Schulungsübersicht
Teil I – Grundlagen von Matlab
Matlab-Grundlagen
- Matlab Benutzeroberfläche
- Variablen und Zuweisungsanweisungen
- Grundlegende Datenobjekte: Vektor, Matrix, Tabelle
- Grundlegende Datenmanipulation
- Zeichen- und Zeichenkettenobjekte
- Relationale Ausdrücke
- Eingebaute numerische Funktionen
- Datenimport/-export
- Visualisierung von Daten, Grafikoptionen, Anmerkungen, Anpassung von Grafiken
Matlab Programming
- Automatisieren von Befehlen mit Skripten
- Logik und Flusskontrolle - if, if-else, switch, verschachtelte ifs
- Schleifenanweisungen und vektorisierter Code
- Schreiben von Funktionen
Arbeiten mit Finanzdaten
- Datenobjekte – Zellarrays, Strukturen, Tabellen, Zeitreihen
- Arbeiten mit Daten und Zeiten
- Konvertierung zwischen verschiedenen Datentypen, Datenoperationen
- Ändern von Tabellen, Tabellenoperationen
- Datenfilterung, Indizierung, Logische Indizierung, Kategorien
- Datenaufbereitung:
- Umgang mit fehlenden Daten
- Bereinigung von Daten, Ungewöhnliche Beobachtungen
- Datenumwandlungen
- Statistische Funktionen
Teil II – Finanzielle Anwendungen
Überblick über die für die Finanzanalyse relevanten Matlab-Toolboxen
- Finanz-Toolbox
- Toolbox für Finanzinstrumente
- Toolbox Handel
- Risikomanagement-Toolbox
- Ökonometrie-Toolbox
- Optimierung Toolbox
- Statistics Werkzeugkasten
Grundlagen der Finanzmodellierung
- Zufallsvariablen, Wahrscheinlichkeitsverteilungen, Zufallsprozesse
- Anpassung von Verteilungen
- Lineare Regression
- Simulationsmodellierung – Monte-Carlo-Simulation
- Optimierungsmodellierung
- Optimierung unter Unsicherheit
Regression und Volatilität
- Lineare Regression
- Verfälschte Regression
- Nicht-Stationarität
- Kointegration
- Modelle der bedingten Volatilität ARCH, GARCH
Portfoliotheorie und Vermögensaufteilung
- Dividendendiskontierungsmodell
- Moderne Portfoliotheorie
Modelle zur Preisgestaltung von Vermögenswerten
- CAPM
Management des Marktrisikos
- VAR durch die historische Simulation
- VAR durch Monte-Carlo-Simulation
- VAR und PCA
Optimierungsmethoden
- Konvexe Optimierung
- Linear Programming
- Dynamisch Programming
- Nicht-konvexe Optimierung
Voraussetzungen
Ein Abitur in Mathematik oder Wirtschaftswissenschaften oder einschlägige Berufserfahrung sind für dieses Material empfehlenswert.
Erfahrungsberichte (8)
Der Inhalt, denn ich fand ihn sehr interessant und denke, dass er mir in meinem letzten Jahr an der Universität helfen wird.
Krishan - NBrown Group
Kurs - From Data to Decision with Big Data and Predictive Analytics
Maschinelle Übersetzung
very tailored to needs
Yashan Wang
Kurs - Data Mining with R
The trainer was so knowledgeable and included areas I was interested in
Mohamed Salama
Kurs - Data Mining & Machine Learning with R
Good real world examples, reviews of existing reports
Ronald Parrish
Kurs - Data Visualization
Intensity, Training materials and expertise, Clarity, Excellent communication with Alessandra
Marija Hornis Dmitrovic - Marija Hornis
Kurs - Data Science for Big Data Analytics
I learned a lot - not only in theoretical knowledge but I also applied that knowledge during the training and therefore I really understood what process mining is and how it works. Thanks a lot!
Julia Dörre - Techniker Krankenkasse
Kurs - Process Mining
how the trainor shows his knowledge in the subject he's teachign
john ernesto ii fernandez - Philippine AXA Life Insurance Corporation
Kurs - Data Vault: Building a Scalable Data Warehouse
Ich fühle mich jetzt sicherer im Umgang mit dem Programmieren. Ich habe es noch nie gemacht, aber jetzt verstehe ich, dass es keine Raketenwissenschaft ist und ich es tun kann, wenn es nötig ist.
Anna - Birmingham City University
Kurs - Foundation R
Maschinelle Übersetzung