Prognosemodelle – Intro Lab (r4)
Praktischer Einstieg in Prognosemodelle für Marktdaten: von klassischen Zeitreihen bis zu KI-gestützten Vorhersagen. Fokus: Verständnis, Interpretierbarkeit und robuste Szenarioanalyse.

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

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

Beispiele & Visualisierungen



Ressourcen & Weiteres
Empfohlene Lektüre und Notebooks:
- Einführung in Zeitreihenanalyse (Notebook)
- Leitfaden zur Szenarioanalyse (PDF)
- Beispiel-Datensätze und Übungsaufgaben