rmf300 - R - Software and Tools for Financial Data Analytics (Complete module description)

Module label	R - Software and Tools for Financial Data Analytics
Module code	rmf300
Credit points	6.0 KP
Workload	180 h
Institute directory	Department of Mathematics
Applicability of the module	Master's programme Risk Management and Financial Analysis (Master) > Pflichtmodule
Responsible persons	Dr. Reh, Lea (authorised to take exams) Centre for lifelong learning (C3L) (module responsibility)
Prerequisites	Keine
Skills to be acquired in this module	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.
Module contents	Grundlagen in R: Was ist R, Lizenzfragen, Hilfe zur Selbsthilfe, Paketsystem, Arbeit mit R-Studio, shiny apps, reports mit knitR Datentypen (parallel zu Mess-Skalen im Modul „Quantitative Methoden“): Datenimport, Variablen: Vektoren & Listen, Indizierung; Aufruf von Funktionen / Argument-Matching Graphik in R / Grundsystem: devices, High-/Low-Level; ggplot und Pradigmen 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 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 Regression und GLMs in R: Modellformulierung in R, Rückgabestruktur von lm(), Interpretation Output, Formulierung eines GLM, Diagnostik Machine Learning mit R: K-Nearest Neighbors, Decision Trees und Random Forests, sowie Neural Networks. Etwas Programmierung: Kontrollstrukturen, eigene Funktionen in R, For-Schleifen und deren Vermeidung; eigene Datenstrukturen (S3-Methoden), Integration von kompiliertem Code Nachhaltige Software: Erstellung von R-Manuals mit Roxygen, Speichern von Analysen in (Jupyter) Notebooks, Vignetten, Einsatz von Versionierungstools/git Anbindung nach „außen“: Interfaces zu Datenbanken, R und Parallelisierung / auf dem Cluster
Recommended reading	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
Language of instruction	German
Duration (semesters)	20 Wochen in 1 Semester
Module frequency	Das Modul wird in einem Turnus von zwei Semestern angeboten.
Module capacity	25 Modulplätze; max. 25 Teilnehmende
Reference text	Sofern das Modul im aktuellen Semester stattfindet, lassen sich die Termine dem (Online-)Anmeldeformular entnehmen.

Examination	Prüfungszeiten	Type of examination
Final exam of module	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.	G

Type of course	Seminar
SWS	0
Frequency	see frequency of module offering
Workload attendance time	30 h Die Angabe bezieht sich auf die ungefähre (virtuelle) Präsenzzeit im gesamten Modulverlauf.