Data Science spielt eine immer größere Rolle in der Finanzindustrie. Insbesondere die Geschäftsmodelle vieler FinTechs basieren auf modernen Methoden des Machine Learning und Statistical Learning. Daher legt der Master FAR einen speziellen Fokus auf die vielfältigen Aspekte des Data Science.

In speziellen Wahlfächern werden intensiv Methoden und Algorithmen des Statistical Learning erläutert und anhand praktischer Daten am Computer umgesetzt:

• Im Wahlpflichtfach „Statistical Learning in Finance and Insurance” werden verschiedene Algorithmen und Methoden zum überwachten und unüberwachten Lernen wie Clusteranalyse, Support Vector Machines, CART, Grundlagen von neuronalen Netzen und Ensemble-Methoden wie Bagging, Random Forest und Boosting sowie XAI-Techniken vorgestellt und in R / Python implementiert.
• In Seminar „Deep Learning“ stehen vertiefte Methoden zu neuronalen Netzen wie Bayes’sche Netze, Feedforward Netze, Rekurrente Netze, LSTM und Convolutional Neural Networks im Mittelpunkt. Umgesetzt werden diese mit R / Python.

Außerdem sind Methoden des Statistical Learning Bestandteil vieler weiterer Fächer des Masters:

• Hidden-Markov-Modelle zur Vorhersage von Finanzmarktzeitreihen im Pflichtmodule „Stochastische Prozesse“
• Neuronale Netze wie Rekurrente Netze und LSTM zur Modellierung von Zeitreihen im Pflichtmodul „Zeitreihenanalyse“
• Aktienmarktprognosen mittels Statistical Learning im Pflichtmodul „Stochastik der Finanzmärkte“
• Statistical Learning Methoden für Sterbetafeln im Pflichfach „Aktuarielle Methoden der Personenversicherung“
• Statistische Analyse von Zinsen mittel Hauptkomponentenanalyse und Bootstrapping im Wahlpflichtfach „Zinsen, Zinsstruktur und Zinsderivate“
• Actuarial Data Science in Non-Life im Wahlpflichtfach „Aktuarielle Methoden der Schadenversicherung“
• Modellierung von Ausfallwahrscheinlichkeiten mit Methoden des Statistical Learning im Wahlpflichtfach „Kreditrisikomodelle“

Schließlich baut der Fokus "Data Science" des Masters FAR auf umfangreichen Kenntnisse aus dem Bachelors Wirtschaftsmathematik auf. Diese Kenntnisse können Sie, falls erforderlich, im Rahmen von Auflagen nachholen:

• tiefgreifende Kenntnisse in Wahrscheinlichkeitstheorie und Maßtheorie in den Modulen Wahrscheinlichkeitstheorie 1 und 2
• fortgeschrittene Kenntnisse in deskriptiver und induktiver Statistik sowie Modellbildung inklusive multivariater Regression und GLMs in Statistik 1-3
• Grundlagen der Data Science im Wahlpflichtmodul „Statistical Learning“