دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: سری: ISBN (شابک) : 9783319539799, 9783319539782 ناشر: Henrard, Marc, Palgrave Macmillan سال نشر: 2017 تعداد صفحات: 112 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب تشریح تمایز الگوریتمی در امور مالی: تمایز خودکار، ریاضیات / حساب دیفرانسیل و انتگرال، ریاضیات / تجزیه و تحلیل ریاضی
در صورت تبدیل فایل کتاب Algorithmic Differentiation in Finance Explained به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تشریح تمایز الگوریتمی در امور مالی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب اولین راهنمای عملی عملکرد و پیاده سازی تمایز الگوریتمی در امور مالی را ارائه می دهد. تعریف الگوریتمی توضیح داده شده که به روشی بسیار در دسترس نوشته شده است، خوانندگان را در تمام کاربردهای اصلی AD در تنظیمات مشتقات با تمرکز بر پیاده سازی می برد.
تمایز الگوریتمی (AD) سالها در مهندسی و علوم کامپیوتر در
زمینههایی مانند دینامیک سیالات و جذب دادهها محبوب بوده است.
در طول دهه گذشته، به طور فزاینده ای (و با موفقیت) در مدیریت
ریسک مالی به کار گرفته شده است، جایی که راهی کارآمد برای به
دست آوردن مشتقات قیمت ابزار مالی با توجه به ورودی داده ها
فراهم می کند. محاسبه قرار گرفتن در معرض مشتقات در یک سبد کار
ساده ای نیست. این نیاز به محاسبات پیچیده و مقدار زیادی انرژی
کامپیوتر دارد که بسیار گران است و می تواند زمان بر باشد.
تکنیکهای تمایز الگوریتمی میتوانند در محاسبه یونانیها و
حساسیتهای یک نمونه کار با دقت ماشین بسیار موفقیتآمیز
باشند.
نوشته شده توسط یک متخصص برجسته که کار میکند و AD را برنامهریزی میکند، ارائه میدهد. تجزیه و تحلیل عملی از تمام کاربردهای اصلی AD در تنظیمات مشتقات و خواننده را به سمت پیاده سازی راهنمایی می کند. کد منبع باز نمونه ها همراه با کتاب ارائه شده است که خوانندگان می توانند با آن آزمایش کنند و سناریوهای آزمایشی خود را بدون 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.
Front Matter ....Pages i-xiii
Introduction (Marc Henrard)....Pages 1-13
The Principles of Algorithmic Differentiation (Marc Henrard)....Pages 15-29
Application to Finance (Marc Henrard)....Pages 31-48
Automatic Algorithmic Differentiation (Marc Henrard)....Pages 49-65
Derivatives to Non-inputs and Non-derivatives to Inputs (Marc Henrard)....Pages 67-76
Calibration (Marc Henrard)....Pages 77-97
Back Matter ....Pages 99-103