Statistical Decision Problems: Selected Concepts and Portfolio Safeguard Case Studies

مسائل تصمیم گیری آماری مقدمه ای سریع و مختصر به تئوری ریسک، انحراف و معیارهای خطا ارائه می دهد که نقش کلیدی در مسائل تصمیم گیری آماری دارند. این تصمیم گیری عملی پیشرفته را از طریق بیست و یک مطالعه موردی از برنامه های کاربردی واقعی معرفی می کند. مطالعات موردی حوزه وسیعی از موضوعات را پوشش می‌دهد و نویسندگان شامل پیوندهایی با کد منبع و داده‌ها هستند که ابزار بسیار مفیدی برای خواننده است. در هسته خود، متن نشان می دهد که چگونه از عوامل مختلف برای فرموله کردن مسائل تصمیم گیری آماری ناشی از برنامه های مختلف مدیریت ریسک، مانند پوشش ریسک بهینه، بهینه سازی پورتفولیو، تطبیق جریان نقدی، طبقه بندی و موارد دیگر استفاده شود.

این ارائه در سه بخش سازماندهی شده است: مفاهیم منتخب تئوری تصمیم گیری آماری، مسائل تصمیم گیری آماری، و مطالعات موردی با حفاظت از پورتفولیو. هدف اصلی این متن، متخصصان در حوزه‌های مدیریت ریسک، تصمیم‌گیری و آمار است. با این حال، گنجاندن کمی دقت ریاضی، این رساله را مقدمه‌ای عالی برای تئوری خطای عمومی، انحراف، و معیارهای ریسک برای دانشجویان تحصیلات تکمیلی می‌کند. می توان از آن به عنوان مطالعه تکمیلی برای دوره های تحصیلات تکمیلی از جمله تجزیه و تحلیل آماری، داده کاوی، برنامه نویسی تصادفی، مهندسی مالی استفاده کرد. سطح بالای جزئیات ممکن است برای ریاضیدانان کاربردی، مهندسان و آماردانان علاقه مند به مدل سازی و مدیریت ریسک در کاربردهای مختلف مفید باشد.

Statistical Decision Problems presents a quick and concise introduction into the theory of risk, deviation and error measures that play a key role in statistical decision problems. It introduces state-of-the-art practical decision making through twenty-one case studies from real-life applications. The case studies cover a broad area of topics and the authors include links with source code and data, a very helpful tool for the reader. In its core, the text demonstrates how to use different factors to formulate statistical decision problems arising in various risk management applications, such as optimal hedging, portfolio optimization, cash flow matching, classification, and more.

The presentation is organized into three parts: selected concepts of statistical decision theory, statistical decision problems, and case studies with portfolio safeguard. The text is primarily aimed at practitioners in the areas of risk management, decision making, and statistics. However, the inclusion of a fair bit of mathematical rigor renders this monograph an excellent introduction to the theory of general error, deviation, and risk measures for graduate students. It can be used as supplementary reading for graduate courses including statistical analysis, data mining, stochastic programming, financial engineering, to name a few. The high level of detail may serve useful to applied mathematicians, engineers, and statisticians interested in modeling and managing risk in various applications.