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: 1
نویسندگان: Markus Rauscher (auth.)
سری: „Versicherung und Risikoforschung“ 47
ISBN (شابک) : 9783824482276, 9783322818638
ناشر: Deutscher Universitätsverlag
سال نشر: 2004
تعداد صفحات: 221
زبان: German
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب شبکه های عصبی مصنوعی برای اندازه گیری ریسک در سهام و حقوق بازنشستگی: با استفاده از مثال شرکت های بیمه عمر آلمان: مالی / سرمایه گذاری / بانکداری، بیمه
در صورت تبدیل فایل کتاب Künstliche neuronale Netze zur Risikomessung bei Aktien und Renten: Am Beispiel deutscher Lebensversicherungsunternehmen 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 شبکه های عصبی مصنوعی برای اندازه گیری ریسک در سهام و حقوق بازنشستگی: با استفاده از مثال شرکت های بیمه عمر آلمان 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.
اندازهگیری ریسک بهعنوان یک وظیفه فرعی مدیریت ریسک، یک کار
ابتدایی برای سرمایهگذاران نهادی است. برای این منظور، نوسانات
و ضرایب همبستگی با ابزارها و روشهای مختلفی در دسترس است. به
نظر می رسد شبکه های عصبی مصنوعی بسیار مناسب هستند. این توسط
تحقیقات در زمینههای دیگر پیشنهاد میشود که شباهتهای اساسی
با مشکل پیشبینی ریسک نشان میدهند.
مارکوس راوشر کیفیت پیشبینیهای انجام شده با کمک شبکههای
عصبی مصنوعی را با توجه به نوسانات و همبستگی DAX و DAX بررسی
میکند. REXP. تعداد زیادی از معماری ها و الگوریتم های یادگیری
مختلف برای تعیین مناسب بودن صورت های فلکی خاص استفاده می شود.
مدلهای عصبی که نسبت به روشهای مرسوم برتری دارند، ارائه شده
و احتمالات حاصل مورد بحث قرار گرفته است.
Die Risikomessung als Teilaufgabe des Risikomanagements
stellt für institutionelle Kapitalanleger eine elementare
Aufgabe dar. Hierzu werden Volatilitäten und
Korrelationskoeffizienten prognostiziert, wobei verschiedene
Instrumente und Methoden zur Verfügung stehen. Künstliche
neuronale Netze scheinen besonders gut geeignet zu sein;
darauf lassen Untersuchungen in anderen Feldern schließen,
die grundsätzliche Ähnlichkeiten mit dem Problem der
Risikoprognose aufweisen.
Markus Rauscher untersucht die Qualität mit Hilfe künstlicher
neuronaler Netze erstellter Vorhersagen hinsichtlich der
Volatilität und Korrelation von DAX und REXP. Um die Eignung
bestimmter Konstellationen zu ermitteln, findet eine Vielzahl
unterschiedlicher Architekturen und Lernalgorithmen
Verwendung. Die den herkömmlichen Methoden überlegenen
neuronalen Modelle werden dargestellt und sich daraus
ergebende Möglichkeiten diskutiert.
Front Matter....Pages I-XXIV
Einleitung....Pages 1-3
Risiko in der Kapitalanlage von Lebensversicherungsunternehmen und dessen Messung....Pages 5-20
Grundlagen künstlicher neuronaler Netze....Pages 21-32
Konstruktion künstlicher neuronaler Netze....Pages 33-70
Anwendungen künstlicher neuronaler Netze....Pages 71-84
Grundlagen der empirischen Untersuchung der Risikoprognosefähigkeit künstlicher neuronaler Netze....Pages 85-101
Ergebnisse der empirischen Untersuchung der Risikoprognosefähigkeit künstlicher neuronaler Netze....Pages 103-141
Thesenförmige Zusammenfassung....Pages 143-145
Back Matter....Pages 147-207