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

040222 SE Seminar aus Statistik im Masterstudium (2025S)

3.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
Di 04.03. 11:30-13:00 Seminarraum 15, Kolingasse 14-16, OG01

Details

max. 24 Teilnehmer*innen
Sprache: Englisch

Lehrende

    Termine (iCal) - nächster Termin ist mit N markiert

    • Dienstag 11.03. 11:30 - 13:00 Seminarraum 10, 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
    • Dienstag 29.04. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
    • Dienstag 06.05. 11:30 - 13:00 Seminarraum 10, Kolingasse 14-16, OG01
    • Dienstag 13.05. 11:30 - 13:00 Seminarraum 10, 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 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 16.01.2025 10:05