„Kockázatelemzés és -kezelés” változatai közötti eltérés
A VIK Wikiből
aNincs szerkesztési összefoglaló |
|||
| (Egy közbenső módosítás ugyanattól a felhasználótól 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., 22:40-kori változata
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.
