Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.
040222 SE Seminar aus Statistik im Masterstudium (2022S)
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 07.02.2022 09:00 bis Mo 21.02.2022 12:00
- Anmeldung von Do 24.02.2022 09:00 bis Fr 25.02.2022 12:00
- Abmeldung bis Mo 14.03.2022 23:59
Details
max. 24 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
Falls es die pandemische Situation zulässt, findet das Seminar in Präsenz statt, ansonsten online.
- Donnerstag 12.05. 13:15 - 14:45 Digital
- Mittwoch 18.05. 11:30 - 13:00 Digital
- Mittwoch 01.06. 11:30 - 13:00 Digital
- Mittwoch 08.06. 11:30 - 13:00 Digital
- Mittwoch 15.06. 11:30 - 13:00 Digital
- Mittwoch 22.06. 11:30 - 13:00 Digital
- Mittwoch 29.06. 11:30 - 13:00 Digital
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 und Deep Calibration.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 11.05.2023 11:27