σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

Quant-Entwicklung durch Praxis: kurze Lektionen, bewertete Labs und eine echte IDE direkt im Browser.

Lernen
Alle RoadmapsAlle SkillsPython-SkillC++-SkillBaldOxCaml-SkillBaldMarket Structure-SkillCalculus-SkillLinear Algebra-SkillProbability-SkillStatistics-SkillMatrix Decompositions-SkillOptimization-Skill
Support
Feedback gebenSpendier uns einen Kaffee
Rechtliches
DatenschutzerklärungNutzungsbedingungen
© 2026 QuantCraft Solutions. Alle Rechte vorbehalten.
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Skills›Statistics
S

Statistics Skill

LiveHier starten

Die Finanzwelt ist voller Rauschen, und ein Backtest, der gut aussieht, ist meist Glück. Diese Fähigkeit vermittelt die Werkzeuge, die Signal von Rauschen trennen, mit kurzen Aufgaben (Zahlen zum Berechnen, Schritte zum Ordnen, Begriffe zum Zuordnen) und Finanzbeispielen: warum der Median bei Renditen den Mittelwert schlägt, wie breit ein Intervall wirklich ist, warum die beste von hundert Strategien wenig beweist und wie man validiert, ohne in die Zukunft zu schauen. Den Abschluss bildet ein Code-Lab, das eine Momentum-Anomalie auf echten Kursen mit Bootstrap und Korrektur für multiples Testen prüft.

4 Module12 bewertete Labs~11 StundenEinsteiger → Fortgeschritten
Skill starten

Lehrplan

12 Themen · öffne jedes Thema, in beliebiger Reihenfolge
  1. 1Deskriptive Statistik und robuste SchätzerNicht begonnen40 Min.Starten
  2. 2StichprobenverteilungenNicht begonnen45 Min.Starten
  3. 3Konfidenzintervalle und BootstrapNicht begonnen55 Min.Starten
  1. 4Hypothesentests: der t-TestNicht begonnenErfordert Python45 Min.Starten
  2. 5Multiples Testen und falsche EntdeckungenNicht begonnen55 Min.Starten
  1. 6Maximum-LikelihoodNicht begonnen55 Min.Starten
  2. 7Lineare Regression (OLS)Nicht begonnenErfordert Python55 Min.Starten
  3. 8Heteroskedastizität und robuste FehlerNicht begonnen50 Min.Starten
  4. 9Multikollinearität und RegularisierungNicht begonnen50 Min.Starten
  1. 10Kreuzvalidierung und ÜberanpassungNicht begonnen55 Min.Starten
  2. 11Die deflationierte Sharpe-Ratio und Backtest-ÜberanpassungNicht begonnen1 Std.Starten
  3. 12Abschlussprojekt: Ist diese Anomalie echt?Nicht begonnen1 Std. 40 Min.Starten

Voraussetzungen

Wahrscheinlichkeit hilft, und die beiden Python-Themen dieser Fähigkeit gehören zum Lehrplan, aber Sie können mit Schulmathematik beginnen.

  • PProbability

Das lernst du

  • Renditen mit robusten Statistiken zusammenfassen und Stichprobenverteilungen und Standardfehler verstehen
  • Konfidenzintervalle bilden, auch per Bootstrap für Statistiken ohne Formel
  • Ehrlich testen: multiples Testen korrigieren und falsche Entdeckungen kontrollieren
  • Modelle per Maximum-Likelihood und Regression anpassen und Heteroskedastizität, Kollinearität und Regularisierung behandeln
  • Ohne Zukunftsleck validieren, eine Sharpe-Ratio um die Zahl der Versuche deflationieren und eine Anomalie durchgängig testen

Diese Werkzeuge nutzt du

PythonNumPypandaspytest

Abschluss

Bestehe alle 12 Labs mit mindestens 70 Punkten, um die Skill abzuschließen und das Abzeichen Statistik für Quants in deinem Profil zu erhalten.

0 / 120%

Nächste Skill

MMatrix DecompositionsLive
uantCraft Academy

Quant-Entwicklung durch Praxis: kurze Lektionen, bewertete Labs und eine echte IDE direkt im Browser.

Lernen
Alle RoadmapsAlle SkillsPython-SkillC++-SkillBaldOxCaml-SkillBaldMarket Structure-SkillCalculus-SkillLinear Algebra-SkillProbability-SkillStatistics-SkillMatrix Decompositions-SkillOptimization-Skill
Support
Feedback gebenSpendier uns einen Kaffee
Rechtliches
DatenschutzerklärungNutzungsbedingungen
© 2026 QuantCraft Solutions. Alle Rechte vorbehalten.
QuantCraft
AnmeldenBeitreten ↗
Anmelden