Probabilistisches maschinelles Lernen für Finanzen und Investieren

Kapitel 3. Quantifizierung der Output-Unsicherheit mit Monte-Carlo-Simulation

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Ich besitze die Wissenschaft des Würfelns und bin somit geschickt in Zahlen.

-König Rituparna aus dem Mahabharata (ca. 900 v. Chr.) über die Schätzung der Blätter eines Baumes anhand eines zufällig ausgewählten Astes

Die Bedeutung der Monte-Carlo-Simulation (MCS), auch bekannt als Monte-Carlo-Methode, kann nicht hoch genug eingeschätzt werden. Im Finanz- und Investitionsbereich wird MCS eingesetzt, um alle Arten von Vermögenswerten zu bewerten, verschiedene Portfolios zu optimieren, Risiken abzuschätzen und komplexe Handelsstrategien zu bewerten. MCS wird vor allem zur Lösung von Problemen eingesetzt, für die es keine analytische Lösung gibt.¹ So gibt es viele Arten von Finanzderivaten - wie z. B. Lookback-Optionen und asiatische Optionen -, die mit keiner anderen Methode bewertet werden können. Die Mathematik, die MCS zugrunde liegt, ist zwar nicht einfach, aber die Anwendung der Methode ist eigentlich ganz leicht, vor allem, wenn du die wichtigsten statistischen Konzepte verstanden hast, auf denen sie basiert.

MCS durchdringt auch Algorithmen für maschinelles Lernen im Allgemeinen und probabilistisches maschinelles Lernen im Besonderen. Wie in Kapitel 1 erläutert und in der simulierten Lösung des Monte-Hall-Problems in Kapitel 2 demonstriert, ermöglicht MCS dir, die ...