Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

040222 SE Seminar aus Statistik im Masterstudium (2023S)

3.00 ECTS (2.00 SWS), SPL 4 - 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

  • Montag 06.03. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
  • Montag 20.03. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
  • Montag 27.03. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
  • Montag 17.04. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
  • Montag 24.04. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
  • Donnerstag 04.05. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 15.05. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
  • Freitag 26.05. 09:45 - 11:15 Digital
    Seminarraum 10, Kolingasse 14-16, OG01
  • Donnerstag 01.06. 13:15 - 14:45 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
  • Montag 12.06. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
  • Montag 19.06. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Deep Learning und Anwendungen im Finanzbereich

Das 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%)

Prüfungsstoff

Präsentierte Inhalte

Literatur

Folien, Artikel, Ipython Notebooks

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Do 01.06.2023 16:07