สรุปคลิป Books for Quants ของ Dimitri Bianco: 6 เล่มที่เขาเลือกให้ทีม model credit

ที่มาของบทความ: บทความนี้สรุปคลิป "Books for Quants" ของช่อง Dimitri Bianco เผยแพร่เมื่อ 25 กุมภาพันธ์ 2024 ความยาวราว 9 นาที เรียบเรียงจากคำบรรยายภาษาอังกฤษของคลิป ชื่อผู้เขียนในคำบรรยายสะกดคลาดเคลื่อนหลายจุด Libro แก้ตามที่ตรวจไว้แล้ว เนื้อหาต่อจากนี้เป็นความเห็นของผู้พูดจากประสบการณ์ทำงานของเขา ซึ่ง Libro ยังไม่ได้ตรวจสอบ

ถ้าอ่านสองเล่มแรกของลิสต์นี้จนทำได้ทั้งหมด ผู้พูดบอกว่าคุณจะอยู่ราวระดับพนักงานค่าเฉลี่ย นั่นคือพื้นฐานเท่านั้น

ที่มาของคลิปคือบริษัทขอให้เขาเลือกหนังสือให้พนักงานอ่านเพื่อทำงานได้ดีขึ้น เขามีหนังสือเต็มสองตู้ แต่โจทย์ไม่ใช่เล่มเฉพาะทางสำหรับโปรเจกต์ใดโปรเจกต์หนึ่ง เป็นแกนที่ต้องมีเพื่อทำงานพัฒนา model ฝั่ง credit ให้เกิดคุณค่า

สิ่งที่ผู้พูดเล่า

หมวด credit

ผู้พูดเลือก 6 เล่มในสามหมวด เริ่มที่ credit เล่มของ Naeem Siddiqi อธิบายว่าสินเชื่อทำงานอย่างไรและการวิเคราะห์เบื้องหลัง ไม่ได้สอนเขียนโค้ด แต่ไล่กระบวนการพัฒนา model เช่นการนิยาม target variable ซึ่งเขาบอกว่าซับซ้อนกว่าที่คนคิด ไปจนถึง reject inference และการอ่าน gains table

เล่มที่สองในหมวดนี้คือตำรา econometrics ของ Wooldridge ซึ่งเขาเดาว่าหลายคนจะแปลกใจ เล่มนี้หนาและครอบคลุม statistical modeling แบบดั้งเดิม รวมถึง time series และ panel data แม้ไม่ได้สอนสร้าง scorecard โดยตรง สองเล่มรวมกันคือสิ่งที่เขาเรียกว่า "traditional banking 101"

หมวด machine learning

ผู้พูดชี้ว่า machine learning ไม่ใช่ของใหม่ในธนาคาร งาน model credit และ fraud ใช้กันมาราว 20–30 ปีแล้ว เล่มที่เขาชอบที่สุดกลับเป็นเล่มที่ง่ายที่สุด คือ StatQuest ของ Josh Starmer เพราะอธิบายกลไก คณิต และทฤษฎีเบื้องหลัง model เหตุผลมาจากที่ทำงาน พนักงานรัน model ใน Python ได้ แต่พอถูกถามว่าผลแปลว่าอะไร จะอธิบายให้ฝ่ายธุรกิจหรือลูกค้าเข้าใจอย่างไร กลับตอบไม่ได้ เขาจึงให้พื้นฐานมาก่อน แล้วค่อยไปเล่มที่ซับซ้อนกว่า

ภาคเขียนโค้ดเขาใช้เล่มของ Géron มีคนบอกว่าล้าสมัยเพราะเขาใช้ฉบับที่สอง แต่เขามองว่าแพ็กเกจอัปเดตตลอดอยู่แล้ว เล่มนี้ให้พื้นฐานการเขียนโค้ด model ได้เร็ว และมีไอเดียการใช้งานนอกการเงินด้วย

หมวด time series

คนมักไม่นึกว่า time series เกี่ยวกับ credit แต่ทีมของเขาใช้ทำ model เศรษฐกิจและระบบภายในบริษัท เล่มแรกคือ Analysis of Financial Time Series ฉบับที่สาม เขายังไม่ได้รีวิวอย่างเป็นทางการ และเห็นต่างเรื่องการนำเสนอ stationarity เหมือนที่เห็นต่างกับเกือบทุกเล่ม

If you followed this book and you built a model using the insight of time series in this book, I would have a very hard time knocking any of the work you've done.

เขาบอกว่าเล่มนี้ยกพื้น time series จาก Wooldridge ขึ้นสู่ระดับการเงิน ส่วนเล่มของ Dobrow มอง time series อีกมุมผ่าน Markov chains, Markov Chain Monte Carlo, Brownian motion และ Itô integral สามเล่มคือ econometrics, time series และ Markov chains ช่วยต่อภาพเดียวกันจากมุมต่างกัน

หนังสือที่กล่าวถึงในคลิป

1. Intelligent Credit Scoring — Naeem Siddiqi กระบวนการพัฒนา model credit และมุมธุรกิจ

2. Introductory Econometrics: A Modern Approach — Jeffrey M. Wooldridge เล่มหนาที่ผู้พูดจัดไว้ในหมวด credit

3. The StatQuest Illustrated Guide to Machine Learning — Josh Starmer เล่มโปรด ให้เข้าใจก่อนเขียนโค้ด

4. Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow — Aurélien Géron ภาคลงมือ ผู้พูดถือฉบับที่สอง

5. Analysis of Financial Time Series — Ruey S. Tsay ฉบับที่สาม time series ในโจทย์การเงิน

6. Introduction to Stochastic Processes with R — Robert P. Dobrow มุม Markov และ Monte Carlo

Libro สังเกตว่า

• ลิสต์นี้เลือกสำหรับงาน model credit ในบริษัทของผู้พูด ไม่ใช่ลิสต์สำหรับงาน quant ทุกแบบ คนที่ทำงานสายเทรดหรือ derivatives อาจต้องเลือกต่างออกไป

• คำว่า "พนักงานค่าเฉลี่ย" เป็นมาตรฐานในทีมของผู้พูดเอง ไม่ใช่เกณฑ์ทั่วไปของอุตสาหกรรม

• ลำดับที่เขาเสนอใช้ต่อได้ทันที คือเข้าใจกลไกก่อนแล้วค่อยเขียนโค้ด และอ่าน time series จากพื้น statistics ไปสู่โจทย์การเงิน

• อ่านต่อได้ที่บทความแนะนำ The StatQuest Illustrated Guide to Machine Learning บทความแนะนำ Intelligent Credit Scoring และบทความแนะนำ Analysis of Financial Time Series

ดูคลิปต้นทาง

Books for Quants — ช่อง Dimitri Bianco ภาพหัวบทความเป็นเฟรมจากคลิปนี้ ตัดจากภาพหน้าจอ YouTube