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-SkillTime Series-SkillStochastic Calculus-SkillBayesian Inference-SkillHidden Markov Models-SkillParticle filtering and non-stationary time series-Skillscikit-learn-Skillstatsmodels-SkillSciPy-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›statsmodels

statsmodels Skill

LiveHier starten

Eine Regression ist nur so gut wie die Prüfungen dahinter. Diese Fähigkeit lehrt statsmodels als das Werkzeug, das nicht nur einen Koeffizienten, sondern auch berichtet, wie weit man ihm trauen darf, mit kurzen Aufgaben (Zahlen zum Berechnen, Schritte zum Ordnen, Begriffe zum Zuordnen) und Finanzbeispielen: warum ein präzises Beta mit kleinem Bestimmtheitsmaß einhergehen kann, wovor Durbin-Watson-Statistik und Varianzinflationsfaktor warnen, warum überlappende Renditen eine t-Statistik aufblähen und wie Newey-West das behebt, warum eine signifikante Logit-Steigung für den Handel nutzlos sein kann, was ein VAR und ein Granger-Test sagen können und was nicht, wie ein Kalman-Filter ein verborgenes Niveau verfolgt, warum zwei scheinbar kointegrierte Preise es oft nicht sind, wie die Quantilsregression die Ränder der Renditen verfolgt und warum Fama-MacBeth eine gepoolte Regression schlägt. Das Abschlussprojekt ist ein Code-Labor, in dem Sie das Zwei-Durchgänge-Verfahren, eine Newey-West-t-Statistik und einen Alpha-Test an echten Aktien bauen.

3 Module16 bewertete Labs~15 StundenMittelstufe → Fortgeschritten
Skill starten

Voraussetzungen

Sicherheit mit Python, NumPy und pandas wird erwartet, dazu Grundlagen der Statistik (Mittelwert, Varianz, Korrelation, Hypothesentests).

  • Python
  • SStatistics

Lehrplan

16 Themen · öffne jedes Thema, in beliebiger Reihenfolge
  1. 1Lineare Regression (OLS)Nicht begonnenErfordert Python55 Min.Starten
  2. 2Die Formel-API und die OLS-AusgabeNicht begonnen50 Min.Starten
  3. 3Labor: eine Faktorregression ausführen und lesenNicht begonnen50 Min.Starten
  4. 4Residuendiagnose VIF und Durbin-WatsonNicht begonnen50 Min.Starten
  5. 5Labor: Residualdiagnostik im CodeNicht begonnen50 Min.Starten
  6. 6Robuste Standardfehler nach Newey-WestNicht begonnen50 Min.Starten
  7. 7Labor: Newey-West-Standardfehler von HandNicht begonnen50 Min.Starten
  8. 8Logit- und Probit-ModelleNicht begonnen45 Min.Starten
  1. 9ARIMA-ModelleNicht begonnenErfordert Python1 Std.Starten
  2. 10GARCH-VolatilitätsmodelleNicht begonnenErfordert Python1 Std.Starten
  3. 11VAR und Granger-KausalitätNicht begonnen55 Min.Starten
  4. 12Zustandsraummodelle und Kalman-FilterNicht begonnen1 Std.Starten
  5. 13Kointegration und PaareNicht begonnen55 Min.Starten
  1. 14Quantilsregression für das RandrisikoNicht begonnen45 Min.Starten
  2. 15Fama-MacBeth-RegressionenNicht begonnen1 Std.Starten
  3. 16Abschlussprojekt: Faktorprämien mit Fama-MacBeth geschätztNicht begonnen1 Std. 40 Min.Starten

Abschluss

Bestehe alle 16 Labs mit mindestens 70 Punkten, um die Skill abzuschließen und das Abzeichen statsmodels in deinem Profil zu erhalten.

0 / 160%

Voraussetzungen

Sicherheit mit Python, NumPy und pandas wird erwartet, dazu Grundlagen der Statistik (Mittelwert, Varianz, Korrelation, Hypothesentests).

  • Python
  • SStatistics

Diese Werkzeuge nutzt du

PythonstatsmodelsNumPypandaspytest

Das lernst du

  • Eine Regression mit der Formel-API anpassen und lesen und einen präzisen Koeffizienten von einem Modell unterscheiden, das viel erklärt
  • Residuen und Kollinearität prüfen und Newey-West-Fehler nutzen, wenn sich Renditen überlappen oder Fehler zusammenhängen
  • Ja-Nein-Ergebnisse mit Logit und Probit modellieren und sie nach der Likelihood beurteilen, nicht nach Sternen
  • VAR und Granger-Tests, den Kalman-Filter und Kointegrationstests nutzen und wissen, was jedes zeigen kann und was nicht
  • Faktorprämien mit Quantilsregression und Fama-MacBeth schätzen und gegen bekannte Faktoren testen

Nächste Skill

SciPyLive
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-SkillTime Series-SkillStochastic Calculus-SkillBayesian Inference-SkillHidden Markov Models-SkillParticle filtering and non-stationary time series-Skillscikit-learn-Skillstatsmodels-SkillSciPy-Skill
Support
Feedback gebenSpendier uns einen Kaffee
Rechtliches
DatenschutzerklärungNutzungsbedingungen
© 2026 QuantCraft Solutions. Alle Rechte vorbehalten.
QuantCraft
AnmeldenBeitreten ↗
Anmelden