Data Science, KI und Machine Learning in der FinanzbrancheBericht über unsere Veranstaltung am 19. Oktober
Die German Data Science Society (GDS) verfolgt die Thematik Data Science, inklusive KI und Machine Learning, und die damit möglichen Anwendungen im weitesten Sinne branchenübergreifend. Dies eröffnet vielfältige Synergien. Komplementär dazu befasst sich die GDS auch gezielt mit einzelnen Branchen, da hier eine vertiefte Betrachtung mit sehr praxisrelevanten Erkenntnissen möglich ist.
Diese Veranstaltung folgt auf unsere frühere Veranstaltung zu dem Thema Versicherung. Wie auch die vorherige bereits, wurde auch diese rein online durchgeführt.
Big Data & Advanced Analytics in der Commerzbank AG Oliver Dörler (Commerzbank) Managing Director Big Data
Herr Dörler (Commerzbank) leitet ein mit einer Vorstellung seiner Abteilung Big Data & Advanced Analytics.
Es folgt eine Betrachtung des Data Lake, das zentrale System der Datenverwaltung in der Commerzbank. Dieser ermöglicht die Speicherung und den Zugriff auf massive Datenmengen, die täglich weiter zunehmen.
Zum Abschluss gibt Herr Dörler einige Beispiele, wie der Data Lake konkret verwendet wird, um Mehrwert für die Commerzbank und ihre Kunden zu schaffen.
Machine Learning: Fakten vs. Fantasien Dr. Moritz Heiden (Munich Re Investment Partners GmbH) Head of Quantitative Research
Mit einem Einblick in seine Tätigkeiten als Quant beginnt Herr Heiden (Munich Re Investment Partners) seinen Vortrag.
Als nächstes diskutiert er einige allgemeine Anwendungsgebiete von Machine Learning und vergleicht deren Vorhersagestärke, sowie die mit einem Fehler verbundenen Kosten. Darauf folgen konkrete Beispiele aus der Finanzwelt.
Im letzten Teil stellt Herr Heiden fünf mögliche Tücken bei der Verwendung von Machine Learning vor.
Machinelles Lernen für Anwendungen in der Finanzmathematik PD. Dr. Jörg Kienitz Privatdozent, University of Wuppertal, QuantLabML · Adj. Assoc. Prof. University of Cape Town · finciraptor.de · Partner, Quantitative Services acadia
Herr Kienitz legt seinen Fokus auf die Bedeutung von Zeitreihen. Nach einer Einführung dieser, gibt er einen generellen Überblick über entsprechende Modelle aus klassischer Ökonometrie und Machine Learning.
Darauf folgt eine nähere Betrachtung der Anwendung und dem Potential von Machine Learning anhand der Beispiele der Gauß-Prozess Regression und Autoencoder, zur Vorhersage von fehlenden Werten der Zeitreihe bzw. dem Erkennen von Ausreißern.