Modul 2 ist eine Einführung in das Text Mining und eine Demonstration, wie Sie von der Datenbeschaffung (Web Scraping) zu Erkenntnissen über den Finanzmarkt gelangen. Es werden einige der klassischen Text Mining-Methoden behandelt, wie z.B. die Vektorisierung von Text (der Bag of Words-Ansatz), Stoppwörter zum Filtern und die Term Frequency-Inverse Document Frequency (TF-IDF). Die Teilnehmer lernen, wie Text mathematisch dargestellt und reguliert/gefiltert werden kann, um Rauschen zu reduzieren. Maße für die Textähnlichkeit werden in theoretischen und praktischen Sitzungen behandelt. In den Laborübungen werden Beispiele von Web-Scraping-Daten durchgespielt, mit den beschriebenen Techniken regularisiert und schließlich werden Erkenntnisse aus den Textdaten abgeleitet.

Modul 3 ist eine praktische Erweiterung der Textmining-Lektionen auf 10-K und 13-F, zwei der am häufigsten untersuchten Unternehmensberichte. Diese Art von Daten kann bei der Verwendung durch einzelne Analysten aufgrund des schieren Umfangs der Dokumente extrem entmutigend sein, aber Modul 3 beschreibt die Methoden zur quantitativen Analyse dieser Dokumente mit Python-Code. Sowohl die 10-K- als auch die 13-F-Dokumente werden durchgearbeitet, und in den Laborsitzungen wird demonstriert, wie man diese Art von Daten automatisch abrufen und Metriken dazu definieren kann. Wir untersuchen Implementierungen von Forschungsarbeiten auf diesem Gebiet in Bezug auf die Ähnlichkeit von 10-K-Erklärungen bestimmter Unternehmen im Laufe der Zeit sowie die Ähnlichkeit zwischen Fondsbeteiligungen aus dem 13-F im Labor.

Das letzte Modul führt sowohl in die Stimmungsanalyse im Kontext von Textdaten als auch in die Netzwerkanalyse im Kontext der Konnektivität von Unternehmen ein. Die Stimmungsanalyse ist ein Weg zu potenziell fruchtbaren Informationen, die, wenn sie richtig durchgeführt wird, zeigen kann, was die allgemeine Bevölkerung über ein Unternehmen glaubt (z.B. über soziale Medien) oder sogar, ob das Unternehmen selbst positive oder negative Zukunftsaussichten hat (durch die Analyse des Tons in den Unternehmensberichten). Die Netzwerkanalyse kann, wie in der Forschung des Kursleiters und seiner Kollegen gezeigt wurde, verwendet werden, um genau zu erfassen, wie ein Finanznetzwerk ausgerichtet ist und welche Unternehmen gut abschneiden könnten, weil sie von anderen Unternehmen als Bedrohung erwähnt werden. Im Laborteil dieses Moduls wird die Analyse der Unternehmensmeldungen erweitert, um die Stimmung zu untersuchen und gleichzeitig eine Reihe von Tweets einzuführen, die dann in eine Netzwerkdarstellung umgewandelt werden.