Quantitatives Finanzwesen - Finanzmathematik

Ein neuer Markt will Investments und Umweltleistung miteinander verknüpfen.

Eine neue Methode verbessert finanzielle Simulationen, die sich auf realistische Rückgangseigenschaften konzentrieren.

Das -Cell-Modell kombiniert traditionelle und maschinelles Lernen Techniken zur Vorhersage von Volatilität.

DeepVol nutzt Deep Learning für verbesserte Volatilitätsvorhersagen bei verschiedenen Finanzanlagen.

Dieser Artikel untersucht, wie die Preisschwankungen bei Futter die Entscheidungen zur Lachsernte beeinflussen.

Eine neue Methode verbessert die Modellgenauigkeit durch föderiertes Lernen und Kernelregression.

Lerne moderne Techniken zur genauen Preisbestimmung von amerikanischen Optionen mit mehreren Basiswerten.

Lern, wie Positionsgrössen helfen, das Risiko in volatilen Märkten zu managen.

Die Studie vergleicht Preisgrenzen und Handelsaussetzungen beim Umgang mit Rückgängen der Aktienkurse.

Methoden erkunden, um KI im Finanzbereich verständlicher und vertrauenswürdiger zu machen.

In diesem Artikel geht's um die Notwendigkeit von Klarheit in maschinellen Lernmodellen.

Verwendung von Deep Learning für genauere Preisgestaltung von Basket-Optionen.

Datenanalyse nutzen, um vielversprechende Startups vor der Investition zu identifizieren.

Dieses Papier untersucht, wie Unternehmen auf den Kohlenstoffmarkt agieren, um Emissionen zu reduzieren.

Ein kritischer Blick auf die Effektivität von Rough Volatilitätsmodellen in den Finanzmärkten.

Lerne, wie kleine Investoren ihre Portfolios umschichten können, während sie die Kosten niedrig halten und den Wert maximieren.

Lern Methoden, um Portfolios auszuwählen, die die üblichen Benchmarks übertreffen, während du Risiken managst.

Ein genauer Blick auf den ECL-Datensatz zur Insolvenzprognose.

Untersuchung der Optionspreisgestaltung mit Hilfe von partiellen Differentialgleichungen in Regime-Wechselmärkten.

Untersuchen, wie Deep Learning die Entscheidungsfindung in unsicheren Umgebungen verbessert.

Untersuchen, wie markierte Hawkes-Prozesse Licht auf die Interaktionen von Ereignissen über die Zeit werfen.

Erforschen, wie KI die Entscheidungsfindung beim Trading in Finanzmärkten verändert.

Causal-NECO VaR für bessere Risikovorhersage in der Finanzwelt.

Untersuchung des Zusammenhangs zwischen Asset-Pricing-Faktoren und Marktperformance anhand zufälliger Portfolios.

Ein neuer Ansatz, um die Dynamik des Kryptomarktes durch fortgeschrittene Modellierungstechniken zu verstehen.

Diese Arbeit untersucht, wie Analystenbehauptungen das Marktverhalten und die Aktienwerte beeinflussen.

Ein neues Modell verbessert das dynamische Hedging, indem es den Markteinfluss und die Liquidität berücksichtigt.

Ein Blick auf Simulationen von Limit-Order-Büchern und deren Auswirkungen auf den Handel.

Dieses Papier untersucht Methoden zur Schätzung der Ausführungswahrscheinlichkeiten für Limit-Orders.

Lerne effektive Methoden zur Preisgestaltung von verschiedenen Schuldverschreibungen in den Finanzmärkten.

Ein neuer Ansatz zur Erkennung von Spoofing in den Finanzmärkten mit Hilfe von Maschinenlernen und Experteninput.

Ein Überblick über die einzigartigen Faktoren, die die Investition in Kryptowährungen beeinflussen.

StockGPT nutzt fortgeschrittene Modelle, um die Aktienrenditen basierend auf historischen Daten vorherzusagen.

Quantenalgorithmen verbessern die Risikoberechnungen für finanzielle Derivate.

Neue Methoden optimieren die Preisgestaltung von komplexen Finanzoptionen für Trader.

Entscheidungsfindung verbessern, indem man Risiko in das Reinforcement Learning integriert.

Lerne, wie die zweite Ordnung der stochastischen Dominanz deine Anlagestrategie verbessern kann.

Erforschung von polynomialen Ornstein-Uhlenbeck-Modellen für finanzielle Volatilität und Derivatebewertung.

Ein Blick auf die G-LSM-Methode zur effektiven Bewertung amerikanischer Optionen.

Ein Blick darauf, wie MLMC komplexe Schätzungen mit schichtweisen Ansätzen verbessert.