Der Kurs zielt darauf ab, die Studenten in die Lage zu versetzen, praktische ML-Probleme zu lösen, die ihnen im wirklichen Leben begegnen können: (1) Verstehen, wo das Problem, mit dem man konfrontiert ist, in der allgemeinen Landschaft der verfügbaren ML-Methoden angesiedelt ist, (2) Verstehen, welche(r) bestimmte(n) ML-Ansatz(e) für die Lösung des Problems am besten geeignet wäre(n), und (3) Fähigkeit, eine Lösung erfolgreich zu implementieren und ihre Leistung zu bewerten.

Lernende mit keinen oder nur geringen Vorkenntnissen im Bereich des maschinellen Lernens (ML) lernen die wichtigsten Algorithmen des überwachten und unüberwachten Lernens sowie des Verstärkungslernens kennen und sind in der Lage, Open-Source-Python-Pakete für ML zu verwenden, um ML-Algorithmen in der Finanzwelt zu entwerfen, zu testen und zu implementieren. Grundlagen des maschinellen Lernens in der Finanzwelt bietet einen tieferen Einblick in das überwachte, unüberwachte und Verstärkungslernen und endet mit einem Projekt zur Verwendung des unüberwachten Lernens für die Implementierung einer einfachen Portfolio-Handelsstrategie. Der Kurs richtet sich an drei Kategorien von Studenten: Praktiker, die bei Finanzinstituten wie Banken, Vermögensverwaltungsfirmen oder Hedgefonds arbeiten Personen, die sich für Anwendungen von ML für den persönlichen Daytrading interessieren Aktuelle Vollzeitstudenten, die einen Abschluss in Finanzwesen, Statistik, Informatik, Mathematik, Physik, Ingenieurwesen oder anderen verwandten Disziplinen anstreben und praktische Anwendungen von ML im Finanzwesen kennenlernen möchten Erfahrungen mit Python (einschließlich numpy, pandas und IPython/Jupyter notebooks), linearer Algebra, grundlegender Wahrscheinlichkeitstheorie und Grundrechenarten sind erforderlich, um die Aufgaben in diesem Kurs zu erledigen.

Dieser Kurs zielt darauf ab, die grundlegenden Konzepte des Reinforcement Learning (RL) einzuführen und Anwendungsfälle für RL für die Optionsbewertung, den Handel und die Vermögensverwaltung zu entwickeln.

Am Ende dieses Kurses werden die Studenten in der Lage sein - Reinforcement Learning zur Lösung klassischer Finanzprobleme wie Portfolio-Optimierung, optimaler Handel, Optionsbewertung und Risikomanagement einzusetzen - an wertvollen Beispielen wie dem berühmten Q-Learning anhand von Finanzproblemen zu üben - das im Kurs erworbene Wissen auf ein einfaches Modell für die Marktdynamik anzuwenden, das mit Hilfe von Reinforcement Learning als Kursprojekt erstellt wird. Voraussetzung sind die Kurse "Guided Tour of Machine Learning in Finance" und "Fundamentals of Machine Learning in Finance". Von den Studenten wird erwartet, dass sie den lognormalen Prozess kennen und wissen, wie er simuliert werden kann. Kenntnisse der Optionsbewertung werden nicht vorausgesetzt, sind aber wünschenswert.

Im letzten Kurs unserer Specializations, Overview of Advanced Methods of Reinforcement Learning in Finance, vertiefen wir die Themen, die wir in unserem dritten Kurs, Reinforcement Learning in Finance, besprochen haben. Insbesondere werden wir über die Verbindungen zwischen Reinforcement Learning, Optionspreisen und Physik, die Implikationen von Inverse Reinforcement Learning für die Modellierung von Markteinflüssen und Preisdynamik sowie über Perception-Action Cycles im Reinforcement Learning sprechen. Schließlich geben wir einen Überblick über Trends und potenzielle Anwendungen von Reinforcement Learning für den Hochfrequenzhandel, Kryptowährungen, Peer-to-Peer-Lending und mehr. Nach diesem Kurs werden die Teilnehmer in der Lage sein, - grundlegende Konzepte des Finanzwesens wie Marktgleichgewicht, keine Arbitrage, Vorhersagbarkeit zu erklären, - Marktmodellierung zu diskutieren, - die Methoden des Reinforcement Learning auf den Hochfrequenzhandel, das Kreditrisiko bei Peer-to-Peer-Lending und den Handel mit Kryptowährungen anzuwenden.