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

390005 SE PhD-AW: Advanced Stochastic Modelling (2023W)

3.00 ECTS (2.00 SWS), SPL 39 - Doktoratsstudium 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

Dienstag 10.10.2023 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 24.10.2023 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 31.10.2023 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 07.11.2023 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 14.11.2023 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 21.11.2023 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 28.11.2023 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 05.12.2023 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 12.12.2023 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 09.01.2024 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 16.01.2024 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 23.01.2024 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

Dienstag 30.01.2024 13:15 - 14:45 Seminarraum 12, Kolingasse 14-16, OG01 01.43

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, die Erkennung statistischer Arbitragen, Kalibrierung, Hedging, Portfoliooptimierung 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: Di 10.10.2023 15:08