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
(
internetgestützte (betreute) Selbstudienphasen: ca. 160 Std; synchrone Phasen: ca. 20 Std.
)
Einrichtungsverzeichnis Institut für Mathematik
Verwendbarkeit des Moduls
  • Master Risikomanagement und Finanzanalyse (Master) > Pflichtmodule
Zuständige Personen
  • Reh, Lena (Modulverantwortung)
  • Center für lebenslanges Lernen (C3L) (Modulverantwortung)
Weitere verantwortliche Personen
Prof. Dr. Peter Ruckdeschel
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
./.
Links
./.
Unterrichtssprache Deutsch
Dauer in Semestern 1 Semester
Angebotsrhythmus Modul Das Modul wird in einem Turnus von zwei Semestern angeboten.
Aufnahmekapazität Modul 25
Modulart Pflicht / Mandatory
Modullevel MM (Mastermodul / Master module)
Lehr-/Lernform Internetgestütztes Studium (Einzeln und in Gruppen), Bearbeitung von Übungsaufgaben, Präsenzworkshop und Web-Seminare
Vorkenntnisse ./.
Prüfung Prüfungszeiten Prüfungsform
Gesamtmodul
Studienbegleitende Prüfungsleistungen
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)
Lehrveranstaltungsform Seminar
(
*Die Angaben zu den folgenden Punkten ergeben sich aus der Modulbeschreibung (s.o.)
)
SWS
Angebotsrhythmus --