Maschinelles Lernen in der Investitionsautomatisierung verstehen
Unser strukturiertes Programm vermittelt die technischen Grundlagen und praktischen Anwendungen von Machine Learning im Kontext algorithmischen Handels. Die Module bauen systematisch aufeinander auf und kombinieren theoretische Konzepte mit konkreten Implementierungen.
Modulstruktur des Programms
Das Curriculum ist in drei aufeinanderfolgende Module unterteilt, die jeweils spezifische Kompetenzbereiche adressieren. Jedes Modul dauert zwischen vier und sechs Wochen und beinhaltet theoretische Einheiten sowie praktische Übungen.
Grundlagen und Datenverarbeitung
- Einführung in statistische Lernverfahren
- Datenbeschaffung aus Finanzmärktdatenbanken
- Bereinigung und Normalisierung von Zeitreihendaten
- Feature Engineering für Marktindikatoren
- Explorative Datenanalyse und Visualisierung
Algorithmen und Modellentwicklung
- Überwachte Lernverfahren für Preisvorhersagen
- Unüberwachte Methoden zur Mustererkennung
- Neuronale Netzwerke für sequenzielle Daten
- Ensemble-Methoden und Modellkombination
- Backtesting und Validierungsstrategien
Implementierung und Risikomanagement
- Entwicklung automatisierter Handelssysteme
- Integration von ML-Modellen in Trading-APIs
- Risikokennzahlen und Portfoliooptimierung
- Überwachung und Anpassung laufender Modelle
- Regulatorische Anforderungen und Compliance
Lernpfad durch das Programm
Theoretische Einheiten
Videovorlesungen und Lesematerialien
Praktische Übungen
Programmieraufgaben mit realen Datensätzen
Projektumsetzung
Entwicklung eigener Handelsstrategien
Evaluation
Bewertung der Modellperformance
Lehrende mit Branchenerfahrung
Dr. Henrik Lindström
Quantitative FinanzanalysePromoviert in mathematischer Statistik mit Schwerpunkt auf stochastischen Prozessen in Finanzmärkten.
12 Jahre Erfahrung
Nadia Kowalska
Algorithmische HandelssystemeEntwickelte mehrere produktive Trading-Algorithmen bei internationalen Investmentfirmen.
9 Jahre Erfahrung
Dr. Siobhan O'Neill
Machine Learning ForschungForschungsschwerpunkt auf deep learning Architekturen für Zeitreihenvorhersagen.
8 Jahre Erfahrung
Ingeborg Svendsen
RisikomanagementLeitete Risikoabteilungen bei mehreren europäischen Finanzinstitutionen.
14 Jahre ErfahrungDidaktische Merkmale
Individuelle Betreuung
Regelmäßige Sprechstunden zur Klärung spezifischer Fragen zu Implementierungen und Konzepten
Umfangreiches Material
Jupyter Notebooks, Code-Beispiele und wissenschaftliche Literatur zu allen Themenbereichen
Praktische Anwendung
Zugang zu historischen Marktdaten und Testumgebungen für die Strategieentwicklung