WBK Machine Learning and Deep Learning for Finance

Der Weiterbildungskurs Machine Learning and Deep Learning for Finance bietet einen umfassenden Einblick in Techniken und Modelle im Bereich des maschinellen Lernens mit praktischen Anwendungen in diversen Bereichen des Finanzwesens. Die Teilnehmenden erlernen hierbei neben den erforderlichen theoretischen Grundkenntnissen vor allem auch wichtige Fähigkeiten für die direkte Implementierung der vorgestellten Methodiken.

Thematisch ist der Kurs entlang der drei Teilgebiete des maschinellen Lernens aufgebaut und beinhaltet folgende Themen: 

• Unsupervised Learning mit Anwendungen auf Kreditmodellierung
• Supervised Learning mit Anwendungen auf algorithmische Handelsstrategien
• Reinforcement Learning mit Anwendungen auf Portfoliooptimierung

Nach einer fundierten theoretischen Einführung werden spezifische Anwendungen im Finanzbereich erarbeitet und evaluiert. Zudem werden sowohl Erweiterungsmöglichkeiten als auch Grenzen der besprochenen Modelle erörtert. Der Fokus dieses Weiterbildungskurses liegt auf der praktischen Anwendung und Umsetzbarkeit von maschinellem Lernen. Den Kursteilnehmenden wird somit ein tiefer Einblick in den kompletten Modell-Lebenszyklus und die Arbeitsweise von Ingenieuren im Gebiet des maschinellen Lernens gegeben.

Der Weiterbildungskurs Machine Learning and Deep Learning for Finance richtet sich an Personen mit einem Interesse an praktischen Anwendungen von maschinellem Lernen im Finanzwesen, welche verschiedene Techniken der Modell-Implementierung, -Evaluierung und -Verbesserung erlernen möchten. Die Teilnehmenden sollten einen technischen und quantitativen Hintergrund mit einem Abschluss in Mathematik, Informatik, Physik, Ingenieurwissenschaften oder ähnlichem besitzen. Ebenfalls berücksichtigt werden Absolvierende mit einem Abschluss in Banking und Finance oder verwandten Disziplinen, welche eine quantitative Ausrichtung nachweisen können. Teilnehmende, welche sowohl die quantitativen als auch technischen Voraussetzungen durch andere Aktivitäten nachweisen, können “sur dossier” in den Kurs aufgenommen werden.

Erste Kenntnisse und Erfahrungen von maschinellem Lernen sind hilfreich, aber nicht notwendig. Da die angewandten Projekte von Grund auf in Python implementiert werden, sind Grundlagenkenntnisse mit dieser Programmiersprache hilfreich, aber nicht notwendig. Ebenfalls hilfreich ist ein generelles Verständnis für die Bereiche der Finanzbranche.

Die Absolvierenden erwerben sowohl theoretische Grundlagen als auch praktische Fähigkeiten in den folgenden Bereichen:

• Unsupervised Learning, Supervised Learning und Reinforcement Learning
• Python Programmierkenntnisse unter Verwendung von Jupyter Notebooks inkl. aktuellsten Bibliotheken wie Scikit-Learn, PyTorch, Keras, Tensorflow, Gym und Stable Baseline
• Implementierung von Modellen in Python mit Anwendungsbeispielen im Finanzbereich
• Kritische Analyse und Evaluierung der Modelle
• Erlernen von Techniken zur Verbesserung der Modellgüte

Modul "Supervised Learning"

Inhalte

• Grundlagentheorie zu Supervised Learning
• Angeleitetes Projekt zum Thema Supervised Learning für systematisches Handeln

Lernziele

• Grundkonzepte des Supervised Learning kennen
• Die Python-Bibliothek Scikit-Learn und Keras kennenlernen
• Angeleitetes Projekt zum Thema systematischer Handel erfolgreich in Python implementieren
• Verständnis wie Modelle verbessert werden können, deren Erklärbarkeit und Implementierung

Modul "Unsupervised Learning"

Inhalte

• Grundlagentheorie zu Unsupervised Learning
• Angeleitetes Projekt zum Thema Unsupervised Learning in Kreditmodellierung

Lernziele

• Grundkonzepte des Unsupervised Learning kennen
• Python-Bibliotheken TensorFlow und Keras kennenlernen (evtl. PyTorch)
• Angeleitetes Projekt erfolgreich in Python implementieren
• Verständnis wie Modelle verbessert werden können und dessen Implementierung

Modul "Reinforcement Learning"

Inhalte

• Grundlagentheorie zu Reinforcement Learning und Deep Reinforcement Learning
• Angeleitetes Projekt zu Deep Reinforcement Learning in der Portfoliooptimierung

Lernziele

• Grundkonzepte des Reinforcement Learning kennen
• Python-Bibliotheken Gym und Stable Baseline kennenlernen
• Angeleitetes Projekt zum Thema Portfoliooptimierung erfolgreich in Notebooks implementieren
• Verständnis, wie Modelle verbessert werden können und deren Implementierung