Wiley Finance Financial Data Analytics with Machine Learning, Optimization and Statistics

In Financial Data Analytics met Machine Learning, Optimalisatie en Statistiek, biedt een team bestaande uit vooraanstaande toegepaste wiskundigen, actuaire professionals en ervaren data-analyse deskundigen een uitgebalanceerde combinatie van traditionele financiële statistieken, effectieve machine learning-tools en wiskundige principes. Dit boek richt zich op hedendaagse technieken voor data-analyse binnen de financiële sector en de verzekeringsindustrie, waarbij de nadruk ligt op een grondig wiskundig begrip en statistische principes die verbonden zijn met praktische financiële vraagstukken.

Structuur van het Boek

Elk hoofdstuk bevat afleidingen en bewijzen van belangrijke resultaten, vergezeld van realistische voorbeelden uit gemeenschappelijke financiële contexten. De algoritmes in dit boek zijn geïmplementeerd in Python en R, twee van de meest gebruikte programmeertalen in zowel de academische wereld als de industrie, zodat lezers de modellen zelf kunnen toepassen.

Inhoudelijke Hoogtepunten

• Het boek begint met een inleiding tot basistheorieën over sampling en simulatie.
• Er wordt een vergelijking gemaakt tussen R en Python.
• Themen als statistische diagnostiek voor financiële beveiligingsdata worden behandeld, evenals tools zoals Benford's Law en anomaliedetectie.
• De statistische schatting en de Expectation-Maximization (EM) en Majorization-Minimization (MM) algoritmes worden verder uitgewerkt.

In de daaropvolgende secties ligt de focus op univariate en multivariate dynamische volatiliteit en correlatievoorspelling, met aandacht voor de beroemde Kelly-formule. De praktische toepassingen omvatten traditionele optieprijsbepaling, Greek berekeningen en data-gedreven aspecten zoals Principal Component Analysis (PCA) en aanbevelingssystemen.

Machine Learning en Statistische Modellen

Het boek duikt ook in andere gangbare machine learning-tools zoals lineaire classifiers (bijv. perceptrons en Support Vector Machines) en classificatie en regressiebomen (CART). In latere hoofdstukken wordt lineaire en niet-lineaire Bayesian learning behandeld, inclusief geloofwaardigheidstheorie in de actuarial science en innovaties zoals de Comonotone-Independence Bayesian Classifier (CIBer).

Toepassingen in de Praktijk

Tot slot introduceert het boek nuttige deep neural networks voor FinTech, zoals de Long-Short Term Memory (LSTM) modellen voor voorspelling van aandelenprijzen. De geïntegreerde vaardigheden stellen lezers in staat om financiële en verzekeringsdata te evalueren, effectieve gegevensreductietools toe te passen voor supervisie leren, en geschikte analytische tools te selecteren op basis van de specifieke dataset.

Een onmisbare resource

Het boek dekt vakgebieden die getest worden in verschillende professionele examens, zoals het Predictive Analytics Exam van de Society of Actuaries. Financial Data Analytics met Machine Learning, Optimalisatie en Statistiek is daarmee een onmisbaar naslagwerk voor studenten en professionals in financiële engineering, statistieken, kwantitatieve financiën, risicomanagement, actuarial science en datascience.