390040 SE PhD-AW: Advanced Stochastic Modelling (2026S)
Prüfungsimmanente Lehrveranstaltung
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 09.02.2026 09:00 bis Di 17.02.2026 20:00
- Anmeldung von Di 24.02.2026 09:00 bis Mi 25.02.2026 12:00
- Abmeldung bis Sa 14.03.2026 23:59
Details
max. 24 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- Dienstag 03.03. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 10.03. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 17.03. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Montag 23.03. 13:15 - 14:45 Seminarraum 16, Kolingasse 14-16, OG02
- Dienstag 14.04. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 21.04. 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01
- Dienstag 21.04. 15:00 - 16:30 Seminarraum 12, Kolingasse 14-16, OG01
- Dienstag 28.04. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 05.05. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 12.05. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 19.05. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 09.06. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- N Dienstag 16.06. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 23.06. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
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, Kalibrierung, Hedging, Portfoliooptimierung, Risikomanagement 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 16.04.2026 10:47