σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

Quant-Entwicklung durch Praxis: kurze Lektionen, bewertete Labs und eine echte IDE direkt im Browser.

Lernen
Alle RoadmapsAlle SkillsPython-SkillC++-SkillBaldOxCaml-SkillBaldMarket Structure-SkillCalculus-SkillLinear Algebra-SkillProbability-SkillStatistics-SkillMatrix Decompositions-SkillOptimization-SkillTime Series-SkillStochastic Calculus-SkillBayesian Inference-SkillHidden Markov Models-SkillParticle filtering and non-stationary time series-Skill
Support
Feedback gebenSpendier uns einen Kaffee
Rechtliches
DatenschutzerklärungNutzungsbedingungen
© 2026 QuantCraft Solutions. Alle Rechte vorbehalten.
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Skills›Stochastic Calculus
S

Stochastic Calculus Skill

LiveHier starten

Optionsbewertung, Risikomodelle und viele Simulatoren beruhen auf einer Idee: Ein Kurs ist die Summe vieler winziger Zufallsschritte. Diese Fähigkeit erklärt sie in einfachen Schritten, mit kurzen Aufgaben (Zahlen zum Berechnen, Schritte zum Ordnen, Begriffe zum Zuordnen) und Finanzbeispielen: warum sich die quadrierten Änderungen eines Zufallspfads zur Zeit addieren, warum der Gewinn eines Absicherers ein Integral ist, das nur in die Vergangenheit schaut, warum die echte erwartete Rendite aus dem Optionspreis verschwindet, wie eine Bewertungs-PDE und ein Mittel über Zufallspfade dieselbe Zahl liefern, was Mean Reversion und Sprünge hinzufügen und wie ein Simulationsverfahren Tempo gegen Genauigkeit tauscht. Das Abschlussprojekt ist ein Code-Labor, in dem Sie ein Modell aus SPY-Renditen schätzen, es simulieren, einen Call per Formel und per Monte Carlo bewerten und messen, wie viel Absicherungsfehler bleibt, wenn nur alle paar Tage neu gewichtet wird.

5 Module12 bewertete Labs~12 StundenFortgeschritten
Skill starten

Voraussetzungen

Analysis und Wahrscheinlichkeit werden erwartet (Ableitungen, Integrale, Erwartungswert, Normalverteilung). Vorkenntnisse in Finanzen oder stochastischen Prozessen sind nicht nötig.

  • CCalculus
  • PProbability

Lehrplan

12 Themen · öffne jedes Thema, in beliebiger Reihenfolge
  1. 1Brownsche BewegungNicht begonnenErfordert Python50 Min.Starten
  2. 2Quadratische VariationNicht begonnen50 Min.Starten
  3. 3Das Itô-IntegralNicht begonnen1 Std.Starten
  1. 4Das Itô-LemmaNicht begonnenErfordert Python55 Min.Starten
  2. 5Geometrische Brownsche BewegungNicht begonnenErfordert Python55 Min.Starten
  1. 6Girsanov und das risikoneutrale MaßNicht begonnen1 Std. 5 Min.Starten
  2. 7Feynman-Kac und die Black-Scholes-PDENicht begonnen1 Std. 5 Min.Starten
  1. 8Mean-Reversion-Prozesse OU und CIRNicht begonnen55 Min.Starten
  2. 9Sprünge: Poisson und MertonNicht begonnen1 Std.Starten
  3. 10Lokale und stochastische VolatilitätNicht begonnen55 Min.Starten
  1. 11Euler-Maruyama- und Milstein-VerfahrenNicht begonnen55 Min.Starten
  2. 12Abschlussprojekt: simulieren bewerten und absichern mit diskreter NeugewichtungNicht begonnen1 Std. 40 Min.Starten

Abschluss

Bestehe alle 12 Labs mit mindestens 70 Punkten, um die Skill abzuschließen und das Abzeichen Stochastische Analysis in deinem Profil zu erhalten.

0 / 120%

Voraussetzungen

Analysis und Wahrscheinlichkeit werden erwartet (Ableitungen, Integrale, Erwartungswert, Normalverteilung). Vorkenntnisse in Finanzen oder stochastischen Prozessen sind nicht nötig.

  • CCalculus
  • PProbability

Diese Werkzeuge nutzt du

PythonNumPypandaspytest

Das lernst du

  • Erklären, warum ein Zufallspfad eine quadratische Variation gleich der Zeit hat und was das an der gewöhnlichen Analysis ändert
  • Itô-Integrale berechnen und das Itô-Lemma auf die geometrische Brownsche Bewegung anwenden
  • Von realen zu risikoneutralen Wahrscheinlichkeiten wechseln und Optionen mit der Black-Scholes-PDE und -Formel bewerten
  • Mean Reversion, Sprünge und stochastische Volatilität modellieren und wissen, was jedes zu einem Kursmodell beiträgt
  • Pfade mit Euler-Maruyama und Milstein simulieren, per Monte Carlo bewerten und den Fehler einer diskreten Delta-Absicherung an echten Renditen messen

Nächste Skill

BBayesian InferenceLive
uantCraft Academy

Quant-Entwicklung durch Praxis: kurze Lektionen, bewertete Labs und eine echte IDE direkt im Browser.

Lernen
Alle RoadmapsAlle SkillsPython-SkillC++-SkillBaldOxCaml-SkillBaldMarket Structure-SkillCalculus-SkillLinear Algebra-SkillProbability-SkillStatistics-SkillMatrix Decompositions-SkillOptimization-SkillTime Series-SkillStochastic Calculus-SkillBayesian Inference-SkillHidden Markov Models-SkillParticle filtering and non-stationary time series-Skill
Support
Feedback gebenSpendier uns einen Kaffee
Rechtliches
DatenschutzerklärungNutzungsbedingungen
© 2026 QuantCraft Solutions. Alle Rechte vorbehalten.
QuantCraft
AnmeldenBeitreten ↗
Anmelden