创建、训练和比较三种用于预测信用违约概率的深度学习网络。

利用深度神经网络训练信用风险的违约概率(PD)预测。该示例还展示了如何使用局部可解释的模型不可知解释(LIME)和Shapley值可解释性技术来理解模型的预测。此外，该示例分析了样本外值的模型预测，并执行了压力测试分析。

使用强化学习工具箱™学习最优期权对冲策略并超越传统的BSM方法。

使用深度学习工具箱™训练网络，并使用赫斯顿模型获得障碍期权价格的预测。

使用深度学习模型构建交易策略，然后在金融工具箱™回测框架中回测策略。该示例使用深度学习工具箱™从一组时间序列训练一个预测模型，并演示了将模型输出转换为交易信号所需的步骤。它建立了各种交易策略，回溯测试5年期间的信号数据。