Financial Data Analytics and Machine Learning
Wichtige Informationen
| Stud.IP-Veranstaltungsnummer: | 39910 (VL) + 39911 (UE) |
| Prüfungsnummer: | |
| Modulgruppe: | |
| SWS: | 4 (Vorlesung + Übung) |
| Zeitdauer des Moduls: | 1 Sommersemester |
| Turnus: | Jedes Semester |
| Prüfungsleistung: | Klausur und Projektarbeit |
| ECTS: | 5 |
Empfohlene Voraussetzungen
Grundlagen der Mathematik und Statistik. Programmierkenntnisse in Python sind vorteilhaft, jedoch erhalten alle Studierenden zu Beginn des Kurses die notwendigen Pythonkenntnisse, um erfolgreich am Kurs teilzunehmen. Bestenfalls wurde bereits vorher der Kurs "Fundamentals of Business Analytics" (39720) belegt.
Wiedeholungsmöglichkeit
Bei Nichtbestehen können alle Veranstaltungen gemäß § 6 der Fachstudien- und -prüfungsordnung wiederholt werden.
- Einführung in die Programmierung mit Python
- Empirische Charakteristika repräsentativer Finanzdaten
- Univariate Modellierung von Finanzdaten durch Modelle
- Geeignete Wahrscheinlichkeitsverteilungen für Financial Returns
- Zeit-variierende Momente: Erwartungswert und Varianz
- Multivariate Modellierung von Finanzdaten
- Paarweise Abhängigkeiten zwischen Anlagen
- Zeit-variierende Abhängigkeiten
- Hauptkomponentenanalyse zur Generierung systematischer Risikofaktoren auf Finanzmärkten
- Gruppierung von Anlagen bzw. Aktienunternehmen durch Clusteranalyse
- Alternative Daten
- Probleme und Herausforderungen beim Einsatz von modernen Machine Learning Methoden im Finanzbereich
Empfohlene Literatur
- Machine Learning in Finance (2021) - Dixon, M.F., Halperin, I., Bilokon, P.; Springer Verlag
- An Introducion to Statistical Learning (2013) - James, G., Witten, D., Hastie, T., Tibshirani, R.; Springer
- Statistics and Data Analysis for Financial Engineering (2015) - Ruppert, D., Matteson, D.S.; Springer
Studierende erlangen ein grundlegendes Verständnis zur statistischen Modellierung von Finanzdaten. Studierende sind in der Lage die Besonderheiten von Finanzdaten zu benennen und bei der Analyse zu berücksichtigen. Zudem verstehen Studierende auf welche Art Machine Learning im Finanzbereich erkenntnisreich und informativ eingesetzt werden kann. Studierende führen eigenständige Analysen durch, die tiefgreifende Bezüge zu Theorien der Finanzmärkte herstellen.
Lehrform
- Interaktive Vorlesungen, inkl. digitaler Unterlagen
- Interaktive Übungseinheiten imit eigenständiger Programmierung
Diese Seite teilen
