<?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>моделирование риска &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/modelirovanie-riska/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 11 Dec 2025 01:11:52 +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>моделирование риска &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>EGARCH, TGARCH, FIGARCH для моделирования асимметричной волатильности</title>
		<link>https://mlgu.ru/6807/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 11 Dec 2025 00:51:07 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[эконометрические модели]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6807</guid>

					<description><![CDATA[Волатильность большинства финансовых активов ассиметрична: негативные шоки увеличивают ее сильнее, чем позитивные той же величины. Классическая модель GARCH (1,1) предполагает симметричный отклик условной дисперсии, что приводит к систематическим ошибкам в оценке риска и неэффективному хеджированию опционных позиций. Эконометрические модели EGARCH, TGARCH и FIGARCH расширяют базовую спецификацию GARCH, позволяя моделировать асимметричные эффекты и долгую память в [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Экстремальная теория значений (EVT): моделирование хвостовых рисков, оценка VaR и Expected Shortfall</title>
		<link>https://mlgu.ru/5302/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 12 Oct 2025 16:31:59 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5302</guid>

					<description><![CDATA[Большинство финансовых моделей с той или иной степенью точности надежно описывают регулярную динамику данных. Однако в моменты кризиса они часто дают сбой, недооценивая риск редких и разрушительных событий. Именно здесь на помощь приходит экстремальная теория значений (Extreme Value Theory, EVT) — мощный математический инструмент для анализа самых критических отклонений. В отличие от классических методов, которые [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Копулы в финансовом моделировании: зависимости между случайными величинами</title>
		<link>https://mlgu.ru/5060/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 08 Oct 2025 10:54:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5060</guid>

					<description><![CDATA[Копулы — это мощный инструмент в финансовом моделировании, позволяющий описывать сложные зависимости между активами, которые выходят далеко за рамки линейной корреляции. Использование корреляций (в частности Пирсона), несомненно, остаются базой в портфельных моделях, но это адекватно лишь при эллиптических распределениях и линейных связях. В реальности же рынки редко подчиняются этим упрощенным предположениям, что приводит к недооценке [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование вероятности дефолта через логистическую регрессию</title>
		<link>https://mlgu.ru/4829/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 28 Sep 2025 20:50:26 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[кросс-валидация]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4829</guid>

					<description><![CDATA[Прогнозирование вероятности дефолта — одна из ключевых задач в управлении кредитными рисками, которая помогает банкам, инвестиционным компаниям и бизнесу принимать более взвешенные решения. Существует множество инструментов для таких прогнозов, хотя логистическая регрессия &#8212; пожалуй, наиболее популярный. Она позволяет на основе набора факторов (например, дохода клиента, кредитной истории, уровня долговой нагрузки) оценить вероятность того, что заемщик [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>LSTM для прогнозирования волатильности: многослойные архитектуры и sequence-to-sequence подходы</title>
		<link>https://mlgu.ru/4634/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 26 Sep 2025 12:10:51 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4634</guid>

					<description><![CDATA[В течение последних нескольких лет работы с временными рядами финансовых данных я неоднократно сталкивался с проблемой прогнозирования волатильности. Классические GARCH модели и их вариации показывают ограниченную эффективность при краткосрочных и intraday-стратегиях, особенно когда рынок демонстрирует резкие структурные сдвиги. Сегодня хочу поделиться своими наблюдениями о применении LSTM архитектур для решения этой задачи &#8212; от базовых многослойных [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Модели временной структуры процентных ставок: Hull-White, Cox-Ingersoll-Ross (CIR) и другие одно- и многофакторные модели</title>
		<link>https://mlgu.ru/3956/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 30 Aug 2025 04:45:08 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[хеджирование]]></category>
		<category><![CDATA[эконометрические модели]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3956</guid>

					<description><![CDATA[Временная структура процентных ставок представляет собой зависимость доходности от срока до погашения для инструментов с одинаковым кредитным риском. Эта кривая доходности содержит огромное количество информации о рыночных ожиданиях, денежно-кредитной политике и макроэкономических перспективах. Моделирование ее динамики позволяет не только оценивать справедливую стоимость процентных деривативов, но и строить эффективные хеджирующие стратегии. Фундаментальные принципы моделирования процентных ставок [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
