ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning for Financial Risk Management with Python: Algorithms for Modeling Risk

دانلود کتاب یادگیری ماشین برای مدیریت ریسک مالی با پایتون: الگوریتم هایی برای مدل سازی ریسک

Machine Learning for Financial Risk Management with Python: Algorithms for Modeling Risk

مشخصات کتاب

Machine Learning for Financial Risk Management with Python: Algorithms for Modeling Risk

ویرایش: [1 ed.] 
نویسندگان:   
سری:  
ISBN (شابک) : 1492085251, 9781492085256 
ناشر: O'Reilly Media 
سال نشر: 2022 
تعداد صفحات: 350 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 Mb 

قیمت کتاب (تومان) : 45,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Machine Learning for Financial Risk Management with Python: Algorithms for Modeling Risk 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 یادگیری ماشین برای مدیریت ریسک مالی با پایتون: الگوریتم هایی برای مدل سازی ریسک 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.


توضیحاتی در مورد کتاب یادگیری ماشین برای مدیریت ریسک مالی با پایتون: الگوریتم هایی برای مدل سازی ریسک



مدیریت ریسک مالی با کمک هوش مصنوعی به سرعت در حال تکامل است. با این کتاب کاربردی، توسعه دهندگان، برنامه نویسان، مهندسان، تحلیلگران مالی و تحلیلگران ریسک، مدل های یادگیری ماشینی و یادگیری عمیق مبتنی بر پایتون را برای ارزیابی ریسک مالی بررسی می کنند. شما یاد خواهید گرفت که چگونه نتایج حاصل از مدل‌های ML را با نتایج به‌دست‌آمده از مدل‌های ریسک مالی سنتی مقایسه کنید.

نویسنده عبدالله کاراسان به شما کمک می‌کند تا قبل از بررسی تفاوت‌های بین مدل‌های سنتی و ML، نظریه پشت ارزیابی ریسک مالی را بررسی کنید.

  • برنامه‌های سری زمانی کلاسیک را مرور کنید و آنها را با مدل‌های یادگیری عمیق مقایسه کنید
  • کاوش مدل‌سازی نوسانات برای اندازه‌گیری درجه خطر، با استفاده از رگرسیون بردار پشتیبانی، شبکه‌های عصبی و یادگیری عمیق< /li>
  • بازبینی و بهبود مدل‌های ریسک بازار (VaR و کمبود مورد انتظار) با استفاده از تکنیک‌های یادگیری ماشین
  • یک ریسک اعتباری بر اساس تکنیک خوشه‌بندی برای سطل ریسک ایجاد کنید، سپس تخمین بیزی، زنجیره مارکوف را اعمال کنید. و سایر مدل‌های ML
  • جنبه‌های مختلف نقدینگی را با مدل مخلوط گاوسی جذب کنید
  • از مدل‌های یادگیری ماشین برای کشف تقلب استفاده کنید
  • ریسک شرکت را با استفاده از سقوط قیمت سهام شناسایی کنید. متریک
  • کاوش یک فرآیند تولید داده مصنوعی برای استفاده در ریسک مالی

توضیحاتی درمورد کتاب به خارجی

Financial risk management is quickly evolving with the help of artificial intelligence. With this practical book, developers, programmers, engineers, financial analysts, and risk analysts will explore Python-based machine learning and deep learning models for assessing financial risk. You'll learn how to compare results from ML models with results obtained by traditional financial risk models.

Author Abdullah Karasan helps you explore the theory behind financial risk assessment before diving into the differences between traditional and ML models.

  • Review classical time series applications and compare them with deep learning models
  • Explore volatility modeling to measure degrees of risk, using support vector regression, neural networks, and deep learning
  • Revisit and improve market risk models (VaR and expected shortfall) using machine learning techniques
  • Develop a credit risk based on a clustering technique for risk bucketing, then apply Bayesian estimation, Markov chain, and other ML models
  • Capture different aspects of liquidity with a Gaussian mixture model
  • Use machine learning models for fraud detection
  • Identify corporate risk using the stock price crash metric
  • Explore a synthetic data generation process to employ in financial risk


فهرست مطالب

Cover
Copyright
Table of Contents
Preface
	Conventions Used in This Book
	Using Code Examples
	O’Reilly Online Learning
	How to Contact Us
	Acknowledgements
Part I. Risk Management Foundations
	Chapter 1. Fundamentals of Risk Management
		Risk
		Return
		Risk Management
			Main Financial Risks
			Big Financial Collapse
		Information Asymmetry in Financial Risk Management
			Adverse Selection
			Moral Hazard
		Conclusion
		References
	Chapter 2. Introduction to Time Series Modeling
		Time Series Components
			Trend
			Seasonality
			Cyclicality
			Residual
		Time Series Models
		White Noise
			Moving Average Model
			Autoregressive Model
			Autoregressive Integrated Moving Average Model
		Conclusion
		References
	Chapter 3. Deep Learning for Time Series Modeling
		Recurrent Neural Networks
		Long-Short Term Memory
		Conclusion
		References
Part II. Machine Learning for Market, Credit, Liquidity, and Operational Risks
	Chapter 4. Machine Learning-Based Volatility Prediction
		ARCH Model
		GARCH Model
		GJR-GARCH
		EGARCH
		Support Vector Regression: GARCH
		Neural Networks
		The Bayesian Approach
			Markov Chain Monte Carlo
			Metropolis–Hastings
		Conclusion
		References
	Chapter 5. Modeling Market Risk
		Value at Risk (VaR)
			Variance-Covariance Method
			The Historical Simulation Method
			The Monte Carlo Simulation VaR
		Denoising
		Expected Shortfall
		Liquidity-Augmented Expected Shortfall
		Effective Cost
		Conclusion
		References
	Chapter 6. Credit Risk Estimation
		Estimating the Credit Risk
		Risk Bucketing
		Probability of Default Estimation with Logistic Regression
			Probability of Default Estimation with the Bayesian Model
			Probability of Default Estimation with Support Vector Machines
			Probability of Default Estimation with Random Forest
			Probability of Default Estimation with Neural Network
			Probability of Default Estimation with Deep Learning
		Conclusion
		References
	Chapter 7. Liquidity Modeling
		Liquidity Measures
			Volume-Based Liquidity Measures
			Transaction Cost–Based Liquidity Measures
			Price Impact–Based Liquidity Measures
			Market Impact-Based Liquidity Measures
		Gaussian Mixture Model
		Gaussian Mixture Copula Model
		Conclusion
		References
	Chapter 8. Modeling Operational Risk
		Getting Familiar with Fraud Data
		Supervised Learning Modeling for Fraud Examination
			Cost-Based Fraud Examination
			Saving Score
			Cost-Sensitive Modeling
			Bayesian Minimum Risk
		Unsupervised Learning Modeling for Fraud Examination
			Self-Organizing Map
			Autoencoders
		Conclusion
		References
Part III. Modeling Other Financial Risk Sources
	Chapter 9. A Corporate Governance Risk Measure: Stock Price Crash
		Stock Price Crash Measures
		Minimum Covariance Determinant
		Application of Minimum Covariance Determinant
		Logistic Panel Application
		Conclusion
		References
	Chapter 10. Synthetic Data Generation and The Hidden Markov Model in Finance
		Synthetic Data Generation
		Evaluation of the Synthetic Data
		Generating Synthetic Data
		A Brief Introduction to the Hidden Markov Model
		Fama-French Three-Factor Model Versus HMM
		Conclusion
		References
Afterword
Index
About the Author
Colophon




نظرات کاربران