理工学研究科Graduate School of Science and Engineering
ECN500X4（経済学 / Economics 500）応用経済分析特論Applied Economic Analysis
劉 慶豊Qingfeng LIU
授業コードなどClass code etc
| 学部・研究科Faculty/Graduate school | 理工学研究科Graduate School of Science and Engineering |
| 添付ファイル名Attached documents | |
| 年度Year | 2024 |
| 授業コードClass code | YC514 |
| 旧授業コードPrevious Class code | |
| 旧科目名Previous Class title | |
| 開講時期Term | 秋学期授業/Fall |
| 曜日・時限Day/Period | 火2/Tue.2 |
| 科目種別Class Type | |
| キャンパスCampus | 小金井 / Koganei |
| 教室名称Classroom name | 小西館‐W603 |
| 配当年次Grade | |
| 単位数Credit(s) | 2 |
| 備考（履修条件等）Notes | |
| 実務経験のある教員による授業科目Class taught by instructors with practical experience | |
| カテゴリーCategory | システム理工学専攻 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
This course is an introduction of Machine Learning for Financial Risk Management with Python.
The purpose of this course is to provide students with an understanding of econometrics and machine learning methods that can be applied to financial risk management.
The evaluation will be based on class performance (30%), and a project (70%).
授業で使用する言語Default language used in class
日本語 / Japanese
授業の概要と目的（何を学ぶか）Outline and objectives
機械学習と計量経済学の手法を用いた金融リスクを管理する方法を学ぶ。数理的に金融リスクを管理する方法を学習し, Pythonによる実装を実際の金融データを用いて学んで, 実用性の高い技能を身につける.
到達目標Goal
機械学習と計量経済学による金融リスク管理を行う方法を修得できる. Pythonによる実装の技能を身につけることができる.
この授業を履修することで学部等のディプロマポリシーに示されたどの能力を習得することができるか（該当授業科目と学位授与方針に明示された学習成果との関連）Which item of the diploma policy will be obtained by taking this class?
ディプロマポリシーのうち、「DP1」「DP2」に関連
授業で使用する言語Default language used in class
日本語 / Japanese
授業の進め方と方法Method(s)（学期の途中で変更になる場合には、別途提示します。 /If the Method(s) is changed, we will announce the details of any changes. ）
授業は講義形式で行う. 実習解題を解くことで, 理解度をチェックする.
アクティブラーニング（グループディスカッション、ディベート等）の実施Active learning in class (Group discussion, Debate.etc.)
なし / No
フィールドワーク（学外での実習等）の実施Fieldwork in class
なし / No
授業計画Schedule
授業形態/methods of teaching：対面/face to face
※各回の授業形態は予定です。教員の指示に従ってください。
第1回[対面/face to face]：リスクマネジメントの基本
Fundamentals Of Risk Management
リスク, リターン, リスク管理, 情報の非対称性
Risk, Return, Risk, Risk Manegement, Information Asymmetry in Financial Risk Management
第2回[対面/face to face]：時系列データモデリング入門
Introduction To Time Series Modeling
時系列コンポーネント
Time series components
第3回[対面/face to face]：時系列データモデリング入門
Introduction To Time Series Modeling
時系列モデル
Time series models
第4回[対面/face to face]：時系列モデリングのための深層学習
Deep Learning For Time Series Modeling
リカレントニューロンネットワーク
Recurrent Neural Networks
第5回[対面/face to face]：時系列モデリングのための深層学習
Deep Learning For Time Series Modeling
長期短期記憶モデル
Long-Short Term Memory
第6回[対面/face to face]：ボラティリティ予測のための計量経済学モデル
Econometric Model-Based Volatility Prediction
GARCH型モデル
ARCH, GARCH, GJR-GARCH, EGARCH
第7回[対面/face to face]：ボラティリティ予測のための機械学習
Machine Learning-Based Volatility Prediction
サポートベクター回帰GARCHモデル, ニューロンネットワーク
Support Vector Regression GARCH, Neural Networks
第8回[対面/face to face]：ボラティリティ予測のためのベイズ的アプローチ
The Bayesian Approach for Volatility Prediction
マルコフ連鎖モンテカルロ法, メトロポリス・ヘイスティングス法
Markov Chain Monte Carlo, Metropolis-Hastings
第9回[対面/face to face]：市場リスクモデリング
Modeling Market Risk
バリュー・アット・リスク
Value at Risk (VaR)
第10回[対面/face to face]：市場リスクモデリング
Modeling Market Risk
期待ショートフォール
Expected Shortfall
第11回[対面/face to face]：市場リスクモデリング
Modeling Market Risk
流動性拡充期待ショートフォール
Liquidity-Augmented Expected Shortfall
第12回[対面/face to face]：市場リスクモデリング
Modeling Market Risk
主成分分析ベースの流動性拡充期待ショートフォール
PCA-based Liquidity-Augmented Expected Shortfall
第13回[対面/face to face]：信用リスクの推定
Credit Risk Estimation
信用リスク推定, ロジスティック回帰によるデフォルト確率の推定
Estimating the Credit Risk, Probability of Default Estimation with Logistic Regression
第14回[対面/face to face]：流動性のモデリング
Liquidity Modeling
流動性メジャー, 混合ガウスモデル, 混合ガウスコピュラモデル
Liquidity Measures, Gaussian Mixture Model, Gaussian Mixture Copula Model
授業時間外の学習（準備学習・復習・宿題等）Work to be done outside of class (preparation, etc.)
【本授業の準備・復習時間は, 各４時間を標準とします.】学習した方法を実際にお応用して分析の訓練を行う.
テキスト（教科書）Textbooks
Karasan, A. (2021). Machine Learning for Financial Risk Management with Python. O'Reilly Media, Inc.
参考書References
James, Gareth, Daniela Witten, Trevor Hastie, and Robert Tibshirani. An introduction to statistical learning. New York: Springer, 2021.
成績評価の方法と基準Grading criteria
平常点(30%)と最終プロジェクトレポート(70%)で評価する.
学生の意見等からの気づきChanges following student comments
履修生の理解度を確認して講義内容を調整する.
学生が準備すべき機器他Equipment student needs to prepare
ノートパソコン