یادگیری ماشین برای محاسبات ریسک: دیدگاه یک متخصص ۲۰۲۱
Machine Learning for Risk Calculations: A Practitioner’s View 2021

جدیدترین تکنیک‌های یادگیری عمیق الگوریتمی و تانسورینگ برای موسسات مالی

تقاضای محاسباتی برای محاسبات ریسک در موسسات مالی به شدت افزایش یافته و هیچ نشانه‌ای از توقف ندارد. دیگر امکان‌پذیر نیست که صرفاً با افزودن قدرت محاسباتی بیشتر، با این افزایش تقاضا مقابله کرد. راه حل چیست؟ راهکارهای الگوریتمی مبتنی بر یادگیری عمیق و تانسورهای چبیشف، روشی عملی برای کاهش هزینه‌ها و در عین حال افزایش قابلیت‌های محاسبه ریسک هستند. کتاب یادگیری ماشین برای محاسبات ریسک: دیدگاه یک متخصص، بررسی عمیقی از تعدادی از راهکارهای الگوریتمی ارائه می‌دهد و نشان می‌دهد که چگونه می‌توان از آنها برای غلبه بر بار محاسباتی عظیم محاسبات ریسک در موسسات مالی استفاده کرد.

این کتاب با بررسی تکنیک‌های اساسی، از جمله یادگیری عمیق و تانسورهای چبیشف، به شما کمک می‌کند تا شروع کنید. سپس ابزارهای الگوریتمی را کشف خواهید کرد که در ترکیب با اصول اساسی، راه حل‌های واقعی برای مشکلات واقعی که موسسات مالی به طور منظم با آنها مواجه می‌شوند، ارائه می‌دهند. تست‌ها و مثال‌های عددی نشان می‌دهند که چگونه می‌توان این راه حل‌ها را در مسائل عملی، از جمله XVA و ریسک اعتباری طرف مقابل، سرمایه IMM، PFE، VaR، FRTB، حاشیه اولیه پویا، کالیبراسیون تابع قیمت‌گذاری، پارامتری‌سازی سطح نوسانات، بهینه‌سازی سبد سهام و موارد دیگر اعمال کرد. در نهایت، مزایای این تکنیک‌ها، جنبه‌های عملی پیاده‌سازی آنها و نرم‌افزاری که می‌توان از آن استفاده کرد را کشف خواهید کرد.

• مروری بر اصول یادگیری عمیق و تانسورهای چبیشف
• کشف تکنیک‌های الگوریتمی پیشگامانه که می‌توانند فرصت‌های جدیدی در محاسبه ریسک پیچیده ایجاد کنند
• یادگیری نحوه اعمال راه حل‌ها در طیف گسترده‌ای از محاسبات ریسک واقعی.
• دانلود کد نمونه استفاده شده در کتاب، تا بتوانید دنبال کنید و با محاسبات خودتان آزمایش کنید
• تحقق مدیریت ریسک بهبود یافته در حالی که بر بار قدرت محاسباتی محدود غلبه می‌کنید

متخصصین کمی‌سازی، متخصصان IT و مدیران ریسک مالی از این رویکرد کاربردی به محاسبات ریسک پیشرفته بهره مند خواهند شد.

State-of-the-art algorithmic deep learning and tensoring techniques for financial institutions

The computational demand of risk calculations in financial institutions has ballooned and shows no sign of stopping. It is no longer viable to simply add more computing power to deal with this increased demand. The solution? Algorithmic solutions based on deep learning and Chebyshev tensors represent a practical way to reduce costs while simultaneously increasing risk calculation capabilities. Machine Learning for Risk Calculations: A Practitioner’s View provides an in-depth review of a number of algorithmic solutions and demonstrates how they can be used to overcome the massive computational burden of risk calculations in financial institutions.

This book will get you started by reviewing fundamental techniques, including deep learning and Chebyshev tensors. You’ll then discover algorithmic tools that, in combination with the fundamentals, deliver actual solutions to the real problems financial institutions encounter on a regular basis. Numerical tests and examples demonstrate how these solutions can be applied to practical problems, including XVA and Counterparty Credit Risk, IMM capital, PFE, VaR, FRTB, Dynamic Initial Margin, pricing function calibration, volatility surface parametrisation, portfolio optimisation and others. Finally, you’ll uncover the benefits these techniques provide, the practicalities of implementing them, and the software which can be used.

• Review the fundamentals of deep learning and Chebyshev tensors
• Discover pioneering algorithmic techniques that can create new opportunities in complex risk calculation
• Learn how to apply the solutions to a wide range of real-life risk calculations.
• Download sample code used in the book, so you can follow along and experiment with your own calculations
• Realize improved risk management whilst overcoming the burden of limited computational power

Quants, IT professionals, and financial risk managers will benefit from this practitioner-oriented approach to state-of-the-art risk calculation.