Modul

Die Modulprüfung erfolgt in Form einer Prüfungsleistung anderer Art. Die Prüfungsleistung anderer Art besteht aus einem Python-basierten "Takehome Exam". Am Ende der dritten Januarkalenderwoche bekommt der Student ein "Takehome Exam" ausgehändigt, welches er binnen 4 Stunden eigenständig und mittels Python bearbeitet und zurückschickt. Genaue Anweisungen werden zu Beginn der Lehrveranstaltung bekannt gegeben.
Die Prüfungsleistung anderer Art kann maximal einmal wiederholt werden. Eine fristgerechte Wiederholungsmöglichkeit findet am Ende der dritten Märzkalenderwoche des gleichen Jahres statt. Genauere Anweisungen werden zu Beginn der Lehrveranstaltung bekannt gegeben.

Das Ziel des Moduls ist mittels Data Science, Machine Learning und Finanzmarkttheorien bessere Investitions-, Risiko- und Assetmanagement-Entscheidungen zu generieren. Der Student lernt anwendungsorientiert und mittels echter Finanzmarktdaten Charakteristika verschiedener Assetklassen kennen. Wir verwenden Python und Webscraping Techniken um öffentlich zugängliche Finanzmarktdaten zu extrahieren, zu visualisieren und nach Mustern zu untersuchen. Interessante und nicht-öffentliche Finanzmarktdaten wie (Options- und Futuresdaten auf Aktien und Zinsen) werden für den Kurs zur Verfügung gestellt. Finanzmarkttheorien werden ebenfalls besprochen, um die Datenanalyse durch theoretische Kenntnisse zu verbessern. Studenten lernen durch die "Data Science-Brille" Aktien-, Zins-, Futures- und Optionsmärkte kennen. Durch die "Finanztheorie-Brille" verstehen Studenten, wie Muster mittelts Finanztheorie kommuniziert und interpretiert werden können. Python ist das Bindeglied, durch welches wir Data Science und moderne Finanzmarktmodellierung zusammenbringen.

Keine.

Das Modul umfasst unter anderem folgende Themen:

• Mustererkennung in Preis- und Ertragsdaten in Aktien-, Zinssatz-, Futures- und Optionsmärkten
• Quantitative Portfolio-Strategien
• Modellierung von Rücklaufdichten unter Verwendung von Instrumenten der Finanzökonometrie, Datenwissenschaft und des maschinellen Lernens
• Bewertung von Aktien, festverzinslichen Wertpapieren, Futures und Optionen in einem kohärenten Rahmen, um möglicherweise Arbitragemöglichkeiten auszunutzen
• Neuronale Netze und Verarbeitung natürlicher Sprache

Grundkenntnisse der Kapitalmarkttheorie.

Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Leistungspunkte). Die Gesamtstundenzahl ergibt sich aus dem Aufwand für das Studium von Onlinevideos, dem Bearbeiten von Quizfragen, dem Studium von Ipython- Notebooks, der Teilnahme an interaktiven "Python Data Sessions" und der Lektüre empfohlener Literatur.