KI-basiertes Risikomanagement für Finanzportfolios
Programmablauf
Block 1: Risikometriken und KI-Ansätze
Vergleichen Sie traditionelle Risikomaße mit lernbasierten Alternativen. Verstehen Sie, wann parametrische Modelle ausreichen und wo datengetriebene Methoden notwendig werden.
Kernthemen
- Conditional Value-at-Risk durch Quantile Regression
- Expected Shortfall mit GARCH-Erweiterungen
- Monte-Carlo-Simulationen beschleunigt durch Variational Autoencoders
Block 2: Tail-Risk und Extremwerttheorie
Modellieren Sie seltene Ereignisse mit speziellen Architekturen. Lernen Sie, wie generative Modelle synthetische Krisendaten erzeugen können.
- Generative Adversarial Networks für Stressszenarien
- Anomalie-Detektion in Handelsmustern
- Kalibrierung von Modellen bei geringer Datenmenge
Block 3: Portfoliooptimierung mit Constraints
Integrieren Sie KI-basierte Prognosen in Optimierungsalgorithmen. Berücksichtigen Sie reale Beschränkungen wie Liquidität und regulatorische Vorgaben.
Fallstudie: Implementierung bei einem mittelständischen Vermögensverwalter mit 18 Mitarbeitern
Block 4: Erklärbarkeit und Dokumentation
Erstellen Sie nachvollziehbare Berichte für Aufsichtsbehörden. Lernen Sie SHAP-Werte und andere Techniken zur Interpretation komplexer Modelle.
Abschlussprojekt
Entwickeln Sie ein vollständiges Risikomanagementsystem mit Dokumentation, die regulatorische Standards erfüllt. Präsentieren Sie Ihr System vor einer Gruppe erfahrener Risikomanager.
Erfahren Sie, wie Finanzinstitute maschinelles Lernen für Stresstests und Szenarioanalysen einsetzen. Der Kurs behandelt regulatorische Anforderungen und erklärt, warum Black-Box-Modelle in diesem Bereich problematisch sind.
Arbeiten Sie mit echten Portfoliodaten und lernen Sie, Korrelationen zu modellieren, die sich in Krisenzeiten anders verhalten als unter normalen Bedingungen. Die größte Schwierigkeit liegt darin, seltene Extremereignisse vorherzusagen, für die kaum Trainingsdaten existieren.
Implementieren Sie Value-at-Risk-Modelle, die durch neuronale Netze erweitert werden. Vergleichen Sie deren Leistung mit klassischen statistischen Ansätzen und verstehen Sie, wo hybride Methoden Vorteile bieten.
Diskussionen mit Risikomanagern aus der Praxis zeigen, welche Herausforderungen bei der Implementierung in regulierten Umgebungen entstehen. Der Kurs legt Wert auf Erklärbarkeit und Dokumentation von Modellentscheidungen.