Quantitative Financial Analysis

Projektbeschreibung und Ergebnisse
    Problemstellungen
    Innerhalb der Forschungsgruppe widmen wir uns unter anderem folgenden Themen:
    1. Optimierung von Portfolios mithilfe von Deep Learning
      • Einsatz von Deep-Learning-Algorithmen zur Analyse und Optimierung von Handelsportfolios.
      • Entwicklung von Modellen, die in der Lage sind, komplexe Datenmuster zu erkennen und zu nutzen.
      • Verbesserung der Risikobewertung und Erhöhung der Rendite durch den Einsatz von Techniken wie CNNs und LSTMs zur Portfolioanalyse.
    2. Entwicklung von Indikatoren wie Fear and Greed / Sentiment
      • Erstellung von maßgeschneiderten Indikatoren, die Marktstimmungen wie Angst und Gier messen.
      • Implementierung von Sentiment-Analyse-Algorithmen, die Daten aus Nachrichten, sozialen Medien und anderen Quellen aggregieren und interpretieren.
      • Einsatz von Techniken zur natürlichen Sprachverarbeitung (NLP), um relevante Markttrends zu identifizieren.
      • Integration dieser Sentiment-Indikatoren in Handelsstrategien zur Verbesserung der Vorhersagegenauigkeit und Risikobewertung.
    3. Zeitreihenprognose mit Transformers und Deep Reinforcement Learning
      • Erforschung und Anwendung von Transformer-Architekturen zur Zeitreihenprognose und -analyse.
      • Implementierung von Deep Reinforcement Learning (DRL) für die dynamische Anpassung an sich ändernde Marktbedingungen.
      • Entwicklung von Modellen, die kontinuierlich durch Interaktion mit der Umgebung lernen und ihre Vorhersagen verbessern.
      • Anwendung dieser fortschrittlichen Methoden zur Vorhersage zukünftiger Marktbewegungen und zur Optimierung von Handelsentscheidungen.