Unser Kurs "Financial Data Mining - Analyse finanzieller Zeitreihe und Kursprognose" bietet eine Einführung in Data Mining Verfahren und zeigt, wie man Data Mining für verschiedene Aufgaben im Finanzbereich einsetzen kann bei Banken, Investmentfonds, Hedge Fonds, Versicherungen und anderen Unternehmen und Institutionen im Finanzsektor sowie von fortgeschrittenen privaten Investoren und Wertpapierhändlern.

Finanzdaten entstehen oft in der Form von Zeitreichen wie z.B. Aktienkursen, Rohstoffpreisen, Energiepreisen oder Währungswechselkursen, die über die Zeit beobachtet werden. Die Analyse finanzieller Zeitreihen basiert oft auf Indikatoren, die aus den uni- oder multi-variaten Zeitreihen abgeleitet werden und auf linearen oder nicht-linearen gewichteten Kombinationen solcher Indikatoren. Data Mining Methoden können verwendet werden für die Analyse finanzieller Zeitreihen, das Finden von Mustern und Regelmässigkeiten, die Entdeckung von Anomalien und Ausreißern, die Erkennung von Chancen- und Risiko-Situationen, die Behandlung zeitlicher Veränderungen in Korrelationsmustern, die Vorhersage zukünftiger Nachfrage, Preise und Kurse, die Bestimmung der erfolgreichsten Indikatoren und ihrer besten Kombination zur Erreichung möglichst genauer Vorhersagemodelle. Auf diese Weise kann Data Mining Finanzanalysten, Investoren, Händler und Fondmanager in ihren Entscheidungen unterstützen beim Handel mit Währungen, Aktien, Optionen und anderen Wertpapieren und Derivaten.

Dieses Seminar beschreibt Data Mining Methoden für finanzielle Zeitreihen inklusive Verfahren zur Datenvorverarbeitung, Zeitfenster-basierte Ansätze und eine automatische Optimierung der Zeitfenstergröße, Gewichtung und Auswahl von Indikatoren oder Attributen, statistische und maschinelle Lernverfahren zum automatischen Finden einer optimierten Indikator- oder Merkmalskombination beim automatischen Lernen von Vorhersage- oder Prognosemodellen (Handelssystemen oder Entscheidungsunterstützungssystemen). Die Themen dieses Workshops umfassen die notwendigen Vorverarbeitungsschritte für numerische Datentransformationen, eine Einführung in lineare und nicht-lineare statistische Regressionsverfahren, neuronale Netze und Support Vector Machines (SVM), eine Diskussion von Evaluationsmethoden zur Messung der Vorhersagegüte zur systematischen Auswertung, Beurteilung und Vergleich solcher Modelle (Handelssysteme) auf historischen Daten (Back Testing). Diese Verfahren sind besonders für numerische Prognosen von Zeitreihendaten geeignet, wie man sie oft in den Finanzmärkten findet.

Neben Zeitreihendaten, sind auch Transaktionsdaten im Finanzsektor sehr verbreitet. Transaktions- und Buchungsdaten können ebenso analysiert werden und zu Modellen führen zur Entdeckung von Mustern und Unregelmässigkeiten, unerwünschten Handels- oder Buchführungspraktiken, zweifelhaften Transaktionen, potentiellem Betrug und Geldwäsche, Transaktionsüberwachung, Credit Scoring, Kreditausfallprognose, Risikobewertung und -minimierung, Identifikation von Risikofaktoren, Risiko und Portfolio Management.

Der Kurs beschreibt auch die notwendigen praktischen Schritte zur Erzeugung solcher Modelle mit der Data Mining Software RapidMiner. Durch die hohe Anzahl praktischer Übungen werden die Teilnehmer in die Lage versetzt, das gewonnene Wissen auf eigene Data Mining Vorhersageprobleme ihres Unternehmens anzuwenden und diese effizient und erfolgreich zu lösen.

Details

• Kursnummer: 1202
• Anzahl Tage: 2 Tage
• Ort: Dortmund, Deutschland
• Zielgruppe: quantitative und finanzielle Analyse, Investoren, Wertpapierhändler, Bankangestellte, Mitarbeiter aus den Bereichen Accounting, Controlling, Auditing oder interne Revision, Wirtschaftsprüfer, Entscheidungsträger, Fondsmanager, Softwareentwickler
• Vorkenntnisse: Grundkenntnisse von Computerprogrammen
• Methoden: Vortrag, Diskussionen, Einzel- und Gruppenarbeit, Übungen auf realistischen Daten. Die Teilnehmer können eigene Arbeiten und projektspezifische Fragen einbringen, welche dann zusammen mit dem Trainer und den anderen Teilnehmern beantwortet werden.
• Inhalt: Dieser Kurs bietet eine kompakte zweitägige Einführung in die Grundbegriffe und den Prozess des Data Mining und das statistische Lernen von Vorhersage- und Prognosemodellen sowie in die quelloffene Data Mining Software RapidMiner. Er richtet sich sowohl an Anfänger als auch an fortgeschrittene Anfänger. Die Themen des Seminars sind
  • Einführung in Data Mining Verfahren zur Datenvorverarbeitung und Datenbereinigung, zum Finden zuverlässiger Indikatoren und Schlüsselfaktoren, zur automatischen Merkmalsauswahl, zur Muster- und Ausreißererkennung, zur Entdeckung von Anomalien und Auffälligkeiten, sowie zur automatischen Klassifikation, Segmentierung, Regression und Vorhersage
  • Grundlagen kosten-sensitiven maschinellen Lernens und Data Minings mit RapidMiner
  • Definition der Prognose von Reihendaten
  • Statistisches Lernen: lineare und nicht-lineare Regression, Neuronale Netze, Support Vector Machines (SVM)
  • Vorverarbeitung von Reihendaten: von Zeitreihen zu Datenpunkten
  • Vorhersagen mit Regressionsmethoden
  • Einfluss der Prognosehorizonts
  • Evaluierung von Prognosen: Einführung in Performanzkriterien, Kreuzvalidierung, Bootstrapping, Backtesting
  • Visualisierung von Reihendaten und Vorhersagen: hochdimensionale Datenvisualisierungen
  • Identifikation von Verhaltensänderungen – Entdecken von Chancen und Risiken
  • Entdeckung von Mustern, Unregelmässigkeiten und Indikatoren zur Identifikation und Vermeidung von nicht ordnungsgemäßen Buchführungspraktiken, verdächtigen Transaktionen, potentiellen Betrugsfällen, Geldwäsche und anderen unerwünschten Aktivitäten
  • Kreditrisikobewertung (Credit Scoring), Kreditausfallprognose, Risikofaktoranalyse, Risikobewertung und -verminderung
  • Vorhersage zukünftiger Nachfrage, Preise und Verkäufe; Quantitative Aktienmarktprognose, Währungswechselkursprognose, Vorhersage von Rohstoffpreisen
  • Mining strukturierter und unstruktierter Daten, also z.B. sowohl aus Datenbanktabellen als auch textuellen Informationen, mit Hilfe statistischer Analyse, Data und Text Mining Verfahren; Ausblick auf Stimmungsanalyse (Sentiment Analysis) auf der Basis von Pressemeldungen, Nachrichtentexten, Web Blogs, etc.
  Ausführliche Übungen auf verschiedenen Datensätzen werden für alle Themenbereiche durchgeführt. Für fortgeschrittene Themen wie Text Mining, Web Mining und Sentiment Analyse werden in diesem Kurs zwar einführende Anwendungsbeispiele behandelt, aber für eine weitergehende Behandlung, ein tieferes Verständnis und eine entsprechende Kompetenz für einen optimalen Einsatz dieser fortgeschrittenen Methoden werden spezielle Kurse zu diesen Themen angeboten und empfohlen.

Preise

Die Preise verstehen sich zzgl. Umsatzsteuer.