Überwachtes Lernen für Finanzanalyse
Unser Lernprogramm vermittelt die grundlegenden Techniken des überwachten maschinellen Lernens und deren praktische Anwendung in der Finanzbranche. Sie arbeiten mit echten Datensätzen und entwickeln Modelle, die Markttrends analysieren und Risiken bewerten können.
Das Programm ist so aufgebaut, dass Sie schrittweise von den Grundlagen der Regression und Klassifikation bis hin zu fortgeschrittenen Techniken wie Ensemble-Methoden und neuronalen Netzen voranschreiten. Jedes Modul beinhaltet praktische Übungen mit Finanzdaten und direktes Feedback zu Ihrer Arbeit.
Programmstruktur
Vier aufeinander aufbauende Phasen, die Sie von den Grundlagen bis zur selbständigen Modellentwicklung führen. Jede Phase dauert etwa drei Wochen und kombiniert theoretische Konzepte mit praktischen Projekten.
Einführung in überwachtes Lernen
Sie beginnen mit den fundamentalen Konzepten des überwachten Lernens und lernen, wie Algorithmen aus beschrifteten Daten lernen. Wir behandeln lineare und logistische Regression sowie grundlegende Metriken zur Modellbewertung.
- Konzepte von Training, Validierung und Testdaten
- Implementierung einfacher Regressionsmodelle mit scikit-learn
- Bewertung von Modellleistung mit MSE, MAE und R²
- Praktische Übung mit historischen Aktienkursdaten
Klassifikationstechniken für Finanzentscheidungen
Hier entwickeln Sie Klassifikationsmodelle für binäre und mehrklassige Probleme. Sie arbeiten mit Entscheidungsbäumen, Support Vector Machines und Naive Bayes, um Kreditrisiken und Marktbewegungen vorherzusagen.
- Implementierung von Entscheidungsbäumen und Random Forests
- Umgang mit unbalancierten Datensätzen im Finanzbereich
- Verständnis von Precision, Recall und ROC-Kurven
- Projekt: Vorhersage von Kreditausfällen mit echten Bankdaten
Modelloptimierung und Feature Engineering
In dieser Phase verbessern Sie die Leistung Ihrer Modelle durch Hyperparameter-Tuning und Feature-Engineering. Sie lernen Cross-Validation, Grid Search und Techniken zur Dimensionsreduktion kennen.
- Automatisierte Hyperparameter-Optimierung mit GridSearchCV
- Feature-Selection und -Transformation für Finanzdaten
- Techniken zur Vermeidung von Overfitting und Underfitting
- Ensemble-Methoden: Bagging, Boosting und Stacking
Fortgeschrittene Techniken und Abschlussprojekt
Sie arbeiten mit neuronalen Netzen für Zeitreihenvorhersagen und entwickeln ein vollständiges Analysesystem für ein reales Finanzproblem. Das Abschlussprojekt umfasst Datenbeschaffung, Modellentwicklung und Präsentation der Ergebnisse.
- Einführung in neuronale Netze mit Keras und TensorFlow
- LSTM-Netzwerke für Zeitreihenvorhersagen
- Modellinterpretation mit SHAP und LIME
- Abschlussprojekt: Entwicklung eines vollständigen Vorhersagesystems
Dr. Henrik Wunderlich
ProgrammentwicklerHenrik hat das Curriculum für überwachtes Lernen entwickelt und bringt zehn Jahre Erfahrung in der Anwendung von maschinellem Lernen auf Finanzmarktdaten mit. Er hat bei mehreren Hedgefonds gearbeitet und lehrt seit fünf Jahren an verschiedenen Universitäten.
Ingrid Sørensen
Technische BetreuerinIngrid unterstützt die Teilnehmer bei technischen Fragen und bei der Implementierung ihrer Projekte. Sie hat einen Hintergrund in quantitativer Finanzanalyse und arbeitet eng mit jedem Studierenden zusammen, um sicherzustellen, dass die Konzepte richtig verstanden und angewendet werden.