rmf300 - R -- Software und Tools für Financial Data Analytics (Complete module description)

internetgestützte (betreute) Selbstudienphasen: ca. 160 Std; synchrone Phasen: ca. 20 Std.

Prof. Dr. Peter Ruckdeschel

Keine

• 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.

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

./.

./.

Studienbegleitende Prüfungsleistungen

G