SlideShare uma empresa Scribd logo
1 de 84
Black-Scholesの面白さ
1
2018/04/14 いとう(@k1ito)
松森さん歓迎&数理学院立ち上げ記念セミナー
@phi.cafe
自己紹介
●名前:いとう
●所属:東京大学大学院経済学研究科 M2
●Twitter:@k1ito (follow me!)
今回のセミナーとのつながり
●東大数学科卒(≒破門された) → 数学・佐野さん(???)
●Y!でバイトしてる → 佐野さん(???)
●アクチュアリー(を破門された) → 松森さん(???)
●Φカフェ(ココ)によくいる → (???)
●◎自分が好きな数学の話を聞いてほしい
2
本日のお話
Black-Scholesは面白い
C S, t = N d+ S − N d− Ke−r T−t
3
具体的に言うと
Black-Scholesは面白い
C S, t = N d+ S − N d− Ke−r T−t
ココ!が面白い
4
ココ! ココ! ココ! ココ! ココ!
Black-Scholes公式とは
[仮定]
●𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡 :時刻tでの株価
●𝐵𝑡 = 𝐵0 exp 𝑟𝑡 : 時刻tでの無リスク債券価格
●𝐶𝑡 : 時刻tでの満期T,行使価格KのEuropean Callオプションの価格
●市場はこの2資産からなり・売り買いが手数料なしで何回でもできる
[結論]
C S, t = N d+ S − N d− Ke−r T−t
where
𝑑± =
log
𝑆 𝑡
𝐾
+ 𝑟±
𝜎2
2
𝑇−𝑡
𝜎 𝑇−𝑡
, 𝑁 𝑥 =
1
2𝜋 −∞
𝑥
𝑒−
𝑦2
2 𝑑𝑦
5
Black-Scholes公式とは
[仮定]
●𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡 :時刻tでの株価
●𝐵𝑡 = 𝐵0 exp 𝑟𝑡 : 時刻tでの無リスク債券価格
●𝐶𝑡 : 時刻tでの満期T,行使価格KのEuropean Callオプションの価格
●市場はこの2資産からなり・売り買いが手数料なしで何回でもできる
[結論]
C S, t = N d+ S − N d− Ke−r T−t
where
𝑑± =
log
𝑆 𝑡
𝐾
+ 𝑟±
𝜎2
2
𝑇−𝑡
𝜎 𝑇−𝑡
, 𝑁 𝑥 =
1
2𝜋 −∞
𝑥
𝑒−
𝑦2
2 𝑑𝑦
6
目次
「Black-Scholesが面白い」
● 株価のモデルが面白い
● 公式の解釈・使い方が面白い
● 公式の発展が面白い
7
[概観]株価について考える
●𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡 とは。。。
𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡
→𝑆𝑡 = 𝑆0exp 𝜇𝑡
8
[概観]株価について考える
●𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡 とは。。。
𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡
→𝑆𝑡 = 𝑆0exp 𝜇𝑡
𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡
→ノイズが加わっている
𝑊𝑡:はブラウン運動
9
[概観]株価について考える
●𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡 とは。。。
𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡
→𝑆𝑡 = 𝑆0exp 𝜇𝑡
𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡
→ノイズが加わっている
𝑊𝑡:はブラウン運動
[復習](1)𝑊0 = 0 (2) 𝑊𝑡+𝑢 – 𝑊𝑡と 過去の情報𝑊𝑠 𝑠 < 𝑡 は独立
(3) 𝑊𝑡+𝑢 – 𝑊𝑡は平均0,分散uに従うrandom variable
(4) 事象を1つ固定すると、𝑊𝑡はtの関数として連続
10
[概観]株価について考える
●𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡 とは。。。
11
この章で考えたいこと
そもそも
なぜ𝒅𝑺 𝒕 = 𝝁𝑺 𝒕 𝒅𝒕 + 𝝈𝑺 𝒕 𝒅𝑾 𝒕
としてよいのか?
12
この章で考えたいこと
[主張]
𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡 としてよい。
13
この章で考えたいこと
[主張]
𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡 としてよい。
[証明]
𝑆 𝑡+Δ𝑡−𝑆𝑡
𝑆𝑡
= 𝜇Δ𝑡 + 𝜎 𝑊𝑡+Δ𝑡 − 𝑊𝑡 を示せば良い
𝑊𝑡はブラウン運動なので
𝑊𝑡+Δ𝑡 − 𝑊𝑡 は正規分布𝑁(0, Δt)に従う
(左辺)= 𝑁(𝜇Δ𝑡, 𝜎 Δt)を示せばよい。
14
もっとシンプルなモデルを考える
●1期間(t=0,1)のみ・上がるか下がるかのみ・株のみで
15
株価
100円
株価
110円
株価
90円
もっとシンプルなモデルを考える
●1期間(t=0,1)のみ・上がるか下がるかのみ・株のみ
Q:この株が上がる確率は何%?
16
株価
100円
株価
110円
株価
90円
1-p
p
もっとシンプルなモデルを考える
●1期間(t=0,1)のみ・上がるか下がるかのみ・株のみで
Q:この株が上がる確率は何%?
A:なんでも良い
17
株価
100円
株価
110円
株価
90円
1-p
p
もっとシンプルなモデルを考える
それを多期間に渡って繰り返すと、
→リターンは正規分布になる。
→ 𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝑊𝑡
18
[おまけ]大切なp
1つの考え方=同値マルチンゲール測度=50%
● →現在の値と期待値が一致する。
同値マルチンゲール測度ってどうなの?
● 株価=売りたい人と買いたい人が出会った値
● →上がる・下がると思っている人=50:50
● →現実的
Remark:[資産価格付の基本定理]
市場が無裁定⇔同値マルチンゲール測度が存在
19
目次
「Black-Scholesが面白い」
● 株価のモデルが面白い
○ 株価の過程が面白い
○ マルチンゲール測度が面白い
● 公式の解釈・使い方が面白い
● 公式の発展が面白い
20
Black-Scholes公式
C S, t = N d+ S − N d− Ke−r T−t
21
なにこれ
コールオプションとは
コールオプション=
●あらかじめ決められた日(限月)までに
●あらかじめ決められた価格(行使価格)で
●ある資産・指数を買う権利
→いわば、株価が上がるか下がるかの賭け
22
コールオプションとは(例)
コールオプション=
●今月末に
●日経平均株価(4/13終値21,778.74)を
●20000円で買う権利
●→???円
23
コールオプションとは(例)
コールオプション=
●今月末に
●日経平均株価(4/13終値21,778.74)を
●20000円で買う権利
●→1700円(4/12終値)
24
コールオプションとは(例)
コールオプション=
●今月末に
●日経平均株価(4/13終値21,778.74)を
●22000円で買う権利
●→???円
25
コールオプションとは(例)
コールオプション=
●今月末に
●日経平均株価(4/13終値21,778.74)を
●22000円で買う権利
●→5円(4/12終値)
26
コールオプション(例)
●4月末に日経平均を20000で買う権利を買ったら
27
コールオプション(例)
●4月末に日経平均を20000で買う権利を買ったら
●最初に1700円オプションの発行者に払う
(権利をゲット!)
28
コールオプション(例)
●4月末に日経平均を20000で買う権利を買ったら
●最初に1700円オプションの発行者に払う
29
日経平均
21778円
コールオプション(例)
●4月末に日経平均を20000で買う権利を買ったら
●最初に1700円オプションの発行者に払う
30
日経平均
21778円
日経平均
22000円
コールオプション(例)
●4月末に日経平均を20000で買う権利を買ったら
●最初に1700円オプションの発行者に払う
31
日経平均
21778円
日経平均
22000円
20000円で買って
22000円で売る
権利を行使する
=2000円得ー1700円
コールオプション(例)
●4月末に日経平均を20000で買う権利を買ったら
●最初に1700円オプションの発行者に払う
32
日経平均
21778円
日経平均
22000円
20000円で買って
22000円で売る
権利を行使する
=2000円得ー1700円
日経平均
20000円
コールオプション(例)
●4月末に日経平均を20000で買う権利を買ったら
●最初に1700円オプションの発行者に払う
33
日経平均
21778円
日経平均
22000円
20000円で買って
22000円で売る
権利を行使する
=2000円得ー1700円
日経平均
20000円
コールオプション(例)
●4月末に日経平均を20000で買う権利を買ったら
●最初に1700円オプションの発行者に払う
34
日経平均
21778円
日経平均
22000円
20000円で買って
22000円で売る
権利を行使する
=2000円得ー1700円
日経平均
20000円
20000円で買って
20000円で売る
権利を放棄する
=0円得ー1700円
コールオプション(例)
●4月末に日経平均を22000で買う権利を買ったら
35
コールオプション(例)
●4月末に日経平均を22000で買う権利を買ったら
●最初に5円オプションの発行者に払う
(権利をゲット!)
36
コールオプション(例)
●4月末に日経平均を22000で買う権利を買ったら
●最初に5円オプションの発行者に払う
37
日経平均
21778円
コールオプション(例)
●4月末に日経平均を22000で買う権利を買ったら
●最初に5円オプションの発行者に払う
38
日経平均
21778円
日経平均
23000円
コールオプション(例)
●4月末に日経平均を22000で買う権利を買ったら
●最初に5円オプションの発行者に払う
39
日経平均
21778円
日経平均
23000円
22000円で買って
23000円で売る
権利を行使する
=1000円得-5円
コールオプション(例)
●4月末に日経平均を22000で買う権利を買ったら
●最初に5円オプションの発行者に払う
40
日経平均
21778円
日経平均
23000円
22000円で買って
23000円で売る
権利を行使する
=1000円得-5円
日経平均
20000円
コールオプション(例)
●4月末に日経平均を22000で買う権利を買ったら
●最初に5円オプションの発行者に払う
41
日経平均
21778円
日経平均
23000円
22000円で買って
23000円で売る
権利を行使する
=1000円得-5円
日経平均
20000円
22000円で買って
20000円で売る
権利を放棄する
=0円損ー5円
整理すると
42
-200
0
200
400
600
800
1000
1200
1400
20000 20500 21000 21500 22000 22500 23000 23500
コールオプションを買ったときの利得
株価が上がったら
得する
株価が下がっても
損しない
コールオプションの価格とは。
●もしあなたがコールオプションを発行する側だったら、
43
コールオプションの価格とは。
●もしあなたがコールオプションを発行する側だったら、
→損はしたくないので買う人にいくらかチャージさせる。
44
コールオプションの価格とは。
●もしあなたがコールオプションを発行する側だったら、
→損はしたくないので買う人にいくらかチャージさせる。
→一方でチャージ料金が高すぎると誰も買ってくれない。
45
コールオプションの価格とは。
●もしあなたがコールオプションを発行する側だったら、
→損はしたくないので買う人にいくらかチャージさせる。
→一方でチャージ料金が高すぎると誰も買ってくれない。
→公平な価格を知らないといけない
46
コールオプションの価格とは。
●もしあなたがコールオプションを発行する側だったら、
→損はしたくないので買う人にいくらかチャージさせる。
→一方でチャージ料金が高すぎると誰も買ってくれない。
→公平な価格を知らないといけない
C S, t = N d+ S − N d− Ke−r T−t
47
コールオプションの価格とは。
●もしあなたがコールオプションを発行する側だったら、
→損はしたくないので買う人にいくらかチャージさせる。
→一方でチャージ料金が高すぎると誰も買ってくれない。
→公平な価格を知らないといけない
C S, t = N d+ S − N d− Ke−r T−t
48
本当に?
コールオプションの価格とは。
●もしあなたがコールオプションを発行する側だったら、
→公正な価格を知らないといけない。
公正な価格
=E[自分が得うる利得]
=E[得したときに発生する損]
ーE[損するときに発生する損]
49
思い出す
●買った人の目線で
50
-200
0
200
400
600
800
1000
1200
1400
20000 20500 21000 21500 22000 22500 23000 23500
コールオプションを買ったときの利得
株価が上がったら
得する
株価が下がっても
損しない
逆に考える
●売った人の目線で
51
-1400
-1200
-1000
-800
-600
-400
-200
0
200
20000 20500 21000 21500 22000 22500 23000 23500
コールオプションを売ったときの利得
また買った人目線で考える
C S, t = N d+ S − N d− Ke−r T−t
52
得したときに発生する得
の期待値
損したときに発生する損
の期待値
Black-Scholesの面白さ①
C S, t = N d+ S − N d− Ke−r T−t
① 単純な賭けの発想から
オプションの価格が求まる
53
得したときに発生する得
の期待値
損したときに発生する損
の期待値
Black-Scholesの面白さ②
C S, t = N d+ S − N d− Ke−r T−t
②公正な価格である
=売り手にも買い手にも公平な価格
=経済学(平衡)な考え方もできる
54
得したときに発生する得
の期待値
損したときに発生する損
の期待値
Black-Scholesの面白さ③
C S, t = N d+ S − N d− Ke−r T−t
③S=株価、Ke−r T−t
=Kの現在価値
55
得したときに発生する得
の期待値
損したときに発生する損
の期待値
Black-Scholesの面白さ③
C S, t = N d+ S − N d− Ke−r T−t
③S=株価、Ke−r T−t
=Kの現在価値
→右辺は株をN d+ 個かって、
債券をN d− 個売っている。
56
株 債券オプション
Black-Scholesの面白さ③アナロジー
Gauss-Bonnet
57
Black-Scholesの面白さ⑤
C S, t = N d+ S − N d− Ke−r T−t
④オプションを売ったら、
株と債券を持って相殺すればいい
→ヘッジの考え方
58
株 債券オプション
Black-Scholesの面白さ⑤
C S, t = N d+ S − N d− Ke−r T−t
⑤それぞれの数字を動かしてみると
面白い
59
得したときに発生する得
の期待値
損したときに発生する損
の期待値
Black-Scholesの面白さ⑤数値を動かしてみる
株価の初期値:S=100,
行使価格 :K=100,
満期時刻 :T=1,
利率 :r=0.01
を考える
60
行使価格Kを動かしてみる
61
0
5
10
15
20
25
75 80 85 90 95 100 105 110 115 120 125
C
K
Kを上昇させたときのC
C
ボラティリティ(σ)を動かしてみる
62
0
2
4
6
8
10
12
14
16
18
20
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
C
σ
σを上昇させたときのC
時刻tを動かしてみる
63
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
0 0.2 0.4 0.6 0.8 1 1.2
C
t
tを動かしたときのC
目次
「Black-Scholesが面白い」
● 無裁定価格理論が面白い
○ 株価の過程が面白い
○ マルチンゲール測度が面白い
● 公式の解釈・使い方が面白い
○ シンプルな公式だが解釈をして見ると面白い
● 公式の発展が面白い
64
いろいろな発展
●取引コスト・取引回数を考慮していない
→ B-S公式を微修正することによって取引コスト・回数は加味できる
65
いろいろな発展
●取引コスト・取引回数を考慮していない
●あくまでこれは理論価格・実際にオプションは取引されている
→ヘッジのためだけでなくオプションそのものでお金を稼ぐ人もいる
→理論価格と需給で決まったマーケット価格には乖離がある
→理論と実務のコミュニケーションがある
66
いろいろな発展
●取引コスト・取引回数を考慮していない
●あくまでこれは理論価格・実際にオプションは取引されている
●σは直接観測する事ができない。
→一つモデルを作ってパラメータを当てなければならない
→数理統計的な手法が必要
67
いろいろな発展
●取引コスト・取引回数を考慮していない
●あくまでこれは理論価格・実際にオプションは取引されている
●σは直接観測する事ができない。
●そもそも𝑆𝑡がシンプルすぎる。
→ドリフトμ・ボラティリティσが時間変化するモデルSVが一般的
→そもそもブラウン運動でないと考えるfBMが最近流行
→しかし、あまりにも複雑にしすぎると破綻することもある
68
いろいろな発展
●取引コスト・取引回数を考慮していない
●あくまでこれは理論価格・実際にオプションは取引されている
●σは直接観測する事ができない。
●そもそも𝑆𝑡がシンプルすぎる。
●もっと複雑なオプションの場合は解析解がない場合も多い
→MCによる計算コストが少なくかつ現実的なモデルが必要
→Kusuoka Approximationなど
69
いろいろな発展
●取引コスト・取引回数を考慮していない
●あくまでこれは理論価格・実際にオプションは取引されている
●σは直接観測する事ができない。
●そもそも𝑆𝑡がシンプルすぎる。
●もっと複雑なオプションの場合は解析解がない場合も多い
●そもそも発行者が倒産どうしたら良いのか
→リスクを考慮したCVA・XVAなどが最近流行
70
いろいろな発展
●取引コスト・取引回数を考慮していない
●あくまでこれは理論価格・実際にオプションは取引されている
●σは直接観測する事ができない。
●そもそも𝑆𝑡がシンプルすぎる。
●もっと複雑なオプションの場合は解析解がない場合も多い
●そもそも発行者が倒産どうしたら良いのか
●オプションの価格は投資家の心理を反映している
→オプションの価格から推定した確率密度≠ヒストリカルな確率密度
→この差を利用した投資戦略VRPが最近流行
71
まとめ
Black-Scholesは面白い
C S, t = N d+ S − N d− Ke−r T−t
72
オプション
が面白い
オプション
=株+債券
が面白い
株価との
感応度
がわかる
株価の
モデル
が面白い
複利計算
が面白い
参考文献
●フィナンシャルエンジニアリング〔第9版〕
―デリバティブ取引とリスク管理の総体系ー
ジョン ハル (著),
デリバティブについてなら
何でも書いてあって感動する
73
参考文献
●ファイナンスのための確率解析I・II
S.E.シュリーヴ(著)
確率解析について丁寧に書いてある
デリバティブの数理ついてなら大体書いてある
74
参考文献
●Notes on Stochastic Finance
Nicolas Privault(著)
http://www.ntu.edu.sg/home/nprivault/indext.html
無料で手に入る講義ノート
丁寧かつ大量に書いてあって感動する
コードや動画なども埋め込まれている。
75
参考文献
●Python for Finance: Analyze Big Financial Data
Yves Hilpisch (著)
エンジニア・Pythonかける人向け
コード・手を動かしてファイナンスを理解できる
新しいめの内容も多い
理論的なことはあまり書いてない
76
おまけ①今回話せなかった数理ファイナンスの妙味
●一般的な数理ファイナンスのイメージ
77
なんかすごい天才がすごいモデルをつくる
おまけ①今回話せなかった数理ファイナンスの妙味
●一般的な数理ファイナンスのイメージ
78
なんかすごい天才がすごいモデルをつくる 絶対儲かる仕組みができる
おまけ①今回話せなかった数理ファイナンスの妙味
●実際の数理ファイナンス
数理ファイナンスの基本原理(公理)
=この世に絶対に儲かる話(裁定)はない。
=うまい話には裏がある
≒リスクを取らなければ、リターンはない
79
おまけ①今回話せなかった数理ファイナンスの妙味
●裁定がないとすると何が良いのか?
[資産価格の第一基本定理]
市場に裁定はない ⇔ 同値マルチンゲール測度が存在する
80
おまけ①今回話せなかった数理ファイナンスの妙味
●裁定がないとすると何が良いのか?
[資産価格の第一基本定理]
市場に裁定はない ⇔ 同値マルチンゲール測度が存在する
絶対に儲かる話はない ⇔ だれにでも公平な価格がきめれる
81
おまけ①今回話せなかった数理ファイナンスの妙味
●裁定がないとすると何が良いのか?
[資産価格の第一基本定理]
市場に裁定はない ⇔ 同値マルチンゲール測度が存在する
絶対に儲かる話はない ⇔ だれにでも公平な価格がきめれる
[資産価格の第二基本定理]
市場に裁定はない・任意のペイオフが複製可能(完備)
⇔ 同値マルチンゲール測度が一意に定まる
⇔ だれにでも公平な価格が一意に定まる
82
おまけ①今回話せなかった数理ファイナンスの妙味
●裁定がないのにどうやってお金を儲ければ良いのか。
①ヘッジの考え方
複雑な商品を作って・ヘッジして手数料を取ればいい。
②リスクヘッジの考え方
リスクを取らなければリターンはないのでリスクを取る
その時のリスクをコントロールし、好きなリスクだけを取る
③αをさがす
皆が気づいていない法則を見つければ、
皆が気づかないうちは、それで儲けることができる。
皆が気づくとまた元通りになる
83
Thank you!
@k1ito
84

Mais conteúdo relacionado

Mais procurados

強化学習 と ゲーム理論 (MARL)
強化学習 と ゲーム理論 (MARL)強化学習 と ゲーム理論 (MARL)
強化学習 と ゲーム理論 (MARL)HarukaKiyohara
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説tancoro
 
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介Deep Learning JP
 
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAttentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAGIRobots
 
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有Naoaki Okazaki
 
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural NetworksYosuke Shinya
 
クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法Hiroshi Nakagawa
 
A summary on “On choosing and bounding probability metrics”
A summary on “On choosing and bounding probability metrics”A summary on “On choosing and bounding probability metrics”
A summary on “On choosing and bounding probability metrics”Kota Matsui
 
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法Deep Learning JP
 
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデルSEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデルMasaru Tokuoka
 
POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用Yasunori Ozaki
 
駒場学部講義2018 「意識の神経科学と自由エネルギー原理」講義スライド
駒場学部講義2018 「意識の神経科学と自由エネルギー原理」講義スライド駒場学部講義2018 「意識の神経科学と自由エネルギー原理」講義スライド
駒場学部講義2018 「意識の神経科学と自由エネルギー原理」講義スライドMasatoshi Yoshida
 
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...Masatoshi Yoshida
 
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから (2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから Ichigaku Takigawa
 
機械学習によるハイスループット 第一原理計算の代替の可能性_日本化学会_20230323
機械学習によるハイスループット 第一原理計算の代替の可能性_日本化学会_20230323機械学習によるハイスループット 第一原理計算の代替の可能性_日本化学会_20230323
機械学習によるハイスループット 第一原理計算の代替の可能性_日本化学会_20230323Matlantis
 
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリングmlm_kansai
 
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2Preferred Networks
 
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
[DL輪読会]Recent Advances in Autoencoder-Based Representation LearningDeep Learning JP
 
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習Eiji Uchibe
 
AlphaGo Zero 解説
AlphaGo Zero 解説AlphaGo Zero 解説
AlphaGo Zero 解説suckgeun lee
 

Mais procurados (20)

強化学習 と ゲーム理論 (MARL)
強化学習 と ゲーム理論 (MARL)強化学習 と ゲーム理論 (MARL)
強化学習 と ゲーム理論 (MARL)
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説
 
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
 
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAttentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
 
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
 
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
 
クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法
 
A summary on “On choosing and bounding probability metrics”
A summary on “On choosing and bounding probability metrics”A summary on “On choosing and bounding probability metrics”
A summary on “On choosing and bounding probability metrics”
 
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
 
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデルSEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
 
POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用
 
駒場学部講義2018 「意識の神経科学と自由エネルギー原理」講義スライド
駒場学部講義2018 「意識の神経科学と自由エネルギー原理」講義スライド駒場学部講義2018 「意識の神経科学と自由エネルギー原理」講義スライド
駒場学部講義2018 「意識の神経科学と自由エネルギー原理」講義スライド
 
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
 
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから (2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
 
機械学習によるハイスループット 第一原理計算の代替の可能性_日本化学会_20230323
機械学習によるハイスループット 第一原理計算の代替の可能性_日本化学会_20230323機械学習によるハイスループット 第一原理計算の代替の可能性_日本化学会_20230323
機械学習によるハイスループット 第一原理計算の代替の可能性_日本化学会_20230323
 
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
 
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
 
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
 
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
 
AlphaGo Zero 解説
AlphaGo Zero 解説AlphaGo Zero 解説
AlphaGo Zero 解説
 

Mais de Katsuya Ito

ICML2021の連合学習の論文
ICML2021の連合学習の論文ICML2021の連合学習の論文
ICML2021の連合学習の論文Katsuya Ito
 
西山計量経済学第8章 制限従属変数モデル
西山計量経済学第8章 制限従属変数モデル西山計量経済学第8章 制限従属変数モデル
西山計量経済学第8章 制限従属変数モデルKatsuya Ito
 
CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習Katsuya Ito
 
表明保証と補償責任
表明保証と補償責任表明保証と補償責任
表明保証と補償責任Katsuya Ito
 
Gali3章Monetary Policy, Inflation, and the Business Cycle~the basic new keynes...
Gali3章Monetary Policy, Inflation, and the Business Cycle~the basic new keynes...Gali3章Monetary Policy, Inflation, and the Business Cycle~the basic new keynes...
Gali3章Monetary Policy, Inflation, and the Business Cycle~the basic new keynes...Katsuya Ito
 
新問題研究 要件事実
新問題研究 要件事実新問題研究 要件事実
新問題研究 要件事実Katsuya Ito
 
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定Katsuya Ito
 
Convex Analysis and Duality (based on "Functional Analysis and Optimization" ...
Convex Analysis and Duality (based on "Functional Analysis and Optimization" ...Convex Analysis and Duality (based on "Functional Analysis and Optimization" ...
Convex Analysis and Duality (based on "Functional Analysis and Optimization" ...Katsuya Ito
 
量子プログラミング入門
量子プログラミング入門量子プログラミング入門
量子プログラミング入門Katsuya Ito
 
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめたKatsuya Ito
 
異常検知と変化検知で復習するPRML
異常検知と変化検知で復習するPRML異常検知と変化検知で復習するPRML
異常検知と変化検知で復習するPRMLKatsuya Ito
 
ICLR 2018 Best papers 3本を紹介
ICLR 2018 Best papers 3本を紹介ICLR 2018 Best papers 3本を紹介
ICLR 2018 Best papers 3本を紹介Katsuya Ito
 
計算数学I TA小話①(TeXについて)
計算数学I TA小話①(TeXについて)計算数学I TA小話①(TeXについて)
計算数学I TA小話①(TeXについて)Katsuya Ito
 
深層ニューラルネットワークの積分表現(Deepを定式化する数学)
深層ニューラルネットワークの積分表現(Deepを定式化する数学)深層ニューラルネットワークの積分表現(Deepを定式化する数学)
深層ニューラルネットワークの積分表現(Deepを定式化する数学)Katsuya Ito
 
Goodfellow先生おすすめのGAN論文6つを紹介
Goodfellow先生おすすめのGAN論文6つを紹介Goodfellow先生おすすめのGAN論文6つを紹介
Goodfellow先生おすすめのGAN論文6つを紹介Katsuya Ito
 
とぽろじー入門(画像なし版)
とぽろじー入門(画像なし版)とぽろじー入門(画像なし版)
とぽろじー入門(画像なし版)Katsuya Ito
 

Mais de Katsuya Ito (16)

ICML2021の連合学習の論文
ICML2021の連合学習の論文ICML2021の連合学習の論文
ICML2021の連合学習の論文
 
西山計量経済学第8章 制限従属変数モデル
西山計量経済学第8章 制限従属変数モデル西山計量経済学第8章 制限従属変数モデル
西山計量経済学第8章 制限従属変数モデル
 
CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習
 
表明保証と補償責任
表明保証と補償責任表明保証と補償責任
表明保証と補償責任
 
Gali3章Monetary Policy, Inflation, and the Business Cycle~the basic new keynes...
Gali3章Monetary Policy, Inflation, and the Business Cycle~the basic new keynes...Gali3章Monetary Policy, Inflation, and the Business Cycle~the basic new keynes...
Gali3章Monetary Policy, Inflation, and the Business Cycle~the basic new keynes...
 
新問題研究 要件事実
新問題研究 要件事実新問題研究 要件事実
新問題研究 要件事実
 
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
 
Convex Analysis and Duality (based on "Functional Analysis and Optimization" ...
Convex Analysis and Duality (based on "Functional Analysis and Optimization" ...Convex Analysis and Duality (based on "Functional Analysis and Optimization" ...
Convex Analysis and Duality (based on "Functional Analysis and Optimization" ...
 
量子プログラミング入門
量子プログラミング入門量子プログラミング入門
量子プログラミング入門
 
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
 
異常検知と変化検知で復習するPRML
異常検知と変化検知で復習するPRML異常検知と変化検知で復習するPRML
異常検知と変化検知で復習するPRML
 
ICLR 2018 Best papers 3本を紹介
ICLR 2018 Best papers 3本を紹介ICLR 2018 Best papers 3本を紹介
ICLR 2018 Best papers 3本を紹介
 
計算数学I TA小話①(TeXについて)
計算数学I TA小話①(TeXについて)計算数学I TA小話①(TeXについて)
計算数学I TA小話①(TeXについて)
 
深層ニューラルネットワークの積分表現(Deepを定式化する数学)
深層ニューラルネットワークの積分表現(Deepを定式化する数学)深層ニューラルネットワークの積分表現(Deepを定式化する数学)
深層ニューラルネットワークの積分表現(Deepを定式化する数学)
 
Goodfellow先生おすすめのGAN論文6つを紹介
Goodfellow先生おすすめのGAN論文6つを紹介Goodfellow先生おすすめのGAN論文6つを紹介
Goodfellow先生おすすめのGAN論文6つを紹介
 
とぽろじー入門(画像なし版)
とぽろじー入門(画像なし版)とぽろじー入門(画像なし版)
とぽろじー入門(画像なし版)
 

Black-Scholesの面白さ