MSc Financiële Wiskunde en Machine Learning

Algemeen

Beschrijving van opleiding

Overzicht

Machine learning doordringt verschillende gebieden van menselijke activiteit. Zijn rol zal alleen in de nabije toekomst groeien. Op de educatieve markt zijn er verschillende trainingsprogramma's voor specialisten op het gebied van data-analyse en machine learning, evenals economische en wiskundige trainingsprogramma's. De combinatie van de financiële wiskundemethoden en machine learning-technologieën is echter uniek en veelbelovend. Er is vraag naar specialisten met dergelijke kennis in verschillende organisaties die actief zijn op de financiële markt.

Het programma is ontworpen om studenten te trainen in zowel praktische als theoretische aspecten van machine learning. De potentiële toepassingen zullen gericht zijn op kwantitatieve financiering. Het programma combineert IT, wiskunde en financiën. Het doel is om studenten kennis te laten maken met de moderne problemen van machine learning en financiële wiskunde, evenals methoden te presenteren die geschikt zijn om deze problemen aan te pakken.

128393_pexels-photo-1438072.jpegBuro Millennial / Pexels

Carriere vooruitzichten

De afgestudeerden van het masterprogramma zullen worden voorbereid op zelfstandig werk in financiën, bankwezen, verzekeringen, retail, e-commerce. Typische werkgelegenheidskansen zijn data science-afdelingen van banken, financiële en adviesbureaus.

Master's afstudeerwerk kan een goed startpunt zijn voor Ph.D. studies. Na het behalen van een MSc is het mogelijk om verder te studeren en toelating te vragen voor een Ph.D. programma.

Toelatingsvoorwaarden voor het masterprogramma

Studenten moeten vertrouwd zijn met wiskunde op undergraduate-niveau: wiskundige analyse, lineaire algebra, waarschijnlijkheid en statistieken. Ze moeten ook programmeerervaring en acceptabele Engelse taalkwalificatie hebben. Aanvragers van het programma moeten ten minste een bachelor's degree in wiskunde.

uitrusting

Het Institute of Mathematics, Mechanics and Computer Sciences van Southern Federal University heeft de materiële en technische basis die voorziet in allerlei disciplinaire en interdisciplinaire training, educatieve laboratoria met moderne computers en moderne gelicentieerde software.

Leer methodes

Het programma bestaat uit een combinatie van lezingen, praktische sessies, projectwerk en seminardiscussies. De prestaties van studenten worden beoordeeld door middel van examens, cursussen en projecten. Moderne methoden voor data-analyse en besluitvorming vereisen tools van waarschijnlijkheid, statistieken, optimalisatie, machine learning, wetenschappelijke berekeningen. Het programma presenteert deze tools op een toegankelijke manier aan de hand van talloze voorbeelden. De studenten leren machine learning software en krijgen de ervaring om het te gebruiken voor de analyse van financiële problemen. Begeleid zelfstandig werk van studenten omvat elementen van onderzoekswerk op het gebied van wiskundige modellen en data-analyse.

Basismodules

Wiskunde voor machine learning. De module is gebaseerd op begeleid leren. Studenten bestuderen theoretische concepten zoals empirisch verlies, echt verlies, cross-validatie, regularisatie, stochastische gradiëntdaling, matrixontledingen en concrete modellen: lineaire regressie, logistieke regressie, dichtstbijzijnde buren, ondersteunende vectormachines, willekeurig bos, neurale netwerken. Een belangrijk onderdeel van de cursus is de implementatie van basisalgoritmen via Python-bibliotheken.

Financiële wiskunde. De module is gericht op de basisproblemen van financiële wiskunde met betrekking tot de berekening van optieprijzen en optimale strategieën. We beschouwen voornamelijk klassieke binomiale en Black-Scholes-modellen voor de evolutie van risicovolle activa.

Geselecteerde onderwerpen in waarschijnlijkheid en statistieken. De module bevat informatie die nodig is voor het begrijpen van de financiële marktmodellen en de wiskundige grondslagen van machine learning. Samen met standaardonderwerpen in waarschijnlijkheid en statistieken zoals verwachting, variantie, correlatie, voorwaardelijke verwachting, Bayes-formules, parameterschatting en hypothesetesten, beschouwen we Markov-processen, martingalen, Brownse beweging en Ito integraal.

Computer technologieën. De module bevat Python-programmering en TeX-gebaseerde publicatiesystemen. Het is belangrijk op te merken dat de module tools voor wetenschappelijk computergebruik en data-analyse presenteert die beschikbaar zijn via Python-bibliotheken.

Toegepaste machine learning en neurale netwerken. De module legt uit hoe neutrale netwerken, met name diepe neutrale netwerken, worden gebruikt voor het oplossen van financiële problemen.

Verzekeringswiskunde en risicotheorie. De module bestudeert methoden en modellen die geschikt zijn voor herverdeling van risico tussen partijen die een verzekeringscontract afsluiten, evenals de theorie van optimale portefeuilles, gebaseerd op risico-, rendement- en nutsfuncties.

Econometrie. De module bespreekt de klassieke econometrische velden: lineaire modellen, niet-lineaire ARCH en stochastische volatiliteitsmodellen, modellen met lang geheugen, evenals de methoden van multidimensionale toegepaste statistieken: factoranalyse, discriminant- en clusteranalyse. Na deze module kunnen de studenten de parameters evalueren en de econometrische modellen implementeren.

Discrete wiskundige modellen. Het hoofddoel van de module is om de basisprincipes van wiskundige modellering van de complexe systemen te presenteren, de methoden van hun kwalitatieve en kwantitatieve analyse en de toepassing van de discrete wiskundige modellen om echte problemen op te lossen. In deze module bestuderen studenten grafentheoretische modellen van complexe systemen, pulsprocessen op gerichte grafieken, de theorie van collectieve keuze, Markov-ketens en coöperatieve spellen.

Stochastische modellering en statistische gegevensverwerking. De module is gericht op Bayesiaanse statistische datamodellen. Het hoofddoel is om studenten te leren de complexe probabilistische modellen te gebruiken die nodig zijn voor data-analyse. Daarnaast zullen studenten alternatieve methoden voor data-analyse bespreken.

Heffingsprocessen en financiële wiskunde. Heffingsprocessen spelen een belangrijke rol bij de beschrijving van het gedrag van risicovolle activa. Studenten leren de basisprincipes van stochastische analyse op basis van Levy-processen. Ze zullen in staat zijn om de gerelateerde problemen van financiële wiskunde te analyseren.

Speltheorie en haar toepassingen. Het hoofddoel van de module is om de basis te leren van wiskundige modellering van conflicten en samenwerking in sociale en economische systemen met behulp van de speltheorie. De module bevat statische en dynamische spellen met volledige en onvolledige informatie.

Het onderzoeksseminarie en masterproef

Het onderzoeksseminarie leert studenten om te werken met hedendaagse machine learning en financiële literatuur, algemene methoden aan te passen aan een concreet probleem en de resultaten van de studie te presenteren in de stijl die in de academische literatuur is overgenomen.

Het onderwerp moet verband houden met de analyse van afgeleide effecten, optimale portefeuilles en voorspelling van financiële indexen. Er wordt aangenomen dat de meeste projecten de methoden van machine learning zullen omvatten.

Laatst bijgewerkt op mrt 2020

Over de school

With origins dating back to 1915, Southern Federal University (SFedU) is the largest scientific and educational centre in the south of Russia. SFedU traces its roots to the Royal University of Warsaw, ... Lees meer

With origins dating back to 1915, Southern Federal University (SFedU) is the largest scientific and educational centre in the south of Russia. SFedU traces its roots to the Royal University of Warsaw, which has moved to the south of Russia during the Great War. Lees Minder
Rostov aan de Don , Taganrog + 1 Meer Minder