Запись [МФТИ] Количественный финансовый аналитик 2022 [Александр Нозик, Ролан Гринис, Владимир Пальмин, Константин Тихонов]

Информация
Тип покупки: Индивидуальная
Взнос: 495 РУБ
Организатор: Kail Kail
Статус:
Набор участников
Список участников
  • 1.
    Юлия Яр
  • 2.
    Ngo
  • 3.
    С.C.
  • 4.
    ulchonish
  • 5.
    Chernyhirina
  • 6.
    serek-254
  • 7.
    AlexGRA
  • 8.
    Файлин
  • 9.
    przwerg99
  • 10.
    nv-81
Kail
Kail
Организатор
Проверенный
Организатор
Регистрация
09.04.2020
Сообщения
317 156
Реакции
25 488
Монеты
1 191
Оплачено
0
Баллы
0
  • #SkladchinaVip
  • #1
[МФТИ] Количественный финансовый аналитик 2022 [Александр Нозик, Ролан Гринис, Владимир Пальмин, Константин Тихонов]
Программа профессиональной переподготовки.

Инфестиционные компании, банки, финансовые институты сложно представить без количественного анализа. Быть количественным финансовым аналитиком – это значит применять научные методы при изучении финансовых рынков.

Программа будет интересна
математикам, физикам, программистам, специалистам с техническим образованием. Всем, кто готов совершенствовать знания и построить карьеру в финансовом секторе.

Вас ждут сложные задачи, интенсивная самостоятельная работа. Возможность общаться со студентами и преподавателями занимающими топовые позиции в крупных IT-компаниях. Выбрав профессию, вы присоединяетесь к группе и проходите программу профессиональной переподготовки вместе с основной магистратурой.

Блок 1 - Курс Вычислительные финансы - 1 семестр
Модуль 1 - Основы моделирования и стохастические процессы

  • Стохастические процессы
  • Моделирование финансовых рынков
  • Принцип отсутствия арбитража
  • Стохастические дифференциальные уравнения
  • Процессы диффузии
  • Формула Ито Теорема Гирсанова
Модуль 2 - Риск-нейтральная валюация
  • Риск-нейтральная мера
  • Изменение деноминации
  • Геометрическое броуновское движение
  • Модель Блэка-Шоулза-Мертона
  • Аналитические методы для европейских опционов
  • Уравнение Блэка-Шоулза
Модуль 3 - Модели с стохастической волатильностью
  • Кривая волатильности
  • Модель SABR
  • Метод сингулярной пертурбации
  • Модель Хестона
  • Методы Фурье
  • Калибровка поверхности волатильности с алгоритмом LM
Модуль 4 - Монте-Карло симуляции
  • Точная симуляция Андерсена для динамики Хестона
  • Монте-Карло симуляции для экзотических опционов
  • Алгоритм LSM для Американских и Бермудских опционов
  • Дифференцированное программирование и сопряженные методы
Блок 1 - Курс Вычислительные финансы - 2 семестр
Модуль 5 - Моделирование производных по процентным ставкам

  • Моделирование финансовых инструментов по процентным ставкам (облигации, кривая доходности, плавучии ставки, форвардный курс, свопы, свопционы, отзывные свопы)
  • Модели краткосрочных ставок и конструкция HJM, Стохастическая модель LMM
Модуль 6 - Корректировки валюации от риска дефолта контрагента
  • Облигации с дефолтным купоном
  • Много-кривая доходности
  • Кредитные дефолтные свопы
  • Калибровка вероятности дефолта
  • Кредитный риск по контрагенту
  • Кредитные корректировки валюации финансовых производных (CVA)
Модуль 7 - Калибровка, расчет риска, корректировки валюации - примеры
  • Гибридная модель Хестона для Европейских и Бермудских опционов
  • Кросс-валютная модель с краткосрочными ставками и с кривой по ставкам
Блок 2 - Курс Вычислительные методы - 1 семестр
  • Векторные и матричные нормы. Унитарные матрицы. SVD разложение. Проекторы. Задача о наименьших квадратах. QR факторизация.
  • Вычисления с плавающей точкой. Вычислительная устойчивость.
  • Матричный ранг. Приближение низкого ранга и приложения SVD.
  • Системы линейных уравнений. Число обусловленности.
  • Собственные вектора и собственные значения. Методы решения симметричной задачи на собственные значения.
  • Разреженные матрицы. Библиотеки numpy и scipy. Итеративные методы линейной алгебры.
  • Решение систем нелинейных уравнений. Введение в методы оптимизации
Блок 2 - Курс Вычислительные методы - 2 семестр
  • Численное интегрирование и дифференцирование. Методы интерполяции. Решение линейных интегральных уравнений.
  • Основные численные методы решения обыкновенных дифференциальных уравнений и уравнений в частных производных.
  • Введение в методы Монте-Карло. Методы сэмплирования.
  • Марковские цепи Монте-Марло. Алгоритм Метрополиса — Гастингса. Сэмплирование по Гиббсу. Гамильтонов Монте-Карло.
  • Модели пространства состояний. Линейные динамические системы. Фильтр Калмана.
Блок 3 - Курс Статистические методы и анализ данных - 1 семестр
Модуль 1 - Теория принятия статистических решений.

  • Решения в детерминированных задачах.
  • Решения в недетерминированных задачах, функция риска.
  • Условная вероятность, стратегии принятия решений.
Модуль 2 - Основные понятия теории вероятности.
  • Определения вероятности.
  • Функция правдоподобия.
  • Точечные и интервальные оценки параметров распределений.
  • Доверительные интервалы.
Модуль 3 - Погрешности в физическом эксперименте.
  • Статистические и систематические погрешности.
  • Свойства распределений при замене переменных.
  • Сложение погрешностей.
  • Сложение результатов различных экспериментов.
Модуль 4 - Свойства распределений.
  • Биномиальное распределение и распределение Пуассона.
  • Нормальное распределение и его свойства.
  • Средние значения, моменты распределений.
Модуль 5 - Проверка статистических гипотез.
  • Функции случайных переменных.
  • Статистические критерии и их свойства.
  • Методики построения критериев.
  • Критерии согласия данных с теорией.
Модуль 6 - Оценка параметров.

  • Параметрические критерии.
  • Метод максимума правдоподобия и хи-квадрат.
  • Использование функции правдоподобия для построения интервальных оценок.
  • Интервальные оценки в случае нормального распределения.
Модуль 7 - Современные методы анализа данных (дополнительно).
  • Фитирование экспериментальных кривых. Критерии качества фита. Компьютерные методы решения задач оптимизации.
  • Многопараметрический анализ. Анализ корреляций.
  • Информация Фишера и ее применение. Максимальная информация и граница Рао — Крамера.
  • Два подхода к вероятности: частотный подход и субъективная вероятность. Проблема уникальных событий.
  • Использование компьютера для анализа данных эксперимента.
Блок 3 - Курс Статистические методы и анализ данных - 2 семестр
Модуль посвящён работе над проектом. Примеры тем проектов:

  • Байесовское глубокое обучение
  • Информация Фишера и активное обучение
  • Машинное обучение на Котлине, KotlinDL
  • Глубокое обучение в кино
  • Байесовская оптимизация
  • MCMC на Джулии
 
  • Like
Реакции: На это отреагировал(а) ViVa11
Похожие складчины
Kail
Ответы
0
Просмотры
340
Kail
Kail
Kail
Ответы
0
Просмотры
316
Kail
Kail
Kail
Ответы
0
Просмотры
80
Kail
Kail
Kail
Ответы
0
Просмотры
190
Kail
Kail
Kail
  • Kail
  • Взнос: 100 руб
0
Ответы
0
Просмотры
832
Kail
Kail

Войдите или зарегистрируйтесь для участия в складчине

Вы должны быть авторизованны для просмотра и оценки материала

Создать аккаунт

Создать учетную запись займет не больше минуты!

Войти

Уже зарегистрированы? Просто войдите.