Prognosemodelle – Intro Lab (r4)

Praktischer Einstieg in Prognosemodelle für Marktdaten: von klassischen Zeitreihen bis zu KI-gestützten Vorhersagen. Fokus: Verständnis, Interpretierbarkeit und robuste Szenarioanalyse.

3
Lab-Module
6+
Lektionen
Hands-on
Praxis-Fokus
Visual: Zeitreihen und Modellgrafik

Kursüberblick

Dieses Intro-Lab vermittelt die Prinzipien hinter Prognosemodellen: Datenvorbereitung, Modellwahl, Validierung und Interpretationsmethoden. Wir arbeiten mit historischen Kursdaten, Volatilitätsanalysen und einfachen KI-Modellen zur Mustererkennung.

  • Datenbereinigung & Feature-Engineering
  • Zeitreihenmodelle (ARIMA, ETS), State-space
  • Maschinelles Lernen: Random Forest, einfache neuronale Netze
  • Szenario- & Sensitivitätsanalyse
Datenvisualisierung Übersicht

Methoden & Tooling

Wir kombinieren klassische Statistik mit interpretierten ML-Ansätzen. Ziel ist nicht nur Vorhersage, sondern auch Nachvollziehbarkeit und Robustheit gegenüber Datenverschiebungen.

Stützt sich auf Autokorrelationen und saisonale Komponenten. Gut für kurze, stationäre Signale; einfache Interpretierbarkeit.

Random Forest, Gradient Boosting und einfache NN nutzen strukturierte Features (Returns, Volatilität, Indikatoren) für robuste Mustererkennung.

Ermöglichen robuste Entscheidungen durch Simulation alternativer Pfade und Bewertung von Unsicherheit.
Tools im Lab
  • Python (pandas, scikit-learn, statsmodels)
  • Jupyter Notebooks für Reproduzierbarkeit
  • Visualisierung: matplotlib, plotly

Praktisches Lab

Im Lab arbeiten Sie an einem kurzen Projekt: Datenbereinigung, Modellaufbau, Backtest und einfache Interpretationsberichte. Ziel: nachvollziehbare, datenbasierte Ergebnisse.

  • Projektstruktur: Daten → Modell → Validierung → Bericht
  • Evaluation: RMSE, MAE, Out-of-Sample Tests
  • Interpretation: Feature-Importances, Residuenanalyse
Dozent Gesicht
Dr. M. Fischer
Leiter Data Science

Beispiele & Visualisierungen

Chart: historische Kurse
Historische Kursdaten und gleitende Durchschnitte
Chart: Modellprojektion
Modellprojektion vs. Observed
Heatmap Features
Feature-Importances Heatmap

Ressourcen & Weiteres

Empfohlene Lektüre und Notebooks:

  • Einführung in Zeitreihenanalyse (Notebook)
  • Leitfaden zur Szenarioanalyse (PDF)
  • Beispiel-Datensätze und Übungsaufgaben
FAQ kurz
Wie werden Modelle validiert? Welche Annahmen sind kritisch? Wie interpretieren wir Unsicherheit?