Machine Learning in Finance: From Theory to Practice
Kurzinformation
inkl. MwSt. Versandinformationen
Artikel zZt. nicht lieferbar
Artikel zZt. nicht lieferbar

Beschreibung
"Machine Learning in Finance: From Theory to Practice" von Paul Bilokon bietet eine umfassende Einführung in die Anwendung von maschinellem Lernen im Finanzsektor. Das Buch deckt sowohl theoretische Grundlagen als auch praktische Implementierungen ab und richtet sich an Fachleute, die sich mit der Integration moderner Datenanalysetechniken in finanzielle Dienstleistungen beschäftigen möchten. Es behandelt Themen wie Datenaufbereitung, Modellbildung und -bewertung sowie den Einsatz spezifischer Algorithmen zur Vorhersage und Entscheidungsfindung. Zudem werden Fallstudien und Beispiele aus der Praxis präsentiert, um den Lesern ein besseres Verständnis für die Herausforderungen und Möglichkeiten von Machine Learning im Finanzwesen zu vermitteln.
Produktdetails
So garantieren wir Dir zu jeder Zeit Premiumqualität.
Über den Autor
Paul Bilokon, Ph.D., is CEO and Founder of Thalesians Ltd. Paul has made contributions to mathematical logic, domain theory, and stochastic filtering theory, and, with Abbas Edalat, has published a prestigious LICS paper. He is a member of the British Computer Society, the Institution of Engineering and the European Complex Systems Society. Matthew Dixon, FRM, Ph.D., is an Assistant Professor of Applied Math at the Illinois Institute of Technology and an Affiliate of the Stuart School of Business. He has published over 20 peer reviewed publications on machine learning and quant finance and has been cited in Bloomberg Markets and the Financial Times as an AI in fintech expert. He is Deputy Editor of the Journal of Machine Learning in Finance, Associate Editor of the AIMS Journal on Dynamics and Games, and is a member of the Advisory Board of the CFA Quantitative Investing Group. Igor Halperin, Ph.D., is a Research Professor in Financial Engineering at NYU, and an AI Research associate at Fidelity Investments. Igor has published more than 50 scientific articles in machine learning, quantitative finance and theoretic physics. Prior to joining the financial industry, he held postdoctoral positions in theoretical physics at the Technion and the University of British Columbia.
- Kartoniert
- 576 Seiten
- Erschienen 2021
- Springer
- paperback
- 380 Seiten
- Erschienen 2019
- Springer
- hardcover
- 643 Seiten
- Erschienen 2020
- Springer
- Klappenbroschur
- 370 Seiten
- Erschienen 2021
- De Gruyter
- Gebunden
- 1096 Seiten
- Erschienen 2017
- Springer
- Gebunden
- 352 Seiten
- Erschienen 2005
- Springer
- Gebunden
- 174 Seiten
- Erschienen 2004
- Springer
- paperback
- 93 Seiten
- Erschienen 2023
- American Mathematical Society
- Hardcover
- 268 Seiten
- Erschienen 2001
- Jai Press Inc.
- Gebunden
- 437 Seiten
- Erschienen 2004
- Springer
- Kartoniert
- 588 Seiten
- Erschienen 2014
- UTB GmbH
- hardcover
- 364 Seiten
- Erschienen 1988
- Pearson




