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 AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

Desarrollo cuantitativo aprendiendo haciendo: lecciones cortas, laboratorios calificados y un IDE real, en tu navegador.

Aprender
Todas las hojas de rutaTodas las rutasRuta de PythonRuta de C++ProntoRuta de OxCamlProntoRuta de Market StructureRuta de CalculusRuta de Linear AlgebraRuta de ProbabilityRuta de StatisticsRuta de Matrix DecompositionsRuta de Optimization
Soporte
Danos tu opiniónInvítanos a un café
Legal
Política de privacidadTérminos del servicio
© 2026 QuantCraft Solutions. Todos los derechos reservados.
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 AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Rutas›Statistics
S

Statistics Ruta

ActivaEmpieza aquí

Las finanzas están llenas de ruido y un backtest que parece bueno suele ser suerte. Esta habilidad enseña las herramientas que separan la señal del ruido, con comprobaciones breves (números que calcula, pasos que ordena, conceptos que empareja) y ejemplos financieros: por qué la mediana supera a la media en rendimientos, cuán ancho es realmente un intervalo, por qué la mejor de cien estrategias prueba poco y cómo validar sin mirar al futuro. Termina con un laboratorio de código que prueba una anomalía de momentum con precios reales mediante bootstrap y una corrección de pruebas múltiples.

4 módulos12 labs evaluados~11 horasPrincipiante → Avanzado
Empezar la ruta

Temario

12 temas · abre cualquier tema, en el orden que quieras
  1. 1Estadística descriptiva y estimadores robustosSin empezar40 minEmpezar
  2. 2Distribuciones muestralesSin empezar45 minEmpezar
  3. 3Intervalos de confianza y bootstrapSin empezar55 minEmpezar
  1. 4Contrastes de hipótesis: la prueba tSin empezarRequiere Python45 minEmpezar
  2. 5Pruebas múltiples y falsos descubrimientosSin empezar55 minEmpezar
  1. 6Máxima verosimilitudSin empezar55 minEmpezar
  2. 7Regresión lineal (MCO)Sin empezarRequiere Python55 minEmpezar
  3. 8Heteroscedasticidad y errores robustosSin empezar50 minEmpezar
  4. 9Multicolinealidad y regularizaciónSin empezar50 minEmpezar
  1. 10Validación cruzada y sobreajusteSin empezar55 minEmpezar
  2. 11El ratio de Sharpe deflactado y el sobreajuste de backtestsSin empezar1 hEmpezar
  3. 12Proyecto final: ¿es real esta anomalía?Sin empezar1 h 40 minEmpezar

Requisitos previos

La probabilidad ayuda y los dos temas de Python de esta habilidad forman parte del temario, pero puede empezar con matemáticas de bachillerato.

  • PProbability

Qué aprenderás

  • Resumir rendimientos con estadísticos robustos y entender distribuciones muestrales y errores estándar
  • Construir intervalos de confianza, incluido el bootstrap para estadísticos sin fórmula
  • Contrastar con honestidad: corregir las pruebas múltiples y controlar los falsos descubrimientos
  • Ajustar modelos por máxima verosimilitud y regresión, y manejar heteroscedasticidad, colinealidad y regularización
  • Validar sin filtrar el futuro, deflactar un ratio de Sharpe por el número de pruebas y contrastar una anomalía de punta a punta

Herramientas que usarás

PythonNumPypandaspytest

Finalización

Supera los 12 labs con una nota de 70 o más para completar la ruta y conseguir la insignia Estadística para quants en tu perfil.

0 / 120%

Siguiente ruta

MMatrix DecompositionsActiva
uantCraft Academy

Desarrollo cuantitativo aprendiendo haciendo: lecciones cortas, laboratorios calificados y un IDE real, en tu navegador.

Aprender
Todas las hojas de rutaTodas las rutasRuta de PythonRuta de C++ProntoRuta de OxCamlProntoRuta de Market StructureRuta de CalculusRuta de Linear AlgebraRuta de ProbabilityRuta de StatisticsRuta de Matrix DecompositionsRuta de Optimization
Soporte
Danos tu opiniónInvítanos a un café
Legal
Política de privacidadTérminos del servicio
© 2026 QuantCraft Solutions. Todos los derechos reservados.
QuantCraft
Iniciar sesiónUnirse ↗
Iniciar sesión