Vorlesung: 39915 Deep Learning und Textanalyse in Finance - Details

Vorlesung: 39915 Deep Learning und Textanalyse in Finance - Details

Sie sind nicht in Stud.IP angemeldet.

Allgemeine Informationen

Veranstaltungsname Vorlesung: 39915 Deep Learning und Textanalyse in Finance
Untertitel
Veranstaltungsnummer 39915
Semester WiSe 24/25
Aktuelle Anzahl der Teilnehmenden 73
Heimat-Einrichtung Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Financial Data Analytics
Veranstaltungstyp Vorlesung in der Kategorie Lehre (mit Prüfung)
Nächster Termin Donnerstag, 28.11.2024 12:00 - 14:00 Uhr, Ort: (HK 28) SR 010 (HA)
Art/Form
Voraussetzungen
Grundlagen der Mathematik und Statistik. Programmierkenntnisse in Python sind vorteilhaft, jedoch erhalten alle Studierenenden zu Beginn des Kurses die notwendigen Pythonkenntnisse, im erfolgreich am Kurs teilzunehmen.
Lernorganisation
Bitte beachten Sie: die Sprache dieser Veranstaltung, inklusive aller Kursmaterialien, ist Englisch.
  • Interaktive Vorlesung inkl. digitaler Unterlagen
  • Interaktive Übungseinheiten mit eigenständiger Programmierung
SWS
4
Literatur
  • Deep Learning (2016) - Goodfellow, I., Bengio, Y., Courville, A.; MIT Press
  • Machine Learning in Finance (2021) - Dixon, M.F., Halperin,I., Bilokon, P.; Springer Verlag
  • Machine Learning for Text (2018) - Aggarwal, C.C., Springer Verlag
Workload
150 h ( 60 h Kontaktstudium / 90 h Selbststudium)
Prüfungsleistung:
  • Klausur
  • Projektarbeit
Sonstiges
Bei Nichtbestehen können alle Veranstaltungen gemäß § 6 der Fachstudien- und Prüfungsordnung wiederholt werden.
ECTS-Punkte
5

Studienbereiche

Die Angaben zu den Anrechenbarkeiten an der FIM sind ohne Gewähr. Bitte beachten Sie die verbindliche Liste der Anrechenbarkeiten .

Modulzuordnungen

Kommentar/Beschreibung

• Einführung in die Programmierung mit Python

• Neuronale Netze (Forward, Recurrent und Convolutional) mit Anwendungen zu
o Forward Neutral Networks
o Recurrent Neutral Networks
o Autoencoders

• Textanalyse
o Textdarstellungen durch Worthäufigkeiten
o Darstellung von Texten durch Embeddings: Word2Vec, Doc2Vec
o Self-Attention des Transformermodells
o Textanalyse von Geschäftsberichten, Earning Calls und Finanznachrichten mittels
Word2Vec, Doc2Vec und Transformer-based Large Language Models