تفاضل‌گیری الگوریتمی در مالی: تشریح و تبیین ۲۰۱۷
Algorithmic Differentiation in Finance Explained 2017

این کتاب، نخستین راهنمای عملی برای عملکرد و پیاده‌سازی تمایزگیری الگوریتمی در حوزه‌ی مالی است. کتاب *تشریح تمایزگیری الگوریتمی* با زبانی بسیار ساده و قابل‌فهم، خوانندگان را با تمامی کاربردهای اصلی AD در مشتقات مالی، با تمرکز ویژه بر پیاده‌سازی، آشنا می‌کند.

تمایزگیری الگوریتمی (AD) سال‌هاست که در مهندسی و علوم کامپیوتر، در زمینه‌هایی مانند دینامیک سیالات و جذب داده، محبوبیت دارد. در دهه‌ی گذشته، به‌طور فزاینده (و موفقیت‌آمیزی) در مدیریت ریسک مالی به کار گرفته شده است. در این حوزه، AD روشی کارآمد برای به‌دست آوردن مشتقات قیمت ابزارهای مالی نسبت به داده‌های ورودی فراهم می‌کند. محاسبه‌ی مشتقات ریسک در یک سبد سرمایه‌گذاری کار آسانی نیست. این کار نیازمند محاسبات پیچیده و قدرت محاسباتی بالایی است که می‌تواند هزینه‌بر و زمان‌بر باشد. تکنیک‌های تمایزگیری الگوریتمی می‌توانند با دقت ماشین، در محاسبه‌ی گِرِیک‌ها و حساسیت‌های یک سبد سرمایه‌گذاری بسیار موفق عمل کنند.

این کتاب که توسط یکی از متخصصان برجسته در زمینه AD نوشته شده است، یک تحلیل عملی از تمام کاربردهای اصلی AD در مشتقات مالی ارائه می‌دهد و خواننده را به سمت پیاده‌سازی راهنمایی می‌کند. کد منبع‌باز مثال‌ها به همراه کتاب ارائه شده است، که خوانندگان می‌توانند با استفاده از آن، آزمایش کنند و سناریوهای آزمایشی خود را بدون نیاز به نوشتن کد مرتبط، انجام دهند.

This book provides the first practical guide to the function and implementation of algorithmic differentiation in finance. Written in a highly accessible way, Algorithmic Differentiation Explained will take readers through all the major applications of AD in the derivatives setting with a focus on implementation.

Algorithmic Differentiation (AD) has been popular in engineering and computer science, in areas such as fluid dynamics and data assimilation for many years. Over the last decade, it has been increasingly (and successfully) applied to financial risk management, where it provides an efficient way to obtain financial instrument price derivatives with respect to the data inputs. Calculating derivatives exposure across a portfolio is no simple task. It requires many complex calculations and a large amount of computer power, which in prohibitively expensive and can be time consuming. Algorithmic differentiation techniques can be very successfully in computing Greeks and sensitivities of a portfolio with machine precision.

Written by a leading practitioner who works and programmes AD, it offers a practical analysis of all the major applications of AD in the derivatives setting and guides the reader towards implementation. Open source code of the examples is provided with the book, with which readers can experiment and perform their own test scenarios without writing the related code themselves.