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

¿Qué lenguajes de programación necesitas estar familiarizado para aprender economía?

1) Amigo del foro arthur_2006

Se puede usar para procesar y analizar datos. El más básico es excel. Si usas bien VBA, te será de gran ayuda. Si desea analizar datos, por ejemplo, si desea modelar, SAS sigue siendo bueno, pero es difícil de dominar si no tiene conocimientos básicos del lenguaje, hay 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, todavía hay talentos tanto en finanzas como en informática. escaso, y hay muchos en China. Todas las industrias utilizan estas bases de datos importantes, como las de telecomunicaciones, médica, de aviación, etc. Si no analiza los datos financieros, no se le puede llamar un experto financiero. Si es exacto o no, depende de su nivel de conocimientos financieros. Bueno, especialmente para los estudiantes que se especializan en inversiones, es necesario adquirir algunos conocimientos en esta área. Muchas personas que se especializan en finanzas aplicadas están más interesadas en las finanzas. CFA, ACCA, etc., y no es necesario gastar demasiado en ello. La energía y la energía no se pueden utilizar en el trabajo. Es necesario que los estudiantes de matemáticas financieras, ingeniería financiera y ciencias actuariales dediquen algo de tiempo. estudíelo. En una palabra, depende primero de sus intereses y luego de su especialidad y dirección de desarrollo.

2) Ren Kun, entusiasta de la programación.

Si quieres hacer estadísticas y mediciones, y quieres estar en línea con los círculos académicos internacionales de hoy, lo mejor es aprender R, al menos. Hasta donde yo sé, en los Estados Unidos la tendencia de que la academia estadística esté ocupada por R es obvia.

Si simplemente haces una regresión simple y la interpretas de manera informal, entonces elige cualquier software tonto. Si simplemente se utilizan modelos econométricos maduros y ya preparados para realizar investigaciones empíricas, entonces el software de tontos generalmente será suficiente. Si desea tomar la estadística y la medición como su campo de investigación o campo profesional, entonces la programación es indispensable. Incluso si realiza un trabajo empírico que involucra estructuras de datos más 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 implica procesar datos más grandes, una forma es usar SAS. Si no desea usar SAS, puede aprender cosas sobre bases de datos, como colocar los datos en una base de datos SQLite y luego usar {. RSSQLite} para acceder a la base de datos. O use {sqldf} para operar el marco de datos en el entorno a través de SQL.

Si cree que R de un solo núcleo tarda en realizar una determinada tarea, puede usar {parallel} o {parallelMap} para computación paralela, o puede usar computación en la nube para procesar datos.

Si se trata de cosas de otras comunidades que no están implementadas en la comunidad R, como cosas de Java, puedes usar {rJava} para llamar a objetos Java, pero la velocidad es un poco lenta.

Una mejor manera es que quiero participar en el análisis de datos. ¿Qué software o lenguaje es mejor para aprender? Para 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. Es fácil integrar recursos de las principales comunidades se utilizan juntos.

Actualmente, tengo un repositorio en GitHub para aprender estadística, medición, visualización de datos no paramétricos y bases de datos a través de R: renkun-ken/learnR en GitHub. Aunque aún no hay contenido, puedes hacerlo. síguelo.

Lo anterior es toda la programación necesaria para estadísticas y econometría relacionadas con la economía. De hecho, la "programación" requerida para las estadísticas y las mediciones es relativamente simple, significa procesar datos y aplicar los modelos de medición proporcionados. Lo que necesita más programación es: 1. Si se trata de un modelo de medición más avanzado, es posible. debe implementarlo usted mismo; 2. Algunas simulaciones de Monte Carlo requieren algo de programación.

De algunos campos nuevos relacionados con la economía, la economía computacional (economía computacional), la estadística computacional (estadística computacional) y la econometría computacional (econometría computacional) requieren sólidas capacidades de programación, incluida la implementación de algoritmos, el análisis de algoritmos, etc. Por ejemplo, la investigación actual en economía computacional es la financiación computacional basada en agentes, que consiste en construir un mercado financiero simulado con varios activos. Los fundamentos de cada activo están determinados por dividendos aleatorios. Hay muchas reglas que siguen los inversores con diversas lógicas. diferentes creencias sobre la distribución de dividendos, por lo que los comportamientos comerciales desencadenados por sus respectivas lógicas son diferentes. En un mercado de subasta doble, ¿qué tipo de composición o comportamiento de los inversores y qué tipo de longitud de memoria pueden replicar en la mayor medida posible los precios de los activos o los rendimientos de los activos que observamos en el mercado financiero real? en los rendimientos de los activos y la asimetría. En este momento, los investigadores necesitan conocimientos financieros sólidos para diseñar un mercado financiero simulado que no sea ni demasiado simple ni demasiado complejo, y también necesitan las capacidades de programación correspondientes para escribir el modelo en lenguaje de programación. Durante este proceso se diseñarán muchas tecnologías de programación, como bases de datos (a veces para rastrear muchas variables, como el flujo de caja de los inversores, la distribución de la riqueza), computación paralela (paralelismo de múltiples núcleos de CPU, paralelismo de múltiples procesos, paralelismo en un clúster o incluso Computación GPU), etc. La investigación en esta área no comenzó hasta la década de 1990.

3) El internauta de Zhihu Jichun Si

También hay muchas categorías pequeñas de econometría, por favor tome asiento. Hay muchos software, Stata, matlab, R y SAS se utilizan con relativa frecuencia.

Si está realizando mediciones aplicadas (especialmente datos transversales y datos de panel), Stata es la mejor opción porque es muy conveniente ya sea que esté administrando datos o ejecutando una regresión. Hoy en día, casi todos los modelos stata se pueden utilizar en artículos de microeconometría aplicada en revistas convencionales, y la mayoría de ellos se crean utilizando stata. ¡Y la mayor ventaja es que es simple!

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

Si desea realizar mediciones teóricas, no existe un paquete listo para usar para Stata eviews, e incluso si Stata se puede programar, la programabilidad es muy pobre y no sólida. Entonces conocer R y Matlab es muy fácil. Por supuesto, también puedes usar Python. Sargent escribió recientemente un libro sobre el uso de Python para realizar mediciones. También está Julia, que es una mezcla de estos tres idiomas, pero es mucho más rápida. La desventaja es que es demasiado específica.

Si tienes requisitos de alta velocidad, especialmente en medición financiera, puedes considerar lenguajes como C y Fortran. C y Fortran son definitivamente los más rápidos. También hay uno llamado OX, que es rápido pero también muy específico. Sin embargo, las desventajas de estos lenguajes son que son más difíciles de aprender y el tiempo de desarrollo es más lento. 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). Sin embargo, 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 rápido. Por supuesto, el mayor problema es que es caro y la programabilidad no es muy buena. Sin embargo, la cantidad de datos en finanzas es muy, muy, muy grande. Cuando el software normal está paralizado, SAS resulta útil.

Al igual que yo, siempre uso Stata para organizar datos cuando creo aplicaciones. Aquellos que pueden usar Stata definitivamente no usarán otro software. Pero como a veces hacemos algún trabajo de medición teórica, matlab también es indispensable. También estoy aprendiendo Julia porque Matlab es demasiado lento. Generalmente no uso Python para cálculos científicos. No lo usa mucha gente y es lento. Generalmente se usa para capturar datos.

Finalmente, permítanme agregar un punto. Tiene sentido por qué recomiendo matlab en lugar de otro software.

Muchos modelos, como la econometría espacial, la estimación bayesiana y el modelo DSGE, SVAR y otros modelos en macroeconometría, no están disponibles en stata y Eviews, pero matlab proporciona una gran cantidad de paquetes, como Dynare, que se basan en Matlab y LeSage. El paquete de software de medición espacial, etc., también se basa en Matlab. Entonces, para casi cualquier modelo que desee usar, puede encontrar los códigos en Matlab y usarlos directamente. Incluso si no, no es difícil escribirlo usted mismo en Matlab.

Finalmente, 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 tu propio tiempo es mayor que Si el tiempo en el ordenador es valioso , aprender Matlab, R o incluso Python y Julia es lo más apropiado. Si el tiempo en la computadora es más valioso que el suyo, aprender C y Fortran es imprescindible. Por supuesto, a menos que su trabajo sea muy especial (como la estimación de algunos modelos estructurales grandes), en términos generales, su propio tiempo es más valioso.

En resumen, es imposible utilizar un solo software para resolver problemas teóricos y de aplicación. Se recomienda elegir según su propia dirección. Creo que Stata y Matlab son más recomendados. Uno es conveniente y el otro es flexible. Ambos son potentes y no son difíciles de aprender. Hay mucha gente que los usa y es bastante conveniente comunicarse.

4) Internauta Zhang Zhenshi

Los datos se pueden usar simplemente en Excel, lo cual es intuitivo y conveniente. Más complicado... Excel puede tener más de 60.000 filas como máximo. ¿Estás seguro de que necesitas comenzar con una cantidad tan grande de datos para "aprender economía?"

Uso complejo de R, varios modelos, algoritmos, implementaciones, básicos Hay paquetes de software correspondientes para R. Puede descargarlo y usarlo directamente. Después de leer más documentos y practicar más, puede dejar de lado Excel y usar R directamente con fines prácticos en aproximadamente medio año. La regresión y el resultado de mi tesis doctoral están en R. También lo uso en todos los artículos que escribo ahora. La alternativa es Stata, que también es muy buena, pero si empiezas desde 0 como yo, entonces es muy recomendable. elegir R.

Una de las desventajas de R es que no se puede utilizar para operaciones simbólicas, esta solución gratuita incluye varios paquetes como python y scipy numpy, pero se recomienda utilizar mathematica, que tiene la función de cálculo simbólico más potente y el mejor formato de salida. Puede encontrar una matriz jacobiana para realizar cálculos simbólicos, simplemente compare los resultados y lo sabrá.

Después de familiarizarse con R. Descubra que hay funciones que R no puede implementar. Cuando existe una demanda real, no es demasiado tarde para aprenderla de inmediato.

Además, toda la investigación económica (me refiero al tipo empírico, ya conoces la específica). significado) debe poder usar látex, que puede considerarse como un lenguaje de programación en Word. Organizar fórmulas matemáticas lo volverá loco en poco tiempo. Puede usar ggplot2 para trazar en R y generarlo en tablas de datos ordinarias. se puede enviar a tex usando el paquete xtable, y los resultados de la regresión se pueden enviar a tex usando stargazer

5) Netizen bayes

Lo primero que quiero decir es R, que es. Definitivamente es la corriente principal en los círculos académicos extranjeros en la actualidad. Básicamente, no hay nada más que R en el Departamento de Estadística. Como dirección relacionada con las estadísticas, R también está penetrando gradualmente. p>Por cierto, la curva de aprendizaje de R es relativamente pronunciada, por lo que no recomiendo que las personas sin base comiencen con R, de lo contrario se sentirán más frustradas que Python es un poco mejor, por lo que recomiendo comenzar con Python <. /p>

Python no es un software dedicado a estadísticas o mediciones, sino un lenguaje de programación de propósito general muy popular con una biblioteca muy completa. He probado bibliotecas como numpy, scipy y pandas. Son bastante fáciles de usar, pero personalmente creo que todavía no es tan bueno como R. Por ejemplo, al dibujar, ggplot2 es realmente sorprendente. Sí, la biblioteca de Python sigue siendo ligeramente inferior. Procesamiento de datos, Python puede hacer demasiadas cosas y es demasiado asombroso.

Lo que utilizamos principalmente, como la recopilación de datos de páginas web, requiere expresiones regulares, análisis de 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 programadores estadísticos y Python es un grupo de expertos en informática que se esfuerzan por el procesamiento de datos. Parece que la base de Python es más sólida. Opinión personal, sólo como referencia.

Creo que Stata es el mejor software de medición además de R. He usado ambos durante varios años y en varios proyectos, pero todavía siento que R es más fácil de usar y más conveniente para organizar y procesar datos. Entonces, incluso en el campo de la micrometría mencionado por todos los anteriores, sigo prefiriendo R.

Además, spss, o eviews, etc., siento que los estudiantes de administración los usan más y sus funciones son relativamente limitadas, por lo que no son recomendables. No entraré en detalles aquí. Otro problema con el software mencionado anteriormente es que todos son de pago, considerando la protección de los derechos de propiedad intelectual en el futuro, es más confiable 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 no se puede aceptar en absoluto. Ante este problema lo que quiero decir es que hay que mirar el tamaño del problema. En mi experiencia, la cantidad de datos en la economía no parece ser lo suficientemente grande como para exceder el límite superior de procesamiento de R. Tal vez los datos de alta frecuencia en finanzas sean relativamente grandes. Personalmente, no tengo mucha experiencia y agregaré más si los encuentro. Probé 10 g de datos. 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 para la memoria por debajo de 32 g.

2. Rendimiento insuficiente. Python también 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 puedas aprenderlo bien. El método recomendado es comprar hardware, que es el más sencillo. :) Por supuesto, usar paquetes paralelos también es una de las soluciones. He intentado varias veces usar varias máquinas en la sala de computadoras para crear un clúster, pero no fue muy exitoso. Busque asesoramiento de expertos.

Has mencionado algunos programas arriba, y también hablaré brevemente sobre algunos de los que conozco:

matlab: Buen material, pero la clave es el rendimiento. Tú también puedes. confíe en c/c++ para resolverlo. Pero no me gusta el software relativamente grande. Para encontrar la varianza media, se necesitan 5 minutos para esperar a que se inicie. . .

julia: Lo bueno es que es rápido y se puede calcular rápidamente. El futuro es alcista, así que presta mucha atención.

Finalmente, la programación funcional es algo bueno, pero no soy optimista sobre el futuro de la programación funcional pura. Representa una idea de programación bastante avanzada, pero en el trabajo real, los problemas de rendimiento suelen ser mayores. Para resolver este problema, todavía necesitamos mezclar programación funcional y otros métodos, pero así es como Python, R y otros software lo han implementado. Parece que no es necesario aprender otra programación funcional específicamente.

6) Rong Jianxin, Ph.D. de la Universidad de Finanzas y Economía de Shanghai

Stata tiene muchas aplicaciones en microeconometría, principalmente ingresando comandos directamente y devolviéndolos, y hay No hay muchos lugares que requieran programación.

En cuanto a programación, se recomiendan R y Python.

R es un muy buen software de análisis estadístico. Para aplicaciones en econometría, consulte Econometría en R, Econometría aplicada con R Time Series. libros Análisis con aplicaciones en R

Python es muy bueno para capturar datos, y existe un paquete de cálculo matemático SciPy que puede reemplazar parcialmente funciones de cálculo científico como Matlab.

7) Zhihu internauta justin

Estadísticas económicas de pregrado, debido al extraño plan de estudios de la escuela, hemos utilizado:

EViews: econometría, series temporales y estadísticas multivariadas .

Stata: Econometría.

SPSS: Un curso especialmente abierto, este gigante Khan debería haber revisado las estadísticas.

Excel: utilizado en el curso de introducción a la estadística del primer año. Esto también es un gran obstáculo. Es una función simple y no involucra VBA en absoluto.

Matlab: No existe un curso especial para esto. Es un subproducto de la programación en lenguaje C. Más tarde, básicamente lo abandoné cuando entré en contacto con R y Mathematica.

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

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

SAS: He estudiado esto por mi cuenta varias veces en el laboratorio, e inmediatamente me llamó la atención su extraña sintaxis. Se dice que los estudiantes de posgrado en nuestra escuela tienen un curso especial de SAS (similar al de pregrado). curso de SPSS), jaja ~

La chica (xue) paper (ba) de nuestro departamento una vez se quejó de que estaba usando demasiado software y se sintió completamente loca. Incluso le dio su opinión a nuestra querida. jefe de departamento. Como mal estudiante, le pregunté a la decana del departamento sobre esta pregunta. Lo que ella quiso decir es que diferentes software tienen sus propias fortalezas en el procesamiento de diferentes datos y su curso es bastante fácil, así que aprenda más. Además, hay diferentes profesores. Hay diferentes preferencias de uso de software, por lo que es inevitable utilizar software diferente en clase.

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

Muchos estudiantes de último año también han sugerido que los estudiantes de economía deberían dejar de aprender programación con moderación, de lo contrario será un camino sin retorno y enfrentarán el peligro de cambiar completamente de carrera. Soy un ejemplo negativo (lágrimas ~. Entonces. No toques Python, C++ o Julia