Kockázatelemzés és -kezelés

A VIK Wikiből
A lap korábbi változatát látod, amilyen Horváth Gábor (vitalap | szerkesztései) 2016. december 21., 18:01-kor történt szerkesztése után volt. (→‎Vizsga)
Ugrás a navigációhoz Ugrás a kereséshez
Kockázatelemzés és -kezelés
Tárgykód
VIHIM277
Általános infók
Szak
MSC gazdinfo
Kredit
5
Ajánlott félév
ősz
Keresztfélév
nincs
Tanszék
VIK-HIT
Követelmények
Jelenlét
ajánlott
Labor
hetente
KisZH
nincs
NagyZH
1 db
Házi feladat
nincs
Vizsga
szóbeli
Elérhetőségek

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.
  • Félévközi 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
  1. Mathematical description of large systems, definition of risk, stochastic interpretation. Complexity of evaluating the risk measures.
  2. Evaluation of risk when defined as the tail of the risk measure. Large deviation theory, Markov inequality, Chernoff bound.
  3. Different optimization techniques for setting the free parameter of the Chernoff bound.
  4. 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.
  5. Portfolio diversification as risk mitigation. Portfolio optimization as a quadratic problem by minimizing the variance of the portfolio return.
  6. Low-risk portfolios by mean reverting processes. The Orstein-Uhlenbeck process, the risk (predictability factor), risk optimization as a generalized eigenvalue problem.
  7. Solutions for the extreme (largest and smallest) eigenvalue problem, gradient method and Oja’s algorithm.
  8. Estimating the average risk by Monte Carlo methods.
  9. Estimating the average risk by Stratified Sampling.
  10. Estimating the average risk by the Li –Sylvester method.
  11. Estimating the average risk by adaptive approximation using the Radial Basis Functions.