040222 SE Seminar aus Statistik im Masterstudium (2025S)
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 10.02.2025 09:00 bis Di 18.02.2025 12:00
- Anmeldung von Mi 26.02.2025 09:00 bis Do 27.02.2025 12:00
- Abmeldung bis Fr 14.03.2025 23:59
Details
max. 24 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- Dienstag 04.03. 11:30 - 13:00 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 18.03. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- Dienstag 25.03. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- Dienstag 01.04. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- Dienstag 08.04. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- N Dienstag 29.04. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- Donnerstag 15.05. 13:15 - 14:45 Seminarraum 15, Kolingasse 14-16, OG01
- Dienstag 20.05. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- Dienstag 27.05. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- Dienstag 03.06. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- Dienstag 10.06. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- Dienstag 17.06. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
- Dienstag 24.06. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
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, 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%)
Präsentation (60%)
Programmierteil (30%)
Präsentation (60%)
Programmierteil (30%)
Prüfungsstoff
Präsentierte Inhalte
Literatur
Folien, Artikel, Ipython Notebooks
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Do 17.04.2025 13:45