040222 SE Seminar aus Statistik im Masterstudium (2024S)
Prüfungsimmanente Lehrveranstaltung
Labels
GEMISCHT
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 12.02.2024 09:00 bis Mi 21.02.2024 12:00
- Abmeldung bis Do 14.03.2024 23:59
Details
max. 24 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
Freitag
01.03.
13:15 - 16:30
Seminarraum 16 Oskar-Morgenstern-Platz 1 3.Stock
Freitag
08.03.
13:15 - 16:30
Seminarraum 16 Oskar-Morgenstern-Platz 1 3.Stock
Mittwoch
13.03.
11:30 - 14:45
Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
Freitag
15.03.
13:15 - 16:30
Seminarraum 16 Oskar-Morgenstern-Platz 1 3.Stock
Mittwoch
20.03.
11:30 - 14:45
Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
Freitag
22.03.
13:15 - 16:30
Seminarraum 16 Oskar-Morgenstern-Platz 1 3.Stock
Freitag
12.04.
11:30 - 14:45
Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Stock
N
Montag
27.05.
11:30 - 16:30
Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag
03.06.
15:00 - 16:30
Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Deep Learning und Anwendungen im FinanzbereichDas Seminar stellt einige grundlegende Konzepte aus Machine and Deep Learning vor, beleuchtet statistische Aspekte und behandelt wichtige Anwendungen im Finanzbereich.Es werden Themen wie universelle Approximationstheoreme, stochastische Gradientenmethoden, neuronale Differentialgleichungen und Backpropagation behandelt. Die Finanzanwendungen umfassen Deep Hedging, Deep Portfolio Optimization, Deep Simulation, Deep Calibration, Deep Reinforcement Learning and Signaturmethoden in Finance.Diese Themen und Projekte werden von der Lehrenden und den Student*innen analysiert und präsentiert.
Art der Leistungskontrolle und erlaubte Hilfsmittel
Präsentation eines Papers bzw. der Vorlesungsunterlagen und Programmierprojekt
Mindestanforderungen und Beurteilungsmaßstab
Aktive Mitarbeit (10%, auch falls das Seminar online stattfindet)
Praesentation (60%)
Programmierteil (30%)
Praesentation (60%)
Programmierteil (30%)
Prüfungsstoff
Präsentierte Inhalte
Literatur
Folien, Artikel, Ipython Notebooks
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Do 28.03.2024 08:45