Djupinlärning inom finans 7,5 hp

Om kursen

Modul 1 (4.5 hp): Teori
Modulen inleds med en introduktion till framåtriktade neurala nätverk (FFN) och backpropagation-algoritmen. Därefter studeras den (stokastiska) gradient-descent-algoritmen (SGD) och tillämpning av denna för att träna FFN inom finansiell matematik. Särskilt tillämpas den vid lösning av Black-Scholes partiella differentialekvationer (PDE) med ett FFN, och för mer generella hög-dimensionella paraboliska PDE. Vidare studeras universella approximationssatsen, autoencoders (AE), generativa motståndarnätverk (GAN) och binära klassificerare parallellt med olika lager-typer såsom dropout-lager och batchnormaliserings-lager.

Efter detta utvidgas alla behandlade koncept till att gälla för återkommande neurala nätverk (RNN). I det sammanhanget används särskilt long-short-term-memory (LSTM) och gated-recurrent-units (GRU).

Slutligen studeras ett antal utvalda avancerade delområden. Exempel på sådana områden är hedging med möjliga transaktionskostnader, stokastisk optimal kontroll och icke-Markovsk modellering.

Modul 2 (3 hp): Datorlaborationer
I modulen ingår implementering av neurala nätverk i Python med PyTorch-biblioteket. De tillämpningar som särskilt studeras utgör ett urval bland optionsprissättning, optimal stopping, avvikelseidentifiering, datagenerering och hedging.