„Kockázatelemzés és -kezelés” változatai közötti eltérés
Ugrás a navigációhoz
Ugrás a kereséshez
a |
a (→Követelmények) |
||
(Egy közbenső módosítás ugyanattól a szerkesztőtől nincs mutatva) | |||
23. sor: | 23. sor: | ||
*'''Labor''': A laborgyakorlatok legalább 70% történő részvétel és a laborfeladatok összesített legalább elégséges szintű teljesítése | *'''Labor''': A laborgyakorlatok legalább 70% történő részvétel és a laborfeladatok összesített legalább elégséges szintű teljesítése | ||
*'''ZH''': A szorgalmi időszakban: 1 nagy zárthelyi, legalább 40%-os teljesítése. | *'''ZH''': A szorgalmi időszakban: 1 nagy zárthelyi, legalább 40%-os teljesítése. | ||
− | *''' | + | *'''Félévi jegy''': A végső jegybe a laborfeladatok 1/3-os, a ZH 1/3-os és a vizsga is 1/3-os súllyal számít bele. |
== Segédanyagok == | == Segédanyagok == | ||
30. sor: | 30. sor: | ||
== Vizsga == | == Vizsga == | ||
+ | === Tételsor === | ||
+ | {{Rejtett | ||
+ | |mutatott='''2016''' | ||
+ | |szöveg= | ||
+ | #Mathematical description of large systems, definition of risk, stochastic interpretation. Complexity of evaluating the risk measures. | ||
+ | #Evaluation of risk when defined as the tail of the risk measure. Large deviation theory, Markov inequality, Chernoff bound. | ||
+ | #Different optimization techniques for setting the free parameter of the Chernoff bound. | ||
+ | #Low risk operation by admission control, applying the Chernoff bound to ensure a pre-defined risk level, in the case of users belonging to different classesd. | ||
+ | #Portfolio diversification as risk mitigation. Portfolio optimization as a quadratic problem by minimizing the variance of the portfolio return. | ||
+ | #Low-risk portfolios by mean reverting processes. The Orstein-Uhlenbeck process, the risk (predictability factor), risk optimization as a generalized eigenvalue problem. | ||
+ | #Solutions for the extreme (largest and smallest) eigenvalue problem, gradient method and Oja’s algorithm. | ||
+ | #Estimating the average risk by Monte Carlo methods. | ||
+ | #Estimating the average risk by Stratified Sampling. | ||
+ | #Estimating the average risk by the Li –Sylvester method. | ||
+ | #Estimating the average risk by adaptive approximation using the Radial Basis Functions. | ||
+ | }} |
A lap jelenlegi, 2016. december 27., 21:40-kori változata
Tartalomjegyzék
Bevezetés
Átfogó ismeretek adása a jövendő döntéshozóknak a jelenleg használatban lévő kockázat analízis és kockázat menedzselő stratégiákról A tárgy elsősorban az üzleti gyakorlatban előforduló legfontosabb kockázati problémák azonosítására, illetve azok kezelésére, elkerülésére összepontosít. A hallgató gyakorlatot szerez a kockázatelemzésben és kockázatfeltárásban; valamint képessé válik kockázatkezelési stratégia tervezésére. A tantárgy csak angol nyelven indul.
Követelmények
- Labor: A laborgyakorlatok legalább 70% történő részvétel és a laborfeladatok összesített legalább elégséges szintű teljesítése
- ZH: A szorgalmi időszakban: 1 nagy zárthelyi, legalább 40%-os teljesítése.
- Félévi jegy: A végső jegybe a laborfeladatok 1/3-os, a ZH 1/3-os és a vizsga is 1/3-os súllyal számít bele.
Segédanyagok
ZH
Vizsga
Tételsor
2016
- Mathematical description of large systems, definition of risk, stochastic interpretation. Complexity of evaluating the risk measures.
- Evaluation of risk when defined as the tail of the risk measure. Large deviation theory, Markov inequality, Chernoff bound.
- Different optimization techniques for setting the free parameter of the Chernoff bound.
- Low risk operation by admission control, applying the Chernoff bound to ensure a pre-defined risk level, in the case of users belonging to different classesd.
- Portfolio diversification as risk mitigation. Portfolio optimization as a quadratic problem by minimizing the variance of the portfolio return.
- Low-risk portfolios by mean reverting processes. The Orstein-Uhlenbeck process, the risk (predictability factor), risk optimization as a generalized eigenvalue problem.
- Solutions for the extreme (largest and smallest) eigenvalue problem, gradient method and Oja’s algorithm.
- Estimating the average risk by Monte Carlo methods.
- Estimating the average risk by Stratified Sampling.
- Estimating the average risk by the Li –Sylvester method.
- Estimating the average risk by adaptive approximation using the Radial Basis Functions.