Finanzanalyse verstehen – nicht nur anwenden
Seit 2018 entwickeln wir Lernumgebungen, in denen Menschen maschinelles Lernen wirklich begreifen. Wir zeigen nicht nur Methoden, sondern erklären, warum sie funktionieren und wie man sie auf echte Finanzdaten anwendet. Unser Ansatz kombiniert praktische Übungen mit klaren Erklärungen, damit du nicht nur Code schreibst, sondern auch verstehst, was dahinter passiert.
Warum wir anders unterrichten
Die Idee entstand aus Frustration. Viele Kurse zu maschinellem Lernen zeigen dir, wie man Bibliotheken verwendet, aber nicht, wie die Algorithmen tatsächlich arbeiten. Du lernst sklearn zu bedienen, aber nicht, warum eine Regularisierung wichtig ist oder wann du welchen Kernel wählen solltest.
Wir wollten etwas schaffen, das dir beides gibt: das praktische Handwerkszeug und das konzeptionelle Verständnis. Unsere Kurse sind so aufgebaut, dass du nach jeder Sitzung nicht nur neuen Code schreiben kannst, sondern auch erklären kannst, warum dieser Code sinnvoll ist. Das macht den Unterschied zwischen jemandem, der Tutorials kopiert, und jemandem, der eigenständig Lösungen entwickeln kann.
Wir arbeiten mit echten Finanzdaten – keine konstruierten Beispiele, sondern tatsächliche Zeitreihen, Marktdaten und die üblichen Probleme wie fehlende Werte oder nicht-stationäre Prozesse. Du lernst, wie man mit diesen Herausforderungen umgeht, nicht nur theoretisch, sondern in der konkreten Anwendung.
Wer diese Kurse entwickelt
Dr. Valentin Brückner
Kursleiter für Supervised Learning
Hat zehn Jahre in der quantitativen Finanzanalyse gearbeitet, bevor er ins Lehren gewechselt ist. Erklärt komplexe Konzepte mit praktischen Beispielen aus seiner eigenen Arbeit mit Hedge-Fonds und Risikomanagement-Systemen.
Lena Thielemann
Technische Koordinatorin
Sorgt dafür, dass die technische Infrastruktur funktioniert und alle Teilnehmer Zugang zu den benötigten Tools haben. Beantwortet auch viele der praktischen Fragen zu Python-Umgebungen und Datenquellen.
Konzepte vor Code
Wir beginnen immer mit der Frage: Was versucht dieser Algorithmus eigentlich zu erreichen? Erst wenn das klar ist, schauen wir uns die Implementierung an. So entwickelst du ein Gefühl dafür, welche Methode wann passt.
Echte Finanzdaten
Keine künstlichen Datensätze mit perfekter Trennung. Wir arbeiten mit tatsächlichen Marktdaten, die alle üblichen Probleme mitbringen: Rauschen, Korrelationen, zeitliche Abhängigkeiten. Du lernst, damit umzugehen, wie es in der Praxis nötig ist.
Verständnis testen
Nach jeder Session gibt es praktische Aufgaben, die nicht nur dein Code-Können prüfen, sondern auch dein konzeptionelles Verständnis. Du musst erklären können, warum deine Lösung funktioniert – oder warum sie vielleicht doch nicht optimal ist.