<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>математическое моделирование &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/matematicheskoe-modelirovanie/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Mon, 24 Nov 2025 12:45:04 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>математическое моделирование &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Библиотека SciPy: оптимизация, статистика и численные методы в Python</title>
		<link>https://mlgu.ru/6572/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 24 Nov 2025 11:22:20 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[сплайны]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6572</guid>

					<description><![CDATA[SciPy представляет собой фундаментальную библиотеку для научных и инженерных вычислений в Python. Она расширяет возможности NumPy, добавляя алгоритмы оптимизации, статистического анализа, обработки сигналов и численных методов. В отличие от базовых операций с массивами, SciPy предоставляет готовые решения для сложных математических задач: от поиска экстремумов функций до проверки статистических гипотез. Для специалистов в области финансового и [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Байесовская статистика и вывод в анализе рынков</title>
		<link>https://mlgu.ru/6056/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 04 Nov 2025 11:22:25 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6056</guid>

					<description><![CDATA[Байесовская статистика предоставляет инструменты для решения ключевых проблем количественного анализа: учет режимных сдвигов, калибровка моделей на ограниченных выборках, оптимизация гиперпараметров стратегий и управление риском переобучения. Байесовский подход рассматривает вероятность как степень уверенности в гипотезе, а не как частоту события в бесконечной серии испытаний. Параметры модели становятся случайными величинами с распределениями, которые обновляются по мере поступления [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Фрактальный анализ финансовых рынков: показатель Херста, R/S анализ, фрактальная размерность временных рядов</title>
		<link>https://mlgu.ru/5493/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 21 Oct 2025 21:45:32 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5493</guid>

					<description><![CDATA[Финансовые рынки обладают сложной многомасштабной структурой, которую порой невозможно описать с помощью стандартных методов. Фрактальный анализ предлагает альтернативный подход, основанный на самоподобии и долговременной памяти временных рядов. Ключевое отличие фрактального подхода от стандартных методов: вместо анализа моментов распределения изучается структура автокорреляций на разных временных масштабах. Это позволяет выявить персистентность (тренды) или антиперсистентность (реверсии) в ценовых [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Ускорение численных вычислений в Python: Numba, JIT на примерах из Data Science</title>
		<link>https://mlgu.ru/5210/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 10 Oct 2025 21:24:35 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5210</guid>

					<description><![CDATA[Python остается доминирующим языком в Data Science, однако его интерпретируемая природа создает узкие места при работе с большими объемами данных. Цикл длительных симуляций, обработки миллиона строк может занимать минуты там, где компилируемые языки справляются за секунды. Numba решает эту проблему через JIT-компиляцию, транслируя Python-код в машинный код во время выполнения. Библиотека особенно эффективна для задач [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Модели переключения режимов (Regime Switching) для моделирования изменений финансовых рынков</title>
		<link>https://mlgu.ru/4572/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 22 Sep 2025 17:17:24 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4572</guid>

					<description><![CDATA[В мире количественных финансов существует фундаментальная проблема: многие популярные финансовые модели предполагают стационарность процессов там, где ее попросту нет. Рынки не остаются в одном состоянии &#8212; они переключаются между различными режимами волатильности, тренда и корреляций. Именно здесь модели переключения режимов становятся полезным практическим инструментом для построения эффективных торговых стратегий и управления рисками. Концептуальная основа моделей [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Винеровские процессы в биржевой торговле</title>
		<link>https://mlgu.ru/4008/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 30 Aug 2025 09:20:11 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[арбитражная торговля]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4008</guid>

					<description><![CDATA[Винеровские процессы, названные в честь математика Норберта Винера, представляют собой математический инструмент описания случайных движений. Анализ винеровских процессов крайне важен, поскольку они стали краеугольным камнем современной финансовой инженерии. В отличие от примитивных технических индикаторов, которые пытаются найти закономерности там, где их нет, процессы Винера признают фундаментальную случайность рынка и работают с ней, а не против [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Формула Блэка-Шоулза: предположения модели, расчет справедливой стоимости опционов</title>
		<link>https://mlgu.ru/3850/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 28 Aug 2025 12:13:24 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[опционы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3850</guid>

					<description><![CDATA[В эпоху доминирования алгоритмической торговли, когда скорость биржевых сделок вышла на беспрецедентный уровень, понимание алгоритмов и математических основ ценообразования деривативов становится не просто академическим интересом, а практической необходимостью. Каждый раз, когда маркет-мейкер выставляет котировку на опцион, за этим стоят сложные вычисления, базирующиеся на принципах, заложенных Фишером Блэком, Майроном Шоулзом и Робертом Мертоном еще в начале [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Частные производные: базовые понятия и их применение в финансовой аналитике</title>
		<link>https://mlgu.ru/3390/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 14 Jul 2025 10:36:27 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[опционы]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3390</guid>

					<description><![CDATA[В мире количественных финансов и алгоритмической торговли математический инструментарий играет ключевую роль. Среди этих концепций частные производные занимают особое место, предоставляя мощный аппарат для моделирования динамических систем и оптимизации стратегий. В этой статье я хочу поделиться своим опытом применения частных производных в финансовой аналитике и показать, почему понимание этого математического инструмента критично для любого специалиста, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Символьные вычисления на Python в количественном анализе</title>
		<link>https://mlgu.ru/3110/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 03 Jul 2025 15:27:33 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[quantitative analysis]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3110</guid>

					<description><![CDATA[В финансовом и количественном анализе часто возникает необходимость работать не только с числовыми данными, но и с аналитическими выражениями. Символьные вычисления позволяют манипулировать математическими выражениями в их естественном, символьном виде, сохраняя точность и открывая возможности для аналитических решений там, где численные методы показывают свои ограничения. В этой статье я поделюсь своим опытом использования символьных вычислений [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Выпуклое программирование в финансовой аналитике</title>
		<link>https://mlgu.ru/3058/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 30 Jun 2025 13:13:33 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3058</guid>

					<description><![CDATA[Выпуклое программирование базируется на фундаментальном понятии выпуклости в математике, которое в финансовом контексте приобретает особый смысл. Функция считается выпуклой, если любая линейная комбинация двух точек на ее графике лежит выше самого графика. Такая функция позволяет не только найти оптимальное решение, но и гарантировать его глобальность — свойство, критически важное при работе с реальными деньгами. В [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
