Was bedeutet Finanzanalyse mit Python?
Im Lehrgang Finanzanalyse mit Python werden fundierte Programmierkenntnisse mit finanzwirtschaftlichen und statistischen Methoden kombiniert, um datenbasierte Investmententscheidungen, Portfolioanalysen und algorithmische Handelsstrategien umzusetzen. Der Schwerpunkt liegt auf der praktischen Anwendung von Python, Statistik und SQL zur Analyse realer Finanzdaten und zur Entwicklung eigener Trading Modelle.
Für wen ist die Weiterbildung in Data Science mit Python geeignet?
Die Weiterbildung richtet sich an Personen mit Interesse an datengetriebener Finanzanalyse, die Kenntnisse in Python, Statistik und SQL erwerben oder vertiefen möchten. Geeignet für Finanzanalysten, Data Scientists, Trader sowie Fachkräfte aus Wirtschaft und IT. Auch Berufseinsteiger*innen und Quereinsteiger*innen, die Finanzdaten systematisch analysieren und algorithmische Strategien entwickeln möchten, profitieren von dieser Weiterbildung.
Folgende Kursinhalte erwarten Sie
- Python Grundlagen und Programmierung: Einführung in Programmierlogik, Datenstrukturen, Funktionen, objektorientierte Programmierung, Tests sowie praxisnahe Projekte
- Statistik für Data Science und Business Analytics: Deskriptive und induktive Statistik, Wahrscheinlichkeitsverteilungen, Konfidenzintervalle, Hypothesentests und Datenvisualisierung
- Finanzanalyse mit Python: Datenbeschaffung aus CSV, Excel, SQL und Webquellen, Zeitreihenanalyse, Resampling, Rolling Verfahren, Bollinger Bänder und Aktienmarktprojekte
- Finanzmodelle und Portfolioanalyse: Sharpe Ratio, Portfolioallokation, Portfoliooptimierung, Capital Asset Pricing Model, Hedging und Analyse von Finanzkennzahlen
- SQL und Datenbankmanagement: Erstellung und Verwaltung von Datenbanken, SELECT Statements, JOINs, GROUP BY, Subqueries, Views sowie Anbindung externer Systeme
- Algorithmisches Trading:
Entwicklung und Test von Handelsalgorithmen, Quantopian Research Tools, Pipelines und Optimierung von Trading Strategien
Diese Lernziele werden Sie erreichen
- Finanzdaten mit Python strukturiert analysieren und visualisieren
- Zeitreihenmodelle wie ETS, EWMA und ARIMA anwenden
- Portfolioallokationen berechnen und Optimierungen durchführen
- Finanzkennzahlen interpretieren und statistisch absichern
- Algorithmische Handelsstrategien entwickeln und evaluieren
- SQL zur strukturierten Verarbeitung großer Datenmengen einsetzen
- Eigene Analyseprojekte im Finanzkontext konzipieren und umsetzen
