Algorithmic Differentiation in Finance Explained

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.