Kötvényárazási hibák intelligens javítóalgoritmusának tervezése és fejlesztése GELLÉN ÁGNES IUFQ58.

Slides:



Advertisements
Hasonló előadás
GRIN: Gráf alapú RDF index
Advertisements

Algebrai struktúrák.
Tranzitív lezárt és Warshall algoritmus
KÖTVÉNYEK pénzáramlása és árazása
Vállalati pénzügyek alapjai
Illés Tibor – Hálózati folyamok
Copyright, 2009 © Szlávi Péter A kupac és a prioritási sor típuskonstrukciók Szlávi Péter ELTE IK Média- és Oktatásinformatikai Tanszék
Szélességi bejárás Párhuzamosítása.
Hatékony gyorsítótár használata legrövidebb utak kereséséhez Bodnár István, Fodor Krisztián, Gyimesi Gábor Jeppe Rishede Thomsen, Man Lung Yiu, Christian.
Szintaktikai elemzés február 23..
Bevezetés a gépi tanulásba február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.
A kamatlábak lejárati szerkezete és a hozamgörbe
Mérési pontosság (hőmérő)
Minimax és problémaredukció, egyszerű példák INCK431 Előadó: Dr. Nagy Benedek Norbert Gyakorlatvezető: Kovács Zita 2011/2012. II. félév A MESTERSÉGES INTELLIGENCIA.
Algoritmizálás Göncziné Kapros Katalin humaninformatika.ektf.hu.
SZÁMÍTÓGÉP ARCHITEKTÚRÁK
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
A digitális számítás elmélete
A digitális számítás elmélete
Számoljuk meg rekurzív függvénnyel egy bináris fa leveleit!
1. Univerzális nyelő Csúcsmátrixos ábrázolás esetén a legtöbb gráfalgoritmus futási ideje O(n2) azonban van kivétel. Egy irányított gráf egy csúcsa univerzális.
Huffman Kódolás.
Tökéletes Hash függvények keresése Kasler Lóránd-Péter.
Gazdálkodási modul Gazdaságtudományi ismeretek II. Vezetés és kommunikációs ismeretek KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI MSc.
Készítette: Kosztyán Zsolt Tibor
Tóth Gergely, február BME-MIT Miniszimpózium, Megfigyelhető black-box csatorna forrásrejtő tulajdonsága Tóth Gergely Konzulensek: Hornák.
Gráfelmélet: Fák.
Gépi tanulás Tanuló ágens, döntési fák, általános logikai leirások tanulása.
16. Modern díj- és tartalékszámítás
Automatika Az automatizálás célja gép, együttműködő gépcsoport, berendezés, eszköz, műszer, részegység minél kevesebb emberi beavatkozással történő, balesetmentes.
Fák.
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.
Készítette: Hanics Anikó. Az algoritmus elve: Kezdetben legyen n db kék fa, azaz a gráf minden csúcsa egy-egy (egy pontból álló) kék fa, és legyen minden.
Nevezetes algoritmusok: Fa megvalósítása Készítette: Várkonyi Tibor Zoltán.
Előadó: Nagy Sára Mesterséges intelligencia Kereső rendszerek.
1 Szélességi Bejárás Györgyi Tamás – GYTNAAI.ELTE 2007 Március 22 Algoritmusok És Adatszerkezetek 2 Gráfalgoritmus S b a d e f h g c.
Podoski Péter és Zabb László. Bevezető Algoritmus-vizualizáció témakörében végeztünk kutatásokat és fejlesztéseket Felmértük a manapság ismert eszközök.
Kruskal-algoritmus.
Példa kettő-három fa felépítésére - törlés művelet Készítette : Krizsai Petra
Osztott adatbázisok.  Gyors ismétlés: teljes redukáló  Teljes redukáló költsége  Természetes összekapcsolások vetítése  Természetes összekapcsolások.
Alapszeminárium II. Múlt. Ezzel foglalkozunk ma !
Automatika Az automatizálás célja gép, együttműködő gépcsoport, berendezés, eszköz, műszer, részegység minél kevesebb emberi beavatkozással történő, balesetmentes.
Gráfok ábrázolása teljesen láncoltan
PÉNZÜGYI MENEDZSMENT 6. Dr. Tarnóczi Tibor PARTIUMI KERESZTÉNY EGYETEM
Útkeresések.
Menetrend optimalizálása genetikus algoritmussal
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT)
Algoritmusok és adatszerkezetek
Automatikus fizikai tervezési javaslatok XML adatbázisokhoz Balogh Bernadett Kresz Marcell Cseh Tamás.
PÁRHUZAMOS ARCHITEKTÚRÁK – 13 INFORMÁCIÓFELDOLGOZÓ HÁLÓZATOK TUDÁS ALAPÚ MODELLEZÉSE Németh Gábor.
(Bináris) Kupac (heap) adattípus
Szimmetrikus titkosítás: DES és társai. DES  Digital Encryption Standard  Alapja az IBM által kifejlesztett titkosítási eljárás (Lucifer, 1974 – 128.
OpenCV CV = Computer Vision
Vállalati pénzügyek alapjai
Mesterséges intelligencia 8. Stratégiai játékok A játék kimenetelére a játékosoknak ellenőrizhető módon van befolyásuk. Pl.: sakk, dáma, póker stb. A.
Programozási alapok.
Mesterséges intelligencia
Mesterséges intelligencia
Algoritmusok és Adatszerkezetek I.
Mesterséges intelligencia
Számítógépes algoritmusok
Bunkóczi László, Dr.Pitlik László, Pető István, Szűcs Imre
A mesterséges neuronhálók alapjai
Algoritmusok és Adatszerkezetek I.
Gráfok - 1 Definíció: Irányított gráf (digráf) G=(V,E) rendezett pár.
2-3-fák A 2-3-fa egy gyökeres fa az alábbi tulajdonságokkal:
Algoritmusok és Adatszerkezetek I.
Előadás másolata:

Kötvényárazási hibák intelligens javítóalgoritmusának tervezése és fejlesztése GELLÉN ÁGNES IUFQ58

Adminisztratív információk Tárgykód: VIIIA355 Külső konzulens: Szőllősi Loránd Belső konzulens: Dr. Kiss Bálint

Mi az a kötvény?  Hitelviszonyt megtestesítő értékpapír  Árfolyam Jövőben várható pénzáramok jelenértéke  Kötelezettségek jól meghatározottak: pl. névérték, kamat, törlesztés  Árazás: bonyolult

Kötvény reprezentációja: FPML  Financial products Markup Language  XML szabványnak megfelel  Annak egy részhalmaza  Piaci ügyletekkel foglalkozik  Ideális kötvényadatok reprezentálására   Széles körben használt   Open Source 

Az FPML-t használó vállalatok

Az árazás

A kötvényárazás problémája  Mindenki más modellből indul ki  A modellek sokparaméteresek  Paraméterek egyenkénti lekérdezése nem egyszerű  Forrás hitelessége ?  A lekérdezés ideje  Nagyszámú paraméteres modell kezelése  Senki nem tudja a pontos árat

Mi a megoldás?  Egy lehetséges mankó  Problémák  Max lekérdezés/hó  Nem elég gyors  Nem csak a MS férhet hozzá  Nem biztos, hogy az ő becslésük a legjobb

Kapcsolat a két „black box” között

Probléma Minden egyes vállalat az általa kifejlesztett, saját black box alapján árazza a kötvényeit

Cél Hogyan működik a black box?

Ami a segítségünkre lesz Mesterséges intelligencia  Gépi tanulás  Tanuló algoritmusok  Pl. A*

Mit is kell kitalálni? Minden vállalat saját kötvényárazó algoritmusát FÜGGVÉNY VáltozókOperátorok

A módszer  Kulcs: műveletek sorozatának reprezentációja  bináris fa  Folyamat: Bináris fák előállítása  bináris fa értékének kiolvasása  összehasonlítás a keresett eredménnyel

Bináris fák  gyökeres irányított fa (gráf)  gyökér kivételével minden csúcsának egy szülője van  és legfeljebb két gyereke: egy jobboldali és/vagy egy baloldali

Bináris fa, mint műveletek sorozata  A bináris fa az alábbi műveletet rejti magában: (5*7)*2

Amit a program jelenleg tud  Egyszerű művelet felderítése  Például: Bemenő paraméterek (változók, operátorok) Kimenő paraméter = az eredmény Változók: 2.0, Műveletek: *, +

Példa bemutatása  Generált bináris fák + műveletek

Példa bemutatása  Ekkor a keresett bináris fa

Jövőbeli célok  A program FPML-ekből nyerjen ki adatokat  Véges futási időben eredmény (bonyolultabb műveletek)  Tanuló algoritmusok bevezetése