARMA es simplemente una suma ponderada de las observaciones de salida y choques pasados, con pocas hipótesis clave: ¿Qué significan estas suposiciones? Un proceso estocástico es una contrapartida de un proceso determinista que describe la evolución de una variable aleatoria a lo largo del tiempo. En nuestro caso, la variable aleatoria es El proceso ARMA sólo captura la correlación serial (es decir, autocorrelación) entre las observaciones. En términos simples, el proceso ARMA resume los valores de observaciones pasadas, no sus valores cuadrados o sus logaritmos, etc. Dependencia de orden superior requiere un proceso diferente (por ejemplo, ARCH / GARCH, modelos no lineales, etc.). Existen numerosos ejemplos de un proceso estocástico en el que los valores pasados ​​afectan a los actuales. Por ejemplo, en una oficina de ventas que recibe RFQs en forma continua, algunas se realizan como ventas ganadas, algunas como ventas perdidas, y algunas se derramaron en el próximo mes. Como resultado, en un mes dado, algunos de los casos de ventas ganadas se originan como RFQs o son ventas repetidas de los meses anteriores. ¿Cuáles son los choques, las innovaciones o los términos de error Esta es una pregunta difícil, y la respuesta no es menos confusa. Sin embargo, vamos a darle una oportunidad: En palabras simples, el término de error en un modelo dado es un cubo todo para todas las variaciones que el modelo no explica. Todavía perdemos Vamos a usar un ejemplo. Para un proceso de precios de acciones, posiblemente hay cientos de factores que impulsan el nivel de precios arriba / abajo, incluyendo: Dividendos y anuncios divididos Informes trimestrales sobre ingresos Actividades de fusión y adquisición (MampA) Eventos legales, p. La amenaza de demandas colectivas. Otros Un modelo, por diseño, es una simplificación de una realidad compleja, de modo que lo que dejemos fuera del modelo se agrupa automáticamente en el término de error. El proceso ARMA supone que el efecto colectivo de todos esos factores actúa más o menos como el ruido gaussiano. ¿Por qué nos preocupamos por los shocks pasados? A diferencia de un modelo de regresión, la ocurrencia de un estímulo (por ejemplo, shock) puede tener un efecto en el nivel actual, y posiblemente en los niveles futuros. Por ejemplo, un evento corporativo (por ejemplo, la actividad de MampA) afecta el precio de las acciones de la empresa subalterna, pero el cambio puede tomar algún tiempo para tener su impacto completo, ya que los participantes del mercado absorben / analizan la información disponible y reaccionan en consecuencia. Esto plantea la pregunta: ¿no los valores anteriores de la salida ya tienen los shocks pasado información SÍ, la historia de los shocks ya está contabilizado en los niveles de salida pasados. Un modelo ARMA puede ser representado solamente como un modelo auto-regresivo puro (AR), pero el requisito de almacenamiento de tal sistema en infinito. Esta es la única razón para incluir el componente MA: ahorrar en almacenamiento y simplificar la formulación. Una vez más, el proceso ARMA debe ser estacionario para que exista la varianza marginal (incondicional). Nota: En mi discusión anterior, no estoy haciendo una distinción entre meramente la ausencia de una raíz unitaria en la ecuación característica y la estacionariedad del proceso. Están relacionados, pero la ausencia de una raíz unitaria no es una garantía de estacionariedad. Aún así, la raíz unitaria debe estar situada dentro del círculo unitario para ser precisa. Conclusión Vamos a recapitular lo que hemos hecho hasta ahora. Primero examinamos un proceso estacionario ARMA, junto con su formulación, entradas, suposiciones y requisitos de almacenamiento. A continuación, mostramos que un proceso ARMA incorpora sus valores de salida (autocorrelación) y los choques que experimentó anteriormente en la salida de corriente. Finalmente, se mostró que el proceso estacionario ARMA produce una serie de tiempo con una media y una varianza estable a largo plazo. En nuestro análisis de datos, antes de proponer un modelo ARMA, debemos verificar el supuesto de estacionariedad y los requisitos de memoria finita. En el caso de que la serie de datos presente una tendencia determinista, necesitamos eliminarla (destensarla) primero y luego usar los residuos para ARMA. En el caso de que el conjunto de datos exhiba una tendencia estocástica (por ejemplo, caminata aleatoria) o la estacionalidad, necesitamos entretener ARIMA / SARIMA. Por último, el correlograma (es decir, ACF / PACF) puede usarse para medir el requerimiento de memoria del modelo, debemos esperar que ACF o PACF se desintegren rápidamente después de unos pocos retrasos. Si no, esto puede ser un signo de no estacionariedad o un patrón a largo plazo (por ejemplo, ARFIMA). ARIMA Pronosticar con Excel y R Hola Hoy te voy a guiar a través de una introducción al modelo ARIMA y sus componentes, así como Como una breve explicación del método Box-Jenkins de cómo se especifican los modelos ARIMA. Por último, he creado una implementación de Excel con R, que I8217ll mostrarle cómo configurar y utilizar. Modelos de media móvil automática (ARMA) El modelo de media móvil autoregresiva se utiliza para modelar y pronosticar procesos de series de tiempo estacionarios y estocásticos. Es la combinación de dos técnicas estadísticas previamente desarrolladas, el Autoregressive (AR) y el Moving Average (MA) y fue descrito originalmente por Peter Whittle en 1951. George E. P. Box y Gwilym Jenkins popularizaron el modelo en 1971 especificando pasos discretos para modelar la identificación, la estimación y la verificación. Este proceso se describirá más adelante como referencia. Comenzaremos por introducir el modelo ARMA por sus diversos componentes, los modelos AR y MA y luego presentaremos una popular generalización del modelo ARMA, ARIMA (Media Automática Movible Integrada Autoregrada) y los pasos de predicción y especificación del modelo. Por último, explicaré una implementación de Excel que creé y cómo usarla para hacer sus previsiones de series de tiempo. Modelos Autoregresivos El modelo Autoregresivo se utiliza para describir procesos aleatorios y procesos que varían en el tiempo y especifica que la variable de salida depende linealmente de sus valores anteriores. El modelo se describe como: Donde están los parámetros del modelo, C es constante, y es un término de ruido blanco. Esencialmente, lo que el modelo describe es para cualquier valor dado. Puede explicarse por funciones de su valor anterior. Para un modelo con un parámetro. Se explica por su valor pasado y error aleatorio. Para un modelo con más de un parámetro, por ejemplo. es dado por. Y error aleatorio. Modelo de media móvil El modelo de media móvil (EM) se utiliza a menudo para modelar series temporales univariadas y se define como: es la media de la serie temporal. Son los parámetros del modelo. Son los términos de error de ruido blanco. Es el orden del modelo de media móvil. El modelo de media móvil es una regresión lineal del valor actual de la serie comparado con los términos del período anterior. Por ejemplo, un modelo de MA de. Se explica por el error actual en el mismo período y el valor del error pasado. Para un modelo de orden 2 (), se explica por los últimos dos valores de error, y. Los términos AR () y MA () se utilizan en el modelo ARMA, que ahora se introducirá. Modelo de media móvil autorregresiva Los modelos de media móvil autorregressiva utilizan dos polinomios, AR () y MA () y describen un proceso estocástico estacionario. Un proceso estacionario no cambia cuando se desplaza en tiempo o espacio, por lo tanto, un proceso estacionario tiene media constante y varianza. El modelo ARMA se refiere a menudo en términos de sus polinomios, ARMA (). La notación del modelo se escribe: La selección, estimación y verificación del modelo se describe por el proceso de Box-Jenkins. El método de Box-Jenkins para la identificación del modelo A continuación se muestra más un esquema del método Box-Jenkins, ya que el proceso real de encontrar estos valores puede ser bastante abrumador sin un paquete estadístico. La hoja de Excel incluida en esta página determina automáticamente el modelo que mejor se adapte. El primer paso del método Box-Jenkins es la identificación del modelo. La etapa incluye identificar la estacionalidad, diferenciar si es necesario y determinar el orden de y por trazar las funciones de autocorrelación y autocorrelación parcial. Después de identificar el modelo, el siguiente paso es estimar los parámetros. La estimación de parámetros utiliza paquetes estadísticos y algoritmos de cálculo para encontrar los mejores parámetros de ajuste. Una vez elegidos los parámetros, el último paso es comprobar el modelo. La verificación del modelo se realiza comprobando si el modelo se ajusta a una serie cronológica univariada estacionaria. También se debe confirmar que los residuos son independientes entre sí y presentan una media y una varianza constante en el tiempo, lo que se puede hacer realizando una prueba de Ljung-Box o trazando nuevamente la autocorrelación y la autocorrelación parcial de los residuos. Observe que el primer paso consiste en verificar la estacionalidad. Si los datos con los que está trabajando contienen tendencias estacionales, para que los datos sean estacionarios. Este paso de diferenciación generaliza el modelo ARMA en un modelo ARIMA, o Media Automática Movible Integrada, donde 8216Integrated8217 corresponde al paso de diferenciación. Modelos de media móvil integrada autoregresiva El modelo ARIMA tiene tres parámetros. Para definir el modelo ARMA para incluir el término de diferenciación, comenzamos por reordenar el modelo ARMA estándar para separarlo de la suma. ¿Dónde está el operador de retraso y. Son parámetros de autorregresión y de media móvil, y los términos de error, respectivamente. Hacemos ahora la suposición de primer polinomio de la función, tiene una raíz unitaria de multiplicidad. Podemos entonces reescribirlo a lo siguiente: El modelo ARIMA expresa la factorización polinómica con y nos da: Por último, generalizamos el modelo añadiendo un término de deriva, que define el modelo ARIMA como ARIMA () con deriva. Con el modelo ahora definido, podemos ver el modelo ARIMA como dos partes separadas, una no estacionaria y la otra de sentido amplio estacionaria (la distribución de probabilidad conjunta no cambia cuando se desplaza en el tiempo o el espacio). El modelo no estacionario: El modelo estacionario de sentido amplio: ahora se pueden hacer pronósticos sobre el uso de un método de pronóstico autorregresivo generalizado. Ahora que hemos hablado de los modelos ARMA y ARIMA, ahora nos referimos a cómo podemos usarlos en aplicaciones prácticas para proporcionar previsiones. Ive construido una implementación con Excel utilizando R para hacer ARIMA pronósticos, así como una opción para ejecutar Monte Carlo simulación en el modelo para determinar la probabilidad de los pronósticos. Implementación de Excel y cómo usar Antes de usar la hoja, debe descargar R y RExcel desde el sitio web de Statconn. Si ya tienes instalado R, solo puedes descargar RExcel. Si no tienes R instalado, puedes descargar RAndFriends que contiene la última versión de R y RExcel. Tenga en cuenta, RExcel sólo funciona en 32 bits Excel para su licencia no comercial. Si tiene instalado 64 bits de Excel, tendrá que obtener una licencia comercial de Statconn. Se recomienda descargar RAndFriends ya que facilita la instalación más rápida y sencilla sin embargo, si ya tiene R y desea instalarla manualmente, siga estos pasos. Instalación manual de RExcel Para instalar RExcel y los otros paquetes para que R funcione en Excel, primero abra R como administrador haciendo clic con el botón derecho en el archivo. exe. En la consola R, instale RExcel escribiendo las siguientes instrucciones: Los comandos anteriores instalarán RExcel en su máquina. El siguiente paso es instalar rcom, que es otro paquete de Statconn para el paquete RExcel. Para instalar esto, escriba los siguientes comandos, que también instalarán automáticamente rscproxy a partir de la versión R 2.8.0. Con estos paquetes instalados, puede pasar a configurar la conexión entre R y Excel. Aunque no es necesario para la instalación, un paquete práctico para descargar es Rcmdr, desarrollado por John Fox. Rcmdr crea R menús que pueden convertirse en menús en Excel. Esta característica viene por defecto con la instalación de RAndFriends y hace que varios comandos R estén disponibles en Excel. Escriba los siguientes comandos en R para instalar Rcmdr. Podemos crear el enlace a R y Excel. Nota en las versiones recientes de RExcel esta conexión se realiza con un simple clic doble del archivo. bat proporcionado. ActivateRExcel2010, por lo que sólo debe seguir estos pasos si ha instalado manualmente R y RExcel o si por alguna razón la conexión no se hace durante La instalación de RAndFriends. Crear la conexión entre R y Excel Abra un libro nuevo en Excel y navegue hasta la pantalla de opciones. Haga clic en Opciones y, a continuación, en Complementos. Debería ver una lista de todos los complementos activos e inactivos que tiene actualmente. Haga clic en el botón Ir en la parte inferior. En el cuadro de diálogo Complementos, verá todas las referencias de complemento que ha realizado. Haga clic en Examinar. Vaya a la carpeta RExcel, normalmente ubicada en C: Program FilesRExcelxls o algo similar. Busque el complemento RExcel. xla y haga clic en él. El siguiente paso es crear una referencia para que macros utilizando R funcione correctamente. En su documento de Excel, introduzca Alt F11. Esto abrirá Excels VBA editor. Vaya a Tools - gt References y encuentre la referencia RExcel, RExcelVBAlib. RExcel ahora debe estar listo para usar Usando la Hoja de Excel Ahora que R y RExcel están configurados correctamente, es hora de hacer alguna previsión Abra la hoja de pronóstico y haga clic en Cargar Servidor. Esto es para iniciar el servidor RCom y también cargar las funciones necesarias para hacer la previsión. Se abrirá un cuadro de diálogo. Seleccione el archivo itall. R incluido con la hoja. Este archivo contiene las funciones que utiliza la herramienta de pronóstico. La mayoría de las funciones contenidas fueron desarrolladas por el profesor Stoffer en la Universidad de Pittsburgh. Extienden las capacidades de R y nos dan algunos gráficos útiles de diagnóstico junto con nuestra producción de pronóstico. También existe una función para determinar automáticamente los mejores parámetros de ajuste del modelo ARIMA. Después de cargar el servidor, ingrese sus datos en la columna Datos. Seleccione el rango de los datos, haga clic con el botón derecho y seleccione Rango de nombres. Asigne un nombre al rango como Datos. A continuación, establezca la frecuencia de sus datos en la celda C6. Frecuencia se refiere a los períodos de tiempo de sus datos. Si es semanal, la frecuencia sería 7. Mensual sería 12, mientras que trimestral sería 4, y así sucesivamente. Ingrese los períodos de anticipación para pronosticar. Tenga en cuenta que los modelos ARIMA se vuelven bastante imprecisos después de varias predicciones de frecuencia sucesivas. Una buena regla de oro es no exceder 30 pasos como cualquier cosa pasado que podría ser bastante poco fiable. Esto también depende del tamaño de su conjunto de datos. Si tiene datos limitados disponibles, se recomienda elegir un número de pasos más pequeños. Después de ingresar sus datos, nombrarlos y establecer la frecuencia deseada y los pasos a seguir para pronosticar, haga clic en Ejecutar. Puede tardar un tiempo en procesar el pronóstico. Una vez completado, obtendrá los valores previstos en el número especificado, el error estándar de los resultados y dos gráficos. La izquierda es los valores previstos con los datos, mientras que la derecha contiene diagnósticos prácticos con residuos estandarizados, la autocorrelación de los residuos, un gráfico gg de los residuos y un gráfico estadístico de Ljung-Box para determinar si el modelo está bien ajustado. No voy a entrar en demasiados detalles sobre cómo buscar un modelo bien equipado, pero en el gráfico de ACF usted no quiere cualquiera (o mucho) de los picos de lag cruce sobre la línea azul punteada. En la gráfica gg, cuanto más círculos pasan por la línea, más normalizado y mejor ajustado está el modelo. Para conjuntos de datos más grandes esto podría cruzar muchos círculos. Por último, la prueba de Ljung-Box es un artículo en sí mismo, sin embargo, cuanto más círculos están por encima de la línea azul punteada, mejor es el modelo. Si el resultado del diagnóstico no se ve bien, puede intentar agregar más datos o comenzar en un punto diferente más cercano al rango que desea pronosticar. Puede borrar fácilmente los resultados generados haciendo clic en los botones Borrar valores pronosticados. Y thats it Actualmente, la columna de la fecha no hace nada más que para su referencia, pero no es necesario para la herramienta. Si encuentro tiempo, volveré y añadiré que para que el gráfico mostrado muestre la hora correcta. También puede recibir un error al ejecutar el pronóstico. Esto se debe generalmente a la función que encuentra los mejores parámetros es incapaz de determinar el orden adecuado. Puede seguir los pasos anteriores para tratar de organizar mejor sus datos para que la función funcione. Espero que consigas uso de la herramienta Me ha ahorrado mucho tiempo en el trabajo, como ahora todo lo que tengo que hacer es introducir los datos, cargar el servidor y ejecutarlo. También espero que esto le muestra cómo R impresionante puede ser, especialmente cuando se utiliza con un front-end como Excel. Código, hoja de cálculo de Excel y archivo. bas también están en GitHub aquí. Forecasting Modelos con Excel Aprenda los principales modelos y métodos de previsión desde el nivel básico al nivel de expertos a través de un curso práctico con Excel. 3,2 (: 22), Udemy,,. : 152,. . Helpx. adobe / flash-player. html. , Destello. Destello . Lecciones de vídeo del curso, diapositivas de contenido y archivo Excel constantemente actualizados (más reciente: noviembre de 2016, reedición de audio) Aprenda modelos de predicción a través de un curso práctico con Excel utilizando datos del mundo real. Explora los conceptos principales de nivel básico a nivel de expertos que pueden ayudarle a lograr mejores calificaciones, desarrollar su carrera académica, aplicar sus conocimientos en el trabajo o tomar decisiones relacionadas con la previsión de negocios. Todo esto mientras explora la sabiduría de los mejores académicos y profesionales en el campo. Convertirse en un experto en modelos de pronóstico en este curso práctico con Excel Estimar métodos simples de evaluación comparativa, tales como caminar al azar. Identificar patrones de series temporales con medias móviles y métodos de suavización exponencial. Seleccione los mejores métodos comparando las métricas de errores de pronóstico. Evaluar si las series de tiempo son de primer orden estacionarias o constantes en su media. Calcular la media condicional de la serie temporal con modelos de media móvil integrada (ARIMA) autoregresiva. Determine los parámetros de los modelos y evalúe si los errores de pronóstico son ruido blanco. Elija los mejores modelos comparando los criterios de información de errores de previsión. Los modelos de prueba predicción exactitud mediante la comparación de sus capacidades de predicción. Convertirse en un experto en modelos de pronóstico y poner su conocimiento en la práctica Aprender los métodos de predicción y los modelos es indispensable para los analistas de negocios o financieros en áreas tales como ventas y pronóstico financiero, optimización de inventario, demanda y planificación de operaciones y gestión de flujo de efectivo. También es esencial para carreras académicas en ciencias de datos, estadísticas aplicadas, investigación de operaciones, economía, econometría y finanzas cuantitativas. Y es necesario para cualquier pronóstico de negocios relacionadas con la decisión. Pero como la curva de aprendizaje puede llegar a ser empinada a medida que crece la complejidad, este curso ayuda a guiarle paso a paso ejemplos prácticos del mundo real para una mayor eficacia. Contenido y descripción Este curso práctico contiene 43 conferencias y 8.5 horas de contenido. Está diseñado para todos los modelos de previsión de los niveles de conocimiento y una comprensión básica de Excel se recomienda. En primer lugar, youll estimación simples métodos de pronóstico como nave o paseo al azar y utilizarlos como puntos de referencia contra otros más complejos. A continuación, identificará patrones de series de tiempo, tendencia y estacionalidad a través de promedios móviles simples y ponderados, junto con los métodos de suavizado exponencial (ETS) de Browns, Holts, Gardners, Taylors e Winters. A continuación, seleccionará los mejores métodos comparando métricas de errores de pronóstico dependientes de la escala y independientes de la escala, como Hyndman y Koehlers, que significa error absoluto escalado. Después de eso, youll evaluar si la serie de tiempo es de primer orden estacionario con tendencia determinista y la estacionalidad junto con el aumento Dickey-Fuller prueba. A continuación, calculará la media condicional de la serie de tiempo con los modelos de media móvil integrada autoregresiva de Box-Jenkins (ARIMA). A continuación, se determinan los parámetros de los modelos con autocorrelación, funciones de autocorrelación parcial y se utilizan para evaluar si los residuos de pronóstico son ruido blanco junto con la prueba de Ljung-Box. Y entonces, youll elegir mejores modelos comparando Akaikes y Schwarzs Bayesian criterios de información. Por último, youll probar la precisión de predicción de los métodos y modelos mediante la comparación de sus capacidades de predicción. Software de hoja de cálculo como Microsoft Excel es necesario. Hoja de cálculo práctica proporcionada por el instructor. Se recomienda el conocimiento básico previo de software de hoja de cálculo. Estimar métodos sencillos de predicción tales como nave o paseo aleatorio y usarlos como puntos de referencia frente a otros más complejos. Identificar patrones de series de tiempo, tendencias y estacionalidad a través de promedios móviles simples y ponderados junto con los métodos de suavizado exponencial (ETS) de Browns, Holts, Gardners, Taylors y Winters. Seleccione los mejores métodos comparando métricas de errores de pronóstico dependientes de la escala y independientes de la escala, como Hyndman y Koehlers, que significa error absoluto escalado. Evaluar si las series de tiempo son de primer orden estacionarias con tendencia determinista y estacionalidad junto con la prueba de Dickey-Fuller aumentada. Calcule la media condicional de la serie de tiempo con los modelos de media móvil integrada autoregresiva de Box-Jenkins (ARIMA). Determinar parámetros de modelos con autocorrelación, funciones de autocorrelación parcial y usarlas para evaluar si los residuos de pronóstico son ruido blanco junto con la prueba de Ljung-Box. Elija los mejores modelos comparando los criterios de información de Akaikes y Schwarzs Bayesian. Comprobar la precisión de predicción de métodos y modelos comparando sus capacidades de predicción. Estudiantes en cualquier nivel de conocimiento que quieran aprender acerca de los modelos de predicción. Investigadores académicos que desean profundizar sus conocimientos en ciencias de los datos, estadísticas aplicadas, investigación de operaciones, economía, econometría o finanzas cuantitativas. Analistas de negocios o financieros y científicos de datos que deseen aplicar este conocimiento en ventas y pronóstico financiero, optimización de inventario, planificación de la demanda y operaciones, o administración de flujo de efectivo. En esta conferencia se pueden descargar diapositivas con secciones de detalles de conferencias y temas principales a cubrir relacionados con los promedios móviles (método de media móvil simple y método de media móvil ponderada), métodos de suavización exponencial (método de suavización exponencial simple de Browns, método de tendencia lineal de Holts, tendencia exponencial Método aditivo de amortiguación de Gardners, método de tendencia amortiguado de Taylors multiplicativo, método aditivo Holt-Winters, método multiplicativo Holt-Winters y método amortiguado Holt-Winters) y selección de métodos (suma de errores cuadráticos SSE, media de error absoluto MAE, Error RMSE, error de porcentaje absoluto medio MAPE, error de porcentaje absoluto simétrico sMAPE y error absoluto de media absoluta MASE). Métodos de Movimiento y Métodos de Suavizado Exponencial En esta conferencia usted aprenderá detalles de conferencias de sección y temas principales que se cubrirán relacionados con los promedios móviles (método de media móvil simple y método de media móvil ponderada), métodos exponenciales de suavizado Método de tendencias exponenciales, método de tendencias atenuadas aditivas de Gardners, método de tendencia amortiguado multiplicativo de Taylors, método aditivo Holt-Winters, método multiplicativo Holt-Winters y método amortiguado Holt-Winters) y selección de métodos (suma de errores cuadrados SSE, error absoluto medio MAE, error cuadrático medio RMSE, error de porcentaje absoluto medio MAPE, error de porcentaje absoluto de media simétrica sMAPE y error de escala absoluta media MASE). Método simple de media móvil Diego Fernandez es autor de cursos en línea de alta calidad y libros electrónicos en Exfinsis para cualquier persona que quiera convertirse en un experto en análisis de datos financieros. Sus principales áreas de especialización son las finanzas y el análisis de datos. Dentro de las finanzas se ha centrado en el análisis fundamental, técnico y de cartera de inversiones. Dentro del análisis de datos se ha concentrado en estadísticas aplicadas, probabilidad, métodos de optimización, modelos de predicción y aprendizaje automático. Por todo esto, se ha vuelto competente en Microsoft Excel, software de estadística R y herramientas de análisis de lenguaje de programación Python. Cuenta con una importante experiencia en desarrollo de negocios en línea en empresas de rápido crecimiento y empresas líderes en varios países europeos. Siempre ha superado los objetivos profesionales esperados comenzando con un análisis exhaustivo del entorno empresarial y luego ejecutando de manera eficiente la estrategia formulada. También logró un desempeño sobresaliente en sus grados de pregrado y posgrado en instituciones académicas de clase mundial. Este rendimiento superior le permitió convertirse en asistente de maestro para asignaturas especializadas y constante líder estudiantil dentro de los grupos de estudio. Su motivación es una pasión de por vida para el análisis de datos financieros que pretende transmitir en todos los cursos. Diego Fernandez Aprendizaje de la Máquina de Regresión con R Diego Fernández, Exfinsis