| Kursbeschreibung (description): |
Im Workshop AI412 Zeitreihenanalysen für Finanzdaten mit Machine Learning lernen Sie anhand von Finanzmarktdaten, wie Sie Devisenkurse und andere mit der Wechselkursentwicklung assoziierte Variablen analysieren. Dabei werden grundlegende Methoden der Zeitreihenanalyse, wie Autokorrelation, ARMA-Modelle, Regression, Trends, Stationarität, Prognoseerstellung und Prognoseevaluation behandelt.
Zusätzlich werden maschinelle Lernverfahren, wie Regularisierung und Random Forests, vorgestellt und angewendet. Schließlich wird das Konzept des Value-at-Risk als Risikomaß behandelt und mit Hilfe von Bootstrapping Prognoseintervalle sowie der Expected Shortfall geschätzt.
Beachten Sie auch das inhaltlich verwandte Modul AI410 Prognose von Verkäufen und Optimierung der Lagerhaltung mit Machine Learning.
|
|
| Zielgruppe (target group): |
|
|
| Voraussetzungen (requirements): |
|
|
| Ziele (objectives): |
Grundlegende Zeitreihenanalyse, Analyse von Devisenkursen, Anwendung von maschinellem Lernen, Value-at-Risk-Konzept.
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 1 Tag
Schulungslänge (course length): 04:30 Stunden (inkl. Pausen)
Preis (price): 450,- Euro zzgl. MwSt.
Gerne führen wir dieses Training auch inhouse bei Ihnen vor Ort durch, bitte sprechen Sie uns an.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Termine auf Anfrage.
Falls Sie einen Terminwunsch für diesen Workshop haben, werden wir dies gerne für Sie prüfen!
|
|
|
| Inhalte (agenda): |
- Motivation, Aufbereitung der Daten und explorative Datenanalyse in Pandas und Matplotlib
- Grundlagen der Zeitreihenanalyse mit statsmodels:
- Autokorrelation, ARMA Modelle, Regression, Trends, Stationarität, Prognoseerstellung, Prognoseevaluation
- Analyse von anderen Variablen, die mit der Wechselkursentwicklung assoziiert sind
- ML Prognosen mit scikit-learn:
- Regularisierung, Random Forests, etc.
- Schätzung von Prognoseintervallen und Value at Risk/Expected Shortfall mit Hilfe von Bootstrapping
- Praktische Beispiele und Übungen zur Anwendung der gelernten Methoden
|
|
|
