مالیه‌ی مرتب با R ۲۰۲۳
Tidy Finance with R 2023

این کتاب درسی نشان می‌دهد که چگونه مفاهیم نظریِ حوزه‌های مالی و اقتصادسنجی را به داده‌ها پیوند بزنیم. با تمرکز بر کدنویسی و تحلیل داده‌ها با استفاده از R، نحوه انجام تحقیقات در امور مالی تجربی را از ابتدا به شما نشان می‌دهیم. کار را با معرفی مفاهیم داده‌های مرتب (tidy data) و اصول کدنویسی با استفاده از خانواده بسته‌های R به نام tidyverse آغاز می‌کنیم. سپس، کد آماده‌سازی منابع داده‌های مالیِ رایج، هم داده‌های متن‌باز (open source) و هم داده‌های اختصاصی (CRSP، Compustat، Mergent FISD، TRACE) را ارائه می‌دهیم و آن‌ها را در یک پایگاه داده سازماندهی می‌کنیم. از این داده‌ها در تمام فصل‌های بعدی استفاده مجدد می‌کنیم و تلاش کرده‌ایم تا هر فصل تا حد امکان مستقل باشد. کاربردهای تجربی شامل مفاهیم کلیدی قیمت‌گذاری تجربی دارایی‌ها (تخمین بتا، مرتب‌سازی سبد سهام، تحلیل عملکرد، فاکتورهای فاما-فرنچ) تا مدل‌سازی و کاربردهای یادگیری ماشین (تخمین اثرات ثابت، خطاهای استاندارد خوشه‌ای، برآوردگرهای تفاوت در تفاوت، رگرسیون ریج، لاسو، شبکه الاستیک، جنگل‌های تصادفی، شبکه‌های عصبی) و تکنیک‌های بهینه‌سازی سبد سهام است.

نکات برجسته

۱. فصل‌های خودآموز و مستقل در مورد مهم‌ترین کاربردها و روش‌شناسی‌ها در امور مالی، که به راحتی می‌تواند برای تحقیق خواننده یا به عنوان مرجعی برای دوره‌های مالی تجربی مورد استفاده قرار گیرد.

۲. هر فصل قابل بازتولید است، به این معنا که خواننده می‌تواند با کپی و جای‌گذاری ساده کد ارائه شده، هر شکل، جدول یا عددی را تکثیر کند.

۳. یک مقدمه کامل به یادگیری ماشین با tidymodels بر اساس اصول مرتب (tidy) برای نشان دادن اینکه چگونه انتخاب فاکتور و قیمت‌گذاری آپشن‌ها می‌تواند از روش‌های یادگیری ماشین بهره‌مند شود.

۴. فصل ۲ در مورد دسترسی و مدیریت داده‌های مالی نشان می‌دهد که چگونه مهم‌ترین مجموعه‌داده‌ها در زمینه اقتصاد مالی، یعنی CRSP و Compustat، را بازیابی و آماده کنیم. این فصل همچنین شامل توضیحات مفصلی در مورد مهم‌ترین ویژگی‌های داده‌های مرتبط است.

۵. هر فصل تمرین‌هایی را ارائه می‌دهد که مبتنی بر سخنرانی‌ها و کلاس‌های تمرین تثبیت‌شده هستند و برای کمک به دانش‌آموزان برای کندوکاو عمیق‌تر طراحی شده‌اند. این تمرین‌ها می‌توانند برای خودآموزی یا به عنوان منبع الهام برای تمرین‌های آموزشی مورد استفاده قرار گیرند.

This textbook shows how to bring theoretical concepts from finance and econometrics to the data. Focusing on coding and data analysis with R, we show how to conduct research in empirical finance from scratch. We start by introducing the concepts of tidy data and coding principles using the tidyverse family of R packages. We then provide the code to prepare common open source and proprietary financial data sources (CRSP, Compustat, Mergent FISD, TRACE) and organize them in a database. We reuse these data in all the subsequent chapters, which we keep as self-contained as possible. The empirical applications range from key concepts of empirical asset pricing (beta estimation, portfolio sorts, performance analysis, Fama-French factors) to modeling and machine learning applications (fixed effects estimation, clustering standard errors, difference-in-difference estimators, ridge regression, Lasso, Elastic net, random forests, neural networks) and portfolio optimization techniques.

Highlights

1. Self-contained chapters on the most important applications and methodologies in finance, which can easily be used for the reader’s research or as a reference for courses on empirical finance.

2. Each chapter is reproducible in the sense that the reader can replicate every single figure, table, or number by simply copy-pasting the code we provide.

3. A full-fledged introduction to machine learning with tidymodels based on tidy principles to show how factor selection and option pricing can benefit from Machine Learning methods.

4. Chapter 2 on accessing and managing financial data shows how to retrieve and prepare the most important datasets in the field of financial economics: CRSP and Compustat. The chapter also contains detailed explanations of the most relevant data characteristics.

5. Each chapter provides exercises that are based on established lectures and exercise classes and which are designed to help students to dig deeper. The exercises can be used for self-studying or as a source of inspiration for teaching exercises.