MARC

 008250123s2024        us                              c    eng  d
■001000017164090
■00520250211152830
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384457107
■035    ▼a(MiAaPQ)AAI31560506
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aLi,  Mike.
■24510▼aData  Science  in  Finance:  Robustness,  Fairness,  and  Strategic  Modeling
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a219  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Glasserman,  Paul.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aIn  the  multifaceted  landscape  of  financial  markets,  the  understanding  and  application  of  data  science  methods  are  crucial  for  achieving  robustness,  fairness,  and  strategic  advancement.  This  dissertation  addresses  these  critical  areas  through  three  interconnected  studies.The  first  study  investigates  the  problem  of  data  imbalance,  with  particular  emphasis  on  financial  applications  such  as  credit  risk  assessment,  where  the  prevalence  of  non-defaulting  entities  overshadows  defaulting  ones.  Traditional  classification  models  often  falter  under  such  imbalances,  leading  to  biased  predictions.  By  analyzing  linear  discriminant  functions  under  conditions  where  one  class's  sample  size  grows  indefinitely  while  the  other  remains  fixed,  this  study  reveals  that  certain  parameters  stabilize,  providing  robust  predictions.  This  robustness  ensures  model  reliability  even  in  skewed  data  environments.The  second  study  explores  anomalies  in  option  pricing,  specifically  the  total  positivity  of  order  2  (TP2)  in  call  options  and  the  reverse  sign  rule  of  order  2  (RR2)  in  put  options  within  the  S&P  500  index.  By  examining  the  empirical  significance  and  occurrence  patterns  of  these  violations,  the  research  identifies  potential  trading  opportunities.  The  findings  demonstrate  that  while  these  conditions  are  mostly  satisfied,  violations  can  be  strategically  exploited  for  consistent  positive  returns,  providing  practical  insights  into  profitable  trading  strategies.The  third  study  addresses  the  fairness  of  regulatory  stress  tests,  which  are  crucial  for  assessing  the  capital  adequacy  of  banks.  The  uniform  application  of  stress  test  models  across  diverse  banks  raises  concerns  about  fairness  and  accuracy.  This  study  proposes  a  method  to  aggregate  individual  models  into  a  common  framework,  balancing  forecast  accuracy  and  equitable  treatment.  The  research  demonstrates  that  estimating  and  discarding  centered  bank  fixed  effects  leads  to  more  reliable  and  fair  stress  test  outcomes.The  conclusions  of  these  studies  highlight  the  importance  of  understanding  the  behavior  of  commonly  used  models  in  handling  imbalanced  data,  the  strategic  exploitation  of  option  pricing  anomalies  for  profitable  trading,  and  the  need  for  fair  regulatory  practices  to  ensure  financial  stability.  Together,  these  findings  contribute  to  a  deeper  understanding  of  data  science  in  finance,  offering  practical  insights  for  regulators,  financial  institutions,  and  traders.
■590    ▼aSchool  code:  0054.
■650  4▼aFinance
■653    ▼aFinancial  markets
■653    ▼aProfitable  trading
■653    ▼aData  environments
■653    ▼aImbalanced  data
■653    ▼aData  science
■690    ▼a0796
■690    ▼a0508
■690    ▼a0454
■690    ▼a0501
■690    ▼a0770
■71020▼aColumbia  University▼bBusiness.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164090▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서