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 ed.]
نویسندگان: Abdullah Karasan
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
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
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.
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.
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.
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