Universität Wien

390005 SE PhD-AW: Advanced Stochastic Modelling (2022W)

3.00 ECTS (2.00 SWS), SPL 39 - Doktoratsstudium Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
VOR-ORT
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 24 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine

Wednesday 05.10.2022 10:30 -12:00 Seminarraum 9, Kolingasse 14-16, OG01 01.23
Wednesday 12.10.2022 10:30 -12:00 Seminarraum 18 Kolingasse 14-16, OG02 02.20
Wednesday 19.10.2022 10:30 -12:00 Seminarraum 18 Kolingasse 14-16, OG02 02.20
Wednesday 09.11.2022 10:30 -12:00 Seminarraum 18 Kolingasse 14-16, OG02 02.20
Wednesday 16.11.2022 10:30 -12:00 Seminarraum 18 Kolingasse 14-16, OG02 02.20
Monday 21.11.2022 15.00-16.30 Ort: Seminarraum 10, Kolingasse 14-16, OG01
Tuesday 22.11.2022 16:45 -18:15 Seminarraum 7, Kolingasse 14-16, OG01 01.13
Wednesday 23.11.2022 10:30 -12:00 Seminarraum 18 Kolingasse 14-16, OG02 02.20
Thursday 01.12.2022 09:45 - 11:15 Seminarraum 18 Kolingasse 14-16, OG02 02.2
Monday 05.12.2022 15:00 -16:30 Seminarraum 10, Kolingasse 14-16, OG01 01.24
Wednesday 07.12.2022 10:30 -12:00 PC-Seminarraum 3, Kolingasse 14-16, OG02 02.08
Wednesday 14.12.2022 10:30 -12:00 PC-Seminarraum 3, Kolingasse 14-16, OG02 02.08
Wednesday 11.01.2023 10:30 -12:00 PC-Seminarraum 3, Kolingasse 14-16, OG02 02.08
Wednesday 18.01.2023 10:30 -12:00 Seminarraum 18 Kolingasse 14-16, OG02 02.20
Wednesday 25.01.2023 10:30 -12:00 Seminarraum 18 Kolingasse 14-16, OG02 02.20

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Der Fokus des Seminars liegt auf den neuesten Entwicklungen im Bereich von datengetriebenen und Machine Learning Ansätzen für Fragestellungen aus Finance kombiniert mit mathematischen und probabilistischen Grundlagen der entsprechenden Algorithmen.

Dazu gehören die Analyse von Trainingsalgorithmen, Finanzzeitreihenvorhersagen, die Erkennung statistischer Arbitragen, Kalibrierung, Hedging, Portfoliooptimierung und Marktsimulation.

Ein Schwerpunkt liegt auf Machine Learning Methoden, die auf das Erlernen dynamischer Prozesse zugeschnitten sind, z.B. neuronale SDEs und signaturbasierte Methoden. Mathematische Werkzeuge aus der Theorie der rauen Pfade sowie der (unendlich-)dimensionalen stochastischen Analysis finden Verwendung.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Eigener Vortrag über einen Artikel im Themenbereich des Seminars

Mindestanforderungen und Beurteilungsmaßstab

Berurteilung des Vortrags

Prüfungsstoff

Inhalt des für den Vortrag ausgewählten Artikels

Literatur

Die Artikel werden auf Moodle bekannt gegeben.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 28.11.2022 10:31