rmf300 - R - Software und Tools für Financial Data Analytics (Vollständige Modulbeschreibung)

rmf300 - R - Software und Tools für Financial Data Analytics (Vollständige Modulbeschreibung)

Originalfassung Englisch PDF Download
Modulbezeichnung R - Software und Tools für Financial Data Analytics
Modulkürzel rmf300
Kreditpunkte 6.0 KP
Workload 180 h
Einrichtungsverzeichnis Institut für Mathematik
Verwendbarkeit des Moduls
  • Master Risikomanagement und Finanzanalyse (Master) > Pflichtmodule
Zuständige Personen
  • Dr. Reh, Lea (Prüfungsberechtigt)
  • Center für lebenslanges Lernen (C3L) (Modulverantwortung)
Teilnahmevoraussetzungen

Keine

Kompetenzziele
  • Die Teilnehmenden sammeln praktische Erfahrung mit der Umsetzung grundlegender Methoden der Angewandten Statistik am Rechner; dies ist grundlegend für eigenständige statistische Datenanalysen im Finanzbereich.
  • Dazu beherrschen Sie das in R zur Verfügung stehende Grund-Instrumentarium und können dieses bei Bedarf durch Eigenrecherche mit Ergänzungsinfrastruktur erweitern und diese anschließend verwenden.
  • Sie können Daten aus verschiedenen Quellen importieren (Datenbanken/Excel/Inhouse-Formate).
  • Sie können die grundlegenden Konzepte aus dem Modul „Quantitative Methoden“ in R umsetzen und kritisch hinterfragen.
Modulinhalte
  1. Grundlagen in R: Was ist R, Lizenzfragen, Hilfe zur Selbsthilfe, Paketsystem, Arbeit mit R-Studio, shiny apps, reports mit knitR
  2. Datentypen (parallel zu Mess-Skalen im Modul „Quantitative Methoden“): Datenimport, Variablen: Vektoren & Listen, Indizierung; Aufruf von Funktionen / Argument-Matching
  3. Graphik in R / Grundsystem: devices, High-/Low-Level; ggplot und Pradigmen
  4. Explorative Datenanalyse und Simulation in R: table, summary, hist, quantile, ecdf, cov, var, cor, sd, mean, mad, median, Verteilungen in R: [r,d,p,q]<norm>, <pois>, ...; Simulation: seed einfache Simulationsstudien, Bootstrap
  5. Testen und Schätzen in R: Grenzwertsätze in Aktion: Illustration von LLN und CLT, ML-Schätzung in R, Momenten/Minimum-Distanz Schätzer, Tests in R: Gaußtest, t.test, var.test, cor.test, ks.test, chi^2 Test; Struktur Output; Konfidenzintervalle in R: Bootstrap und Simulation
  6. Regression und GLMs in R: Modellformulierung in R, Rückgabestruktur von lm(), Interpretation Output, Formulierung eines GLM, Diagnostik
  7. Machine Learning mit R: K-Nearest Neighbors, Decision Trees und Random Forests, sowie Neural Networks. 
  8. Etwas Programmierung: Kontrollstrukturen, eigene Funktionen in R, For-Schleifen und deren Vermeidung; eigene Datenstrukturen (S3-Methoden), Integration von kompiliertem Code
  9. Nachhaltige Software: Erstellung von R-Manuals mit Roxygen, Speichern von Analysen in (Jupyter) Notebooks, Vignetten, Einsatz von Versionierungstools/git
  10. Anbindung nach „außen“: Interfaces zu Datenbanken, R und Parallelisierung / auf dem Cluster 
Literaturempfehlungen

Reh, L./Werner, T.: R-Software und Tools für Financial Data Analytics, Lernmaterial. Universität Oldenburg, C3L – Center für lebenslanges Lernen, Oldenburg (fortlaufend aktualisiert).

Weitere Literatur wird über das eigens für das Modul entwickelte Lernmaterial und/oder im Modulverlauf bekannt gegeben.

Links

https://uol.de/c3l/studiengang

Unterrichtssprache Deutsch
Dauer in Semestern 20 Wochen in 1 Semester
Angebotsrhythmus Modul Das Modul wird in einem Turnus von zwei Semestern angeboten.
Aufnahmekapazität Modul 25 Modulplätze; max. 25 Teilnehmende
Hinweise

Sofern das Modul im aktuellen Semester stattfindet, lassen sich die Termine dem (Online-)Anmeldeformular entnehmen.

Gebühren 900,00 Euro (zzgl. Gasthörgebühr oder Semesterbeitrag)
Modulart Pflicht / Mandatory
Modullevel MM (Mastermodul / Master module)
Lehr-/Lernform Internetgestütztes Studium (Einzeln und in Gruppen), Bearbeitung von Übungsaufgaben, Präsenzworkshop und Web-Seminare
Prüfung Prüfungszeiten Prüfungsform
Gesamtmodul

Prüfungsleistungen sind innerhalb des Modulverlaufs zu den dafür festgelegten Fristen zu erbringen. Die Termine werden von den Lehrenden i.d.R. mit Beginn des jeweiligen Moduls bekannt gegeben.

Voraussetzung für Vergabe von Kreditpunkten:

  • regelmäßige Teilnahme an Online-Diskussionen, Präsenzworkshop und Web-Seminaren
  • Bestehen der studienbegleitenden Prüfungsleistungen: Online-Aufgaben und Projektarbeit (längere Programmieraufgabe in Gruppen)

 

Notenskala: 1,0 / 1,3 / 1,7 / 2,0 / 2,3 / 2,7 / 3,0 / 3,3 / 3,7 / 4,0 / 5,0

Lehrveranstaltungsform Seminar
SWS 0
Angebotsrhythmus siehe Angebotsrhythmus Modul
Workload Präsenzzeit 30 h

Die Angabe bezieht sich auf die ungefähre (virtuelle) Präsenzzeit im gesamten Modulverlauf.