Vorraussetzungen

The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.

Modulinhalte

• Supervised learning
  • Predictive vs. Explanatory modelling , performance measurement
  • Regularization (ridge, lasso, elastic net) and feature engineering
  • Tree-based modelling (CART, bagging, random forests)
  • NN, recurrent NN and deep learning
  • Support vector machines (SVM) and Bayes’s classifiers
  • Ensemble methods and super learners (boosting, stacking)
  • Interpretable Machine Learning (LIME, Shapley)
• Unsupervised learning
  • Clustering and pattern detection
  • Advanced clustering techniques
  • PCA as a dimension reduction technique
• Basics of Reinforcement learning
• Text Mining
• Basics of Image Processing (recognition)  and CNN

Lernziele

Subject-related competencies:

After the successful participation in this module, students have a good understanding of the objectives, tools and potential applications of supervised and unsupervised Machine Learning. The students understand the mathematical and statistical background of the models, can apply the discussed techniques in R and interpret the results correctly. Furthermore, the students understand the key steps of a modelling/learning process, its reasoning and requirements.    

Methodological competencies:

The students learn the key approaches to performance measurement of supervised learning techniques with a focus on the separation between explanatory and predictive modelling. The feature engineering for large data sets is discussed on the example of lasso and elasticnet regressions. The students understand and can apply tree-based models such as regression trees, bagging and random forests as well as models stemming from neural networks, such as MLP, recurrent NN and basics of deep learning. The students can solve classification problems using support vector machines and Bayes’ classifiers. Furthermore, ensample models and super learners will be discussed based on the previously learned techniques. Finally, the students become familiar with the most popular ideas and tools of interpretable machine learning, (LIME and Shapley measures). Relying on the methods discussed in the second part of the course the students will be able to apply methods of unsupervised learning for pattern recognition using advanced clustering techniques. The participants can apply and interpret correctly the PCA for the purpose of dimension reduction. From the last part of the module, the students will be familiar with such advanced areas of machine learning for unstructured data as text mining and image processing.

Interdisciplinary competencies:

For practical applications, we use the statistical software R. The students can apply the ML methods to solve practical questions of modelling, forecasting or classification for large data with a focus on applications in business and economics. The students can draw economic conclusions from complex ML models and learn the potential of these methods in practice.

Key competencies:

The students are able to correctly assess data structures, select appropriate modelling methods and apply them using the software R. Furthermore, they are able to present and interpret the results in a conclusive manner.

Literatur zur Lehrveranstaltung

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
• Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
• Bishop (2007) Pattern Recognition and Machine Learning
• Goodfellow, Bengio, Courville  (2017) Deep Learning
• Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.

Weitere Informationen zu der Lehrveranstaltung

Diese Veranstaltung findet im WiSe statt.

Inhalt der Veranstaltung

This course is part of the Machine Learning module alongside the lectures in Machine Learning. Students learn to apply the concepts that have been introduced during the lectures. Besides the practical applicaitons in R inside the jupyter notebook environment, the course contains manual exercises to deepen the understanding of algorithms and concepts.

Vorkenntnisse für die Veranstaltung

The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.

Literatur

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
• Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
• Bishop (2007) Pattern Recognition and Machine Learning
• Goodfellow, Bengio, Courville  (2017) Deep Learning
• Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.

Die Veranstaltung findet im WiSe statt.

Diese Veranstaltung findet in Präsenz statt. Informationen hierzu finden Sie im Digicampus.

Inhalt der Lehrveranstaltung

• Multiple lineare Regression (Parameterschätzung, Beurteilung der Modellgüte und Interpretation der Ergebnisse)
• Prüfen der Modellprämissen (Heteroskedastizität, Autokorrelation, ...)
• Modellierung binärer und nominaler Daten
• Anwendung der ökonometrischen Modellierungsmethoden unter Verwendung der statistischen Programmiersprache R.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen und mathematischen Kenntnisse, welche in den Veranstaltungen Statistik I und II sowie Mathematik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten.

Literatur zur Lehrveranstaltung

• Cameron A.C, und Trivedi P.K "Microeconometrics: theory and methods", Cambridge University Press
• Greene W.H. "Econometric Analysis", Pearson
• Gujarati, D., Basic Econometrics, McGraw-Hill
• Veerbek, M.A., Guide to Modern Econometrics, Wiley
• Wooldridge J.M. "Introductory Econometrics: a modern approach", South Western

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

Saalübung:
Nach einer allgemeinen Einführung in die Statistiksoftware R, erfolgt die Anwendung der in der Vorlesung vorgestellten statistischen Methoden anhand von Beispieldaten und mittels der Programmiersprache R. Ein Besuch dieser Übung wird dringend empfohlen, da der Inhalt für die Prüfung relevant ist.

Literatur zur Lehrveranstaltung

• Everitt, B; Hothorn T.: A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition, 2014.
• Wollschläger, D.: Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, 4. Auflage, Springer, 2017.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

• Prozesse in diskreter Zeit
• Stochastische Prozesse, insb. Martingale
• Geometrische Brownsche Bewegung
• No-arbitrage und risikoneutrale Bewertung
• Zinsrechnung und Zinsmodelle
• Forwards, Futures und Optionen
• Financial Engineering
• Asset pricing
• Anlageklassen und Portfolio Management
• Investment strategies

Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.

Übungstermine

 Die behandelten Übungsblätter werden im Digicampus zur Verfügung gestellt. In der Übung werden Inhalte der Vorlesung vertieft und empirisch mit der Statistiksprache R angewendet. 

Literatur zur Lehrveranstaltung

• Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
• Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
• John Hull, Options, futures and other derivatives, Pearson, 2009
• Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
• Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
• Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
• Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

• Prozesse in diskreter Zeit
• Stochastische Prozesse, insb. Martingale
• Geometrische Brownsche Bewegung
• No-arbitrage und risikoneutrale Bewertung
• Zinsrechnung und Zinsmodelle
• Forwards, Futures und Optionen
• Financial Engineering
• Asset pricing
• Anlageklassen und Portfolio Management
• Investment strategies

Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.

Übungstermine

Zur Veranstaltung wird eine Übungsveranstaltung angeboten. In der Übung werden Inhalte der Vorlesung vertieft und empirisch angewendet.

Literatur zur Lehrveranstaltung

• Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
• Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
• John Hull, Options, futures and other derivatives, Pearson, 2009
• Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
• Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
• Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
• Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Diese Veranstaltung findet in Präsenz statt.

Inhalt der Lehrveranstaltung

Ziel sind der Ausbau der in Statistik I (oder vergleichbaren Veranstaltungen) gelegten Grundlagen (sowohl in Statistik als auch in der eigenständigen, empirischen Umsetzung mit Hilfe der Statistiksoftware R) sowie die Vertiefung insbesondere im Bereich der Wahrscheinlichkeitsrechnung. Insbesondere werden die in Statistik I gelegten Grundlagen auch genutzt um den Bereich der induktiven Statistik zu vermitteln.

Wahrscheinlichkeitsrechnung

• Zufallsvariablen und Verteilungen
• Verteilungsparameter
• Gesetz der großen Zahlen und zentraler Grenzwertsatz

Induktive Statistik

• Grundlagen der induktiven Statistik
• Punkt-Schätzung
• Intervall-Schätzung
• Signifikanztests und Gütefunktion

Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren und kompetent analysieren können. (ebenfalls klausurrelevant).

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig.

Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in der Veranstaltung Statistik I vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• Bamberg, G.; Baur, F., Krapp, M.: Statistik, 18. Auflage, Oldenbourg, München, 2017.
• Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2017.
• Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G.: Statistik - Der Weg zur Datenanalyse, Springer, Berlin 2016
   
• Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671 (aus dem Universitätsnetz verfügbar)

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

Grundlage der Übungen ist eine Sammlung von Aufgaben, welche die Studierenden vorbereiten sollen und deren Lösungen in den Übungs-veranstaltungen dargestellt werden. Die selbständigen Lösungsversuche dieser Aufgaben (sowie der Besuch der Vorlesung) bilden die beste Vorbereitung für die (90 Minuten dauernde)  Klausur zu Statistik II. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben bereitgestellt (Diese wird rechtzeitig im Laufe des Semesters bereitgestellt werden). Darüber hinaus können weitere Übungsaufgaben auch aus:

• Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2016.

im Selbststudium bearbeitet werden.

Darüber hinaus soll ein sicherer Umgang mit der Statistiksprache R vermittelt werden, der eine selbstständige Auseinandersetzung mit der Software voraussetzt.

Die Veranstaltung findet im WiSe statt.

Bewerbung über Online-Bewerbungstool ||

Auswahl über Motivationsschreiben und Notenspiegel ||

Teilnehmerzahl beschränkt

Zum Bewerbertool

Der Bewerbungszeitraum beginnt ab sofort und endet am 06.11.2024, 12:00 Uhr.

Hier finden SIe die Themen der Veranstaltung.

Inhalt der Lehrveranstaltung

Im Seminar Risikomanagement bearbeiten Sie im Team innovative Themen an der Schnittstelle zwischen wissenschaftlicher Forschung und Anwendung in der betrieblichen Praxis. Zusätzlich werden u.a. durch die Arbeit in (interdisziplinären) Teams wichtige Soft-Skills vermittelt, welche Sie im beruflichen Alltag jederzeit beherrschen sollten.

Seminarthemen:

Die Themenstellungen stammen aus dem Bereich Risikomanagement und bauen auf die Inhalte der Vorlesung Risikomanagement auf. Eine PDF Datei mit den Themenstellungen steht bereit (siehe oben)

Voraussetzungen: 

Eine zwingende Voraussetzung zur Teilnahme am Seminar ist die erfolgreiche Teilnahme (= bestanden) an der Bachelorveranstaltung 'Risikomanagement'. Weitere Voraussetzungen für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II (GBM: Mathematik) und Statistik I/II (GBM: Statistik) vermittelt werden sowie Kenntnisse von quantitativen Methoden des Risikomanagements, wie sie in der Bachelorveranstaltung "Risikomanagement" vermittelt werden. Zudem wird die Bereitschaft verlangt, sich, basierend auf den in der Veranstaltung Risikomanagement erworbenen Kenntnissen, weiter in die Statistiksprache R einzuarbeiten, und sich eigenständig mit weiterführender Literatur zu beschäftigen.

Termin und Ablauf

Die Veranstaltung findet im WiSe statt.

Für diese Veranstaltung ist eine vorausgehende Bewerbung notwendig.  || Die Veranstaltung ist beschränkt auf max. 30 Teilnehmer. Für diese Veranstaltung ist keine separate Anmeldung im STUDIS notwendig.

 Der Bewerbungszeitraum startet ab sofort und endet am 13.10.24, 12:00 Uhr. Die Bewerbung ist ausschließlich über das Bewerbertool möglich.

Zum Bewerbertool

Inhalt der Lehrveranstaltung

Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen für den Entscheidungsträger und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data Mining Verfahren zusammengefasst werden. Man betrachtet hierbei nicht eine isolierte Variable bzw. Charakteristik, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. bei der Suche nach Strukturen und Besonderheiten in den Daten.

In Gruppenarbeit sollen die Grundgedanken, Voraussetzungen sowie die Zielsetzung einzelner Data Mining Verfahren herausgearbeitet, die Anwendung anhand eines Praxisbeispiels (Umsetzung mit der Statistiksoftware R) erprobt sowie die Resultate in einer abschließenden computergestützten Präsentation vorgetragen werden. Die Teilnehmer*innen sollen die Grundsätze wissenschaftlichen Arbeitens durch die theoretische als auch empirische Auseinandersetzung mit speziellen Data Mining Verfahren erlernen und zum Erstellen einer prägnanten Präsentation sowie freier Rede beim Vortragen befähigt werden. Wesentliche methodische und empirische Erkenntnisse sollen in einer schriftlichen Ausfertigung zusammengefasst werden.

Themenübersicht

1. Tree – Based - Methods (Regressionsbäume, random forests, bagging, boosting)
2. Support Vector Machine (ML Verfahren für Regression und Klassifikation)
3. Clusteranalyse (hierarchische / partitionelle Clusteranalyse)
4. Logistische Regressionsanalyse – das Logit –Modell
5. ANOVA: ein- und mehrfaktorielle Varianzanalyse
6. Zeitreihenanalyse (Modellierung von zeitlich geordneten Daten)
7. Interpretierbares Machine Learning: Ermittelung der Feature Importance     
8. Interpretierbares Machine Learning: Surrogate Modelle
9. Text Mining (Methoden zum Extrahieren von Informationen aus Texten, sentiment analysis
10. Hauptkomponentenanalyse (PCA, Verfahren zur Dimensionsreduktion)

Grundlegendes

• Gruppenarbeit (2-3 Teilnehmer*innen): eigenständige Gruppenorganisation und Terminvereinbarung mit dem Betreuer
• Computergestützte Präsentation:
  • Inhalt: Theoretische Ausarbeitung der Methodik sowie Umsetzung mittels der Statistiksoftware R anhand eines selbstständig recherchierten, geeigneten Datensatzes.
  • Umfang: ~60 Minuten zzgl. 15 Minuten Diskussionszeit (je Gruppe)
  • Bearbeitungsumfang, Schwierigkeitsgrad sowie Präsentation der Inhalte und Ergebnisse sollten möglichst gleichmäßig verteilt werden

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden. Der Besuch der Data Mining Veranstaltung im Sommersemester 2019 wäre wünschenswert. Zudem werden Grundkenntnisse in der Statistiksprache R (alternativ in Python) verlangt, so wie sie bspw. in den Veranstaltungen Statistik I/II vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• Breiman, Friedman, Olshen, Stone (1998): Classification and Regression Trees, Chapman & Hall.
• Fahrmeir, Kneib, Lang (2007): Regression - Modelle, Methoden und Anwendungen, Springer.
• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC, 3rd edition.
• Rousseeuw, Kaufman (2005): Finding Groups in Data – An Introduction to Cluster Analysis, John Wiley & Sons Inc.
• Wollschläger (2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
• u.v.w. themenbezogene Fachliteratur

Weitere Informationen zu der Lehrveranstaltung

The course is offered in cooperation with the chair of finance and banking and is taught in English.

Prerequisites

A prerequisite for successful participation is thorough mathematical and statistical knowledge, which is taught in courses during the first semesters of every degree in economics or business economics. Furthermore, an essential prerequisite is the willingness to familiarize yourself with the contents of the course and the willingness to independently study the provided resources.

Subject-related competencies

After successfully completing this module, students understand the challenges of international finance and how to make optimal corporate financial decisions concerning investments, financing, and hedging against risks in the international environment.

Methodological competencies

Students are able to use Excel to analyze finance-related data using various quantitative methods. They are able to calculate and interpret statistical measures and to use the multiple linear regression model in different variants for forecasting. They will also be able to use quantitative methods, particularly in the international currency environment, and interpret the results of the methods.

Interdisciplinary competencies

Students are able to apply the knowledge they have acquired in any area of their studies that deal with empirical questions in the field of finance and international economics. Students are able to apply quantitative approaches and models for international finance problems to other empirical and theoretical issues.

Key competencies:

Students are able to interpret relationships in the international financial environment with regard to their statements at different levels. This includes, for example, finding causal relationships in economic systems or assessing the quality of statistics. Students are able to use quantitative tools to manage international financial risks.

Foundations of International Financial Management

• Globalization and the Multinational Firm
• International Monetary Systems
• Balance of Payments

The Foreign Exchange Market, Exchange Rate Determination, and Currency Derivates

• Market for Foreign Exchange
• International Parity Relationships and Forecasting Foreign Exchange Rates
• Futures and Options on Foreign Exchange

Foreign Exchange Exposure and Management

• Measuring, Managing and Hedging of FX Risk

World Financial Markets and Institutions

• International Bond Markets
• International Equity Markets

Financial Management of the Multinational Firm

• International Capital Structure and Cost of Capital

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data-Mining Methoden zusammengefasst werden. Man betrachtet hier nicht eine Variable bzw. eine Charakteristik  isoliert, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. zur Suche nach Strukturen und Besonderheiten in den Daten. Für die praktische Anwendung der erlernten Methoden wird die Statistiksoftware R genutzt.

• Grundlagen und Ziele
• Multiple lineare Regressionsanalyse
• Regressionsbäume
• Künstliche Neuronale Netze
• Netzwerkdaten
• Clusteranalyse
• Logistische Regressionsanalyse
• u.w.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
• Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
• Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
• Nisbet, Elder, Miner (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
• Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
• ...

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Die erste Übungsstunde soll eine Einführung zum Arbeiten mit der in der Vorlesung und Übung verwendeten Statistiksoftware R geben. Anschließend wird im Rahmen der Saalübungen anhand ausgewählter Beispieldaten vorlesungsbegleitend in die Anwendung / Auswertung (Umsetzung mit R) und Interpretation (Output) der behandelten Data Mining Methoden (Regression, Clustering, Klassifikation, etc.) eingeführt. 

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
• Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
• Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
• Nisbet, Elder, Miner, (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
• Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
• ...

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Themen und allgemeine Informationen zur Veranstaltung (Master!)

Bewerbung (präferiert im Zweierteam) ist von 19.01.24 bis 16.02.24 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.

Zum Bewerbertool

Da die Veranstaltung bereits im Sommer 2023 angeboten wurde und sich bezüglich der Einbringbarkeiten keine Veränderungen ergeben haben,können Sie die Einbringbarkeiten in den Modulhandbüchern ihres Studiengangs für das Sommersemester 2023 nachsehen (Das Modulhandbuch des SoSe 2024 wird identische Einbringbarkeiten für die Veranstaltung/en besitzen, ist aber aktuell noch nicht veröffentlicht).

Einbringbar im Sommersemester 2024

Bearbeitbar schon ab Mitte Februar 2024

Inhalt der Lehrveranstaltung

Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.

Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.

Literatur zur Lehrveranstaltung

Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.

Bewerbungsmodalitäten

• Bewerbung von 19.01.24 bis spätestens 16.02.24 möglich
• Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich daher über das obig verknüpfte Bewerbertool bewerben
• Zusätzlich zur Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an nursen.haltmayer@uni-a.de geschickt werden
• Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt

Prüfungsmodalitäten

• Die Themenvergabe erfolgt bereits Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
• Je Team von Masterstudenten ein mediengestützter Vortrag
• Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde

Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung sind oben verlinkt.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Bewerbung (präferiert im Zweierteam) ist von 19.01.24 bis 16.02.24 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.

Themen und allgemeine Informationen zur Veranstaltung (Bachelor!)

Zum Bewerbertool

Da die Veranstaltung bereits im Sommer 2023 angeboten wurde und sich bezüglich der Einbringbarkeiten keine Veränderungen ergeben haben,können Sie die Einbringbarkeiten in den Modulhandbüchern ihres Studiengangs für das Sommersemester 2023 nachsehen (Das Modulhandbuch des SoSe 2024 wird identische Einbringbarkeiten für die Veranstaltung/en besitzen, ist aber aktuell noch nicht veröffentlicht).

Einbringbar im Sommersemester 2024

Bearbeitbar schon ab Anfang März 2024

Inhalt der Lehrveranstaltung

Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.

Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.

Literatur zur Lehrveranstaltung

Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.

Bewerbungsmodalitäten

• Bewerbung ab sofort bis spätestens 16.02.2024 möglich
• Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich über das obige Bewerbertool bewerben.
• Neben der Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an nursen.haltmayer@uni-a.de geschickt werden
• Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt

Prüfungsmodalitäten

• Die Themenvergabe erfolgt bereits ab Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
• Je Team von Bachelorstudenten ein mediengestützter Vortrag (+eine schriftliche Ausarbeitung, falls die Veranstaltung als „Cluster-Seminar“ Finance bzw. „Cluster-Seminar“ Operations eingebracht werden soll), 
• Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde

Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung finden Sie oben.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Übungstermine:

• Übungsaufgaben zu den einzelnen Kapitel der Vorlesung stehen im Digicampus bereit
• Lösungsansätze zu den Übungsaufgaben werden als Video aufgezeichnet. Für Fragen und Diskussion der Übungs/Vorlesungsinhalte steht eine Frage/Übungsstunde am Donnerstag um 8:15 (K: 1003) zur Verfügung.
• Bitte beachten Sie, dass auch in der Vorlesung eine Vielzahl an Beispielen und Aufgaben gerechnet werden

Inhalte:

Die Veranstaltung beschäftigt sich mit verschiedenen Aspekten des Risikomanagements und wendet diese auf Basis von empirischen Daten mit der Statistiksprache R an. 

Die erfolgreiche Teilnahme an der Vorlesung Risikomanagement ist eine essentielle Voraussetzung für die Teilnahme am Seminar Risikomanagement im Wintersemester!

Geplante Themen in der Vorlesung:

• Klassifizierung von Risikoarten und Notwendigkeit für Risikomessung und Regulierung
• Stylized Facts von univariaten und multivariaten Kapitalmarktrenditen und Modellierung durch Risikomaße
• Anforderungen an Risikomaße und Axiome
• Eigenschaften von Risikomaßen und einfache Risikomaße
• Fortgeschrittene Risikomaße
• Quantifizierung verschiedener Risikomaße
• Backtesting von Risikomaßen
• Prognosen für Risikomaße
• Risikoreduktion durch Portfoliobildung  und Optimierung  
• Aggregierte Risikomaße: marginaler Value-at-Risk und Komponenten Value-at-Risk
• Abbildung von Asymmetrie multivariater Renditen durch Copulas und Modellierung des VaR
• Weiterführende Themen zu verschiedenen Risikoaspekten

Vorkenntnis für die Lehrveranstaltung

Elementare Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche bspw. in den Veranstaltungen Mathematik I/II und Statistik I/II vermittelt werden sowie generelle Begeisterung für quantitativ-methodische Veranstaltungsinhalte. Die Bereitschaft zur kontinuierlichen, langfristigen gedanklichen Auseinandersetzung und Vor- und Nachbereitung der Veranstaltungsinhalte ist unerlässlich. Von Vorteil sind Grundlagen in der Statistiksprache R, wie sie etwa in der Veranstaltung „Data Analysis with R“ des Lehrstuhls vermittelt werden. Es wird die Bereitschaft erwartet, sich mit der Modellierung der Veranstaltungsinhalte mit der Statistiksprache R tiefgehend zu beschäftigen und sich notwendige Grundlagen hierfür selbständig anzueignen

Literatur zur Lehrveranstaltung

u.a.

• McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative risk management: concepts, techniques and tools-revised edition. Princeton university press.
• Pfaff, B. (2016). Financial risk modelling and portfolio optimization with R. John Wiley & Sons.
• Hofert, M., Frey, R., & McNeil, A. J. (2020). The Quantitative Risk Management Exercise Book.
• Christoffersen, P. (2011). Elements of financial risk management. Academic Press.
• Miller, M. B. (2018). Quantitative financial risk management. John Wiley & Sons.
• Hult, H., Lindskog, F., Hammarlid, O., & Rehn, C. J. (2012). Risk and portfolio analysis: Principles and methods. Springer Science & Business Media.
• Zudem ausgewählte Paper-Publikationen und Unterlagen zur statistischen Programmiersprache R, auf welche in den Vorlesungsunterlagen hingewiesen wird.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Grundlage der Übungen ist eine Sammlung relevanter Aufgaben, die die Studierenden selbständig vorbereiten sollen und deren Lösungen in den Übungsveranstaltungen dargestellt werden. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben über Digicampus bereitgestellt. Darüber hinaus können weitere Übungsaufgaben auch aus:

• Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, Oldenbourg, 8. Aufl. München 2008

im Selbststudium bearbeitet werden.

Weitere Informationen zu der Lehrveranstaltung

Vorraussetzungen

The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.

Modulinhalte

• Supervised learning
  • Predictive vs. Explanatory modelling , performance measurement
  • Regularization (ridge, lasso, elastic net) and feature engineering
  • Tree-based modelling (CART, bagging, random forests)
  • NN, recurrent NN and deep learning
  • Support vector machines (SVM) and Bayes’s classifiers
  • Ensemble methods and super learners (boosting, stacking)
  • Interpretable Machine Learning (LIME, Shapley)
• Unsupervised learning
  • Clustering and pattern detection
  • Advanced clustering techniques
  • PCA as a dimension reduction technique
• Basics of Reinforcement learning
• Text Mining
• Basics of Image Processing (recognition)  and CNN

Lernziele

Subject-related competencies:

After the successful participation in this module, students have a good understanding of the objectives, tools and potential applications of supervised and unsupervised Machine Learning. The students understand the mathematical and statistical background of the models, can apply the discussed techniques in R and interpret the results correctly. Furthermore, the students understand the key steps of a modelling/learning process, its reasoning and requirements.    

Methodological competencies:

The students learn the key approaches to performance measurement of supervised learning techniques with a focus on the separation between explanatory and predictive modelling. The feature engineering for large data sets is discussed on the example of lasso and elasticnet regressions. The students understand and can apply tree-based models such as regression trees, bagging and random forests as well as models stemming from neural networks, such as MLP, recurrent NN and basics of deep learning. The students can solve classification problems using support vector machines and Bayes’ classifiers. Furthermore, ensample models and super learners will be discussed based on the previously learned techniques. Finally, the students become familiar with the most popular ideas and tools of interpretable machine learning, (LIME and Shapley measures). Relying on the methods discussed in the second part of the course the students will be able to apply methods of unsupervised learning for pattern recognition using advanced clustering techniques. The participants can apply and interpret correctly the PCA for the purpose of dimension reduction. From the last part of the module, the students will be familiar with such advanced areas of machine learning for unstructured data as text mining and image processing.

Interdisciplinary competencies:

For practical applications, we use the statistical software R. The students can apply the ML methods to solve practical questions of modelling, forecasting or classification for large data with a focus on applications in business and economics. The students can draw economic conclusions from complex ML models and learn the potential of these methods in practice.

Key competencies:

The students are able to correctly assess data structures, select appropriate modelling methods and apply them using the software R. Furthermore, they are able to present and interpret the results in a conclusive manner.

Literatur zur Lehrveranstaltung

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
• Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
• Bishop (2007) Pattern Recognition and Machine Learning
• Goodfellow, Bengio, Courville  (2017) Deep Learning
• Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.

Weitere Informationen zu der Lehrveranstaltung

Diese Veranstaltung findet im WiSe statt.

Inhalt der Veranstaltung

This course is part of the Machine Learning module alongside the lectures in Machine Learning. Students learn to apply the concepts that have been introduced during the lectures. Besides the practical applicaitons in R inside the jupyter notebook environment, the course contains manual exercises to deepen the understanding of algorithms and concepts.

Vorkenntnisse für die Veranstaltung

The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.

Literatur

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
• Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
• Bishop (2007) Pattern Recognition and Machine Learning
• Goodfellow, Bengio, Courville  (2017) Deep Learning
• Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.

Die Veranstaltung findet im WiSe statt.

Diese Veranstaltung findet in Präsenz statt. Informationen hierzu finden Sie im Digicampus.

Inhalt der Lehrveranstaltung

• Multiple lineare Regression (Parameterschätzung, Beurteilung der Modellgüte und Interpretation der Ergebnisse)
• Prüfen der Modellprämissen (Heteroskedastizität, Autokorrelation, ...)
• Modellierung binärer und nominaler Daten
• Anwendung der ökonometrischen Modellierungsmethoden unter Verwendung der statistischen Programmiersprache R.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen und mathematischen Kenntnisse, welche in den Veranstaltungen Statistik I und II sowie Mathematik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten.

Literatur zur Lehrveranstaltung

• Cameron A.C, und Trivedi P.K "Microeconometrics: theory and methods", Cambridge University Press
• Greene W.H. "Econometric Analysis", Pearson
• Gujarati, D., Basic Econometrics, McGraw-Hill
• Veerbek, M.A., Guide to Modern Econometrics, Wiley
• Wooldridge J.M. "Introductory Econometrics: a modern approach", South Western

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

Saalübung:
Nach einer allgemeinen Einführung in die Statistiksoftware R, erfolgt die Anwendung der in der Vorlesung vorgestellten statistischen Methoden anhand von Beispieldaten und mittels der Programmiersprache R. Ein Besuch dieser Übung wird dringend empfohlen, da der Inhalt für die Prüfung relevant ist.

Literatur zur Lehrveranstaltung

• Everitt, B; Hothorn T.: A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition, 2014.
• Wollschläger, D.: Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, 4. Auflage, Springer, 2017.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

• Prozesse in diskreter Zeit
• Stochastische Prozesse, insb. Martingale
• Geometrische Brownsche Bewegung
• No-arbitrage und risikoneutrale Bewertung
• Zinsrechnung und Zinsmodelle
• Forwards, Futures und Optionen
• Financial Engineering
• Asset pricing
• Anlageklassen und Portfolio Management
• Investment strategies

Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.

Übungstermine

 Die behandelten Übungsblätter werden im Digicampus zur Verfügung gestellt. In der Übung werden Inhalte der Vorlesung vertieft und empirisch mit der Statistiksprache R angewendet. 

Literatur zur Lehrveranstaltung

• Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
• Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
• John Hull, Options, futures and other derivatives, Pearson, 2009
• Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
• Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
• Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
• Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

• Prozesse in diskreter Zeit
• Stochastische Prozesse, insb. Martingale
• Geometrische Brownsche Bewegung
• No-arbitrage und risikoneutrale Bewertung
• Zinsrechnung und Zinsmodelle
• Forwards, Futures und Optionen
• Financial Engineering
• Asset pricing
• Anlageklassen und Portfolio Management
• Investment strategies

Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.

Übungstermine

Zur Veranstaltung wird eine Übungsveranstaltung angeboten. In der Übung werden Inhalte der Vorlesung vertieft und empirisch angewendet.

Literatur zur Lehrveranstaltung

• Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
• Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
• John Hull, Options, futures and other derivatives, Pearson, 2009
• Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
• Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
• Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
• Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Diese Veranstaltung findet in Präsenz statt.

Inhalt der Lehrveranstaltung

Ziel sind der Ausbau der in Statistik I (oder vergleichbaren Veranstaltungen) gelegten Grundlagen (sowohl in Statistik als auch in der eigenständigen, empirischen Umsetzung mit Hilfe der Statistiksoftware R) sowie die Vertiefung insbesondere im Bereich der Wahrscheinlichkeitsrechnung. Insbesondere werden die in Statistik I gelegten Grundlagen auch genutzt um den Bereich der induktiven Statistik zu vermitteln.

Wahrscheinlichkeitsrechnung

• Zufallsvariablen und Verteilungen
• Verteilungsparameter
• Gesetz der großen Zahlen und zentraler Grenzwertsatz

Induktive Statistik

• Grundlagen der induktiven Statistik
• Punkt-Schätzung
• Intervall-Schätzung
• Signifikanztests und Gütefunktion

Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren und kompetent analysieren können. (ebenfalls klausurrelevant).

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig.

Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in der Veranstaltung Statistik I vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• Bamberg, G.; Baur, F., Krapp, M.: Statistik, 18. Auflage, Oldenbourg, München, 2017.
• Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2017.
• Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G.: Statistik - Der Weg zur Datenanalyse, Springer, Berlin 2016
   
• Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671 (aus dem Universitätsnetz verfügbar)

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

Grundlage der Übungen ist eine Sammlung von Aufgaben, welche die Studierenden vorbereiten sollen und deren Lösungen in den Übungs-veranstaltungen dargestellt werden. Die selbständigen Lösungsversuche dieser Aufgaben (sowie der Besuch der Vorlesung) bilden die beste Vorbereitung für die (90 Minuten dauernde)  Klausur zu Statistik II. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben bereitgestellt (Diese wird rechtzeitig im Laufe des Semesters bereitgestellt werden). Darüber hinaus können weitere Übungsaufgaben auch aus:

• Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2016.

im Selbststudium bearbeitet werden.

Darüber hinaus soll ein sicherer Umgang mit der Statistiksprache R vermittelt werden, der eine selbstständige Auseinandersetzung mit der Software voraussetzt.

Die Veranstaltung findet im WiSe statt.

Für diese Veranstaltung ist eine vorausgehende Bewerbung notwendig.  || Die Veranstaltung ist beschränkt auf max. 30 Teilnehmer. Für diese Veranstaltung ist keine separate Anmeldung im STUDIS notwendig.

 Der Bewerbungszeitraum endete am 15.10.23. Die Bewerbung war ausschließlich über das Bewerbertool möglich.

Inhalt der Lehrveranstaltung

Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen für den Entscheidungsträger und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data Mining Verfahren zusammengefasst werden. Man betrachtet hierbei nicht eine isolierte Variable bzw. Charakteristik, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. bei der Suche nach Strukturen und Besonderheiten in den Daten.

In Gruppenarbeit sollen die Grundgedanken, Voraussetzungen sowie die Zielsetzung einzelner Data Mining Verfahren herausgearbeitet, die Anwendung anhand eines Praxisbeispiels (Umsetzung mit der Statistiksoftware R) erprobt sowie die Resultate in einer abschließenden computergestützten Präsentation vorgetragen werden. Die Teilnehmer*innen sollen die Grundsätze wissenschaftlichen Arbeitens durch die theoretische als auch empirische Auseinandersetzung mit speziellen Data Mining Verfahren erlernen und zum Erstellen einer prägnanten Präsentation sowie freier Rede beim Vortragen befähigt werden. Wesentliche methodische und empirische Erkenntnisse sollen in einer schriftlichen Ausfertigung zusammengefasst werden.

Themenübersicht

1. Tree – Based - Methods (Regressionsbäume, random forests, bagging, boosting)
2. Support Vector Machine (ML Verfahren für Regression und Klassifikation)
3. Clusteranalyse (hierarchische / partitionelle Clusteranalyse)
4. Logistische Regressionsanalyse – das Logit –Modell
5. ANOVA: ein- und mehrfaktorielle Varianzanalyse
6. Zeitreihenanalyse (Modellierung von zeitlich geordneten Daten)
7. Interpretierbares Machine Learning: Ermittelung der Feature Importance     
8. Interpretierbares Machine Learning: Surrogate Modelle
9. Text Mining (Methoden zum Extrahieren von Informationen aus Texten, sentiment analysis
10. Hauptkomponentenanalyse (PCA, Verfahren zur Dimensionsreduktion)

Grundlegendes

• Gruppenarbeit (2-3 Teilnehmer*innen): eigenständige Gruppenorganisation und Terminvereinbarung mit dem Betreuer
• Computergestützte Präsentation:
  • Inhalt: Theoretische Ausarbeitung der Methodik sowie Umsetzung mittels der Statistiksoftware R anhand eines selbstständig recherchierten, geeigneten Datensatzes.
  • Umfang: ~60 Minuten zzgl. 15 Minuten Diskussionszeit (je Gruppe)
  • Bearbeitungsumfang, Schwierigkeitsgrad sowie Präsentation der Inhalte und Ergebnisse sollten möglichst gleichmäßig verteilt werden

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden. Der Besuch der Data Mining Veranstaltung im Sommersemester 2019 wäre wünschenswert. Zudem werden Grundkenntnisse in der Statistiksprache R (alternativ in Python) verlangt, so wie sie bspw. in den Veranstaltungen Statistik I/II vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• Breiman, Friedman, Olshen, Stone (1998): Classification and Regression Trees, Chapman & Hall.
• Fahrmeir, Kneib, Lang (2007): Regression - Modelle, Methoden und Anwendungen, Springer.
• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC, 3rd edition.
• Rousseeuw, Kaufman (2005): Finding Groups in Data – An Introduction to Cluster Analysis, John Wiley & Sons Inc.
• Wollschläger (2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
• u.v.w. themenbezogene Fachliteratur

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Bewerbung über Online-Bewerbungstool ||

Auswahl über Motivationsschreiben und Notenspiegel ||

Teilnehmerzahl beschränkt

Zum Bewerbertool

Der Bewerbungszeitraum beginnt ab sofort und endet am 26.10.2023, 12:00 Uhr.

Hier finden SIe die Themen der Veranstaltung.

Inhalt der Lehrveranstaltung

Im Seminar Risikomanagement bearbeiten Sie im Team innovative Themen an der Schnittstelle zwischen wissenschaftlicher Forschung und Anwendung in der betrieblichen Praxis. Zusätzlich werden u.a. durch die Arbeit in (interdisziplinären) Teams wichtige Soft-Skills vermittelt, welche Sie im beruflichen Alltag jederzeit beherrschen sollten.

Seminarthemen:

Die Themenstellungen stammen aus dem Bereich Risikomanagement und bauen auf die Inhalte der Vorlesung Risikomanagement auf. Eine PDF Datei mit den Themenstellungen steht bereit (siehe oben)

Voraussetzungen: 

Eine zwingende Voraussetzung zur Teilnahme am Seminar ist die erfolgreiche Teilnahme (= bestanden) an der Bachelorveranstaltung 'Risikomanagement'. Weitere Voraussetzungen für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II (GBM: Mathematik) und Statistik I/II (GBM: Statistik) vermittelt werden sowie Kenntnisse von quantitativen Methoden des Risikomanagements, wie sie in der Bachelorveranstaltung "Risikomanagement" vermittelt werden. Zudem wird die Bereitschaft verlangt, sich, basierend auf den in der Veranstaltung Risikomanagement erworbenen Kenntnissen, weiter in die Statistiksprache R einzuarbeiten, und sich eigenständig mit weiterführender Literatur zu beschäftigen.

Termin und Ablauf

The course is offered in cooperation with the chair of finance and banking and is taught in English.

Prerequisites

A prerequisite for successful participation is thorough mathematical and statistical knowledge, which is taught in courses during the first semesters of every degree in economics or business economics. Furthermore, an essential prerequisite is the willingness to familiarize yourself with the contents of the course and the willingness to independently study the provided resources.

Subject-related competencies

After successfully completing this module, students understand the challenges of international finance and how to make optimal corporate financial decisions concerning investments, financing, and hedging against risks in the international environment.

Methodological competencies

Students are able to use Excel to analyze finance-related data using various quantitative methods. They are able to calculate and interpret statistical measures and to use the multiple linear regression model in different variants for forecasting. They will also be able to use quantitative methods, particularly in the international currency environment, and interpret the results of the methods.

Interdisciplinary competencies

Students are able to apply the knowledge they have acquired in any area of their studies that deal with empirical questions in the field of finance and international economics. Students are able to apply quantitative approaches and models for international finance problems to other empirical and theoretical issues.

Key competencies:

Students are able to interpret relationships in the international financial environment with regard to their statements at different levels. This includes, for example, finding causal relationships in economic systems or assessing the quality of statistics. Students are able to use quantitative tools to manage international financial risks.

Foundations of International Financial Management

• Globalization and the Multinational Firm
• International Monetary Systems
• Balance of Payments

The Foreign Exchange Market, Exchange Rate Determination, and Currency Derivates

• Market for Foreign Exchange
• International Parity Relationships and Forecasting Foreign Exchange Rates
• Futures and Options on Foreign Exchange

Foreign Exchange Exposure and Management

• Measuring, Managing and Hedging of FX Risk

World Financial Markets and Institutions

• International Bond Markets
• International Equity Markets

Financial Management of the Multinational Firm

• International Capital Structure and Cost of Capital

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data-Mining Methoden zusammengefasst werden. Man betrachtet hier nicht eine Variable bzw. eine Charakteristik  isoliert, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. zur Suche nach Strukturen und Besonderheiten in den Daten. Für die praktische Anwendung der erlernten Methoden wird die Statistiksoftware R genutzt.

• Grundlagen und Ziele
• Multiple lineare Regressionsanalyse
• Regressionsbäume
• Künstliche Neuronale Netze
• Netzwerkdaten
• Clusteranalyse
• Logistische Regressionsanalyse
• u.w.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
• Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
• Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
• Nisbet, Elder, Miner (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
• Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
• ...

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Die erste Übungsstunde soll eine Einführung zum Arbeiten mit der in der Vorlesung und Übung verwendeten Statistiksoftware R geben. Anschließend wird im Rahmen der Saalübungen anhand ausgewählter Beispieldaten vorlesungsbegleitend in die Anwendung / Auswertung (Umsetzung mit R) und Interpretation (Output) der behandelten Data Mining Methoden (Regression, Clustering, Klassifikation, etc.) eingeführt. 

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
• Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
• Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
• Nisbet, Elder, Miner, (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
• Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
• ...

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Themen und allgemeine Informationen zur Veranstaltung (Master!)

Bewerbung (präferiert im Zweierteam) ist von 20.01.23 bis 28.02.23 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.

Zum Bewerbertool

Da die Veranstaltung bereits im Sommer 2021 angeboten wurde und sich bezüglich der Einbringbarkeiten nur geringfügige Ergänzungen (BWL und EPP (PO 2021): Major/Minor FACT, Major/Minor BAO) ergeben haben, bitten wir Sie, die individuelle Einbringbarkeit stets mit Hilfe des Modulhandbücher ihres Studiengangs für das SoSe 2022 zu kontrollieren (Modulhandbuch des SoSe 2023 wird identische Einbringbarkeiten für die Veranstaltung/en besitzen!).

Einbringbar im Sommersemester 2023

Bearbeitbar schon ab Anfang März 2023

Inhalt der Lehrveranstaltung

Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.

Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.

Literatur zur Lehrveranstaltung

Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.

Bewerbungsmodalitäten

• Bewerbung von 20.02.23 bis spätestens 28.02.23 möglich
• Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich daher über das obig verknüpfte Bewerbertool bewerben
• Zusätzlich zur Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an sebastian.heiden@wiwi.uni-augsburg.de geschickt werden
• Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt

Prüfungsmodalitäten

• Die Themenvergabe erfolgt bereits Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
• Je Team von Masterstudenten ein mediengestützter Vortrag
• Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde

Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung sind oben verlinkt.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Bewerbung (präferiert im Zweierteam) ist von 20.01.23 bis 28.02.23 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.

Themen und allgemeine Informationen zur Veranstaltung (Bachelor!)

Zum Bewerbertool

Da die Veranstaltung bereits im Sommer 2021 angeboten wurde und sich bezüglich der Einbringbarkeiten nur geringfügige Ergänzungen (BWL und EPP (PO 2021): Major/Minor FACT, Major/Minor BAO) ergeben haben, bitten wir Sie, die individuelle Einbringbarkeit stets mit Hilfe des Modulhandbücher ihres Studiengangs für das SoSe 2022 zu kontrollieren (Modulhandbuch des SoSe 2023 wird identische Einbringbarkeiten für die Veranstaltung/en besitzen!).

Einbringbar im Sommersemester 2023

Bearbeitbar schon ab Anfang März 2023

Inhalt der Lehrveranstaltung

Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.

Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.

Literatur zur Lehrveranstaltung

Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.

Bewerbungsmodalitäten

• Bewerbung ab sofort bis spätestens 28.02.2023 möglich
• Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich über das obige Bewerbertool bewerben.
• Neben der Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an sebastian.heiden@wiwi.uni-augsburg.de geschickt werden
• Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt

Prüfungsmodalitäten

• Die Themenvergabe erfolgt bereits ab Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
• Je Team von Bachelorstudenten ein mediengestützter Vortrag (+eine schriftliche Ausarbeitung, falls die Veranstaltung als „Cluster-Seminar“ Finance bzw. „Cluster-Seminar“ Operations eingebracht werden soll), 
• Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde

Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung finden Sie oben.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Übungstermine:

• Übungsaufgaben zu den einzelnen Kapitel der Vorlesung stehen im Digicampus bereit
• Lösungsansätze zu den Übungsaufgaben werden als Video aufgezeichnet. Für Fragen und Diskussion der Übungs/Vorlesungsinhalte steht eine Frage/Übungsstunde am Donnerstag um 8:15 (K: 1003) zur Verfügung.
• Bitte beachten Sie, dass auch in der Vorlesung eine Vielzahl an Beispielen und Aufgaben gerechnet werden

Inhalte:

Die Veranstaltung beschäftigt sich mit verschiedenen Aspekten des Risikomanagements und wendet diese auf Basis von empirischen Daten mit der Statistiksprache R an. 

Die erfolgreiche Teilnahme an der Vorlesung Risikomanagement ist eine essentielle Voraussetzung für die Teilnahme am Seminar Risikomanagement im Wintersemester!

Geplante Themen in der Vorlesung:

• Klassifizierung von Risikoarten und Notwendigkeit für Risikomessung und Regulierung
• Stylized Facts von univariaten und multivariaten Kapitalmarktrenditen und Modellierung durch Risikomaße
• Anforderungen an Risikomaße und Axiome
• Eigenschaften von Risikomaßen und einfache Risikomaße
• Fortgeschrittene Risikomaße
• Quantifizierung verschiedener Risikomaße
• Backtesting von Risikomaßen
• Prognosen für Risikomaße
• Risikoreduktion durch Portfoliobildung  und Optimierung  
• Aggregierte Risikomaße: marginaler Value-at-Risk und Komponenten Value-at-Risk
• Abbildung von Asymmetrie multivariater Renditen durch Copulas und Modellierung des VaR
• Weiterführende Themen zu verschiedenen Risikoaspekten

Vorkenntnis für die Lehrveranstaltung

Elementare Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche bspw. in den Veranstaltungen Mathematik I/II und Statistik I/II vermittelt werden sowie generelle Begeisterung für quantitativ-methodische Veranstaltungsinhalte. Die Bereitschaft zur kontinuierlichen, langfristigen gedanklichen Auseinandersetzung und Vor- und Nachbereitung der Veranstaltungsinhalte ist unerlässlich. Von Vorteil sind Grundlagen in der Statistiksprache R, wie sie etwa in der Veranstaltung „Data Analysis with R“ des Lehrstuhls vermittelt werden. Es wird die Bereitschaft erwartet, sich mit der Modellierung der Veranstaltungsinhalte mit der Statistiksprache R tiefgehend zu beschäftigen und sich notwendige Grundlagen hierfür selbständig anzueignen

Literatur zur Lehrveranstaltung

u.a.

• McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative risk management: concepts, techniques and tools-revised edition. Princeton university press.
• Pfaff, B. (2016). Financial risk modelling and portfolio optimization with R. John Wiley & Sons.
• Hofert, M., Frey, R., & McNeil, A. J. (2020). The Quantitative Risk Management Exercise Book.
• Christoffersen, P. (2011). Elements of financial risk management. Academic Press.
• Miller, M. B. (2018). Quantitative financial risk management. John Wiley & Sons.
• Hult, H., Lindskog, F., Hammarlid, O., & Rehn, C. J. (2012). Risk and portfolio analysis: Principles and methods. Springer Science & Business Media.
• Zudem ausgewählte Paper-Publikationen und Unterlagen zur statistischen Programmiersprache R, auf welche in den Vorlesungsunterlagen hingewiesen wird.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Grundlage der Übungen ist eine Sammlung relevanter Aufgaben, die die Studierenden selbständig vorbereiten sollen und deren Lösungen in den Übungsveranstaltungen dargestellt werden. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben über Digicampus bereitgestellt. Darüber hinaus können weitere Übungsaufgaben auch aus:

• Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, Oldenbourg, 8. Aufl. München 2008

im Selbststudium bearbeitet werden.

Weitere Informationen zu der Lehrveranstaltung

Vorraussetzungen

The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.

Modulinhalte

• Supervised learning
  • Predictive vs. Explanatory modelling , performance measurement
  • Regularization (ridge, lasso, elastic net) and feature engineering
  • Tree-based modelling (CART, bagging, random forests)
  • NN, recurrent NN and deep learning
  • Support vector machines (SVM) and Bayes’s classifiers
  • Ensemble methods and super learners (boosting, stacking)
  • Interpretable Machine Learning (LIME, Shapley)
• Unsupervised learning
  • Clustering and pattern detection
  • Advanced clustering techniques
  • PCA as a dimension reduction technique
• Basics of Reinforcement learning
• Text Mining
• Basics of Image Processing (recognition)  and CNN

Lernziele

Subject-related competencies:

After the successful participation in this module, students have a good understanding of the objectives, tools and potential applications of supervised and unsupervised Machine Learning. The students understand the mathematical and statistical background of the models, can apply the discussed techniques in R and interpret the results correctly. Furthermore, the students understand the key steps of a modelling/learning process, its reasoning and requirements.    

Methodological competencies:

The students learn the key approaches to performance measurement of supervised learning techniques with a focus on the separation between explanatory and predictive modelling. The feature engineering for large data sets is discussed on the example of lasso and elasticnet regressions. The students understand and can apply tree-based models such as regression trees, bagging and random forests as well as models stemming from neural networks, such as MLP, recurrent NN and basics of deep learning. The students can solve classification problems using support vector machines and Bayes’ classifiers. Furthermore, ensample models and super learners will be discussed based on the previously learned techniques. Finally, the students become familiar with the most popular ideas and tools of interpretable machine learning, (LIME and Shapley measures). Relying on the methods discussed in the second part of the course the students will be able to apply methods of unsupervised learning for pattern recognition using advanced clustering techniques. The participants can apply and interpret correctly the PCA for the purpose of dimension reduction. From the last part of the module, the students will be familiar with such advanced areas of machine learning for unstructured data as text mining and image processing.

Interdisciplinary competencies:

For practical applications, we use the statistical software R. The students can apply the ML methods to solve practical questions of modelling, forecasting or classification for large data with a focus on applications in business and economics. The students can draw economic conclusions from complex ML models and learn the potential of these methods in practice.

Key competencies:

The students are able to correctly assess data structures, select appropriate modelling methods and apply them using the software R. Furthermore, they are able to present and interpret the results in a conclusive manner.

Literatur zur Lehrveranstaltung

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
• Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
• Bishop (2007) Pattern Recognition and Machine Learning
• Goodfellow, Bengio, Courville  (2017) Deep Learning
• Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.

Weitere Informationen zu der Lehrveranstaltung

Diese Veranstaltung findet im WiSe statt.

Inhalt der Veranstaltung

This course is part of the Machine Learning module alongside the lectures in Machine Learning. Students learn to apply the concepts that have been introduced during the lectures. Besides the practical applicaitons in R inside the jupyter notebook environment, the course contains manual exercises to deepen the understanding of algorithms and concepts.

Vorkenntnisse für die Veranstaltung

The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.

Literatur

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
• Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
• Bishop (2007) Pattern Recognition and Machine Learning
• Goodfellow, Bengio, Courville  (2017) Deep Learning
• Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.

Die Veranstaltung findet im WiSe statt.

Diese Veranstaltung findet in Präsenz statt. Informationen hierzu finden Sie im Digicampus.

Inhalt der Lehrveranstaltung

• Multiple lineare Regression (Parameterschätzung, Beurteilung der Modellgüte und Interpretation der Ergebnisse)
• Prüfen der Modellprämissen (Heteroskedastizität, Autokorrelation, ...)
• Modellierung binärer und nominaler Daten
• Anwendung der ökonometrischen Modellierungsmethoden unter Verwendung der statistischen Programmiersprache R.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen und mathematischen Kenntnisse, welche in den Veranstaltungen Statistik I und II sowie Mathematik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten.

Literatur zur Lehrveranstaltung

• Cameron A.C, und Trivedi P.K "Microeconometrics: theory and methods", Cambridge University Press
• Greene W.H. "Econometric Analysis", Pearson
• Gujarati, D., Basic Econometrics, McGraw-Hill
• Veerbek, M.A., Guide to Modern Econometrics, Wiley
• Wooldridge J.M. "Introductory Econometrics: a modern approach", South Western

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

Saalübung:
Nach einer allgemeinen Einführung in die Statistiksoftware R, erfolgt die Anwendung der in der Vorlesung vorgestellten statistischen Methoden anhand von Beispieldaten und mittels der Programmiersprache R. Ein Besuch dieser Übung wird dringend empfohlen, da der Inhalt für die Prüfung relevant ist.

Literatur zur Lehrveranstaltung

• Everitt, B; Hothorn T.: A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition, 2014.
• Wollschläger, D.: Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, 4. Auflage, Springer, 2017.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

• Prozesse in diskreter Zeit
• Stochastische Prozesse, insb. Martingale
• Geometrische Brownsche Bewegung
• No-arbitrage und risikoneutrale Bewertung
• Zinsrechnung und Zinsmodelle
• Forwards, Futures und Optionen
• Financial Engineering
• Asset pricing
• Anlageklassen und Portfolio Management
• Investment strategies

Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.

Übungstermine

 Die behandelten Übungsblätter werden im Digicampus zur Verfügung gestellt. In der Übung werden Inhalte der Vorlesung vertieft und empirisch mit der Statistiksprache R angewendet. 

Literatur zur Lehrveranstaltung

• Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
• Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
• John Hull, Options, futures and other derivatives, Pearson, 2009
• Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
• Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
• Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
• Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

• Prozesse in diskreter Zeit
• Stochastische Prozesse, insb. Martingale
• Geometrische Brownsche Bewegung
• No-arbitrage und risikoneutrale Bewertung
• Zinsrechnung und Zinsmodelle
• Forwards, Futures und Optionen
• Financial Engineering
• Asset pricing
• Anlageklassen und Portfolio Management
• Investment strategies

Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.

Übungstermine

Zur Veranstaltung wird eine Übungsveranstaltung angeboten. In der Übung werden Inhalte der Vorlesung vertieft und empirisch angewendet.

Literatur zur Lehrveranstaltung

• Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
• Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
• John Hull, Options, futures and other derivatives, Pearson, 2009
• Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
• Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
• Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
• Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Diese Veranstaltung findet in Präsenz statt.

Inhalt der Lehrveranstaltung

Ziel sind der Ausbau der in Statistik I (oder vergleichbaren Veranstaltungen) gelegten Grundlagen (sowohl in Statistik als auch in der eigenständigen, empirischen Umsetzung mit Hilfe der Statistiksoftware R) sowie die Vertiefung insbesondere im Bereich der Wahrscheinlichkeitsrechnung. Insbesondere werden die in Statistik I gelegten Grundlagen auch genutzt um den Bereich der induktiven Statistik zu vermitteln.

Wahrscheinlichkeitsrechnung

• Zufallsvariablen und Verteilungen
• Verteilungsparameter
• Gesetz der großen Zahlen und zentraler Grenzwertsatz

Induktive Statistik

• Grundlagen der induktiven Statistik
• Punkt-Schätzung
• Intervall-Schätzung
• Signifikanztests und Gütefunktion

Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren und kompetent analysieren können. (ebenfalls klausurrelevant).

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig.

Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in der Veranstaltung Statistik I vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• Bamberg, G.; Baur, F., Krapp, M.: Statistik, 18. Auflage, Oldenbourg, München, 2017.
• Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2017.
• Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G.: Statistik - Der Weg zur Datenanalyse, Springer, Berlin 2016
   
• Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671 (aus dem Universitätsnetz verfügbar)

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Inhalt der Lehrveranstaltung

Grundlage der Übungen ist eine Sammlung von Aufgaben, welche die Studierenden vorbereiten sollen und deren Lösungen in den Übungs-veranstaltungen dargestellt werden. Die selbständigen Lösungsversuche dieser Aufgaben (sowie der Besuch der Vorlesung) bilden die beste Vorbereitung für die (90 Minuten dauernde)  Klausur zu Statistik II. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben bereitgestellt (Diese wird rechtzeitig im Laufe des Semesters bereitgestellt werden). Darüber hinaus können weitere Übungsaufgaben auch aus:

• Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2016.

im Selbststudium bearbeitet werden.

Darüber hinaus soll ein sicherer Umgang mit der Statistiksprache R vermittelt werden, der eine selbstständige Auseinandersetzung mit der Software voraussetzt.

Die Veranstaltung findet im WiSe statt.

Für diese Veranstaltung ist eine vorausgehende Bewerbung notwendig.  || Die Veranstaltung ist beschränkt auf max. 30 Teilnehmer. Für diese Veranstaltung ist keine separate Anmeldung im STUDIS notwendig.

 Der Bewerbungszeitraum startet ab sofort und endet am 14.10.22, 12:00 Uhr. Die Bewerbung ist ausschließlich über das Bewerbertool möglich.

Zum Bewerbertool

Inhalt der Lehrveranstaltung

Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen für den Entscheidungsträger und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data Mining Verfahren zusammengefasst werden. Man betrachtet hierbei nicht eine isolierte Variable bzw. Charakteristik, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. bei der Suche nach Strukturen und Besonderheiten in den Daten.

In Gruppenarbeit sollen die Grundgedanken, Voraussetzungen sowie die Zielsetzung einzelner Data Mining Verfahren herausgearbeitet, die Anwendung anhand eines Praxisbeispiels (Umsetzung mit der Statistiksoftware R) erprobt sowie die Resultate in einer abschließenden computergestützten Präsentation vorgetragen werden. Die Teilnehmer*innen sollen die Grundsätze wissenschaftlichen Arbeitens durch die theoretische als auch empirische Auseinandersetzung mit speziellen Data Mining Verfahren erlernen und zum Erstellen einer prägnanten Präsentation sowie freier Rede beim Vortragen befähigt werden. Wesentliche methodische und empirische Erkenntnisse sollen in einer schriftlichen Ausfertigung zusammengefasst werden.

Themenübersicht

1. Tree – Based - Methods (Regressionsbäume, random forests, bagging, boosting)
2. Support Vector Machine (ML Verfahren für Regression und Klassifikation)
3. Clusteranalyse (hierarchische / partitionelle Clusteranalyse)
4. Logistische Regressionsanalyse – das Logit –Modell
5. ANOVA: ein- und mehrfaktorielle Varianzanalyse
6. Zeitreihenanalyse (Modellierung von zeitlich geordneten Daten)
7. Interpretierbares Machine Learning: Ermittelung der Feature Importance     
8. Interpretierbares Machine Learning: Surrogate Modelle
9. Text Mining (Methoden zum Extrahieren von Informationen aus Texten, sentiment analysis
10. Hauptkomponentenanalyse (PCA, Verfahren zur Dimensionsreduktion)

Grundlegendes

• Gruppenarbeit (2-3 Teilnehmer*innen): eigenständige Gruppenorganisation und Terminvereinbarung mit dem Betreuer
• Computergestützte Präsentation:
  • Inhalt: Theoretische Ausarbeitung der Methodik sowie Umsetzung mittels der Statistiksoftware R anhand eines selbstständig recherchierten, geeigneten Datensatzes.
  • Umfang: ~60 Minuten zzgl. 15 Minuten Diskussionszeit (je Gruppe)
  • Bearbeitungsumfang, Schwierigkeitsgrad sowie Präsentation der Inhalte und Ergebnisse sollten möglichst gleichmäßig verteilt werden

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden. Der Besuch der Data Mining Veranstaltung im Sommersemester 2019 wäre wünschenswert. Zudem werden Grundkenntnisse in der Statistiksprache R (alternativ in Python) verlangt, so wie sie bspw. in den Veranstaltungen Statistik I/II vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• Breiman, Friedman, Olshen, Stone (1998): Classification and Regression Trees, Chapman & Hall.
• Fahrmeir, Kneib, Lang (2007): Regression - Modelle, Methoden und Anwendungen, Springer.
• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC, 3rd edition.
• Rousseeuw, Kaufman (2005): Finding Groups in Data – An Introduction to Cluster Analysis, John Wiley & Sons Inc.
• Wollschläger (2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
• u.v.w. themenbezogene Fachliteratur

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im WiSe statt.

Bewerbung über Online-Bewerbungstool ||

Auswahl über Motivationsschreiben und Notenspiegel ||

Teilnehmerzahl beschränkt

Zum Bewerbertool

Der Bewerbungszeitraum beginnt ab sofort und endet am 26.10.2022, 12:00 Uhr.

Hier finden SIe die Themen der Veranstaltung.

Inhalt der Lehrveranstaltung

Im Seminar Risikomanagement bearbeiten Sie im Team innovative Themen an der Schnittstelle zwischen wissenschaftlicher Forschung und Anwendung in der betrieblichen Praxis. Zusätzlich werden u.a. durch die Arbeit in (interdisziplinären) Teams wichtige Soft-Skills vermittelt, welche Sie im beruflichen Alltag jederzeit beherrschen sollten.

Seminarthemen:

Die Themenstellungen stammen aus dem Bereich Risikomanagement und bauen auf die Inhalte der Vorlesung Risikomanagement auf. Eine PDF Datei mit den Themenstellungen wird hier in Kürze veröffentlicht.

Voraussetzungen: 

Eine zwingende Voraussetzung zur Teilnahme am Seminar ist die erfolgreiche Teilnahme (= bestanden) an der Bachelorveranstaltung 'Risikomanagement'. Weitere Voraussetzungen für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II (GBM: Mathematik) und Statistik I/II (GBM: Statistik) vermittelt werden sowie Kenntnisse von quantitativen Methoden des Risikomanagements, wie sie in der Bachelorveranstaltung "Risikomanagement" vermittelt werden. Zudem wird die Bereitschaft verlangt, sich, basierend auf den in der Veranstaltung Risikomanagement erworbenen Kenntnissen, weiter in die Statistiksprache R einzuarbeiten, und sich eigenständig mit weiterführender Literatur zu beschäftigen.

Termin und Ablauf

The course is offered in cooperation with the chair of finance and banking and is taught in English.

Prerequisites

A prerequisite for successful participation is thorough mathematical and statistical knowledge, which is taught in courses during the first semesters of every degree in economics or business economics. Furthermore, an essential prerequisite is the willingness to familiarize yourself with the contents of the course and the willingness to independently study the provided resources.

Subject-related competencies

After successfully completing this module, students understand the challenges of international finance and how to make optimal corporate financial decisions concerning investments, financing, and hedging against risks in the international environment.

Methodological competencies

Students are able to use Excel to analyze finance-related data using various quantitative methods. They are able to calculate and interpret statistical measures and to use the multiple linear regression model in different variants for forecasting. They will also be able to use quantitative methods, particularly in the international currency environment, and interpret the results of the methods.

Interdisciplinary competencies

Students are able to apply the knowledge they have acquired in any area of their studies that deal with empirical questions in the field of finance and international economics. Students are able to apply quantitative approaches and models for international finance problems to other empirical and theoretical issues.

Key competencies:

Students are able to interpret relationships in the international financial environment with regard to their statements at different levels. This includes, for example, finding causal relationships in economic systems or assessing the quality of statistics. Students are able to use quantitative tools to manage international financial risks.

Foundations of International Financial Management

• Globalization and the Multinational Firm
• International Monetary Systems
• Balance of Payments

The Foreign Exchange Market, Exchange Rate Determination, and Currency Derivates

• Market for Foreign Exchange
• International Parity Relationships and Forecasting Foreign Exchange Rates
• Futures and Options on Foreign Exchange

Foreign Exchange Exposure and Management

• Measuring, Managing and Hedging of FX Risk

World Financial Markets and Institutions

• International Bond Markets
• International Equity Markets

Financial Management of the Multinational Firm

• International Capital Structure and Cost of Capital

Information

The following courses are intended exclusively for incoming students at the University of Augsburg. Students who are not enrolled as exchange students at the Univerity of Augsburg cannot attend these courses.
The course is planned in an asynchronous format with an opportunity for questions during question and answer sessions. The course is offered in cooperation with the chair of finance and banking and is taught in English.

Description

In the first part of this course, students will get the intuition for understanding risk and return. It also explains the distinction between diversifiable and systematic risk. On this basis, students will get to know models for optimal portfolio choice, capital asset pricing and calculating the cost of capital. Further, students will examine the role of behavioral finance and relate investor behavior to the topic of market efficiency and alternative models of risk and return. In the second part of this course, students will learn how a firm should raise the funds it needs to undertake its investments and the firm's resulting capital structure. Students will focus on examining how the choice of capital structure affects the value of the firm in the perfect world and with frictions such as taxes and agency issues. Finally, students will learn to determine the optimal payout policy. After the course, students will be able to evaluate the risks and costs associated with a firm's business and determine the firm's optimal capital structure.

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data-Mining Methoden zusammengefasst werden. Man betrachtet hier nicht eine Variable bzw. eine Charakteristik  isoliert, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. zur Suche nach Strukturen und Besonderheiten in den Daten. Für die praktische Anwendung der erlernten Methoden wird die Statistiksoftware R genutzt.

• Grundlagen und Ziele
• Multiple lineare Regressionsanalyse
• Regressionsbäume
• Künstliche Neuronale Netze
• Netzwerkdaten
• Clusteranalyse
• Logistische Regressionsanalyse
• u.w.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
• Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
• Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
• Nisbet, Elder, Miner (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
• Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
• ...

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Die erste(n) Übungsstunde(n) sollen eine Einführung zum Arbeiten mit der in der Vorlesung und Übung verwendeten Statistiksoftware R geben. Anschließend wird im Rahmen der Saalübungen anhand ausgewählter Beispieldaten vorlesungsbegleitend in die Anwendung / Auswertung (Umsetzung mit R) und Interpretation (Output) der behandelten Data Mining Methoden (Regression, Clustering, Klassifikation, etc.) eingeführt. Zudem wird eine begleitete PC-Übung (freiwilliges Zusatzangebot) zur eigenständigen, computergestützten Umsetzung der einzelnen Methoden anhand verschiedener Datensätze und Fragestellungen angeboten.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.

Literatur zur Lehrveranstaltung

• James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
• Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
• Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
• Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
• Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
• Nisbet, Elder, Miner, (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
• Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
• ...

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Themen und allgemeine Informationen zur Veranstaltung

Bewerbung (präferiert im Zweierteam) ist von 13.01.22 bis 24.01.22 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.

Zum Bewerbertool

Da die Veranstaltung bereits im Sommer 2021 angeboten wurde und sich bezüglich der Einbringbarkeiten nur geringfügige Ergänzungen (BWL und EPP ( Master PO 2021): Major/Minor FACT, Major/Minor BAO sowie BWL und VWL (Bachelor PO 2021): General Management & Economics) ergeben haben, bitten wir Sie, die individuelle Einbringbarkeit stets mit Hilfe des Modulhandbücher ihres Studiengangs für das SoSe 2021 zu kontrollieren!

Inhalt der Lehrveranstaltung

Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.

Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.

Literatur zur Lehrveranstaltung

Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.

Bewerbungsmodalitäten

• Bewerbung von 13.01.22 bis spätestens 24.01.22 möglich
• Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich daher über das obig verknüpfte Bewerbertool bewerben
• Zusätzlich zur Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an karin.wuensch@wiwi.uni-augsburg.de geschickt werden
• Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt

Prüfungsmodalitäten

• Die Themenvergabe erfolgt bereits Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
• Je Team von Masterstudenten ein mediengestützter Vortrag
• Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde

Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung sind oben verlinkt.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Bewerbung (präferiert im Zweierteam) von 13.01.22 bis 24.01.2022 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.

Themen und allgemeine Informationen zur Veranstaltung

Zum Bewerbertool

Inhalt der Lehrveranstaltung

Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.

Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.

Vorkenntnis für die Lehrveranstaltung

Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.

Literatur zur Lehrveranstaltung

Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.

Bewerbungsmodalitäten

• Bewerbung ab sofort bis spätestens 24.01.2022 möglich
• Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich über das obige Bewerbertool bewerben.
• Neben der Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an karin.wuensch@wiwi.uni-augsburg.de geschickt werden
• Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt

Prüfungsmodalitäten

• Die Themenvergabe erfolgt bereits ab Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
• Je Team von Bachelorstudenten ein mediengestützter Vortrag (+eine schriftliche Ausarbeitung, falls die Veranstaltung als „Cluster-Seminar“ Finance bzw. „Cluster-Seminar“ Operations eingebracht werden soll), 
• Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde

Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung finden Sie oben.

Weitere Informationen zu der Lehrveranstaltung

Die Veranstaltung findet im SoSe statt.

Inhalt der Lehrveranstaltung

Übungstermine:

• Übungsaufgaben zu den einzelnen Kapitel der Vorlesung stehen im Digicampus bereit
• Lösungsansätze zu den Übungsaufgaben werden als Video aufgezeichnet. Für Fragen und Diskussion der Übungs/Vorlesungsinhalte steht eine Frage/Übungsstunde am Donnerstag, 8:15-9:45, Raum K: 1003 zur Verfügung.
• Bitte beachten Sie, dass auch in der Vorlesung eine Vielzahl an Beispielen und Aufgaben gerechnet werden

Inhalte:

Die Veranstaltung beschäftigt sich mit verschiedenen Aspekten des Risikomanagements und wendet diese auf Basis von empirischen Daten mit der Statistiksprache R an. 

Die erfolgreiche Teilnahme an der Vorlesung Risikomanagement ist eine essentielle Voraussetzung für die Teilnahme am Seminar Risikomanagement im Wintersemester!

Geplante Themen in der Vorlesung:

• Klassifizierung von Risikoarten und Notwendigkeit für Risikomessung und Regulierung
• Stylized Facts von univariaten und multivariaten Kapitalmarktrenditen und Modellierung durch Risikomaße
• Anforderungen an Risikomaße und Axiome
• Eigenschaften von Risikomaßen und einfache Risikomaße
• Fortgeschrittene Risikomaße
• Quantifizierung verschiedener Risikomaße
• Backtesting von Risikomaßen
• Prognosen für Risikomaße
• Risikoreduktion durch Portfoliobildung  und Optimierung  
• Aggregierte Risikomaße: marginaler Value-at-Risk und Komponenten Value-at-Risk
• Abbildung von Asymmetrie multivariater Renditen durch Copulas und Modellierung des VaR
• Weiterführende Themen zu verschiedenen Risikoaspekten

Vorkenntnis für die Lehrveranstaltung

Elementare Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche bspw. in den Veranstaltungen Mathematik I/II und Statistik I/II vermittelt werden sowie generelle Begeisterung für quantitativ-methodische Veranstaltungsinhalte. Die Bereitschaft zur kontinuierlichen, langfristigen gedanklichen Auseinandersetzung und Vor- und Nachbereitung der Veranstaltungsinhalte ist unerlässlich. Von Vorteil sind Grundlagen in der Statistiksprache R, wie sie etwa in der Veranstaltung „Data Analysis with R“ des Lehrstuhls vermittelt werden. Es wird die Bereitschaft erwartet, sich mit der Modellierung der Veranstaltungsinhalte mit der Statistiksprache R tiefgehend zu beschäftigen und sich notwendige Grundlagen hierfür selbständig anzueignen

Literatur zur Lehrveranstaltung

u.a.

• McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative risk management: concepts, techniques and tools-revised edition. Princeton university press.
• Pfaff, B. (2016). Financial risk modelling and portfolio optimization with R. John Wiley & Sons.
• Hofert, M., Frey, R., & McNeil, A. J. (2020). The Quantitative Risk Management Exercise Book.
• Christoffersen, P. (2011). Elements of financial risk management. Academic Press.
• Miller, M. B. (2018). Quantitative financial risk management. John Wiley & Sons.
• Hult, H., Lindskog, F., Hammarlid, O., & Rehn, C. J. (2012). Risk and portfolio analysis: Principles and methods. Springer Science & Business Media.
• Zudem ausgewählte Paper-Publikationen und Unterlagen zur statistischen Programmiersprache R, auf welche in den Vorlesungsunterlagen hingewiesen wird.

Weitere Informationen zu der Lehrveranstaltung