Computational Methods for Stochastic Differential Equations

Innehåll visas utifrån dina val

Om du inte hittar någon sida, schemahändelse eller nyhet på din kurswebb kan det bero på att du inte ser den kursomgången/gruppen inom kursen som innehållet tillhör.

Veta mer om din kurswebb

Din kurswebb är sidorna för en kurs du prenumererar på. Du väljer sedan vilka omgångar/grupper inom kursen du vill ha information från. Är du registrerad på en kursomgång sköts prenumeration och val av kursomgäng automatiskt åt dig. Vill du ändra något av detta gör du det under Mina inställningar.

När du är inloggad på din kurswebb ser du:
  • Kursöversikt, nyheter och schema med information som är filtrerat utifrån dina valda omgångar/grupper inom kursen
  • Allmänna sidor för hela kursen
  • Kurswikin som är sidor som alla, lärare och studenter, kan skapa och redigera
  • Sidor som hör till de omgångar/grupper inom kursen du valt eller som valts för dig

Log in to your course web

You are not logged in KTH, so we cannot customize the content.

These pages contain information for the courses SF2522 (master level) and SF3581 (graduate level), that are taught together. 

Course webb page SF2525 2019

Course webb page SF2522 2019

Course webb page 2018

In this course we will define what is meant by stochastic differential equations and their solutions. The definition uses numerical schemes, and in the process we also obtain convergence results for these schemes. Expected values as functions of starting positions for SDEs are given by solutions to partial differential equations. We will consider the two different possibilities of finding such expected values by Monte Carlo simulation and finite difference schemes.

Applications included are e.g. finance, where stock prices are modelled using SDEs, molecular dynamics, where SDEs are used to model systems with constant temperature, and machine learning  where the basic stochastic gradient descent algorithms is a numerical scheme for perturbed gradient flow. Optimal control will also be discussed in the course. It is used e.g. in optimal hedging,  finding reaction rates in molecular dynamics and analyzing machine learning convergence rates.

Teachers

No activity in the past month. Go to News feed to see older activity

Feedback News