Universität Wien

390040 SE PhD-AW: Advanced Stochastic Modelling (2022S)

3.00 ECTS (2.00 SWS), SPL 39 - Doktoratsstudium Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
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 (iCal) - nächster Termin ist mit N markiert

Seminar: 12:15-13:45

  • Dienstag 08.03. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 15.03. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 22.03. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 29.03. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 05.04. 11:30 - 14:45 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Dienstag 26.04. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 03.05. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 10.05. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 17.05. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 24.05. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 31.05. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 14.06. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 21.06. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 28.06. 11:30 - 14:45 PC-Seminarraum 3, Kolingasse 14-16, OG02

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: Do 10.03.2022 14:49