Financial Analyst Ausbildung mit KI

Warum Quant Finance? Vom Bauchgefühl zur datengetriebenen Investmententscheidung
Du lernst, warum datengetriebene und quantitative Ansätze in modernen Finanzmärkten unverzichtbar sind. Das Kapitel zeigt, wie quantitative Methoden helfen, Unsicherheit zu strukturieren und Investmententscheidungen systematisch zu verbessern.

Der quantitative Investmentprozess – Überblick über Methoden, Modelle und Werkzeuge
Du erhältst einen kompakten Überblick über den quantitativen Investmentprozess. Dabei lernst du die zentralen Methoden, Modelle und Werkzeuge des Kurses kennen und verstehst, wie sie im Zusammenspiel angewendet werden.

Einleitung, Motivation und Modulüberblick
Du erhältst einen Überblick über die Ziele, Inhalte und den Aufbau des Moduls. Zudem erfährst du, warum Python eine zentrale Rolle in der datengetriebenen Finanz- und Investmentanalyse spielt.

Erste Schritte mit Python und Jupyter
Du lernst die grundlegende Arbeitsumgebung mit Python und Jupyter Notebooks kennen. Dabei erfährst du, wie du Code ausführst, Ergebnisse interpretierst und Notebooks effektiv für Analyse- und Lernzwecke nutzt.

Eine kurze Tour durch Variablen und Datentypen in Python
Du lernst, wie Daten in Python gespeichert und verarbeitet werden. Behandelt werden zentrale Datentypen wie Zahlen, Strings, Listen und Dictionaries sowie deren Einsatz in einfachen Analyseaufgaben.

Verzweigungen mit bedingten Anweisungen und Schleifen in Python
Du erfährst, wie du mit Bedingungen und Schleifen Programmabläufe steuerst. Dadurch kannst du wiederkehrende Aufgaben automatisieren und datenabhängige Logiken effizient umsetzen.

Schreiben von wiederverwendbarem Code mithilfe von Funktionen
Du lernst, wie du eigenen Code in Funktionen strukturierst und wiederverwendbar machst. Der Fokus liegt auf sauberem, verständlichem Code, der auch in größeren Analyseprojekten eingesetzt werden kann.

Numerisches Rechnen mit Python und NumPy
Du arbeitest mit NumPy für effiziente numerische Berechnungen. Dabei lernst du, Vektoren und Matrizen zu verwenden und mathematische Operationen performanter umzusetzen als mit reinem Python.

Analyse tabellarischer Daten mit Python und Pandas
Du lernst, strukturierte Daten mit Pandas zu laden, zu bereinigen und zu analysieren. Der Schwerpunkt liegt auf typischen Aufgaben der Finanzdatenanalyse wie Filtern, Aggregieren und Zeitreihenverarbeitung.

Datenvisualisierung mit Python, Matplotlib und Seaborn
Du erfährst, wie du Daten visuell darstellst und Analyseergebnisse verständlich kommunizierst. Dabei lernst du, aussagekräftige Diagramme zu erstellen und diese gezielt für explorative Analysen einzusetzen.

Pandas für Zeitreihendaten
Du lernst, wie du Zeitreihendaten mit Pandas effizient verarbeitest und analysierst. Dabei arbeitest du mit Datumsindizes, Resampling, Rolling-Statistiken und typischen Methoden zur Analyse von Finanzzeitreihen.

Explorative Datenanalyse mit Python – Eine Fallstudie
Du wendest die erlernten Methoden in einer zusammenhängenden Fallstudie an. Ziel ist es, reale Daten systematisch zu untersuchen, Muster zu erkennen und fundierte erste Schlussfolgerungen zu ziehen.

Einleitung, Motivation und Modulüberblick
Du erhältst einen Überblick über die Ziele und den Aufbau des Moduls sowie über die zentralen Konzepte der quantitativen Investmentanalyse.

Risiko und Rendite – Grundlagen
Du lernst grundlegende Konzepte von Rendite, Volatilität und Risiko kennen. Anhand von Python berechnest und interpretierst du zentrale Kennzahlen für Finanzanlagen und Portfolios.

Erwartete Renditen – Das CAPM
Du setzt das Capital Asset Pricing Model (CAPM) zur Schätzung erwarteter Renditen ein. Dabei analysierst du den Zusammenhang zwischen systematischem Risiko (Beta) und Rendite auf Basis realer Marktdaten.

Portfoliomanagement – Ermittlung der Markowitz-Effizienzkurve
Du lernst die Grundlagen der modernen Portfoliotheorie nach Markowitz kennen. Mit Python berechnest du effiziente Portfolios und analysierst den Trade-off zwischen Risiko und Rendite.

Eine erste Handelsstrategie backtesten – Low Risk
Du entwickelst eine einfache regelbasierte Handelsstrategie mit Fokus auf risikoarme Titel. Anschließend backtestest du die Strategie und bewertest ihre Performance anhand geeigneter Kennzahlen.

Systematische Handelsstrategien – Mean Reversion
Du lernst das Konzept der Mean Reversion kennen und setzt entsprechende Handelsregeln um. Mithilfe von Backtests untersuchst du, ob und unter welchen Bedingungen sich solche Strategien lohnen.

Systematische Handelsstrategien – Momentum
Du analysierst Momentum-Effekte in Finanzmärkten und implementierst entsprechende Handelsstrategien in Python. Der Fokus liegt auf der quantitativen Messung und Bewertung von Momentum-Signalen.

Momentum-Strategien – Moving Average Crossover
Du setzt eine klassische Momentum-Strategie auf Basis gleitender Durchschnitte um. Dabei lernst du, Handelssignale zu generieren und systematisch auf historische Daten anzuwenden.

Moving Average Crossover – Performancemessung
Du lernst, die Performance von Handelsstrategien fundiert zu bewerten. Dabei analysierst du Kennzahlen wie Rendite, Volatilität, Drawdowns und risikoadjustierte Maße.

Moving Average Crossover – Optimierung
Du untersuchst, wie sich Strategieparameter auf die Performance auswirken. Durch systematische Variation und Auswertung identifizierst du robuste Parameterkombinationen.

Relative Value Strategien – Pairs Trading
Du lernst das Konzept relativer Bewertungen anhand von Pairs-Trading-Strategien kennen. Mit Python identifizierst du geeignete Wertpapierpaare und testest entsprechende Handelslogiken empirisch.

Einleitung, Motivation und Modulüberblick
Du erhältst einen Überblick über die Ziele und den Aufbau des Moduls sowie über die Bedeutung von Faktorstrategien im modernen Asset Management.

Grundlagen des Factor Investings
Du lernst die zentralen Konzepte des Factor Investings kennen, einschließlich Faktorprämien und ihrer ökonomischen Begründung. Der Fokus liegt darauf, wie Faktoren zur Erklärung von Renditen und Risiken eingesetzt werden.

Preisbasierte Faktoren – Momentum und Reversal
Du analysierst preisbasierte Faktoren wie Momentum und Reversal anhand historischer Marktdaten. Dabei lernst du, diese Effekte quantitativ zu messen und in einfache Faktorstrategien zu überführen.

Risikobasierte Faktoren – Total Risk
Du untersuchst den Zusammenhang zwischen Gesamtrisiko und erwarteter Rendite. Mit Python analysierst du, wie Volatilität als Risikofaktor empirisch gemessen und in Faktorportfolios genutzt werden kann.

Risikobasierte Faktoren – Idiosyncratic Volatility (IVOL)
Du lernst das Konzept der idiosynkratischen Volatilität kennen und analysierst deren Einfluss auf Renditen. Dabei setzt du Regressionsmodelle ein, um systematische und unsystematische Risiken zu trennen.

Risikobasierte Faktoren – Stock Beta
Du analysierst den Beta-Faktor als Maß für systematisches Marktrisiko. Mithilfe von Python schätzt du Betas empirisch und untersuchst deren Rolle in faktor- und portfoliobasierten Ansätzen.

Einleitung, Motivation und Modulüberblick
Du erhältst einen Überblick über die Ziele und den Aufbau des Moduls sowie über die Rolle des quantitativen Portfoliomanagements in der Investmentpraxis.

Grundlagen der klassischen Portfoliooptimierung – Mean-Variance-Ansatz
Du lernst den Mean-Variance-Ansatz nach Markowitz kennen und verstehst den Trade-off zwischen Risiko und Rendite. Mit Python setzt du Erwartungswert-Varianz-Optimierungen unter realistischen Restriktionen um.

Relative Portfoliooptimierung – Benchmarks und Tracking Error Minimization
Du analysierst Portfolios relativ zu einer Benchmark und lernst, den Tracking Error gezielt zu steuern. Dabei setzt du Optimierungsverfahren ein, um benchmarknahe Portfolios effizient zu konstruieren.

Schätzrisiken in der Portfoliotheorie
Du untersuchst, wie Unsicherheiten bei Rendite- und Kovarianzschätzungen Optimierungsergebnisse beeinflussen. Der Fokus liegt auf dem Verständnis typischer Probleme klassischer Portfoliooptimierung.

Verbesserte Schätzung der Inputparameter – Geschrumpfte Schätzer
Du lernst Methoden zur Regularisierung von Kovarianzmatrizen und Renditeschätzungen kennen. Ziel ist es, stabilere und robustere Inputparameter für die Portfoliooptimierung zu erzeugen.

Das Black-Litterman-Modell
Du setzt das Black-Litterman-Modell ein, um Marktrückschlüsse mit subjektiven Einschätzungen zu kombinieren. Dabei lernst du, konsistente Renditeerwartungen für Portfolios abzuleiten.

Portfolio-Resampling – Monte-Carlo-Methoden
Du lernst, wie Portfolio-Resampling mithilfe von Monte-Carlo-Simulationen eingesetzt wird. Ziel ist es, die Auswirkungen von Schätzrisiken zu reduzieren und robustere Portfolios zu konstruieren.

Risikogesteuerte Ansätze – Risk Parity und Minimum Variance
Du analysierst risikobasierte Portfolioansätze, die ohne explizite Renditeschätzung auskommen. Mit Python setzt du Risk-Parity- und Minimum-Variance-Portfolios um und vergleichst deren Eigenschaften.

Index Tracking – Passive Portfolios und Benchmark-Nachbildung
Du lernst, wie passive Portfolios konstruiert werden, die eine Benchmark möglichst genau nachbilden. Der Fokus liegt auf Tracking-Error-Analyse und praktischen Umsetzungsmethoden in Python