Lehrveranstaltungen | Statistik
Unsere Lehrveranstaltungen vermitteln Kenntnisse sowie Forschungsansätze zu
- mathematischen und statistischen Modellen
- Verfahren zur Formulierung
- Analyse und Lösung datengestützter und praxisbezogener Probleme aus dem betriebs- und volkswirtschaftlichen Bereich
Lehrveranstaltungen und Seminare - WiSe 24/25
Titel | Dozent | Zeit / Raum | Studium | empfohlenes Semester | Typ |
Machine Learning |
Ansprechpartner: Linus Lach |
Tuesdays: 12:15-13:45 J1101/1102 |
Master | 1.-3. Semester | Vorlesung |
Vorraussetzungen
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Modulinhalte
- Supervised learning
- Predictive vs. Explanatory modelling , performance measurement
- Regularization (ridge, lasso, elastic net) and feature engineering
- Tree-based modelling (CART, bagging, random forests)
- NN, recurrent NN and deep learning
- Support vector machines (SVM) and Bayes’s classifiers
- Ensemble methods and super learners (boosting, stacking)
- Interpretable Machine Learning (LIME, Shapley)
- Unsupervised learning
- Clustering and pattern detection
- Advanced clustering techniques
- PCA as a dimension reduction technique
- Basics of Reinforcement learning
- Text Mining
- Basics of Image Processing (recognition) and CNN
Lernziele
Subject-related competencies:
After the successful participation in this module, students have a good understanding of the objectives, tools and potential applications of supervised and unsupervised Machine Learning. The students understand the mathematical and statistical background of the models, can apply the discussed techniques in R and interpret the results correctly. Furthermore, the students understand the key steps of a modelling/learning process, its reasoning and requirements.
Methodological competencies:
The students learn the key approaches to performance measurement of supervised learning techniques with a focus on the separation between explanatory and predictive modelling. The feature engineering for large data sets is discussed on the example of lasso and elasticnet regressions. The students understand and can apply tree-based models such as regression trees, bagging and random forests as well as models stemming from neural networks, such as MLP, recurrent NN and basics of deep learning. The students can solve classification problems using support vector machines and Bayes’ classifiers. Furthermore, ensample models and super learners will be discussed based on the previously learned techniques. Finally, the students become familiar with the most popular ideas and tools of interpretable machine learning, (LIME and Shapley measures). Relying on the methods discussed in the second part of the course the students will be able to apply methods of unsupervised learning for pattern recognition using advanced clustering techniques. The participants can apply and interpret correctly the PCA for the purpose of dimension reduction. From the last part of the module, the students will be familiar with such advanced areas of machine learning for unstructured data as text mining and image processing.
Interdisciplinary competencies:
For practical applications, we use the statistical software R. The students can apply the ML methods to solve practical questions of modelling, forecasting or classification for large data with a focus on applications in business and economics. The students can draw economic conclusions from complex ML models and learn the potential of these methods in practice.
Key competencies:
The students are able to correctly assess data structures, select appropriate modelling methods and apply them using the software R. Furthermore, they are able to present and interpret the results in a conclusive manner.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Wintersemester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | WiSe |
Sprache | Englisch |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ |
Machine Learning Exercises | Linus Lach |
Thursdays: 12:15 - 13:45 J1101/1102 |
Master | 1. / 3. Semester | Übung |
Diese Veranstaltung findet im WiSe statt.
Inhalt der Veranstaltung
This course is part of the Machine Learning module alongside the lectures in Machine Learning. Students learn to apply the concepts that have been introduced during the lectures. Besides the practical applicaitons in R inside the jupyter notebook environment, the course contains manual exercises to deepen the understanding of algorithms and concepts.
Vorkenntnisse für die Veranstaltung
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Literatur
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Alexander Fottner |
online |
Bachelor | 5. Semester | Vorlesung |
findet im SoSe und WiSe statt.
Die Veranstaltung findet online statt.
Die Sprechstunde findet nach vorheriger Anmeldung Donnerstags, 14:00-15:30 Uhr statt.
Eine vorherige Anmeldung ist zwingend erforderlich. Der Anmeldezeitraum beginnt ab sofort und endet am 13.10.2024. Nutzen Sie für die Anmeldung das online Bewerbertool:
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. Einfache und multiple lineare Regressionsrechnung
7. Logistische Regression
8. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Titel | Dozent(in) | Zeit / Raum | Studium | empfohlenes Semester | Typ | |
Ökonometrie |
Ansprechpartner: Philipp Haid |
t.b.a. |
Master | 1. Semester | WiSe und SoSe |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet in Präsenz statt. Informationen hierzu finden Sie im Digicampus.
Inhalt der Lehrveranstaltung
- Multiple lineare Regression (Parameterschätzung, Beurteilung der Modellgüte und Interpretation der Ergebnisse)
- Prüfen der Modellprämissen (Heteroskedastizität, Autokorrelation, ...)
- Modellierung binärer und nominaler Daten
- Anwendung der ökonometrischen Modellierungsmethoden unter Verwendung der statistischen Programmiersprache R.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen und mathematischen Kenntnisse, welche in den Veranstaltungen Statistik I und II sowie Mathematik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten.
Literatur zur Lehrveranstaltung
- Cameron A.C, und Trivedi P.K "Microeconometrics: theory and methods", Cambridge University Press
- Greene W.H. "Econometric Analysis", Pearson
- Gujarati, D., Basic Econometrics, McGraw-Hill
- Veerbek, M.A., Guide to Modern Econometrics, Wiley
- Wooldridge J.M. "Introductory Econometrics: a modern approach", South Western
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Pflicht |
Semester | WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Ökonometrie - Übung |
Philipp Haid |
t.b.a. | Master | 1. Semester |
Saalübung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Saalübung:
Nach einer allgemeinen Einführung in die Statistiksoftware R, erfolgt die Anwendung der in der Vorlesung vorgestellten statistischen Methoden anhand von Beispieldaten und mittels der Programmiersprache R. Ein Besuch dieser Übung wird dringend empfohlen, da der Inhalt für die Prüfung relevant ist.
Literatur zur Lehrveranstaltung
- Everitt, B; Hothorn T.: A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition, 2014.
- Wollschläger, D.: Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, 4. Auflage, Springer, 2017.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Bereich | Master: siehe jew. Modulhandbuch |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit / Raum | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden |
Dienstag, 10:00-11:30, K: 1004 |
Bachelor | 5. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Die behandelten Übungsblätter werden im Digicampus zur Verfügung gestellt. In der Übung werden Inhalte der Vorlesung vertieft und empirisch mit der Statistiksprache R angewendet.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
V - Vorlesung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden | Mittwoch, 10:00-11:30, K: 1004, Nach Bedarf (Ankündigungen im Digicampus der Vorlesung beachten, absolut identische Lösungen werden auch als Video bereitgestellt) | Bachelor | 5. Semester | Übung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Zur Veranstaltung wird eine Übungsveranstaltung angeboten. In der Übung werden Inhalte der Vorlesung vertieft und empirisch angewendet.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
Übung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistik II |
Ansprechpartnerin: Philipp Haid |
siehe Digicampus |
t.b.a. |
Bachelor | 3. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet in Präsenz statt.
Inhalt der Lehrveranstaltung
Ziel sind der Ausbau der in Statistik I (oder vergleichbaren Veranstaltungen) gelegten Grundlagen (sowohl in Statistik als auch in der eigenständigen, empirischen Umsetzung mit Hilfe der Statistiksoftware R) sowie die Vertiefung insbesondere im Bereich der Wahrscheinlichkeitsrechnung. Insbesondere werden die in Statistik I gelegten Grundlagen auch genutzt um den Bereich der induktiven Statistik zu vermitteln.
Wahrscheinlichkeitsrechnung
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
- Gesetz der großen Zahlen und zentraler Grenzwertsatz
Induktive Statistik
- Grundlagen der induktiven Statistik
- Punkt-Schätzung
- Intervall-Schätzung
- Signifikanztests und Gütefunktion
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren und kompetent analysieren können. (ebenfalls klausurrelevant).
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig.
Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in der Veranstaltung Statistik I vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, 18. Auflage, Oldenbourg, München, 2017.
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2017.
- Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G.: Statistik - Der Weg zur Datenanalyse, Springer, Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671 (aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 3. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch des jew. Studiengangs |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte |
5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | 90 min |
Zugelassene Hilfsmittel | Vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), diese muss selbst zur Klausur mitgebracht werden. Nicht programmierbarer und nicht grafikfähiger Taschenrechner. |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester |
Statistik II - Präsenz- Übung |
wechselnd |
t.b.a.
|
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Präsenz-Übung | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung von Aufgaben, welche die Studierenden vorbereiten sollen und deren Lösungen in den Übungs-veranstaltungen dargestellt werden. Die selbständigen Lösungsversuche dieser Aufgaben (sowie der Besuch der Vorlesung) bilden die beste Vorbereitung für die (90 Minuten dauernde) Klausur zu Statistik II. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben bereitgestellt (Diese wird rechtzeitig im Laufe des Semesters bereitgestellt werden). Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2016.
im Selbststudium bearbeitet werden.
Darüber hinaus soll ein sicherer Umgang mit der Statistiksprache R vermittelt werden, der eine selbstständige Auseinandersetzung mit der Software voraussetzt.
Titel | Dozent(in) | Ansprechpartner | Zeit | Studium | empfohlenes Semester | Typ |
Seminar Risikomanagement | Prof. Dr. Yarema Okhrin |
Dr. Sebastian Heiden |
- | Bachelor | 5. Semester | Seminar |
Die Veranstaltung findet im WiSe statt.
Bewerbung über Online-Bewerbungstool ||
Auswahl über Motivationsschreiben und Notenspiegel ||
Teilnehmerzahl beschränkt
Der Bewerbungszeitraum beginnt in Kürze und endet am 23.10.2024, 12:00 Uhr.
Hier finden Sie in Kürze die Themen der Veranstaltung und die Möglichkeit sich zu bewerben
Inhalt der Lehrveranstaltung
Im Seminar Risikomanagement bearbeiten Sie im Team innovative Themen an der Schnittstelle zwischen wissenschaftlicher Forschung und Anwendung in der betrieblichen Praxis. Zusätzlich werden u.a. durch die Arbeit in (interdisziplinären) Teams wichtige Soft-Skills vermittelt, welche Sie im beruflichen Alltag jederzeit beherrschen sollten.
Seminarthemen:
Die Themenstellungen stammen aus dem Bereich Risikomanagement und bauen auf die Inhalte der Vorlesung Risikomanagement auf. Eine PDF Datei mit den Themenstellungen steht in Kürze bereit.
Voraussetzungen:
Eine zwingende Voraussetzung zur Teilnahme am Seminar ist die erfolgreiche Teilnahme (= bestanden) an der Bachelorveranstaltung 'Risikomanagement'. Weitere Voraussetzungen für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II (GBM: Mathematik) und Statistik I/II (GBM: Statistik) vermittelt werden sowie Kenntnisse von quantitativen Methoden des Risikomanagements, wie sie in der Bachelorveranstaltung "Risikomanagement" vermittelt werden. Zudem wird die Bereitschaft verlangt, sich, basierend auf den in der Veranstaltung Risikomanagement erworbenen Kenntnissen, weiter in die Statistiksprache R einzuarbeiten, und sich eigenständig mit weiterführender Literatur zu beschäftigen.
Termin und Ablauf
Meilenstein | Termin |
Bewerbungsphase | 19.09.2024 bis 23.10.2024, 12:00 Uhr |
Zu-/Absage | Bis 25.10.2024 |
Abgabe der Seminararbeit | Dienstag, 07.01.2025, bis 12:00 Uhr, per Mail an die Betreuerin/den Betreuer (schriftliche Arbeit als PDF inklusive aller Daten, Code und Quellen als eine ZIP-Datei und Upload dieser Datei auf den Megastore der Uni Augsburg und Versendung des Download-Links an die Betreuerin/den Betreuer ) |
Abschlusspräsentationen | Voraussichtlich in den Wochen 13.01.2025 bis 17.01.2025 und 20.01.2025 bis 24.01.2025 |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Projektstudium Data Mining | Prof. Dr. Yarema Okhrin, Alexander Fottner | - | Bachelor | 4. Semester | Kurs |
Die Veranstaltung findet im WiSe statt.
Für diese Veranstaltung ist eine vorausgehende Bewerbung notwendig. || Die Veranstaltung ist beschränkt auf max. 30 Teilnehmer. Für diese Veranstaltung ist keine separate Anmeldung im STUDIS notwendig.
Der Bewerbungszeitraum startet ab sofort und endet am 13.10.24, 12:00 Uhr. Die Bewerbung ist ausschließlich über das Bewerbertool möglich.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen für den Entscheidungsträger und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data Mining Verfahren zusammengefasst werden. Man betrachtet hierbei nicht eine isolierte Variable bzw. Charakteristik, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. bei der Suche nach Strukturen und Besonderheiten in den Daten.
In Gruppenarbeit sollen die Grundgedanken, Voraussetzungen sowie die Zielsetzung einzelner Data Mining Verfahren herausgearbeitet, die Anwendung anhand eines Praxisbeispiels (Umsetzung mit der Statistiksoftware R) erprobt sowie die Resultate in einer abschließenden computergestützten Präsentation vorgetragen werden. Die Teilnehmer*innen sollen die Grundsätze wissenschaftlichen Arbeitens durch die theoretische als auch empirische Auseinandersetzung mit speziellen Data Mining Verfahren erlernen und zum Erstellen einer prägnanten Präsentation sowie freier Rede beim Vortragen befähigt werden. Wesentliche methodische und empirische Erkenntnisse sollen in einer schriftlichen Ausfertigung zusammengefasst werden.
Themenübersicht
- Tree – Based - Methods (Regressionsbäume, random forests, bagging, boosting)
- Support Vector Machine (ML Verfahren für Regression und Klassifikation)
- Clusteranalyse (hierarchische / partitionelle Clusteranalyse)
- Logistische Regressionsanalyse – das Logit –Modell
- ANOVA: ein- und mehrfaktorielle Varianzanalyse
- Zeitreihenanalyse (Modellierung von zeitlich geordneten Daten)
- Interpretierbares Machine Learning: Ermittelung der Feature Importance
- Interpretierbares Machine Learning: Surrogate Modelle
- Text Mining (Methoden zum Extrahieren von Informationen aus Texten, sentiment analysis
- Hauptkomponentenanalyse (PCA, Verfahren zur Dimensionsreduktion)
Grundlegendes
- Gruppenarbeit (2-3 Teilnehmer*innen): eigenständige Gruppenorganisation und Terminvereinbarung mit dem Betreuer
- Computergestützte Präsentation:
- Inhalt: Theoretische Ausarbeitung der Methodik sowie Umsetzung mittels der Statistiksoftware R anhand eines selbstständig recherchierten, geeigneten Datensatzes.
- Umfang: ~60 Minuten zzgl. 15 Minuten Diskussionszeit (je Gruppe)
- Bearbeitungsumfang, Schwierigkeitsgrad sowie Präsentation der Inhalte und Ergebnisse sollten möglichst gleichmäßig verteilt werden
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden. Der Besuch der Data Mining Veranstaltung im Sommersemester 2019 wäre wünschenswert. Zudem werden Grundkenntnisse in der Statistiksprache R (alternativ in Python) verlangt, so wie sie bspw. in den Veranstaltungen Statistik I/II vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Breiman, Friedman, Olshen, Stone (1998): Classification and Regression Trees, Chapman & Hall.
- Fahrmeir, Kneib, Lang (2007): Regression - Modelle, Methoden und Anwendungen, Springer.
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC, 3rd edition.
- Rousseeuw, Kaufman (2005): Finding Groups in Data – An Introduction to Cluster Analysis, John Wiley & Sons Inc.
- Wollschläger (2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
- u.v.w. themenbezogene Fachliteratur
Weitere Informationen zu der Lehrveranstaltung
Fachrichtung Lehrveranstaltung | Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 3 SWS |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Title | Lecturer | Room | Time | Course | Recommended semester | Type |
International Finance | J: 2105 | 8:15-9:45 | Bachelor | 4. semester |
The course is offered in cooperation with the chair of finance and banking and is taught in English.
Prerequisites
A prerequisite for successful participation is thorough mathematical and statistical knowledge, which is taught in courses during the first semesters of every degree in economics or business economics. Furthermore, an essential prerequisite is the willingness to familiarize yourself with the contents of the course and the willingness to independently study the provided resources.
Subject-related competencies
After successfully completing this module, students understand the challenges of international finance and how to make optimal corporate financial decisions concerning investments, financing, and hedging against risks in the international environment.
Methodological competencies
Students are able to use Excel to analyze finance-related data using various quantitative methods. They are able to calculate and interpret statistical measures and to use the multiple linear regression model in different variants for forecasting. They will also be able to use quantitative methods, particularly in the international currency environment, and interpret the results of the methods.
Interdisciplinary competencies
Students are able to apply the knowledge they have acquired in any area of their studies that deal with empirical questions in the field of finance and international economics. Students are able to apply quantitative approaches and models for international finance problems to other empirical and theoretical issues.
Key competencies:
Students are able to interpret relationships in the international financial environment with regard to their statements at different levels. This includes, for example, finding causal relationships in economic systems or assessing the quality of statistics. Students are able to use quantitative tools to manage international financial risks.
Foundations of International Financial Management
- Globalization and the Multinational Firm
- International Monetary Systems
- Balance of Payments
The Foreign Exchange Market, Exchange Rate Determination, and Currency Derivates
- Market for Foreign Exchange
- International Parity Relationships and Forecasting Foreign Exchange Rates
- Futures and Options on Foreign Exchange
Foreign Exchange Exposure and Management
- Measuring, Managing and Hedging of FX Risk
World Financial Markets and Institutions
- International Bond Markets
- International Equity Markets
Financial Management of the Multinational Firm
- International Capital Structure and Cost of Capital
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit Python | Sara Garber | online |
t.b.a. |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im WiSe und SoSe statt.
Diese Veranstaltung findet online statt.
Für diese Veranstaltung ist eine vorherige Anmeldung notwendig. Der Anmeldezeitraum endet am 13.10.24, um 23:59 Uhr.
Hinweis: Sie erhalten nach Ende des Bewerbungszeitraums eine E-Mail, ob Sie an der Veranstaltung teilnehmen können. Bei erfolgreicher Bewerbung werden Sie automatisch zum Digicampus-Kurs hinzugefügt.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache Python, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte
- Einführung in die Programmiersprache Python und Jupyter Notebook: Installation, Einrichten virtueller Umgebungen
- Grundlagen in Python: Pakete, Datentypen, Variablen und Ausdrücke, logische Operatoren, Vektoren, Datencontainer
- Kontrollfluss: Bedingungen, Schleifen, Funktionen
- Import und Export von Daten
- Datenaufbereitung und -manipulation mithilfe von NumPy und Pandas
- Univariate und bivariate Statistik: Lage und Streuung, Zusammenhangsmaße, spezielle Verteilungen, Stichprobensimulation, statistische Tests
- Grafische Datenanalyse
- Zeitreihendaten
- Arbeiten mit Texten
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache Python, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in Python werden nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
- Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
- Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
- Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
- McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
- Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit Python - Übung | Sara Garber | online | t.b.a. | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im WiSe und SoSe statt.
Diese Veranstaltung findet online statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Data Analysis mit R | Sara Garber | online | siehe Digicampus | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe und im WiSe statt.
Für diese Veranstaltung ist eine vorherige Anmeldung notwendig. Der Anmeldezeitraum beginnt am 19.09.2024 und endet am 13.10.24, 23:59 Uhr.
Hinweis: Sie erhalten nach Ende des Bewerbungszeitraums eine E-Mail, ob Sie an der Veranstaltung teilnehmen können. Bei erfolgreicher Bewerbung werden Sie automatisch zum Digicampus-Kurs hinzugefügt.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache R, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte:
- Grundlagen der Programmierung mit R (Anweisungen, Schleifen, Funktionen, Objekte)
- Statistik mit R (deskriptive und induktive Statistik)
- Datenimport/Datenexport
- Data Preparation (fehlende Werte, Ausreißer, Datenfusion, ...)
- Fortgeschrittene Visualisierungsmöglichkeiten
- Effektives Datenmanagement
- Zeitreihen in R
- Arbeiten mit Texten in R
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache R, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in der Statistiksprache R sind vorteilhaft, werden aber nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Data Analysis mit R - Übung | Sara Garber | online | siehe Digicampus | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im WiSe und im SoSe statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Modulhandbuchs (falls einbringbar).
Lehrveranstaltungen und Seminare - SoSe 2024
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Innovation in De(Centralized) Finance | Dr. Moritz Heiden | J: 1109 |
Freitag, 10:00-11:30 |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist die Studierenden mit den Fähigkeiten und dem methodischen sowie statistischem Handwerkszeug zur selbständigen datengetriebenen Analyse von Vor- und Nachteilen zentraler und dezentraler Anwendungen und Innovationspotentiale im Finanzbereich auszustatten.
Inhalte:
- Technologie und Dezentrale Finanzapplikationen
- Fintechs und Cloud computing
- Verhaltensökonomische Grundlagen und User-engagement
- Personalisierung und digitale Identität
- Der Einfluss von Automatisierung und Sozialen Medien auf Finanzmärkte
- Zentrale und dezentrale Finanzmärkte
- Die Historie und Anwendung von Distributed Ledger Technologie im Finanzbereich
- Grundlagen des dezentralen Finanzsystems: Blockchain und Hashing, Cryptocurrency, Smart Contracts, Stablecoins und dApps
- Problemstellungen und Lösungsansätze: Ineffizienzen, Intransparenz und Zentralisierungsrisiken
- DeFi am Finanzmarkt: Automatisierte Market Maker, Liquidity Pools und Tokenisierung
- Risiken dezentraler Finanzmärkte und Applikationen
Vorkenntnis für die Lehrveranstaltung
Von Vorteil sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Der regelmäßige Besuch der Veranstaltung sowie das Mitführen eines Rechners zu den Vorlesungen und Übungen sind erforderlich. Die Bereitschaft zur kontinuierlichen, langfristigen gedanklichen Auseinandersetzung und Vor- und Nachbereitung der Veranstaltungsinhalte ist unerlässlich.
Literatur zur Lehrveranstaltung
- Harvey, Campbell R. and Ramachandran, Ashwin and Santoro, Joseph (2022): DeFi and the Future of Finance, Wiley.
- Niels Pedersen (2020): Financial Technology: Case Studies in Fintech Innovation, Kogan.
- Darko B. Vukovic, Moinak Maiti and Elena M. Grigorieva (2022): Digitalization and the Future of Financial Services, Springer Cham.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit R | Sara Garber | online |
siehe Digicampus |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung ist zulassungsbeschränkt. Eine vorherige Bewerbung ist zwingend erforderlich!
Die Bewerbung ist ab sofort bis zum 12.04.2024, 12:00 Uhr möglich.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache R, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte:
- Grundlagen der Programmierung mit R (Anweisungen, Schleifen, Funktionen, Objekte)
- Statistik mit R (deskriptive und induktive Statistik)
- Datenimport/Datenexport
- Data Preparation (fehlende Werte, Ausreißer, Datenfusion, ...)
- Fortgeschrittene Visualisierungsmöglichkeiten
- Effektives Datenmanagement
- Zeitreihen in R
- Arbeiten mit Texten in R
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache R, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in der Statistiksprache R sind vorteilhaft, werden aber nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit R Übung | Linus Lach | online |
siehe Digicampus |
Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc.
- URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Modulhandbuchs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining |
Ansprechpartnerin: Christine Distler |
K: 1001 | Dienstag, 12:15-13:45 Uhr | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data-Mining Methoden zusammengefasst werden. Man betrachtet hier nicht eine Variable bzw. eine Charakteristik isoliert, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. zur Suche nach Strukturen und Besonderheiten in den Daten. Für die praktische Anwendung der erlernten Methoden wird die Statistiksoftware R genutzt.
- Grundlagen und Ziele
- Multiple lineare Regressionsanalyse
- Regressionsbäume
- Künstliche Neuronale Netze
- Netzwerkdaten
- Clusteranalyse
- Logistische Regressionsanalyse
- u.w.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Prüfung |
Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung |
60 min |
Semester | SoSe |
Titel | Dozentin | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining Übung | Christine Distler | J: 1109 | Freitag, 12:15 - 13:45 | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Die erste Übungsstunde soll eine Einführung zum Arbeiten mit der in der Vorlesung und Übung verwendeten Statistiksoftware R geben. Anschließend wird im Rahmen der Saalübungen anhand ausgewählter Beispieldaten vorlesungsbegleitend in die Anwendung / Auswertung (Umsetzung mit R) und Interpretation (Output) der behandelten Data Mining Methoden (Regression, Clustering, Klassifikation, etc.) eingeführt.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner, (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Semester | SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science, Decision Science und Artificial Intelligence |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
t.b.a |
Blockveranstaltung (Datum siehe Präsentation) || Abgabe der Präsentationen 29.04.2024
|
Master | 2. Semester | Projekt |
Die Veranstaltung findet im SoSe statt.
Themen und allgemeine Informationen zur Veranstaltung (Master!)
Bewerbung (präferiert im Zweierteam) ist von 19.01.24 bis 16.02.24 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.
Da die Veranstaltung bereits im Sommer 2023 angeboten wurde und sich bezüglich der Einbringbarkeiten keine Veränderungen ergeben haben,können Sie die Einbringbarkeiten in den Modulhandbüchern ihres Studiengangs für das Sommersemester 2023 nachsehen (Das Modulhandbuch des SoSe 2024 wird identische Einbringbarkeiten für die Veranstaltung/en besitzen, ist aber aktuell noch nicht veröffentlicht).
Einbringbar im Sommersemester 2024
Bearbeitbar schon ab Mitte Februar 2024
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Bewerbungsmodalitäten
- Bewerbung von 19.01.24 bis spätestens 16.02.24 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich daher über das obig verknüpfte Bewerbertool bewerben
- Zusätzlich zur Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an nursen.haltmayer@uni-a.de geschickt werden
- Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Masterstudenten ein mediengestützter Vortrag
- Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung sind oben verlinkt.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Master |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Portfolioprüfung |
Turnus des Prüfungsangebots |
SoSe |
Dauer der Prüfung | je Zweierteam 60 min. + Diskussion |
Begleitende Lehrveranstaltung(en) | 5256 |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science and Decision Science |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
t.b.a |
Blockveranstaltung || Abgabe der Präsentationen bis 29.04.2024 |
Bachelor | ab 2. Semester | Projektstudium bzw. Clusterseminar |
Die Veranstaltung findet im SoSe statt.
Bewerbung (präferiert im Zweierteam) ist von 19.01.24 bis 16.02.24 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.
Themen und allgemeine Informationen zur Veranstaltung (Bachelor!)
Da die Veranstaltung bereits im Sommer 2023 angeboten wurde und sich bezüglich der Einbringbarkeiten keine Veränderungen ergeben haben,können Sie die Einbringbarkeiten in den Modulhandbüchern ihres Studiengangs für das Sommersemester 2023 nachsehen (Das Modulhandbuch des SoSe 2024 wird identische Einbringbarkeiten für die Veranstaltung/en besitzen, ist aber aktuell noch nicht veröffentlicht).
Einbringbar im Sommersemester 2024
Bearbeitbar schon ab Anfang März 2024
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Bewerbungsmodalitäten
- Bewerbung ab sofort bis spätestens 16.02.2024 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich über das obige Bewerbertool bewerben.
- Neben der Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an nursen.haltmayer@uni-a.de geschickt werden
- Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits ab Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Bachelorstudenten ein mediengestützter Vortrag (+eine schriftliche Ausarbeitung, falls die Veranstaltung als „Cluster-Seminar“ Finance bzw. „Cluster-Seminar“ Operations eingebracht werden soll),
- Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung finden Sie oben.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Bachelor |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Portfolioprüfung |
Turnus des Prüfungsangebots |
SoSe |
Dauer der Prüfung | je Zweierteam 60 min. + Diskussion |
Begleitende Lehrveranstaltung(en) | 5256 |
Semester |
SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Risikomanagement | Dr. Sebastian Heiden | K: 1002 | 10:00-11:30 | Bachelor | 4/6.Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Übungstermine:
- Übungsaufgaben zu den einzelnen Kapitel der Vorlesung stehen im Digicampus bereit
- Lösungsansätze zu den Übungsaufgaben werden als Video aufgezeichnet. Für Fragen und Diskussion der Übungs/Vorlesungsinhalte steht eine Frage/Übungsstunde am Donnerstag um 8:15 (K: 1003) zur Verfügung.
- Bitte beachten Sie, dass auch in der Vorlesung eine Vielzahl an Beispielen und Aufgaben gerechnet werden
Inhalte:
Die Veranstaltung beschäftigt sich mit verschiedenen Aspekten des Risikomanagements und wendet diese auf Basis von empirischen Daten mit der Statistiksprache R an.
Die erfolgreiche Teilnahme an der Vorlesung Risikomanagement ist eine essentielle Voraussetzung für die Teilnahme am Seminar Risikomanagement im Wintersemester!
Geplante Themen in der Vorlesung:
- Klassifizierung von Risikoarten und Notwendigkeit für Risikomessung und Regulierung
- Stylized Facts von univariaten und multivariaten Kapitalmarktrenditen und Modellierung durch Risikomaße
- Anforderungen an Risikomaße und Axiome
- Eigenschaften von Risikomaßen und einfache Risikomaße
- Fortgeschrittene Risikomaße
- Quantifizierung verschiedener Risikomaße
- Backtesting von Risikomaßen
- Prognosen für Risikomaße
- Risikoreduktion durch Portfoliobildung und Optimierung
- Aggregierte Risikomaße: marginaler Value-at-Risk und Komponenten Value-at-Risk
- Abbildung von Asymmetrie multivariater Renditen durch Copulas und Modellierung des VaR
- Weiterführende Themen zu verschiedenen Risikoaspekten
Vorkenntnis für die Lehrveranstaltung
Elementare Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche bspw. in den Veranstaltungen Mathematik I/II und Statistik I/II vermittelt werden sowie generelle Begeisterung für quantitativ-methodische Veranstaltungsinhalte. Die Bereitschaft zur kontinuierlichen, langfristigen gedanklichen Auseinandersetzung und Vor- und Nachbereitung der Veranstaltungsinhalte ist unerlässlich. Von Vorteil sind Grundlagen in der Statistiksprache R, wie sie etwa in der Veranstaltung „Data Analysis with R“ des Lehrstuhls vermittelt werden. Es wird die Bereitschaft erwartet, sich mit der Modellierung der Veranstaltungsinhalte mit der Statistiksprache R tiefgehend zu beschäftigen und sich notwendige Grundlagen hierfür selbständig anzueignen
Literatur zur Lehrveranstaltung
u.a.
- McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative risk management: concepts, techniques and tools-revised edition. Princeton university press.
- Pfaff, B. (2016). Financial risk modelling and portfolio optimization with R. John Wiley & Sons.
- Hofert, M., Frey, R., & McNeil, A. J. (2020). The Quantitative Risk Management Exercise Book.
- Christoffersen, P. (2011). Elements of financial risk management. Academic Press.
- Miller, M. B. (2018). Quantitative financial risk management. John Wiley & Sons.
- Hult, H., Lindskog, F., Hammarlid, O., & Rehn, C. J. (2012). Risk and portfolio analysis: Principles and methods. Springer Science & Business Media.
- Zudem ausgewählte Paper-Publikationen und Unterlagen zur statistischen Programmiersprache R, auf welche in den Vorlesungsunterlagen hingewiesen wird.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
je nach Prüfungsordnung |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Leistungspunkte | siehe die jeweiligen Modulhandbücher |
Bereich | siehe die jeweiligen Modulhandbücher |
Prüfung |
t.b.a. |
Turnus des Prüfungsangebots |
siehe Modulhandbuch |
Dauer der Prüfung | t.b.a. |
Semester | SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I |
Ansprechpartner: |
t.b.a. | Bachelor | 2. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Ziel sind der Erwerb sicherer Kenntnisse und die Beherrschung der deskriptiven Statistik und der Wahrscheinlichkeitsrechnung, sowie der Statistiksprache R.
Das gesamte Stoffgebiet der Vorlesungen Statistik I und Statistik II ist für ein modernes Studium der Wirtschaftswissenschaften unverzichtbar. Erfolgreiche Datenanalyse bildet heutzutage die Geschäftsgrundlage zahlreicher Unternehmen. Die Fähigkeit, Datensätze mit Hilfsmitteln wie der Statistiksprache R kompetent zu analysieren ist eine am Arbeitsmarkt auch bei Wirtschaftswissenschaftlern massiv gesuchte Kompetenz.
Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertungsmethoden für ein- und mehrdimensionales Datenmaterial (grafische Darstellungen, Lage- und Streuungsparameter, Konzentrationsmaße; Kontingenztabelle, Korrelations- und Regressionsrechnung)
- Verhältniszahlen und Indexzahlen
Wahrscheinlichkeitsrechnung
- Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren können (ebenfalls klausurrelevant).
Sämltiche Vorlesungsunterlagen werden auf Digicampus bereitsgestellt.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen Kenntnisse, welche in der Veranstaltung Mathematik I vermittelt werden. Das Modul Mathematik II sollte gleichzeitig besucht werden. Ein Mindestmaß an analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Vorlesung, Teilnahme an der Übung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten. Inhalte mit R sind ebenso klausurrelevant.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, Oldenbourg, 18. Aufl., München 2017
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, Oldenbourg, 10. Aufl., München 2017
- Schira, J.: Statistische Methoden der VWL und BWL, Pearson Studium, München 2007
- Fahrmeir, L., Heumann C., Künstler, R., Pigeot, I. und Tutz, G.: Statistik, Springer, 8. Aufl., Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671(aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | t.b.a. |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | t.b.a. |
Zugelassene Hilfsmittel | vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), nicht programmierbarer und nicht grafikfähiger Taschenrechner |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I - Übung |
verschiedene Dozenten |
t.b.a. | Bachelor | 2. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung relevanter Aufgaben, die die Studierenden selbständig vorbereiten sollen und deren Lösungen in den Übungsveranstaltungen dargestellt werden. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben über Digicampus bereitgestellt. Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, Oldenbourg, 8. Aufl. München 2008
im Selbststudium bearbeitet werden.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Beginn der Lehrveranstaltung |
Beginn in der 1. Vorlesungswoche |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | Ü - Übung |
Bereich |
Bachelor: siehe jew. Modulhandbuch |
Semester | jedes SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit Python | Sara Garber | online | t.b.a. | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet online statt.
Diese Veranstaltung ist zulassungsbeschränkt. Eine vorherige Bewerbung ist zwingend erforderlich!
Die Bewerbung ist ab sofort bis zum 12.04.2024, 12:00 Uhr möglich.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache Python, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte
- Einführung in die Programmiersprache Python und Jupyter Notebook: Installation, Einrichten virtueller Umgebungen
- Grundlagen in Python: Pakete, Datentypen, Variablen und Ausdrücke, logische Operatoren, Vektoren, Datencontainer
- Kontrollfluss: Bedingungen, Schleifen, Funktionen
- Import und Export von Daten
- Datenaufbereitung und -manipulation mithilfe von NumPy und Pandas
- Univariate und bivariate Statistik: Lage und Streuung, Zusammenhangsmaße, spezielle Verteilungen, Stichprobensimulation, statistische Tests
- Grafische Datenanalyse
- Zeitreihendaten
- Arbeiten mit Texten
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache Python, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in Python werden nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
- Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
- Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
- Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
- McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
- Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit Python - Übung | Sara Garber | t.b.a. | t.b.a. | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet online statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Alexander Fottner |
online |
Bachelor | 5. Semester | Vorlesung |
findet im SoSe und WiSe statt.
Die Veranstaltung findet online statt.
Die Sprechstunde findet nach vorheriger Anmeldung Donnerstags, 14:00-15:30 Uhr, CIP 2113 statt.
Eine vorherige Anmeldung ist zwingend erforderlich. Der Anmeldezeitraum beginnt ab sofort und endet am 12.04.2024. Nutzen Sie für die Anmeldung das online Bewerbertool:
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. Einfache und multiple lineare Regressionsrechnung
7. Logistische Regression
8. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Lehrveranstaltungen und Seminare - WiSe 2023/2024
Titel | Dozent | Zeit / Raum | Studium | empfohlenes Semester | Typ |
Machine Learning |
Ansprechpartner: Linus Lach |
Tuesdays: 12:15-13:45 J1101/1102 |
Master | 1.-3. Semester | Vorlesung |
Vorraussetzungen
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Modulinhalte
- Supervised learning
- Predictive vs. Explanatory modelling , performance measurement
- Regularization (ridge, lasso, elastic net) and feature engineering
- Tree-based modelling (CART, bagging, random forests)
- NN, recurrent NN and deep learning
- Support vector machines (SVM) and Bayes’s classifiers
- Ensemble methods and super learners (boosting, stacking)
- Interpretable Machine Learning (LIME, Shapley)
- Unsupervised learning
- Clustering and pattern detection
- Advanced clustering techniques
- PCA as a dimension reduction technique
- Basics of Reinforcement learning
- Text Mining
- Basics of Image Processing (recognition) and CNN
Lernziele
Subject-related competencies:
After the successful participation in this module, students have a good understanding of the objectives, tools and potential applications of supervised and unsupervised Machine Learning. The students understand the mathematical and statistical background of the models, can apply the discussed techniques in R and interpret the results correctly. Furthermore, the students understand the key steps of a modelling/learning process, its reasoning and requirements.
Methodological competencies:
The students learn the key approaches to performance measurement of supervised learning techniques with a focus on the separation between explanatory and predictive modelling. The feature engineering for large data sets is discussed on the example of lasso and elasticnet regressions. The students understand and can apply tree-based models such as regression trees, bagging and random forests as well as models stemming from neural networks, such as MLP, recurrent NN and basics of deep learning. The students can solve classification problems using support vector machines and Bayes’ classifiers. Furthermore, ensample models and super learners will be discussed based on the previously learned techniques. Finally, the students become familiar with the most popular ideas and tools of interpretable machine learning, (LIME and Shapley measures). Relying on the methods discussed in the second part of the course the students will be able to apply methods of unsupervised learning for pattern recognition using advanced clustering techniques. The participants can apply and interpret correctly the PCA for the purpose of dimension reduction. From the last part of the module, the students will be familiar with such advanced areas of machine learning for unstructured data as text mining and image processing.
Interdisciplinary competencies:
For practical applications, we use the statistical software R. The students can apply the ML methods to solve practical questions of modelling, forecasting or classification for large data with a focus on applications in business and economics. The students can draw economic conclusions from complex ML models and learn the potential of these methods in practice.
Key competencies:
The students are able to correctly assess data structures, select appropriate modelling methods and apply them using the software R. Furthermore, they are able to present and interpret the results in a conclusive manner.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Wintersemester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | WiSe |
Sprache | Englisch |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ |
Machine Learning Exercises | Linus Lach |
Thursdays: 12:15 - 13:45 J1101/1102 |
Master | 1. / 3. Semester | Übung |
Diese Veranstaltung findet im WiSe statt.
Inhalt der Veranstaltung
This course is part of the Machine Learning module alongside the lectures in Machine Learning. Students learn to apply the concepts that have been introduced during the lectures. Besides the practical applicaitons in R inside the jupyter notebook environment, the course contains manual exercises to deepen the understanding of algorithms and concepts.
Vorkenntnisse für die Veranstaltung
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Literatur
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Alexander Fottner |
online |
Bachelor | 5. Semester | Vorlesung |
findet im SoSe und WiSe statt.
Die Veranstaltung findet online statt.
Die Sprechstunde findet nach vorheriger Anmeldung Donnerstags, 14:00-15:30 Uhr statt.
Eine vorherige Anmeldung ist zwingend erforderlich. Der Anmeldezeitraum beginnt ab sofort und endet am 15.10.2023. Nutzen Sie für die Anmeldung das online Bewerbertool:
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. Einfache und multiple lineare Regressionsrechnung
7. Logistische Regression
8. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Titel | Dozent(in) | Zeit / Raum | Studium | empfohlenes Semester | Typ | |
Ökonometrie |
Ansprechpartner: Philipp Haid |
t.b.a. |
Master | 1. Semester | WiSe und SoSe |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet in Präsenz statt. Informationen hierzu finden Sie im Digicampus.
Inhalt der Lehrveranstaltung
- Multiple lineare Regression (Parameterschätzung, Beurteilung der Modellgüte und Interpretation der Ergebnisse)
- Prüfen der Modellprämissen (Heteroskedastizität, Autokorrelation, ...)
- Modellierung binärer und nominaler Daten
- Anwendung der ökonometrischen Modellierungsmethoden unter Verwendung der statistischen Programmiersprache R.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen und mathematischen Kenntnisse, welche in den Veranstaltungen Statistik I und II sowie Mathematik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten.
Literatur zur Lehrveranstaltung
- Cameron A.C, und Trivedi P.K "Microeconometrics: theory and methods", Cambridge University Press
- Greene W.H. "Econometric Analysis", Pearson
- Gujarati, D., Basic Econometrics, McGraw-Hill
- Veerbek, M.A., Guide to Modern Econometrics, Wiley
- Wooldridge J.M. "Introductory Econometrics: a modern approach", South Western
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Pflicht |
Semester | WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Ökonometrie - Übung |
Philipp Haid |
t.b.a. | Master | 1. Semester |
Saalübung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Saalübung:
Nach einer allgemeinen Einführung in die Statistiksoftware R, erfolgt die Anwendung der in der Vorlesung vorgestellten statistischen Methoden anhand von Beispieldaten und mittels der Programmiersprache R. Ein Besuch dieser Übung wird dringend empfohlen, da der Inhalt für die Prüfung relevant ist.
Literatur zur Lehrveranstaltung
- Everitt, B; Hothorn T.: A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition, 2014.
- Wollschläger, D.: Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, 4. Auflage, Springer, 2017.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Bereich | Master: siehe jew. Modulhandbuch |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit / Raum | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden |
Dienstag, 10:00-11:30, K: 1004 |
Bachelor | 5. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Die behandelten Übungsblätter werden im Digicampus zur Verfügung gestellt. In der Übung werden Inhalte der Vorlesung vertieft und empirisch mit der Statistiksprache R angewendet.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
V - Vorlesung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden | Mittwoch, 10:00-11:30, K: 1004, Nach Bedarf (Ankündigungen im Digicampus der Vorlesung beachten, absolut identische Lösungen werden auch als Video bereitgestellt) | Bachelor | 5. Semester | Übung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Zur Veranstaltung wird eine Übungsveranstaltung angeboten. In der Übung werden Inhalte der Vorlesung vertieft und empirisch angewendet.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
Übung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistik II |
Ansprechpartnerin: Philipp Haid |
siehe Digicampus |
t.b.a. |
Bachelor | 3. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet in Präsenz statt.
Inhalt der Lehrveranstaltung
Ziel sind der Ausbau der in Statistik I (oder vergleichbaren Veranstaltungen) gelegten Grundlagen (sowohl in Statistik als auch in der eigenständigen, empirischen Umsetzung mit Hilfe der Statistiksoftware R) sowie die Vertiefung insbesondere im Bereich der Wahrscheinlichkeitsrechnung. Insbesondere werden die in Statistik I gelegten Grundlagen auch genutzt um den Bereich der induktiven Statistik zu vermitteln.
Wahrscheinlichkeitsrechnung
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
- Gesetz der großen Zahlen und zentraler Grenzwertsatz
Induktive Statistik
- Grundlagen der induktiven Statistik
- Punkt-Schätzung
- Intervall-Schätzung
- Signifikanztests und Gütefunktion
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren und kompetent analysieren können. (ebenfalls klausurrelevant).
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig.
Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in der Veranstaltung Statistik I vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, 18. Auflage, Oldenbourg, München, 2017.
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2017.
- Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G.: Statistik - Der Weg zur Datenanalyse, Springer, Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671 (aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 3. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch des jew. Studiengangs |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte |
5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | 90 min |
Zugelassene Hilfsmittel | Vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), diese muss selbst zur Klausur mitgebracht werden. Nicht programmierbarer und nicht grafikfähiger Taschenrechner. |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester |
Statistik II - Präsenz- Übung |
wechselnd |
t.b.a.
|
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Präsenz-Übung | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | t.b.a. |
t.b.a. |
Bachelor | 3. Semester |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung von Aufgaben, welche die Studierenden vorbereiten sollen und deren Lösungen in den Übungs-veranstaltungen dargestellt werden. Die selbständigen Lösungsversuche dieser Aufgaben (sowie der Besuch der Vorlesung) bilden die beste Vorbereitung für die (90 Minuten dauernde) Klausur zu Statistik II. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben bereitgestellt (Diese wird rechtzeitig im Laufe des Semesters bereitgestellt werden). Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2016.
im Selbststudium bearbeitet werden.
Darüber hinaus soll ein sicherer Umgang mit der Statistiksprache R vermittelt werden, der eine selbstständige Auseinandersetzung mit der Software voraussetzt.
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Projektstudium Data Mining | Prof. Dr. Yarema Okhrin, Alexander Fottner | - | Bachelor | 4. Semester | Kurs |
Die Veranstaltung findet im WiSe statt.
Für diese Veranstaltung ist eine vorausgehende Bewerbung notwendig. || Die Veranstaltung ist beschränkt auf max. 30 Teilnehmer. Für diese Veranstaltung ist keine separate Anmeldung im STUDIS notwendig.
Der Bewerbungszeitraum endete am 15.10.23. Die Bewerbung war ausschließlich über das Bewerbertool möglich.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen für den Entscheidungsträger und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data Mining Verfahren zusammengefasst werden. Man betrachtet hierbei nicht eine isolierte Variable bzw. Charakteristik, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. bei der Suche nach Strukturen und Besonderheiten in den Daten.
In Gruppenarbeit sollen die Grundgedanken, Voraussetzungen sowie die Zielsetzung einzelner Data Mining Verfahren herausgearbeitet, die Anwendung anhand eines Praxisbeispiels (Umsetzung mit der Statistiksoftware R) erprobt sowie die Resultate in einer abschließenden computergestützten Präsentation vorgetragen werden. Die Teilnehmer*innen sollen die Grundsätze wissenschaftlichen Arbeitens durch die theoretische als auch empirische Auseinandersetzung mit speziellen Data Mining Verfahren erlernen und zum Erstellen einer prägnanten Präsentation sowie freier Rede beim Vortragen befähigt werden. Wesentliche methodische und empirische Erkenntnisse sollen in einer schriftlichen Ausfertigung zusammengefasst werden.
Themenübersicht
- Tree – Based - Methods (Regressionsbäume, random forests, bagging, boosting)
- Support Vector Machine (ML Verfahren für Regression und Klassifikation)
- Clusteranalyse (hierarchische / partitionelle Clusteranalyse)
- Logistische Regressionsanalyse – das Logit –Modell
- ANOVA: ein- und mehrfaktorielle Varianzanalyse
- Zeitreihenanalyse (Modellierung von zeitlich geordneten Daten)
- Interpretierbares Machine Learning: Ermittelung der Feature Importance
- Interpretierbares Machine Learning: Surrogate Modelle
- Text Mining (Methoden zum Extrahieren von Informationen aus Texten, sentiment analysis
- Hauptkomponentenanalyse (PCA, Verfahren zur Dimensionsreduktion)
Grundlegendes
- Gruppenarbeit (2-3 Teilnehmer*innen): eigenständige Gruppenorganisation und Terminvereinbarung mit dem Betreuer
- Computergestützte Präsentation:
- Inhalt: Theoretische Ausarbeitung der Methodik sowie Umsetzung mittels der Statistiksoftware R anhand eines selbstständig recherchierten, geeigneten Datensatzes.
- Umfang: ~60 Minuten zzgl. 15 Minuten Diskussionszeit (je Gruppe)
- Bearbeitungsumfang, Schwierigkeitsgrad sowie Präsentation der Inhalte und Ergebnisse sollten möglichst gleichmäßig verteilt werden
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden. Der Besuch der Data Mining Veranstaltung im Sommersemester 2019 wäre wünschenswert. Zudem werden Grundkenntnisse in der Statistiksprache R (alternativ in Python) verlangt, so wie sie bspw. in den Veranstaltungen Statistik I/II vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Breiman, Friedman, Olshen, Stone (1998): Classification and Regression Trees, Chapman & Hall.
- Fahrmeir, Kneib, Lang (2007): Regression - Modelle, Methoden und Anwendungen, Springer.
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC, 3rd edition.
- Rousseeuw, Kaufman (2005): Finding Groups in Data – An Introduction to Cluster Analysis, John Wiley & Sons Inc.
- Wollschläger (2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
- u.v.w. themenbezogene Fachliteratur
Weitere Informationen zu der Lehrveranstaltung
Fachrichtung Lehrveranstaltung | Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 3 SWS |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Titel | Dozent(in) | Ansprechpartner | Zeit | Studium | empfohlenes Semester | Typ |
Seminar Risikomanagement | Prof. Dr. Yarema Okhrin |
Dr. Sebastian Heiden |
- | Bachelor | 5. Semester | Seminar |
Die Veranstaltung findet im WiSe statt.
Bewerbung über Online-Bewerbungstool ||
Auswahl über Motivationsschreiben und Notenspiegel ||
Teilnehmerzahl beschränkt
Der Bewerbungszeitraum beginnt ab sofort und endet am 26.10.2023, 12:00 Uhr.
Hier finden SIe die Themen der Veranstaltung.
Inhalt der Lehrveranstaltung
Im Seminar Risikomanagement bearbeiten Sie im Team innovative Themen an der Schnittstelle zwischen wissenschaftlicher Forschung und Anwendung in der betrieblichen Praxis. Zusätzlich werden u.a. durch die Arbeit in (interdisziplinären) Teams wichtige Soft-Skills vermittelt, welche Sie im beruflichen Alltag jederzeit beherrschen sollten.
Seminarthemen:
Die Themenstellungen stammen aus dem Bereich Risikomanagement und bauen auf die Inhalte der Vorlesung Risikomanagement auf. Eine PDF Datei mit den Themenstellungen steht bereit (siehe oben)
Voraussetzungen:
Eine zwingende Voraussetzung zur Teilnahme am Seminar ist die erfolgreiche Teilnahme (= bestanden) an der Bachelorveranstaltung 'Risikomanagement'. Weitere Voraussetzungen für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II (GBM: Mathematik) und Statistik I/II (GBM: Statistik) vermittelt werden sowie Kenntnisse von quantitativen Methoden des Risikomanagements, wie sie in der Bachelorveranstaltung "Risikomanagement" vermittelt werden. Zudem wird die Bereitschaft verlangt, sich, basierend auf den in der Veranstaltung Risikomanagement erworbenen Kenntnissen, weiter in die Statistiksprache R einzuarbeiten, und sich eigenständig mit weiterführender Literatur zu beschäftigen.
Termin und Ablauf
Meilenstein | Termin |
Bewerbungsphase | 19.09.2023 bis 26.10.2023, 12:00 Uhr |
Zu-/Absage | Bis 30.10.2023 |
Abgabe der Seminararbeit | Dienstag, 09.01.2024, bis 12:00 Uhr, per Mail an den Betreuer (schriftliche Arbeit als PDF inklusive aller Daten, Code und Quellen als eine ZIP-Datei und Upload dieder Datei auf den Megastore der Uni Augsburg) |
Abschlusspräsentationen | Voraussichtlich in der Woche 15.01.2024 bis 19.01.2024 |
Title | Lecturer | Room | Time | Course | Recommended semester | Type |
International Finance | K: 1001 | 8:15-9:45 | Bachelor | 4. semester |
The course is offered in cooperation with the chair of finance and banking and is taught in English.
Prerequisites
A prerequisite for successful participation is thorough mathematical and statistical knowledge, which is taught in courses during the first semesters of every degree in economics or business economics. Furthermore, an essential prerequisite is the willingness to familiarize yourself with the contents of the course and the willingness to independently study the provided resources.
Subject-related competencies
After successfully completing this module, students understand the challenges of international finance and how to make optimal corporate financial decisions concerning investments, financing, and hedging against risks in the international environment.
Methodological competencies
Students are able to use Excel to analyze finance-related data using various quantitative methods. They are able to calculate and interpret statistical measures and to use the multiple linear regression model in different variants for forecasting. They will also be able to use quantitative methods, particularly in the international currency environment, and interpret the results of the methods.
Interdisciplinary competencies
Students are able to apply the knowledge they have acquired in any area of their studies that deal with empirical questions in the field of finance and international economics. Students are able to apply quantitative approaches and models for international finance problems to other empirical and theoretical issues.
Key competencies:
Students are able to interpret relationships in the international financial environment with regard to their statements at different levels. This includes, for example, finding causal relationships in economic systems or assessing the quality of statistics. Students are able to use quantitative tools to manage international financial risks.
Foundations of International Financial Management
- Globalization and the Multinational Firm
- International Monetary Systems
- Balance of Payments
The Foreign Exchange Market, Exchange Rate Determination, and Currency Derivates
- Market for Foreign Exchange
- International Parity Relationships and Forecasting Foreign Exchange Rates
- Futures and Options on Foreign Exchange
Foreign Exchange Exposure and Management
- Measuring, Managing and Hedging of FX Risk
World Financial Markets and Institutions
- International Bond Markets
- International Equity Markets
Financial Management of the Multinational Firm
- International Capital Structure and Cost of Capital
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit Python | Sara Garber | online |
t.b.a. |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im WiSe und SoSe statt.
Diese Veranstaltung findet online statt.
Für diese Veranstaltung ist eine vorherige Anmeldung notwendig. Der Anmeldezeitraum endet am 15.10.23, um 12:00 Uhr.
Hinweis: Sie erhalten nach Ende des Bewerbungszeitraums eine E-Mail, ob Sie an der Veranstaltung teilnehmen können. Bei erfolgreicher Bewerbung werden Sie automatisch zum Digicampus-Kurs hinzugefügt.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache Python, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte
- Einführung in die Programmiersprache Python und Jupyter Notebook: Installation, Einrichten virtueller Umgebungen
- Grundlagen in Python: Pakete, Datentypen, Variablen und Ausdrücke, logische Operatoren, Vektoren, Datencontainer
- Kontrollfluss: Bedingungen, Schleifen, Funktionen
- Import und Export von Daten
- Datenaufbereitung und -manipulation mithilfe von NumPy und Pandas
- Univariate und bivariate Statistik: Lage und Streuung, Zusammenhangsmaße, spezielle Verteilungen, Stichprobensimulation, statistische Tests
- Grafische Datenanalyse
- Zeitreihendaten
- Arbeiten mit Texten
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache Python, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in Python werden nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
- Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
- Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
- Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
- McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
- Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit Python - Übung | Sara Garber | online | t.b.a. | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im WiSe und SoSe statt.
Diese Veranstaltung findet online statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Data Analysis mit R | Sara Garber | online | siehe Digicampus | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe und im WiSe statt.
Für diese Veranstaltung ist eine vorherige Anmeldung notwendig. Der Anmeldezeitraum beginnt Anfang Oktober und endet am 15.10., 12:00 Uhr.
Hinweis: Sie erhalten nach Ende des Bewerbungszeitraums eine E-Mail, ob Sie an der Veranstaltung teilnehmen können. Bei erfolgreicher Bewerbung werden Sie automatisch zum Digicampus-Kurs hinzugefügt.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache R, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte:
- Grundlagen der Programmierung mit R (Anweisungen, Schleifen, Funktionen, Objekte)
- Statistik mit R (deskriptive und induktive Statistik)
- Datenimport/Datenexport
- Data Preparation (fehlende Werte, Ausreißer, Datenfusion, ...)
- Fortgeschrittene Visualisierungsmöglichkeiten
- Effektives Datenmanagement
- Zeitreihen in R
- Arbeiten mit Texten in R
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache R, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in der Statistiksprache R sind vorteilhaft, werden aber nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Data Analysis mit R - Übung | Sara Garber | online | siehe Digicampus | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im WiSe und im SoSe statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Modulhandbuchs (falls einbringbar).
Lehrveranstaltungen und Seminare - SoSe 2023
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Innovation in De(Centralized) Finance | Dr. Moritz Heiden | J: 1109 |
Freitag, 10:00-11:30 |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist die Studierenden mit den Fähigkeiten und dem methodischen sowie statistischem Handwerkszeug zur selbständigen datengetriebenen Analyse von Vor- und Nachteilen zentraler und dezentraler Anwendungen und Innovationspotentiale im Finanzbereich auszustatten.
Inhalte:
- Technologie und Dezentrale Finanzapplikationen
- Fintechs und Cloud computing
- Verhaltensökonomische Grundlagen und User-engagement
- Personalisierung und digitale Identität
- Der Einfluss von Automatisierung und Sozialen Medien auf Finanzmärkte
- Zentrale und dezentrale Finanzmärkte
- Die Historie und Anwendung von Distributed Ledger Technologie im Finanzbereich
- Grundlagen des dezentralen Finanzsystems: Blockchain und Hashing, Cryptocurrency, Smart Contracts, Stablecoins und dApps
- Problemstellungen und Lösungsansätze: Ineffizienzen, Intransparenz und Zentralisierungsrisiken
- DeFi am Finanzmarkt: Automatisierte Market Maker, Liquidity Pools und Tokenisierung
- Risiken dezentraler Finanzmärkte und Applikationen
Vorkenntnis für die Lehrveranstaltung
Von Vorteil sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Der regelmäßige Besuch der Veranstaltung sowie das Mitführen eines Rechners zu den Vorlesungen und Übungen sind erforderlich. Die Bereitschaft zur kontinuierlichen, langfristigen gedanklichen Auseinandersetzung und Vor- und Nachbereitung der Veranstaltungsinhalte ist unerlässlich.
Literatur zur Lehrveranstaltung
- Harvey, Campbell R. and Ramachandran, Ashwin and Santoro, Joseph (2022): DeFi and the Future of Finance, Wiley.
- Niels Pedersen (2020): Financial Technology: Case Studies in Fintech Innovation, Kogan.
- Darko B. Vukovic, Moinak Maiti and Elena M. Grigorieva (2022): Digitalization and the Future of Financial Services, Springer Cham.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit R | Linus Lach | online |
siehe Digicampus |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung ist zulassungsbeschränkt. Eine vorherige Bewerbung ist zwingend erforderlich!
Die Bewerbung ist ab sofort bis zum 14.04.2023, 12:00 Uhr möglich.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache R, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte:
- Grundlagen der Programmierung mit R (Anweisungen, Schleifen, Funktionen, Objekte)
- Statistik mit R (deskriptive und induktive Statistik)
- Datenimport/Datenexport
- Data Preparation (fehlende Werte, Ausreißer, Datenfusion, ...)
- Fortgeschrittene Visualisierungsmöglichkeiten
- Effektives Datenmanagement
- Zeitreihen in R
- Arbeiten mit Texten in R
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache R, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in der Statistiksprache R sind vorteilhaft, werden aber nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit R Übung | Linus Lach | online |
siehe Digicampus |
Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc.
- URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Modulhandbuchs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining |
Ansprechpartnerin: Christine Distler |
K: 1001 | Dienstag, 12:15-13:45 Uhr | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data-Mining Methoden zusammengefasst werden. Man betrachtet hier nicht eine Variable bzw. eine Charakteristik isoliert, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. zur Suche nach Strukturen und Besonderheiten in den Daten. Für die praktische Anwendung der erlernten Methoden wird die Statistiksoftware R genutzt.
- Grundlagen und Ziele
- Multiple lineare Regressionsanalyse
- Regressionsbäume
- Künstliche Neuronale Netze
- Netzwerkdaten
- Clusteranalyse
- Logistische Regressionsanalyse
- u.w.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Prüfung |
Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung |
60 min |
Semester | SoSe |
Titel | Dozentin | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining Übung | Christine Distler | J: 1109 | Freitag, 12:15 - 13:45 | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Die erste Übungsstunde soll eine Einführung zum Arbeiten mit der in der Vorlesung und Übung verwendeten Statistiksoftware R geben. Anschließend wird im Rahmen der Saalübungen anhand ausgewählter Beispieldaten vorlesungsbegleitend in die Anwendung / Auswertung (Umsetzung mit R) und Interpretation (Output) der behandelten Data Mining Methoden (Regression, Clustering, Klassifikation, etc.) eingeführt.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner, (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Semester | SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science, Decision Science und Artificial Intelligence |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
t.b.a |
Blockveranstaltung (Datum t.b.a) || Abgabe der Präsentationen 08.05.2023
|
Master | 2. Semester | Projekt |
Die Veranstaltung findet im SoSe statt.
Themen und allgemeine Informationen zur Veranstaltung (Master!)
Bewerbung (präferiert im Zweierteam) ist von 20.01.23 bis 28.02.23 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.
Da die Veranstaltung bereits im Sommer 2021 angeboten wurde und sich bezüglich der Einbringbarkeiten nur geringfügige Ergänzungen (BWL und EPP (PO 2021): Major/Minor FACT, Major/Minor BAO) ergeben haben, bitten wir Sie, die individuelle Einbringbarkeit stets mit Hilfe des Modulhandbücher ihres Studiengangs für das SoSe 2022 zu kontrollieren (Modulhandbuch des SoSe 2023 wird identische Einbringbarkeiten für die Veranstaltung/en besitzen!).
Einbringbar im Sommersemester 2023
Bearbeitbar schon ab Anfang März 2023
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Bewerbungsmodalitäten
- Bewerbung von 20.02.23 bis spätestens 28.02.23 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich daher über das obig verknüpfte Bewerbertool bewerben
- Zusätzlich zur Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an sebastian.heiden@wiwi.uni-augsburg.de geschickt werden
- Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Masterstudenten ein mediengestützter Vortrag
- Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung sind oben verlinkt.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Master |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Portfolioprüfung |
Turnus des Prüfungsangebots |
SoSe |
Dauer der Prüfung | je Zweierteam 60 min. + Diskussion |
Begleitende Lehrveranstaltung(en) | 5256 |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science and Decision Science |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
t.b.a |
Blockveranstaltung || Abgabe der Präsentationen bis 08.05.2023 |
Bachelor | ab 2. Semester | Projektstudium bzw. Clusterseminar |
Die Veranstaltung findet im SoSe statt.
Bewerbung (präferiert im Zweierteam) ist von 20.01.23 bis 28.02.23 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.
Themen und allgemeine Informationen zur Veranstaltung (Bachelor!)
Da die Veranstaltung bereits im Sommer 2021 angeboten wurde und sich bezüglich der Einbringbarkeiten nur geringfügige Ergänzungen (BWL und EPP (PO 2021): Major/Minor FACT, Major/Minor BAO) ergeben haben, bitten wir Sie, die individuelle Einbringbarkeit stets mit Hilfe des Modulhandbücher ihres Studiengangs für das SoSe 2022 zu kontrollieren (Modulhandbuch des SoSe 2023 wird identische Einbringbarkeiten für die Veranstaltung/en besitzen!).
Einbringbar im Sommersemester 2023
Bearbeitbar schon ab Anfang März 2023
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Bewerbungsmodalitäten
- Bewerbung ab sofort bis spätestens 28.02.2023 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich über das obige Bewerbertool bewerben.
- Neben der Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an sebastian.heiden@wiwi.uni-augsburg.de geschickt werden
- Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits ab Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Bachelorstudenten ein mediengestützter Vortrag (+eine schriftliche Ausarbeitung, falls die Veranstaltung als „Cluster-Seminar“ Finance bzw. „Cluster-Seminar“ Operations eingebracht werden soll),
- Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung finden Sie oben.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Bachelor |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Portfolioprüfung |
Turnus des Prüfungsangebots |
SoSe |
Dauer der Prüfung | je Zweierteam 50 min. + Diskussion |
Begleitende Lehrveranstaltung(en) | 5256 |
Semester |
SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Risikomanagement | Dr. Sebastian Heiden | K: 1001 | 10:00-11:30 | Bachelor | 4/6.Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Übungstermine:
- Übungsaufgaben zu den einzelnen Kapitel der Vorlesung stehen im Digicampus bereit
- Lösungsansätze zu den Übungsaufgaben werden als Video aufgezeichnet. Für Fragen und Diskussion der Übungs/Vorlesungsinhalte steht eine Frage/Übungsstunde am Donnerstag um 8:15 (K: 1003) zur Verfügung.
- Bitte beachten Sie, dass auch in der Vorlesung eine Vielzahl an Beispielen und Aufgaben gerechnet werden
Inhalte:
Die Veranstaltung beschäftigt sich mit verschiedenen Aspekten des Risikomanagements und wendet diese auf Basis von empirischen Daten mit der Statistiksprache R an.
Die erfolgreiche Teilnahme an der Vorlesung Risikomanagement ist eine essentielle Voraussetzung für die Teilnahme am Seminar Risikomanagement im Wintersemester!
Geplante Themen in der Vorlesung:
- Klassifizierung von Risikoarten und Notwendigkeit für Risikomessung und Regulierung
- Stylized Facts von univariaten und multivariaten Kapitalmarktrenditen und Modellierung durch Risikomaße
- Anforderungen an Risikomaße und Axiome
- Eigenschaften von Risikomaßen und einfache Risikomaße
- Fortgeschrittene Risikomaße
- Quantifizierung verschiedener Risikomaße
- Backtesting von Risikomaßen
- Prognosen für Risikomaße
- Risikoreduktion durch Portfoliobildung und Optimierung
- Aggregierte Risikomaße: marginaler Value-at-Risk und Komponenten Value-at-Risk
- Abbildung von Asymmetrie multivariater Renditen durch Copulas und Modellierung des VaR
- Weiterführende Themen zu verschiedenen Risikoaspekten
Vorkenntnis für die Lehrveranstaltung
Elementare Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche bspw. in den Veranstaltungen Mathematik I/II und Statistik I/II vermittelt werden sowie generelle Begeisterung für quantitativ-methodische Veranstaltungsinhalte. Die Bereitschaft zur kontinuierlichen, langfristigen gedanklichen Auseinandersetzung und Vor- und Nachbereitung der Veranstaltungsinhalte ist unerlässlich. Von Vorteil sind Grundlagen in der Statistiksprache R, wie sie etwa in der Veranstaltung „Data Analysis with R“ des Lehrstuhls vermittelt werden. Es wird die Bereitschaft erwartet, sich mit der Modellierung der Veranstaltungsinhalte mit der Statistiksprache R tiefgehend zu beschäftigen und sich notwendige Grundlagen hierfür selbständig anzueignen
Literatur zur Lehrveranstaltung
u.a.
- McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative risk management: concepts, techniques and tools-revised edition. Princeton university press.
- Pfaff, B. (2016). Financial risk modelling and portfolio optimization with R. John Wiley & Sons.
- Hofert, M., Frey, R., & McNeil, A. J. (2020). The Quantitative Risk Management Exercise Book.
- Christoffersen, P. (2011). Elements of financial risk management. Academic Press.
- Miller, M. B. (2018). Quantitative financial risk management. John Wiley & Sons.
- Hult, H., Lindskog, F., Hammarlid, O., & Rehn, C. J. (2012). Risk and portfolio analysis: Principles and methods. Springer Science & Business Media.
- Zudem ausgewählte Paper-Publikationen und Unterlagen zur statistischen Programmiersprache R, auf welche in den Vorlesungsunterlagen hingewiesen wird.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
je nach Prüfungsordnung |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Leistungspunkte | siehe die jeweiligen Modulhandbücher |
Bereich | siehe die jeweiligen Modulhandbücher |
Prüfung |
t.b.a. |
Turnus des Prüfungsangebots |
siehe Modulhandbuch |
Dauer der Prüfung | t.b.a. |
Semester | SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I |
Ansprechpartner: |
t.b.a. | Bachelor | 2. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Ziel sind der Erwerb sicherer Kenntnisse und die Beherrschung der deskriptiven Statistik und der Wahrscheinlichkeitsrechnung, sowie der Statistiksprache R.
Das gesamte Stoffgebiet der Vorlesungen Statistik I und Statistik II ist für ein modernes Studium der Wirtschaftswissenschaften unverzichtbar. Erfolgreiche Datenanalyse bildet heutzutage die Geschäftsgrundlage zahlreicher Unternehmen. Die Fähigkeit, Datensätze mit Hilfsmitteln wie der Statistiksprache R kompetent zu analysieren ist eine am Arbeitsmarkt auch bei Wirtschaftswissenschaftlern massiv gesuchte Kompetenz.
Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertungsmethoden für ein- und mehrdimensionales Datenmaterial (grafische Darstellungen, Lage- und Streuungsparameter, Konzentrationsmaße; Kontingenztabelle, Korrelations- und Regressionsrechnung)
- Verhältniszahlen und Indexzahlen
Wahrscheinlichkeitsrechnung
- Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren können (ebenfalls klausurrelevant).
Sämltiche Vorlesungsunterlagen werden auf Digicampus bereitsgestellt.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen Kenntnisse, welche in der Veranstaltung Mathematik I vermittelt werden. Das Modul Mathematik II sollte gleichzeitig besucht werden. Ein Mindestmaß an analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Vorlesung, Teilnahme an der Übung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten. Inhalte mit R sind ebenso klausurrelevant.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, Oldenbourg, 18. Aufl., München 2017
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, Oldenbourg, 10. Aufl., München 2017
- Schira, J.: Statistische Methoden der VWL und BWL, Pearson Studium, München 2007
- Fahrmeir, L., Heumann C., Künstler, R., Pigeot, I. und Tutz, G.: Statistik, Springer, 8. Aufl., Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671(aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | t.b.a. |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | t.b.a. |
Zugelassene Hilfsmittel | vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), nicht programmierbarer und nicht grafikfähiger Taschenrechner |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I - Übung |
verschiedene Dozenten |
t.b.a. | Bachelor | 2. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung relevanter Aufgaben, die die Studierenden selbständig vorbereiten sollen und deren Lösungen in den Übungsveranstaltungen dargestellt werden. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben über Digicampus bereitgestellt. Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, Oldenbourg, 8. Aufl. München 2008
im Selbststudium bearbeitet werden.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Beginn der Lehrveranstaltung |
Beginn in der 1. Vorlesungswoche |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | Ü - Übung |
Bereich |
Bachelor: siehe jew. Modulhandbuch |
Semester | jedes SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit Python | Linus Lach | online | t.b.a. | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet online statt.
Diese Veranstaltung ist zulassungsbeschränkt. Eine vorherige Bewerbung ist zwingend erforderlich!
Die Bewerbung ist ab sofort bis zum 14.04.2023, 12:00 Uhr möglich.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache Python, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte
- Einführung in die Programmiersprache Python und Jupyter Notebook: Installation, Einrichten virtueller Umgebungen
- Grundlagen in Python: Pakete, Datentypen, Variablen und Ausdrücke, logische Operatoren, Vektoren, Datencontainer
- Kontrollfluss: Bedingungen, Schleifen, Funktionen
- Import und Export von Daten
- Datenaufbereitung und -manipulation mithilfe von NumPy und Pandas
- Univariate und bivariate Statistik: Lage und Streuung, Zusammenhangsmaße, spezielle Verteilungen, Stichprobensimulation, statistische Tests
- Grafische Datenanalyse
- Zeitreihendaten
- Arbeiten mit Texten
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache Python, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in Python werden nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
- Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
- Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
- Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
- McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
- Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit Python - Übung | Linus Lach | t.b.a. | t.b.a. | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet online statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Alexander Fottner |
online |
Bachelor | 5. Semester | Vorlesung |
findet im SoSe und WiSe statt.
Die Veranstaltung findet online statt.
Die Sprechstunde findet nach vorheriger Anmeldung Donnerstags, 14:00-15:30 Uhr, CIP 2113 statt.
Eine vorherige Anmeldung ist zwingend erforderlich. Der Anmeldezeitraum beginnt ab sofort und endet am 14.04.2023. Nutzen Sie für die Anmeldung das online Bewerbertool:
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. Einfache und multiple lineare Regressionsrechnung
7. Logistische Regression
8. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Lehrveranstaltungen und Seminare - WiSe 2022/2023
Titel | Dozent | Zeit / Raum | Studium | empfohlenes Semester | Typ |
Machine Learning |
Ansprechpartner: |
Dienstags 12:15-13:45, J1101/1102 |
Master | 1.-3. Semester | Vorlesung |
Vorraussetzungen
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Modulinhalte
- Supervised learning
- Predictive vs. Explanatory modelling , performance measurement
- Regularization (ridge, lasso, elastic net) and feature engineering
- Tree-based modelling (CART, bagging, random forests)
- NN, recurrent NN and deep learning
- Support vector machines (SVM) and Bayes’s classifiers
- Ensemble methods and super learners (boosting, stacking)
- Interpretable Machine Learning (LIME, Shapley)
- Unsupervised learning
- Clustering and pattern detection
- Advanced clustering techniques
- PCA as a dimension reduction technique
- Basics of Reinforcement learning
- Text Mining
- Basics of Image Processing (recognition) and CNN
Lernziele
Subject-related competencies:
After the successful participation in this module, students have a good understanding of the objectives, tools and potential applications of supervised and unsupervised Machine Learning. The students understand the mathematical and statistical background of the models, can apply the discussed techniques in R and interpret the results correctly. Furthermore, the students understand the key steps of a modelling/learning process, its reasoning and requirements.
Methodological competencies:
The students learn the key approaches to performance measurement of supervised learning techniques with a focus on the separation between explanatory and predictive modelling. The feature engineering for large data sets is discussed on the example of lasso and elasticnet regressions. The students understand and can apply tree-based models such as regression trees, bagging and random forests as well as models stemming from neural networks, such as MLP, recurrent NN and basics of deep learning. The students can solve classification problems using support vector machines and Bayes’ classifiers. Furthermore, ensample models and super learners will be discussed based on the previously learned techniques. Finally, the students become familiar with the most popular ideas and tools of interpretable machine learning, (LIME and Shapley measures). Relying on the methods discussed in the second part of the course the students will be able to apply methods of unsupervised learning for pattern recognition using advanced clustering techniques. The participants can apply and interpret correctly the PCA for the purpose of dimension reduction. From the last part of the module, the students will be familiar with such advanced areas of machine learning for unstructured data as text mining and image processing.
Interdisciplinary competencies:
For practical applications, we use the statistical software R. The students can apply the ML methods to solve practical questions of modelling, forecasting or classification for large data with a focus on applications in business and economics. The students can draw economic conclusions from complex ML models and learn the potential of these methods in practice.
Key competencies:
The students are able to correctly assess data structures, select appropriate modelling methods and apply them using the software R. Furthermore, they are able to present and interpret the results in a conclusive manner.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Wintersemester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | WiSe |
Sprache | Englisch |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ |
Machine Learning Exercises | Jonathan Pfahler |
Donnerstag, 12:15-13:45, J1101/1102 |
Master | 1. / 3. Semester | Übung |
Diese Veranstaltung findet im WiSe statt.
Inhalt der Veranstaltung
This course is part of the Machine Learning module alongside the lectures in Machine Learning. Students learn to apply the concepts that have been introduced during the lectures. Besides the practical applicaitons in R inside the jupyter notebook environment, the course contains manual exercises to deepen the understanding of algorithms and concepts.
Vorkenntnisse für die Veranstaltung
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Literatur
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Jonathan Pfahler |
online |
Bachelor | 5. Semester | Vorlesung |
findet im SoSe und WiSe statt.
Die Veranstaltung findet online statt.
Die Sprechstunde findet nach vorheriger Anmeldung Donnerstags, 14:00-15:30 Uhr, CIP 2113 statt.
Eine vorherige Anmeldung ist zwingend erforderlich. Der Anmeldezeitraum beginnt ab sofort und endet am 14.10.2022. Nutzen Sie für die Anmeldung das online Bewerbertool:
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. Einfache und multiple lineare Regressionsrechnung
7. Logistische Regression
8. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Titel | Dozent(in) | Zeit / Raum | Studium | empfohlenes Semester | Typ | |
Ökonometrie |
Ansprechpartner: Philipp Haid |
Montag 15:45-17:15 K1001 |
Master | 1. Semester | WiSe und SoSe |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet in Präsenz statt. Informationen hierzu finden Sie im Digicampus.
Inhalt der Lehrveranstaltung
- Multiple lineare Regression (Parameterschätzung, Beurteilung der Modellgüte und Interpretation der Ergebnisse)
- Prüfen der Modellprämissen (Heteroskedastizität, Autokorrelation, ...)
- Modellierung binärer und nominaler Daten
- Anwendung der ökonometrischen Modellierungsmethoden unter Verwendung der statistischen Programmiersprache R.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen und mathematischen Kenntnisse, welche in den Veranstaltungen Statistik I und II sowie Mathematik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten.
Literatur zur Lehrveranstaltung
- Cameron A.C, und Trivedi P.K "Microeconometrics: theory and methods", Cambridge University Press
- Greene W.H. "Econometric Analysis", Pearson
- Gujarati, D., Basic Econometrics, McGraw-Hill
- Veerbek, M.A., Guide to Modern Econometrics, Wiley
- Wooldridge J.M. "Introductory Econometrics: a modern approach", South Western
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Pflicht |
Semester | WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Ökonometrie - Übung |
Philipp Haid |
Montag 17:30-19:00 K1001 |
Master | 1. Semester |
Saalübung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Saalübung:
Nach einer allgemeinen Einführung in die Statistiksoftware R, erfolgt die Anwendung der in der Vorlesung vorgestellten statistischen Methoden anhand von Beispieldaten und mittels der Programmiersprache R. Ein Besuch dieser Übung wird dringend empfohlen, da der Inhalt für die Prüfung relevant ist.
Literatur zur Lehrveranstaltung
- Everitt, B; Hothorn T.: A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition, 2014.
- Wollschläger, D.: Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, 4. Auflage, Springer, 2017.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Bereich | Master: siehe jew. Modulhandbuch |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit / Raum | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden |
Dienstag, 10:00 Uhr, K1004 |
Bachelor | 5. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Die behandelten Übungsblätter werden im Digicampus zur Verfügung gestellt. In der Übung werden Inhalte der Vorlesung vertieft und empirisch mit der Statistiksprache R angewendet.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
V - Vorlesung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden |
Mittwoch, 10:00-11:30, K1004 |
Bachelor | 5. Semester | Übung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Zur Veranstaltung wird eine Übungsveranstaltung angeboten. In der Übung werden Inhalte der Vorlesung vertieft und empirisch angewendet.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
Übung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistik II |
Ansprechpartnerin: Philipp Haid |
siehe Digicampus |
Montag, 10:00 - 11:30 |
Bachelor | 3. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet in Präsenz statt.
Inhalt der Lehrveranstaltung
Ziel sind der Ausbau der in Statistik I (oder vergleichbaren Veranstaltungen) gelegten Grundlagen (sowohl in Statistik als auch in der eigenständigen, empirischen Umsetzung mit Hilfe der Statistiksoftware R) sowie die Vertiefung insbesondere im Bereich der Wahrscheinlichkeitsrechnung. Insbesondere werden die in Statistik I gelegten Grundlagen auch genutzt um den Bereich der induktiven Statistik zu vermitteln.
Wahrscheinlichkeitsrechnung
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
- Gesetz der großen Zahlen und zentraler Grenzwertsatz
Induktive Statistik
- Grundlagen der induktiven Statistik
- Punkt-Schätzung
- Intervall-Schätzung
- Signifikanztests und Gütefunktion
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren und kompetent analysieren können. (ebenfalls klausurrelevant).
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig.
Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in der Veranstaltung Statistik I vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, 18. Auflage, Oldenbourg, München, 2017.
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2017.
- Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G.: Statistik - Der Weg zur Datenanalyse, Springer, Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671 (aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 3. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch des jew. Studiengangs |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte |
5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | 90 min |
Zugelassene Hilfsmittel | Vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), diese muss selbst zur Klausur mitgebracht werden. Nicht programmierbarer und nicht grafikfähiger Taschenrechner. |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester |
Statistik II - Präsenz- Übung |
wechselnd |
K1001
|
Dienstag, 10:00-11:30 |
Bachelor | 3. Semester |
Statistik II - Präsenz-Übung | wechselnd | K1003 |
Dienstag, 10:00-11:30 |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | Zoom |
Mittwoch, 15:45-17:15 |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | Zoom |
Donnerstag, 08:15-09:45 |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | Zoom |
Donnerstag, 15:45-17:15 |
Bachelor | 3. Semester |
Statistik II - Zoom-Sprechstunde | wechselnd | Zoom |
Freitag, 14:00-15:30 |
Bachelor | 3. Semester |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung von Aufgaben, welche die Studierenden vorbereiten sollen und deren Lösungen in den Übungs-veranstaltungen dargestellt werden. Die selbständigen Lösungsversuche dieser Aufgaben (sowie der Besuch der Vorlesung) bilden die beste Vorbereitung für die (90 Minuten dauernde) Klausur zu Statistik II. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben bereitgestellt (Diese wird rechtzeitig im Laufe des Semesters bereitgestellt werden). Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2016.
im Selbststudium bearbeitet werden.
Darüber hinaus soll ein sicherer Umgang mit der Statistiksprache R vermittelt werden, der eine selbstständige Auseinandersetzung mit der Software voraussetzt.
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Projektstudium Data Mining | Prof. Dr. Yarema Okhrin, Jonathan Pfahler | - | Bachelor | 4. Semester | Kurs |
Die Veranstaltung findet im WiSe statt.
Für diese Veranstaltung ist eine vorausgehende Bewerbung notwendig. || Die Veranstaltung ist beschränkt auf max. 30 Teilnehmer. Für diese Veranstaltung ist keine separate Anmeldung im STUDIS notwendig.
Der Bewerbungszeitraum startet ab sofort und endet am 14.10.22, 12:00 Uhr. Die Bewerbung ist ausschließlich über das Bewerbertool möglich.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen für den Entscheidungsträger und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data Mining Verfahren zusammengefasst werden. Man betrachtet hierbei nicht eine isolierte Variable bzw. Charakteristik, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. bei der Suche nach Strukturen und Besonderheiten in den Daten.
In Gruppenarbeit sollen die Grundgedanken, Voraussetzungen sowie die Zielsetzung einzelner Data Mining Verfahren herausgearbeitet, die Anwendung anhand eines Praxisbeispiels (Umsetzung mit der Statistiksoftware R) erprobt sowie die Resultate in einer abschließenden computergestützten Präsentation vorgetragen werden. Die Teilnehmer*innen sollen die Grundsätze wissenschaftlichen Arbeitens durch die theoretische als auch empirische Auseinandersetzung mit speziellen Data Mining Verfahren erlernen und zum Erstellen einer prägnanten Präsentation sowie freier Rede beim Vortragen befähigt werden. Wesentliche methodische und empirische Erkenntnisse sollen in einer schriftlichen Ausfertigung zusammengefasst werden.
Themenübersicht
- Tree – Based - Methods (Regressionsbäume, random forests, bagging, boosting)
- Support Vector Machine (ML Verfahren für Regression und Klassifikation)
- Clusteranalyse (hierarchische / partitionelle Clusteranalyse)
- Logistische Regressionsanalyse – das Logit –Modell
- ANOVA: ein- und mehrfaktorielle Varianzanalyse
- Zeitreihenanalyse (Modellierung von zeitlich geordneten Daten)
- Interpretierbares Machine Learning: Ermittelung der Feature Importance
- Interpretierbares Machine Learning: Surrogate Modelle
- Text Mining (Methoden zum Extrahieren von Informationen aus Texten, sentiment analysis
- Hauptkomponentenanalyse (PCA, Verfahren zur Dimensionsreduktion)
Grundlegendes
- Gruppenarbeit (2-3 Teilnehmer*innen): eigenständige Gruppenorganisation und Terminvereinbarung mit dem Betreuer
- Computergestützte Präsentation:
- Inhalt: Theoretische Ausarbeitung der Methodik sowie Umsetzung mittels der Statistiksoftware R anhand eines selbstständig recherchierten, geeigneten Datensatzes.
- Umfang: ~60 Minuten zzgl. 15 Minuten Diskussionszeit (je Gruppe)
- Bearbeitungsumfang, Schwierigkeitsgrad sowie Präsentation der Inhalte und Ergebnisse sollten möglichst gleichmäßig verteilt werden
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden. Der Besuch der Data Mining Veranstaltung im Sommersemester 2019 wäre wünschenswert. Zudem werden Grundkenntnisse in der Statistiksprache R (alternativ in Python) verlangt, so wie sie bspw. in den Veranstaltungen Statistik I/II vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Breiman, Friedman, Olshen, Stone (1998): Classification and Regression Trees, Chapman & Hall.
- Fahrmeir, Kneib, Lang (2007): Regression - Modelle, Methoden und Anwendungen, Springer.
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC, 3rd edition.
- Rousseeuw, Kaufman (2005): Finding Groups in Data – An Introduction to Cluster Analysis, John Wiley & Sons Inc.
- Wollschläger (2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
- u.v.w. themenbezogene Fachliteratur
Weitere Informationen zu der Lehrveranstaltung
Fachrichtung Lehrveranstaltung | Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 3 SWS |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Titel | Dozent(in) | Ansprechpartner | Zeit | Studium | empfohlenes Semester | Typ |
Seminar Risikomanagement | Prof. Dr. Yarema Okhrin |
Dr. Sebastian Heiden |
- | Bachelor | 5. Semester | Seminar |
Die Veranstaltung findet im WiSe statt.
Bewerbung über Online-Bewerbungstool ||
Auswahl über Motivationsschreiben und Notenspiegel ||
Teilnehmerzahl beschränkt
Der Bewerbungszeitraum beginnt ab sofort und endet am 26.10.2022, 12:00 Uhr.
Hier finden SIe die Themen der Veranstaltung.
Inhalt der Lehrveranstaltung
Im Seminar Risikomanagement bearbeiten Sie im Team innovative Themen an der Schnittstelle zwischen wissenschaftlicher Forschung und Anwendung in der betrieblichen Praxis. Zusätzlich werden u.a. durch die Arbeit in (interdisziplinären) Teams wichtige Soft-Skills vermittelt, welche Sie im beruflichen Alltag jederzeit beherrschen sollten.
Seminarthemen:
Die Themenstellungen stammen aus dem Bereich Risikomanagement und bauen auf die Inhalte der Vorlesung Risikomanagement auf. Eine PDF Datei mit den Themenstellungen wird hier in Kürze veröffentlicht.
Voraussetzungen:
Eine zwingende Voraussetzung zur Teilnahme am Seminar ist die erfolgreiche Teilnahme (= bestanden) an der Bachelorveranstaltung 'Risikomanagement'. Weitere Voraussetzungen für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II (GBM: Mathematik) und Statistik I/II (GBM: Statistik) vermittelt werden sowie Kenntnisse von quantitativen Methoden des Risikomanagements, wie sie in der Bachelorveranstaltung "Risikomanagement" vermittelt werden. Zudem wird die Bereitschaft verlangt, sich, basierend auf den in der Veranstaltung Risikomanagement erworbenen Kenntnissen, weiter in die Statistiksprache R einzuarbeiten, und sich eigenständig mit weiterführender Literatur zu beschäftigen.
Termin und Ablauf
Meilenstein | Termin |
Bewerbungsphase | 19.09.2022 bis 26.10.2022, 12:00 Uhr |
Zu-/Absage | Freitag, 29.10.2022 |
Abgabe der Seminararbeit | Dienstag, 10.01.2023, bis spätestens 12:00 Uhr |
Abschlusspräsentationen | Voraussichtlich in der Woche 16.01.2023 bis 20.01.2023. |
Titel | Dozentin | Raum | Zeit | Studium | empfohlenes Semester | Typ |
---|---|---|---|---|---|---|
Data Analysis mit R | Christine Distler | online | siehe Digicampus | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe und im WiSe statt.
Für diese Veranstaltung ist eine vorherige Anmeldung notwendig. Der Anmeldezeitraum beginnt Anfang Oktober und endet am 15.10., 12:00 Uhr.
Hinweis: Sie erhalten nach Ende des Bewerbungszeitraums eine E-Mail, ob Sie an der Veranstaltung teilnehmen können. Bei erfolgreicher Bewerbung werden Sie automatisch zum Digicampus-Kurs hinzugefügt.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache R, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte:
- Grundlagen der Programmierung mit R (Anweisungen, Schleifen, Funktionen, Objekte)
- Statistik mit R (deskriptive und induktive Statistik)
- Datenimport/Datenexport
- Data Preparation (fehlende Werte, Ausreißer, Datenfusion, ...)
- Fortgeschrittene Visualisierungsmöglichkeiten
- Effektives Datenmanagement
- Zeitreihen in R
- Arbeiten mit Texten in R
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache R, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in der Statistiksprache R sind vorteilhaft, werden aber nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Title | Lecturer | Room | Time | Course | Recommended semester | Type |
International Finance |
K1001 (VL) & K1003 (ÜB) |
Donnerstag, 8:15-9:45 (VL) Donnerstag, 14:00-15:30 (ÜB) |
Bachelor | 4. semester |
The course is offered in cooperation with the chair of finance and banking and is taught in English.
Prerequisites
A prerequisite for successful participation is thorough mathematical and statistical knowledge, which is taught in courses during the first semesters of every degree in economics or business economics. Furthermore, an essential prerequisite is the willingness to familiarize yourself with the contents of the course and the willingness to independently study the provided resources.
Subject-related competencies
After successfully completing this module, students understand the challenges of international finance and how to make optimal corporate financial decisions concerning investments, financing, and hedging against risks in the international environment.
Methodological competencies
Students are able to use Excel to analyze finance-related data using various quantitative methods. They are able to calculate and interpret statistical measures and to use the multiple linear regression model in different variants for forecasting. They will also be able to use quantitative methods, particularly in the international currency environment, and interpret the results of the methods.
Interdisciplinary competencies
Students are able to apply the knowledge they have acquired in any area of their studies that deal with empirical questions in the field of finance and international economics. Students are able to apply quantitative approaches and models for international finance problems to other empirical and theoretical issues.
Key competencies:
Students are able to interpret relationships in the international financial environment with regard to their statements at different levels. This includes, for example, finding causal relationships in economic systems or assessing the quality of statistics. Students are able to use quantitative tools to manage international financial risks.
Foundations of International Financial Management
- Globalization and the Multinational Firm
- International Monetary Systems
- Balance of Payments
The Foreign Exchange Market, Exchange Rate Determination, and Currency Derivates
- Market for Foreign Exchange
- International Parity Relationships and Forecasting Foreign Exchange Rates
- Futures and Options on Foreign Exchange
Foreign Exchange Exposure and Management
- Measuring, Managing and Hedging of FX Risk
World Financial Markets and Institutions
- International Bond Markets
- International Equity Markets
Financial Management of the Multinational Firm
- International Capital Structure and Cost of Capital
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit Python | Christine Distler | online |
asynchron, jeden Montag 08:15 neues Video |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im WiSe und SoSe statt.
Diese Veranstaltung findet online statt.
Für diese Veranstaltung ist eine vorherige Anmeldung notwendig. Der Anmeldezeitraum endet am 15.10.22, um 12:00 Uhr.
Hinweis: Sie erhalten nach Ende des Bewerbungszeitraums eine E-Mail, ob Sie an der Veranstaltung teilnehmen können. Bei erfolgreicher Bewerbung werden Sie automatisch zum Digicampus-Kurs hinzugefügt.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache Python, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte
- Einführung in die Programmiersprache Python und Jupyter Notebook: Installation, Einrichten virtueller Umgebungen
- Grundlagen in Python: Pakete, Datentypen, Variablen und Ausdrücke, logische Operatoren, Vektoren, Datencontainer
- Kontrollfluss: Bedingungen, Schleifen, Funktionen
- Import und Export von Daten
- Datenaufbereitung und -manipulation mithilfe von NumPy und Pandas
- Univariate und bivariate Statistik: Lage und Streuung, Zusammenhangsmaße, spezielle Verteilungen, Stichprobensimulation, statistische Tests
- Grafische Datenanalyse
- Zeitreihendaten
- Arbeiten mit Texten
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache Python, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in Python werden nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
- Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
- Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
- Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
- McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
- Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit Python - Übung | Linus Lach | online |
Zeit: asynchron, jeden Montag 08:15 neues Video |
Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im WiSe und SoSe statt.
Diese Veranstaltung findet online statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozentin | Raum | Zeit | Studium | empfohlenes Semester | Typ |
---|---|---|---|---|---|---|
Data Analysis mit R - Übung | Christine Distler | online | siehe Digicampus | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im WiSe und im SoSe statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Modulhandbuchs (falls einbringbar).
Lehrveranstaltungen und Seminare - SoSe 2022
Title | lecturer | room | time | Course | recommended semester | type |
Corporate Finance II: Portfolio Choice and Capital Structure (Erasmus) |
Dr. Martin Rohleder, Dr. Sebastian Heiden |
t.b.a. | t.b.a. | Bachelor | 4. Semester (ERASMUS) | Vorlesung |
Information
The following courses are intended exclusively for incoming students at the University of Augsburg. Students who are not enrolled as exchange students at the Univerity of Augsburg cannot attend these courses.
The course is planned in an asynchronous format with an opportunity for questions during question and answer sessions. The course is offered in cooperation with the chair of finance and banking and is taught in English.
Description
In the first part of this course, students will get the intuition for understanding risk and return. It also explains the distinction between diversifiable and systematic risk. On this basis, students will get to know models for optimal portfolio choice, capital asset pricing and calculating the cost of capital. Further, students will examine the role of behavioral finance and relate investor behavior to the topic of market efficiency and alternative models of risk and return. In the second part of this course, students will learn how a firm should raise the funds it needs to undertake its investments and the firm's resulting capital structure. Students will focus on examining how the choice of capital structure affects the value of the firm in the perfect world and with frictions such as taxes and agency issues. Finally, students will learn to determine the optimal payout policy. After the course, students will be able to evaluate the risks and costs associated with a firm's business and determine the firm's optimal capital structure.
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit R | Ellena Nachbar | online |
siehe Digicampus |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung ist zulassungsbeschränkt. Eine vorherige Bewerbung ist zwingend erforderlich!
Die Bewerbung ist ausschließlich im Zeitraum 17.03.2022, 12:00 Uhr bis 31.03.2022, 12:00 Uhr, mithilfe des Bewerbertools (siehe Button unten) möglich.
Eine zusätzlicher Bewerbungszeitraum ist zusätzlich von 04.04.2022, 12:00 Uhr bis 14.04.2022, 12:00 Uhr, mithilfe des Bewerbertools (siehe Button unten) vorhanden.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache R, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte:
- Grundlagen der Programmierung mit R (Anweisungen, Schleifen, Funktionen, Objekte)
- Statistik mit R (deskriptive und induktive Statistik)
- Datenimport/Datenexport
- Data Preparation (fehlende Werte, Ausreißer, Datenfusion, ...)
- Fortgeschrittene Visualisierungsmöglichkeiten
- Effektives Datenmanagement
- Zeitreihen in R
- Arbeiten mit Texten in R
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache R, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in der Statistiksprache R sind vorteilhaft, werden aber nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit R Übung | Ellena Nachbar | online |
siehe Digicampus |
Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc.
- URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Modulhandbuchs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining |
Ansprechpartner: |
K1001 | 12:15-13:45 | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data-Mining Methoden zusammengefasst werden. Man betrachtet hier nicht eine Variable bzw. eine Charakteristik isoliert, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. zur Suche nach Strukturen und Besonderheiten in den Daten. Für die praktische Anwendung der erlernten Methoden wird die Statistiksoftware R genutzt.
- Grundlagen und Ziele
- Multiple lineare Regressionsanalyse
- Regressionsbäume
- Künstliche Neuronale Netze
- Netzwerkdaten
- Clusteranalyse
- Logistische Regressionsanalyse
- u.w.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Prüfung |
t.b.a. |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung |
t.b.a. |
Semester | SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining Übung | Jonathan Pfahler | K1002 |
Montags, 17:30-19:00 |
Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Die erste(n) Übungsstunde(n) sollen eine Einführung zum Arbeiten mit der in der Vorlesung und Übung verwendeten Statistiksoftware R geben. Anschließend wird im Rahmen der Saalübungen anhand ausgewählter Beispieldaten vorlesungsbegleitend in die Anwendung / Auswertung (Umsetzung mit R) und Interpretation (Output) der behandelten Data Mining Methoden (Regression, Clustering, Klassifikation, etc.) eingeführt. Zudem wird eine begleitete PC-Übung (freiwilliges Zusatzangebot) zur eigenständigen, computergestützten Umsetzung der einzelnen Methoden anhand verschiedener Datensätze und Fragestellungen angeboten.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner, (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Semester | SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science, Decision Science und Artificial Intelligence |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
t.b.a |
Blockveranstaltung (Datum t.b.a) || Abgabe der Präsentationen 13.05.2022
|
Master | 2. Semester | Projekt |
Die Veranstaltung findet im SoSe statt.
Themen und allgemeine Informationen zur Veranstaltung
Bewerbung (präferiert im Zweierteam) ist von 13.01.22 bis 24.01.22 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.
Da die Veranstaltung bereits im Sommer 2021 angeboten wurde und sich bezüglich der Einbringbarkeiten nur geringfügige Ergänzungen (BWL und EPP ( Master PO 2021): Major/Minor FACT, Major/Minor BAO sowie BWL und VWL (Bachelor PO 2021): General Management & Economics) ergeben haben, bitten wir Sie, die individuelle Einbringbarkeit stets mit Hilfe des Modulhandbücher ihres Studiengangs für das SoSe 2021 zu kontrollieren!
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Bewerbungsmodalitäten
- Bewerbung von 13.01.22 bis spätestens 24.01.22 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich daher über das obig verknüpfte Bewerbertool bewerben
- Zusätzlich zur Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an karin.wuensch@wiwi.uni-augsburg.de geschickt werden
- Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Masterstudenten ein mediengestützter Vortrag
- Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung sind oben verlinkt.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Master |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Portfolioprüfung |
Turnus des Prüfungsangebots |
SoSe |
Dauer der Prüfung | je Zweierteam 60 min. + Diskussion |
Begleitende Lehrveranstaltung(en) | 5256 |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science and Decision Science |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
t.b.a |
Blockveranstaltung || Abgabe der Präsentationen bis 13.05.2022 |
Bachelor | ab 2. Semester | Projektstudium bzw. Clusterseminar |
Die Veranstaltung findet im SoSe statt.
Bewerbung (präferiert im Zweierteam) von 13.01.22 bis 24.01.2022 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.
Themen und allgemeine Informationen zur Veranstaltung
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Bewerbungsmodalitäten
- Bewerbung ab sofort bis spätestens 24.01.2022 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich über das obige Bewerbertool bewerben.
- Neben der Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an karin.wuensch@wiwi.uni-augsburg.de geschickt werden
- Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits ab Ende Januar, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Bachelorstudenten ein mediengestützter Vortrag (+eine schriftliche Ausarbeitung, falls die Veranstaltung als „Cluster-Seminar“ Finance bzw. „Cluster-Seminar“ Operations eingebracht werden soll),
- Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + Fragerunde
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung finden Sie oben.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Bachelor |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Portfolioprüfung |
Turnus des Prüfungsangebots |
SoSe |
Dauer der Prüfung | je Zweierteam 50 min. + Diskussion |
Begleitende Lehrveranstaltung(en) | 5256 |
Semester |
SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Risikomanagement | Dr. Sebastian Heiden | K: 1001 | Mittwoch, 10:00-11:30 | Bachelor | 4/6.Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Übungstermine:
- Übungsaufgaben zu den einzelnen Kapitel der Vorlesung stehen im Digicampus bereit
- Lösungsansätze zu den Übungsaufgaben werden als Video aufgezeichnet. Für Fragen und Diskussion der Übungs/Vorlesungsinhalte steht eine Frage/Übungsstunde am Donnerstag, 8:15-9:45, Raum K: 1003 zur Verfügung.
- Bitte beachten Sie, dass auch in der Vorlesung eine Vielzahl an Beispielen und Aufgaben gerechnet werden
Inhalte:
Die Veranstaltung beschäftigt sich mit verschiedenen Aspekten des Risikomanagements und wendet diese auf Basis von empirischen Daten mit der Statistiksprache R an.
Die erfolgreiche Teilnahme an der Vorlesung Risikomanagement ist eine essentielle Voraussetzung für die Teilnahme am Seminar Risikomanagement im Wintersemester!
Geplante Themen in der Vorlesung:
- Klassifizierung von Risikoarten und Notwendigkeit für Risikomessung und Regulierung
- Stylized Facts von univariaten und multivariaten Kapitalmarktrenditen und Modellierung durch Risikomaße
- Anforderungen an Risikomaße und Axiome
- Eigenschaften von Risikomaßen und einfache Risikomaße
- Fortgeschrittene Risikomaße
- Quantifizierung verschiedener Risikomaße
- Backtesting von Risikomaßen
- Prognosen für Risikomaße
- Risikoreduktion durch Portfoliobildung und Optimierung
- Aggregierte Risikomaße: marginaler Value-at-Risk und Komponenten Value-at-Risk
- Abbildung von Asymmetrie multivariater Renditen durch Copulas und Modellierung des VaR
- Weiterführende Themen zu verschiedenen Risikoaspekten
Vorkenntnis für die Lehrveranstaltung
Elementare Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche bspw. in den Veranstaltungen Mathematik I/II und Statistik I/II vermittelt werden sowie generelle Begeisterung für quantitativ-methodische Veranstaltungsinhalte. Die Bereitschaft zur kontinuierlichen, langfristigen gedanklichen Auseinandersetzung und Vor- und Nachbereitung der Veranstaltungsinhalte ist unerlässlich. Von Vorteil sind Grundlagen in der Statistiksprache R, wie sie etwa in der Veranstaltung „Data Analysis with R“ des Lehrstuhls vermittelt werden. Es wird die Bereitschaft erwartet, sich mit der Modellierung der Veranstaltungsinhalte mit der Statistiksprache R tiefgehend zu beschäftigen und sich notwendige Grundlagen hierfür selbständig anzueignen
Literatur zur Lehrveranstaltung
u.a.
- McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative risk management: concepts, techniques and tools-revised edition. Princeton university press.
- Pfaff, B. (2016). Financial risk modelling and portfolio optimization with R. John Wiley & Sons.
- Hofert, M., Frey, R., & McNeil, A. J. (2020). The Quantitative Risk Management Exercise Book.
- Christoffersen, P. (2011). Elements of financial risk management. Academic Press.
- Miller, M. B. (2018). Quantitative financial risk management. John Wiley & Sons.
- Hult, H., Lindskog, F., Hammarlid, O., & Rehn, C. J. (2012). Risk and portfolio analysis: Principles and methods. Springer Science & Business Media.
- Zudem ausgewählte Paper-Publikationen und Unterlagen zur statistischen Programmiersprache R, auf welche in den Vorlesungsunterlagen hingewiesen wird.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
je nach Prüfungsordnung |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Leistungspunkte | siehe die jeweiligen Modulhandbücher |
Bereich | siehe die jeweiligen Modulhandbücher |
Prüfung |
t.b.a. |
Turnus des Prüfungsangebots |
siehe Modulhandbuch |
Dauer der Prüfung | t.b.a. |
Semester | SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Jonathan Pfahler | online | Montag | Bachelor | 5. Semester | Vorlesung + Übung |
Die Veranstaltung findet im SoSe und WiSe statt.
Diese Veranstaltung ist zulassungsbeschränkt. Eine vorherige Bewerbung ist zwingend erforderlich!
Die Bewerbung ist ausschließlich im Zeitraum 17.03.2022, 12:00 Uhr bis 31.03.2022, 12:00 Uhr, mithilfe des Bewerbertools (siehe Button unten) möglich.
Eine zusätzlicher Bewerbungszeitraum ist zusätzlich von 04.04.2022, 12:00 Uhr bis 14.04.2022, 12:00 Uhr, mithilfe des Bewerbertools (siehe Button unten) vorhanden.
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. einfache und multiple lineare Regressionsrechnung
7. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Platzvergabe:
Die Auswahl unter allen Bewerberinnen und Bewerbern erfolgt nicht nach dem first-come, first-served-Prinzip, sondern anhand derer Noten. Dazu müssen im Bewerbungsformular die in den Veranstaltungen Statistik (GBM/ReWi) oder Statistik I sowie Statistik II erzielten Noten angegeben werden.
Nach der Bewerbung für einen Platz bekommen Sie - falls Sie auf Basis ihrer Noten ausgewählt werden - einen Platz angeboten.
Sollten Sie eine Zusage für die Veranstaltung erhalten, sind Sie damit auch für die zugehörige Klausur angemeldet. Eine zusätzliche Anmeldung über STUDIS ist nicht nötig.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung |
t.b.a. |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | t.b.a. |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I |
Ansprechpartner: |
Montag | Bachelor | 2. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Ziel sind der Erwerb sicherer Kenntnisse und die Beherrschung der deskriptiven Statistik und der Wahrscheinlichkeitsrechnung, sowie der Statistiksprache R.
Das gesamte Stoffgebiet der Vorlesungen Statistik I und Statistik II ist für ein modernes Studium der Wirtschaftswissenschaften unverzichtbar. Erfolgreiche Datenanalyse bildet heutzutage die Geschäftsgrundlage zahlreicher Unternehmen. Die Fähigkeit, Datensätze mit Hilfsmitteln wie der Statistiksprache R kompetent zu analysieren ist eine am Arbeitsmarkt auch bei Wirtschaftswissenschaftlern massiv gesuchte Kompetenz.
Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertungsmethoden für ein- und mehrdimensionales Datenmaterial (grafische Darstellungen, Lage- und Streuungsparameter, Konzentrationsmaße; Kontingenztabelle, Korrelations- und Regressionsrechnung)
- Verhältniszahlen und Indexzahlen
Wahrscheinlichkeitsrechnung
- Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren können (ebenfalls klausurrelevant).
Sämltiche Vorlesungsunterlagen werden auf Digicampus bereitsgestellt.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen Kenntnisse, welche in der Veranstaltung Mathematik I vermittelt werden. Das Modul Mathematik II sollte gleichzeitig besucht werden. Ein Mindestmaß an analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Vorlesung, Teilnahme an der Übung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten. Inhalte mit R sind ebenso klausurrelevant.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, Oldenbourg, 18. Aufl., München 2017
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, Oldenbourg, 10. Aufl., München 2017
- Schira, J.: Statistische Methoden der VWL und BWL, Pearson Studium, München 2007
- Fahrmeir, L., Heumann C., Künstler, R., Pigeot, I. und Tutz, G.: Statistik, Springer, 8. Aufl., Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671(aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | t.b.a. |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | t.b.a. |
Zugelassene Hilfsmittel | vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), nicht programmierbarer und nicht grafikfähiger Taschenrechner |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I - Übung |
verschiedene Dozenten |
Dienstag Mittwoch |
Bachelor | 2. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung relevanter Aufgaben, die die Studierenden selbständig vorbereiten sollen und deren Lösungen in den Übungsveranstaltungen dargestellt werden. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben über Digicampus bereitgestellt. Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, Oldenbourg, 8. Aufl. München 2008
im Selbststudium bearbeitet werden.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Beginn der Lehrveranstaltung |
Beginn in der 1. Vorlesungswoche |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | Ü - Übung |
Bereich |
Bachelor: siehe jew. Modulhandbuch |
Semester | jedes SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit Python | Christine Distler | online |
asynchron, jeden Montag 08:15 neues Video |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet online statt.
Diese Veranstaltung ist zulassungsbeschränkt. Eine vorherige Bewerbung ist zwingend erforderlich!
Die Bewerbung ist im Zeitraum 14.09.2022, 10:00 Uhr bis 14.10.2022, 12:00 Uhr, mithilfe des Bewerbertools (siehe Button unten) möglich.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache Python, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte
- Einführung in die Programmiersprache Python und Jupyter Notebook: Installation, Einrichten virtueller Umgebungen
- Grundlagen in Python: Pakete, Datentypen, Variablen und Ausdrücke, logische Operatoren, Vektoren, Datencontainer
- Kontrollfluss: Bedingungen, Schleifen, Funktionen
- Import und Export von Daten
- Datenaufbereitung und -manipulation mithilfe von NumPy und Pandas
- Univariate und bivariate Statistik: Lage und Streuung, Zusammenhangsmaße, spezielle Verteilungen, Stichprobensimulation, statistische Tests
- Grafische Datenanalyse
- Zeitreihendaten
- Arbeiten mit Texten
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache Python, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in Python werden nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
- Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
- Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
- Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
- McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
- Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit Python - Übung | Christine Distler | online |
Zeit: asynchron, jeden Montag 08:15 neues Video |
Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet online statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Lehrveranstaltungen und Seminare - WiSe 2021/2022
Titel | Dozent | Zeit | Studium | empfohlenes Semester | Typ |
Machine Learning |
Ansprechpartner: |
Montag | Master | 1.-3. Semester | Vorlesung |
Diese Veranstaltung findet digital statt.
Vorraussetzungen
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Modulinhalte
- Supervised learning
- Predictive vs. Explanatory modelling , performance measurement
- Regularization (ridge, lasso, elastic net) and feature engineering
- Tree-based modelling (CART, bagging, random forests)
- NN, recurrent NN and deep learning
- Support vector machines (SVM) and Bayes’s classifiers
- Ensemble methods and super learners (boosting, stacking)
- Interpretable Machine Learning (LIME, Shapley)
- Unsupervised learning
- Clustering and pattern detection
- Advanced clustering techniques
- PCA as a dimension reduction technique
- Basics of Reinforcement learning
- Text Mining
- Basics of Image Processing (recognition) and CNN
Lernziele
Subject-related competencies:
After the successful participation in this module, students have a good understanding of the objectives, tools and potential applications of supervised and unsupervised Machine Learning. The students understand the mathematical and statistical background of the models, can apply the discussed techniques in R and interpret the results correctly. Furthermore, the students understand the key steps of a modelling/learning process, its reasoning and requirements.
Methodological competencies:
The students learn the key approaches to performance measurement of supervised learning techniques with a focus on the separation between explanatory and predictive modelling. The feature engineering for large data sets is discussed on the example of lasso and elasticnet regressions. The students understand and can apply tree-based models such as regression trees, bagging and random forests as well as models stemming from neural networks, such as MLP, recurrent NN and basics of deep learning. The students can solve classification problems using support vector machines and Bayes’ classifiers. Furthermore, ensample models and super learners will be discussed based on the previously learned techniques. Finally, the students become familiar with the most popular ideas and tools of interpretable machine learning, (LIME and Shapley measures). Relying on the methods discussed in the second part of the course the students will be able to apply methods of unsupervised learning for pattern recognition using advanced clustering techniques. The participants can apply and interpret correctly the PCA for the purpose of dimension reduction. From the last part of the module, the students will be familiar with such advanced areas of machine learning for unstructured data as text mining and image processing.
Interdisciplinary competencies:
For practical applications, we use the statistical software R. The students can apply the ML methods to solve practical questions of modelling, forecasting or classification for large data with a focus on applications in business and economics. The students can draw economic conclusions from complex ML models and learn the potential of these methods in practice.
Key competencies:
The students are able to correctly assess data structures, select appropriate modelling methods and apply them using the software R. Furthermore, they are able to present and interpret the results in a conclusive manner.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Wintersemester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | WiSe |
Sprache | Englisch |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ |
Machine Learning Exercises | Jonathan Pfahler | Montag | Master | 1. / 3. Semester | Übung |
Diese Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt.
Inhalt der Veranstaltung
This course is part of the Machine Learning module alongside the lectures in Machine Learning. Students learn to apply the concepts that have been introduced during the lectures. Besides the practical applicaitons in R inside the jupyter notebook environment, the course contains manual exercises to deepen the understanding of algorithms and concepts.
Vorkenntnisse für die Veranstaltung
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Literatur
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Dr. Sebastian Heiden |
online (asynchron) |
Bachelor | 5. Semester | Vorlesung |
findet im SoSe und WiSe statt.
Die Veranstaltung findet im WiSe21/22 online statt
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. Einfache und multiple lineare Regressionsrechnung
7. Logistische Regression
8. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Dr. Sebastian Heiden |
Online (asynchron)
Informationen siehe Digicampus |
Bachelor | 5. Semester | Übung |
Die Veranstaltung findet im SoSe und WiSe statt.
Die Veranstaltung findet im WiSe21/22 online statt
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. Einfache und multiple lineare Regressionsrechnung
7. Logistische Regression
8. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | Übung zur Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Ökonometrie |
Ansprechpartner: |
Montag |
Master | 1. Semester | WiSe und SoSe |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet in Präsenz mit Livestream statt. Informationen hierzu finden Sie im Digicampus.
Inhalt der Lehrveranstaltung
- Multiple lineare Regression (Parameterschätzung, Beurteilung der Modellgüte und Interpretation der Ergebnisse)
- Prüfen der Modellprämissen (Heteroskedastizität, Autokorrelation, ...)
- Modellierung binärer und nominaler Daten
- Anwendung der ökonometrischen Modellierungsmethoden unter Verwendung der statistischen Programmiersprache R.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen und mathematischen Kenntnisse, welche in den Veranstaltungen Statistik I und II sowie Mathematik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten.
Literatur zur Lehrveranstaltung
- Cameron A.C, und Trivedi P.K "Microeconometrics: theory and methods", Cambridge University Press
- Greene W.H. "Econometric Analysis", Pearson
- Gujarati, D., Basic Econometrics, McGraw-Hill
- Veerbek, M.A., Guide to Modern Econometrics, Wiley
- Wooldridge J.M. "Introductory Econometrics: a modern approach", South Western
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Pflicht |
Semester | WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Ökonometrie - Übung |
Mittwoch Donnerstag |
Master | 1. Semester |
Saalübung PC-Übung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt.
Inhalt der Lehrveranstaltung
Saalübung:
Nach einer allgemeinen Einführung in die Statistiksoftware R, erfolgt die Anwendung der in der Vorlesung vorgestellten statistischen Methoden anhand von Beispieldaten und mittels der Programmiersprache R. Ein Besuch dieser Übung wird dringend empfohlen, da der Inhalt für die Prüfung relevant ist.
PC-Übung:
Die PC-Übung (freiwilliges Zusatzangebot) bietet die Möglichleit die Anwendung ökonometrischer Analysen zu üben, indem Übungsblätter mit ökonometrischen Fragestellungen selbstständig und computergestützt gelöst werden. Für die PC-Übung stehen zwei Termine zur Auswahl.
Die Übungen werden nicht wöchentlich angeboten, sondern bei Bedarf. Die Termine werden zu gegebener Zeit bekannt gegeben.
Literatur zur Lehrveranstaltung
- Everitt, B; Hothorn T.: A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition, 2014.
- Wollschläger, D.: Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, 4. Auflage, Springer, 2017.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Bereich | Master: siehe jew. Modulhandbuch |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Ökonometrie - Offene Sprechstunde | Ellena Nachbar |
|
wird noch bekannt gegeben | Master | 1. Semester | WiSe und SoSe |
Die Veranstaltung findet im WiSe statt.
Weitere Informationen hierzu finden Sie im DigiCampus.
Inhalt der Lehrveranstaltung
Die offene Sprechstunde bietet allen Teilnehmern der Veranstaltung Ökonometrie die Möglichkeit ihre Fragen zur Vorlesung oder den Übungen zu klären. Die Sprechstunde ist somit nicht als zusätzliche Übungsveranstaltung zu verstehen. Stattdessen steht Ihnen während der Sprechstunde ein Ansprechpartner zu Verfügung, der Sie beim Verständnis des Prüfungsstoffs unterstützt.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Bereich | Zusatzangebot zur Veranstaltung Ökonometrie |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden |
Online (asynchron) Dienstag, 10:00 Uhr |
Bachelor | 5. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital (asynchron) statt
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Zur Veranstaltung wird eine Übungsveranstaltung angeboten. Diese findet ebenfalls digital statt und wird im Digicampus zur gestellt. Die behandelten Übungsblätter werden im Digicampus zur Verfügung gestellt. In der Übung werden Inhalte der Vorlesung vertieft und empirisch mit der Statistiksprache R angewendet.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
V - Vorlesung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden |
Online (asynchron) Freitag, 12:15 Termine siehe Digicampus |
Bachelor | 5. Semester | Übung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital (asynchron) statt
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Zur Veranstaltung wird eine Übungsveranstaltung angeboten. In der Übung werden Inhalte der Vorlesung vertieft und empirisch angewendet. Diese findet ebenfalls digital statt und wird im Digicampus zur Verfügung gestellt. Die behandelten Übungsblätter werden ebenso im Digicampus zur Verfügung gestellt.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
Übung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistik II |
Ansprechpartnerin: |
siehe Digicampus |
Montag, 10:15 - 11:45 |
Bachelor | 3. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet in Präsenz (mit Livestream) statt. Um die Präsenzveranstaltung zu besuchen ist eine vorherige Anmeldung im Digicampus zwingend notwendig.
Inhalt der Lehrveranstaltung
Ziel sind der Ausbau der in Statistik I (oder vergleichbaren Veranstaltungen) gelegten Grundlagen (sowohl in Statistik als auch in der eigenständigen, empirischen Umsetzung mit Hilfe der Statistiksoftware R) sowie die Vertiefung insbesondere im Bereich der Wahrscheinlichkeitsrechnung. Insbesondere werden die in Statistik I gelegten Grundlagen auch genutzt um den Bereich der induktiven Statistik zu vermitteln.
Wahrscheinlichkeitsrechnung
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
- Gesetz der großen Zahlen und zentraler Grenzwertsatz
Induktive Statistik
- Grundlagen der induktiven Statistik
- Punkt-Schätzung
- Intervall-Schätzung
- Signifikanztests und Gütefunktion
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren und kompetent analysieren können. (ebenfalls klausurrelevant).
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig.
Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in der Veranstaltung Statistik I vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, 18. Auflage, Oldenbourg, München, 2017.
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2017.
- Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G.: Statistik - Der Weg zur Datenanalyse, Springer, Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671 (aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 3. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch des jew. Studiengangs |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte |
5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | 90 min |
Zugelassene Hilfsmittel | Vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), diese muss selbst zur Klausur mitgebracht werden. Nicht programmierbarer und nicht grafikfähiger Taschenrechner. |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistik II - Übung | Ellena Nachbar | online |
|
Bachelor | 3. Semester | Übung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet online statt.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung von Aufgaben, welche die Studierenden vorbereiten sollen und deren Lösungen in den Übungs-veranstaltungen dargestellt werden. Die selbständigen Lösungsversuche dieser Aufgaben (sowie der Besuch der Vorlesung) bilden die beste Vorbereitung für die (90 Minuten dauernde) Klausur zu Statistik II. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben bereitgestellt (Diese wird rechtzeitig im Laufe des Semesters bereitgestellt werden). Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2016.
im Selbststudium bearbeitet werden.
Darüber hinaus soll ein sicherer Umgang mit der Statistiksprache R vermittelt werden, der eine selbstständige Auseinandersetzung mit der Software voraussetzt.
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Projektstudium Data Mining | Prof. Dr. Yarema Okhrin, Jonathan Pfahler | Mittwoch | Bachelor | 4. Semester | Kurs |
Die Veranstaltung findet im WiSe statt.
Für diese Veranstaltung ist eine vorausgehende Bewerbung notwendig. || Die Veranstaltung ist beschränkt auf max. 30 Teilnehmer. Für diese Veranstaltung ist keine separate Anmeldung im STUDIS notwendig.
Die Besprechungen mit Ihrem Betreuer werden voraussichtlich nur online stattfinden. Die Präsentationen werden voraussichtlich in Präsenz stattfinden.
Der Bewerbungszeitraum ist abgeschlossen.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen für den Entscheidungsträger und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data Mining Verfahren zusammengefasst werden. Man betrachtet hierbei nicht eine isolierte Variable bzw. Charakteristik, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. bei der Suche nach Strukturen und Besonderheiten in den Daten.
In Gruppenarbeit sollen die Grundgedanken, Voraussetzungen sowie die Zielsetzung einzelner Data Mining Verfahren herausgearbeitet, die Anwendung anhand eines Praxisbeispiels (Umsetzung mit der Statistiksoftware R) erprobt sowie die Resultate in einer abschließenden computergestützten Präsentation vorgetragen werden. Die Teilnehmer*innen sollen die Grundsätze wissenschaftlichen Arbeitens durch die theoretische als auch empirische Auseinandersetzung mit speziellen Data Mining Verfahren erlernen und zum Erstellen einer prägnanten Präsentation sowie freier Rede beim Vortragen befähigt werden. Wesentliche methodische und empirische Erkenntnisse sollen in einer schriftlichen Ausfertigung zusammengefasst werden.
Themenübersicht
- Tree – Based - Methods (Regressionsbäume, random forests, bagging, boosting)
- Support Vector Machine (ML Verfahren für Regression und Klassifikation)
- Clusteranalyse (hierarchische / partitionelle Clusteranalyse)
- Logistische Regressionsanalyse – das Logit –Modell
- ANOVA: ein- und mehrfaktorielle Varianzanalyse
- Zeitreihenanalyse (Modellierung von zeitlich geordneten Daten)
- Interpretierbares Machine Learning: Ermittelung der Feature Importance
- Interpretierbares Machine Learning: Surrogate Modelle
- Text Mining (Methoden zum Extrahieren von Informationen aus Texten, sentiment analysis
- Hauptkomponentenanalyse (PCA, Verfahren zur Dimensionsreduktion)
Grundlegendes
- Gruppenarbeit (2-3 Teilnehmer*innen): eigenständige Gruppenorganisation und Terminvereinbarung mit dem Betreuer
- Computergestützte Präsentation:
- Inhalt: Theoretische Ausarbeitung der Methodik sowie Umsetzung mittels der Statistiksoftware R anhand eines selbstständig recherchierten, geeigneten Datensatzes.
- Umfang: ~60 Minuten zzgl. 15 Minuten Diskussionszeit (je Gruppe)
- Bearbeitungsumfang, Schwierigkeitsgrad sowie Präsentation der Inhalte und Ergebnisse sollten möglichst gleichmäßig verteilt werden
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden. Der Besuch der Data Mining Veranstaltung im Sommersemester 2019 wäre wünschenswert. Zudem werden Grundkenntnisse in der Statistiksprache R (alternativ in Python) verlangt, so wie sie bspw. in den Veranstaltungen Statistik I/II vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Breiman, Friedman, Olshen, Stone (1998): Classification and Regression Trees, Chapman & Hall.
- Fahrmeir, Kneib, Lang (2007): Regression - Modelle, Methoden und Anwendungen, Springer.
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC, 3rd edition.
- Rousseeuw, Kaufman (2005): Finding Groups in Data – An Introduction to Cluster Analysis, John Wiley & Sons Inc.
- Wollschläger (2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
- u.v.w. themenbezogene Fachliteratur
Weitere Informationen zu der Lehrveranstaltung
Fachrichtung Lehrveranstaltung | Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 3 SWS |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Titel | Dozent(in) | Ansprechpartner | Zeit | Studium | empfohlenes Semester | Typ |
Seminar Risikomanagement | Prof. Dr. Yarema Okhrin |
Dr. Sebastian Heiden |
- | Bachelor | 5. Semester | Seminar |
Die Veranstaltung findet im WiSe statt.
Bewerbung über Online-Bewerbungstool ||
Auswahl über Motivationsschreiben und Notenspiegel ||
Teilnehmerzahl beschränkt
Die Bewerbungsphase ist abgeschlossen.
Inhalt der Lehrveranstaltung
Im Seminar Risikomanagement bearbeiten Sie im Team innovative Themen an der Schnittstelle zwischen wissenschaftlicher Forschung und Anwendung in der betrieblichen Praxis. Zusätzlich werden u.a. durch die Arbeit in (interdisziplinären) Teams wichtige Soft-Skills vermittelt, welche Sie im beruflichen Alltag jederzeit beherrschen sollten.
Seminarthemen:
Die Themenstellungen stammen aus dem Bereich Risikomanagement und bauen auf die Inhalte der Vorlesung Risikomanagement auf. Eine PDF Datei mit den Themenstellungen wird hier in Kürze veröffentlicht.
Voraussetzungen:
Eine zwingende Voraussetzung zur Teilnahme am Seminar ist die erfolgreiche Teilnahme (= bestanden) an der Bachelorveranstaltung 'Risikomanagement'. Weitere Voraussetzungen für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II (GBM: Mathematik) und Statistik I/II (GBM: Statistik) vermittelt werden sowie Kenntnisse von quantitativen Methoden des Risikomanagements, wie sie in der Bachelorveranstaltung "Risikomanagement" vermittelt werden. Zudem wird die Bereitschaft verlangt, sich, basierend auf den in der Veranstaltung Risikomanagement erworbenen Kenntnissen, weiter in die Statistiksprache R einzuarbeiten, und sich eigenständig mit weiterführender Literatur zu beschäftigen.
Termin und Ablauf
Meilenstein | Termin |
Bewerbungsphase | 5.10.2021 bis 29.10.2021, 12:00 Uhr |
Zu-/Absage | Montag, 1.11.2021 |
Abgabe der Seminararbeit | Mittwoch, 12.01.2022, bis spätestens 12:00 Uhr |
Abschlusspräsentationen | Voraussichtlich in der Woche 17.01.2022 bis 21.01.2022. Zur gegebenen Zeit werden wir bekanntgeben, ob die Präsentationen in Präsenz stattfinden können oder digital stattfinden müssen. |
Title | Lecturer | Room | Time | Course | Recommended semester | Type |
International Finance | Online | t.b.a | Bachelor | 4. semester |
The course is offered in cooperation with the chair of finance and banking and is taught in English.
Prerequisites
A prerequisite for successful participation is thorough mathematical and statistical knowledge, which is taught in courses during the first semesters of every degree in economics or business economics. Furthermore, an essential prerequisite is the willingness to familiarize yourself with the contents of the course and the willingness to independently study the provided resources.
Subject-related competencies
After successfully completing this module, students understand the challenges of international finance and how to make optimal corporate financial decisions concerning investments, financing, and hedging against risks in the international environment.
Methodological competencies
Students are able to use Excel to analyze finance-related data using various quantitative methods. They are able to calculate and interpret statistical measures and to use the multiple linear regression model in different variants for forecasting. They will also be able to use quantitative methods, particularly in the international currency environment, and interpret the results of the methods.
Interdisciplinary competencies
Students are able to apply the knowledge they have acquired in any area of their studies that deal with empirical questions in the field of finance and international economics. Students are able to apply quantitative approaches and models for international finance problems to other empirical and theoretical issues.
Key competencies:
Students are able to interpret relationships in the international financial environment with regard to their statements at different levels. This includes, for example, finding causal relationships in economic systems or assessing the quality of statistics. Students are able to use quantitative tools to manage international financial risks.
Foundations of International Financial Management
- Globalization and the Multinational Firm
- International Monetary Systems
- Balance of Payments
The Foreign Exchange Market, Exchange Rate Determination, and Currency Derivates
- Market for Foreign Exchange
- International Parity Relationships and Forecasting Foreign Exchange Rates
- Futures and Options on Foreign Exchange
Foreign Exchange Exposure and Management
- Measuring, Managing and Hedging of FX Risk
World Financial Markets and Institutions
- International Bond Markets
- International Equity Markets
Financial Management of the Multinational Firm
- International Capital Structure and Cost of Capital
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit Python | Christine Distler | online |
asynchron, jeden Montag 08:15 neues Video |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet online statt.
Für diese Veranstaltung ist eine vorherige Anmeldung notwendig. Der Anmeldezeitraum beginnt Anfang April.
Hinweis: Sie erhalten nach Ende des Bewerbungszeitraums eine E-Mail, ob Sie an der Veranstaltung teilnehmen können. Bei erfolgreicher Bewerbung werden Sie automatisch zum Digicampus-Kurs hinzugefügt.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache Python, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte
- Einführung in die Programmiersprache Python und Jupyter Notebook: Installation, Einrichten virtueller Umgebungen
- Grundlagen in Python: Pakete, Datentypen, Variablen und Ausdrücke, logische Operatoren, Vektoren, Datencontainer
- Kontrollfluss: Bedingungen, Schleifen, Funktionen
- Import und Export von Daten
- Datenaufbereitung und -manipulation mithilfe von NumPy und Pandas
- Univariate und bivariate Statistik: Lage und Streuung, Zusammenhangsmaße, spezielle Verteilungen, Stichprobensimulation, statistische Tests
- Grafische Datenanalyse
- Zeitreihendaten
- Arbeiten mit Texten
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache Python, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in Python werden nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
- Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
- Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
- Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
- McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
- Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit Python - Übung | Christine Distler | online |
Zeit: asynchron, jeden Montag 08:15 neues Video |
Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet online statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
Cutler, J. & Dickenson, M. (2020). Computational Frameworks for Political and Social Research with Python (1st ed.). Springer.
Dörn, S. (2020). Python lernen in abgeschlossenen Lerneinheiten. Programmieren für Einsteiger mit vielen Beispielen. Springer.
Feiks, M. (2019). Empirische Sozialforschung mit Python. Springer.
Schwarz, J. S., Chapman, C. & Feit, E. M. D. (2020). Python for Marketing Research and Analytics. Springer.
McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Ipython. O’Reilly Media.
Unpingco, J. (2016). Python for Probability Statistics, and Machine Learning (1st ed.). Springer.
Weitere Informationen zur Lehrveranstaltung
Siehe Modulhandbuch des jeweiligen Studiengangs (falls einbringbar).
Lehrveranstaltungen und Seminare - SoSe 2021
Title | lecturer | room | time | Course | recommended semester | type |
Corporate Finance II: Portfolio Choice and Capital Structure (Erasmus) |
Dr. Martin Rohleder, Eugen Heine |
online | t.b.a. | Bachelor | 4. Semester (ERASMUS) | Vorlesung |
Information
The following courses are intended exclusively for incoming students at the University of Augsburg. Students who are not enrolled as exchange students at the Univerity of Augsburg cannot attend these courses.
The course is planned in an asynchronous format with an opportunity for questions during question and answer sessions. The course is offered in cooperation with the chair of finance and banking and is taught in English.
Description
In the first part of this course, students will get the intuition for understanding risk and return. It also explains the distinction between diversifiable and systematic risk. On this basis, students will get to know models for optimal portfolio choice, capital asset pricing and calculating the cost of capital. Further, students will examine the role of behavioral finance and relate investor behavior to the topic of market efficiency and alternative models of risk and return. In the second part of this course, students will learn how a firm should raise the funds it needs to undertake its investments and the firm's resulting capital structure. Students will focus on examining how the choice of capital structure affects the value of the firm in the perfect world and with frictions such as taxes and agency issues. Finally, students will learn to determine the optimal payout policy. After the course, students will be able to evaluate the risks and costs associated with a firm's business and determine the firm's optimal capital structure.
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit R | Ellena Nachbar | online |
asynchron, jeden Mittwoch 08:15 neues Video |
Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet digital statt!
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache R, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte:
- Grundlagen der Programmierung mit R (Anweisungen, Schleifen, Funktionen, Objekte)
- Statistik mit R (deskriptive und induktive Statistik)
- Datenimport/Datenexport
- Data Preparation (fehlende Werte, Ausreißer, Datenfusion, ...)
- Fortgeschrittene Visualisierungsmöglichkeiten
- Effektives Datenmanagement
- Zeitreihen in R
- Arbeiten mit Texten in R
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache R, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in der Statistiksprache R sind vorteilhaft, werden aber nicht vorausgesetzt.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit R Übung | Ellena Nachbar | online |
asynchron, jeden Dienstag 08:15 neues Video |
Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollten von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc.
- URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Modulhandbuchs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining |
Ansprechpartner: |
online | t.b.a. | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data-Mining Methoden zusammengefasst werden. Man betrachtet hier nicht eine Variable bzw. eine Charakteristik isoliert, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. zur Suche nach Strukturen und Besonderheiten in den Daten. Für die praktische Anwendung der erlernten Methoden wird die Statistiksoftware R genutzt.
- Grundlagen und Ziele
- Multiple lineare Regressionsanalyse
- Regressionsbäume
- Künstliche Neuronale Netze
- Netzwerkdaten
- Clusteranalyse
- Logistische Regressionsanalyse
- u.w.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Prüfung |
t.b.a. |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung |
t.b.a. |
Semester | SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining Übung | Jonathan Pfahler | online | t.b.a. | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Die erste(n) Übungsstunde(n) sollen eine Einführung zum Arbeiten mit der in der Vorlesung und Übung verwendeten Statistiksoftware R geben. Anschließend wird im Rahmen der Saalübungen anhand ausgewählter Beispieldaten vorlesungsbegleitend in die Anwendung / Auswertung (Umsetzung mit R) und Interpretation (Output) der behandelten Data Mining Methoden (Regression, Clustering, Klassifikation, etc.) eingeführt. Zudem wird eine begleitete PC-Übung (freiwilliges Zusatzangebot) zur eigenständigen, computergestützten Umsetzung der einzelnen Methoden anhand verschiedener Datensätze und Fragestellungen angeboten.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner, (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Semester | SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science, Decision Science und Artificial Intelligence |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
online |
Blockveranstaltung (Live-Fragerunde, Datum t.b.a) || Abgabe der Präsentationen und Videos bis 18.05.2021, 12:00 Uhr |
Master | 2. Semester | Projekt |
Die Veranstaltung findet im SoSe statt.
Themen und allgemeine Informationen zur Veranstaltung
Bewerbung (präferiert im Zweierteam) bis 28.02.2021 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Bewerbungsmodalitäten
- Bewerbung ab sofort bis spätestens 28.02.2021 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich daher über das obig verknüpfte Bewerbertool bewerben
- Zusätzlich zur Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an karin.wuensch@wiwi.uni-augsburg.de geschickt werden
- Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits ab März, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Masterstudenten ein mediengestützter Vortrag, welcher als Video aufgezeichnet und eingesendet werden muss
- Dauer: 25 Minuten je Teampartner, d.h. insgesamt 50 Minuten + 15 Minuten Live-Fragerunde
- Abgabe der Präsentationen in der endgültigen Version digital bis 18.05.2021
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung sind oben verlinkt.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Master |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Portfolioprüfung |
Turnus des Prüfungsangebots |
SoSe 2021 |
Dauer der Prüfung | je Zweierteam 50 min. + Diskussion |
Begleitende Lehrveranstaltung(en) | 5256 |
Semester |
SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science and Decision Science |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
online |
Blockveranstaltung || Abgabe der Präsentationen + Videos (+ggf. schriftliche Ausarbeitung) bis 18.05.2021, 12:00 Uhr |
Bachelor | ab 2. Semester | Projektstudium bzw. Clusterseminar |
Die Veranstaltung findet im SoSe statt.
Bewerbung (präferiert im Zweierteam) bis 28.02.2021 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität.
Themen und allgemeine Informationen zur Veranstaltung
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Bewerbungsmodalitäten
- Bewerbung ab sofort bis spätestens 28.02.2021 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss sich über das obige Bewerbertool bewerben.
- Neben der Bewerbung über das Bewerbungstool muss innerhalb der Bewerbungsfrist ein Studis-Auszug an karin.wuensch@wiwi.uni-augsburg.de geschickt werden
- Bewerbungen ohne Studis-Auszug werden nicht berücksichtigt
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits ab März, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Bachelorstudenten ein mediengestützter Vortrag (+eine schriftliche Ausarbeitung, falls die Veranstaltung als „Cluster-Seminar“ Finance bzw. „Cluster-Seminar“ Operations eingebracht werden soll), welcher auf Video aufgezeichnet und eingeschickt werden muss
- Dauer: 25 Minuten je Teampartner, d.h. insgesamt 50 Minuten + 15 Minuten Live-Fragerunde
- Abgabe der Präsentationen & Videos und ggf. schriftliche Ausarbeitung in der endgültigen Version digital bis 18.05.2021, 12:00 Uhr
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung finden Sie oben.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Bachelor |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Portfolioprüfung |
Turnus des Prüfungsangebots |
SoSe |
Dauer der Prüfung | je Zweierteam 50 min. + Diskussion |
Begleitende Lehrveranstaltung(en) | 5256 |
Semester |
SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Risikomanagement | Dr. Sebastian Heiden | online | Donnerstags | Bachelor | 4/6.Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Vorlesungstermine:
- Siehe Digicampus, Folien zu „Organisatorisches“
Übungstermine:
- Siehe Digicampus, Folien zu „Organisatorisches“
Inhalte:
Die Veranstaltung beschäftigt sich mit verschiedenen Aspekten des Risikomanagements und wendet diese auf Basis von empirischen Daten mit der Statistiksprache R an.
Die erfolgreiche Teilnahme an der Vorlesung Risikomanagement ist eine essentielle Voraussetzung für die Teilnahme am Seminar Risikomanagement im Wintersemester!
Geplante Themen in der Vorlesung:
- Klassifizierung von Risikoarten und Notwendigkeit für Risikomessung und Regulierung
- Stylized Facts von univariaten und multivariaten Kapitalmarktrenditen und Modellierung durch Risikomaße
- Anforderungen an Risikomaße und Axiome
- Eigenschaften von Risikomaßen und einfache Risikomaße
- Fortgeschrittene Risikomaße
- Quantifizierung verschiedener Risikomaße
- Backtesting von Risikomaßen
- Prognosen für Risikomaße
- Risikoreduktion durch Portfoliobildung und Optimierung
- Aggregierte Risikomaße: marginaler Value-at-Risk und Komponenten Value-at-Risk
- Abbildung von Asymmetrie multivariater Renditen durch Copulas und Modellierung des VaR
- Weiterführende Themen zu verschiedenen Risikoaspekten
Vorkenntnis für die Lehrveranstaltung
Elementare Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche bspw. in den Veranstaltungen Mathematik I/II und Statistik I/II vermittelt werden sowie generelle Begeisterung für quantitativ-methodische Veranstaltungsinhalte. Die Bereitschaft zur kontinuierlichen, langfristigen gedanklichen Auseinandersetzung und Vor- und Nachbereitung der Veranstaltungsinhalte ist unerlässlich. Von Vorteil sind Grundlagen in der Statistiksprache R, wie sie etwa in der Veranstaltung „Data Analysis with R“ des Lehrstuhls vermittelt werden. Es wird die Bereitschaft erwartet, sich mit der Modellierung der Veranstaltungsinhalte mit der Statistiksprache R tiefgehend zu beschäftigen und sich notwendige Grundlagen hierfür selbständig anzueignen
Literatur zur Lehrveranstaltung
u.a.
- McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative risk management: concepts, techniques and tools-revised edition. Princeton university press.
- Pfaff, B. (2016). Financial risk modelling and portfolio optimization with R. John Wiley & Sons.
- Hofert, M., Frey, R., & McNeil, A. J. (2020). The Quantitative Risk Management Exercise Book.
- Christoffersen, P. (2011). Elements of financial risk management. Academic Press.
- Miller, M. B. (2018). Quantitative financial risk management. John Wiley & Sons.
- Hult, H., Lindskog, F., Hammarlid, O., & Rehn, C. J. (2012). Risk and portfolio analysis: Principles and methods. Springer Science & Business Media.
- Zudem ausgewählte Paper-Publikationen und Unterlagen zur statistischen Programmiersprache R, auf welche in den Vorlesungsunterlagen hingewiesen wird.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
je nach Prüfungsordnung |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Leistungspunkte | siehe die jeweiligen Modulhandbücher |
Bereich | siehe die jeweiligen Modulhandbücher |
Prüfung |
t.b.a. |
Turnus des Prüfungsangebots |
siehe Modulhandbuch |
Dauer der Prüfung | t.b.a. |
Semester | SoSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistics and Finance with Excel | t.b.a. | t.b.a. | Montag | Bachelor | 5. Semester | Vorlesung + Übung |
Die Veranstaltung findet im SoSe und WiSe statt.
Teilnahme nur mit vorheriger Bewerbung!
Bewerbungszeitraum wird noch bekannt gegeben.
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. einfache und multiple lineare Regressionsrechnung
7. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Platzvergabe:
Die Auswahl unter allen Bewerberinnen und Bewerbern erfolgt nicht nach dem first-come, first-served-Prinzip, sondern anhand derer Noten. Dazu müssen im Bewerbungsformular die in den Veranstaltungen Statistik (GBM/ReWi) oder Statistik I sowie Statistik II erzielten Noten angegeben werden.
Nach der Bewerbung für einen Platz bekommen Sie - falls Sie auf Basis ihrer Noten ausgewählt werden - einen Platz angeboten.
Sollten Sie eine Zusage für die Veranstaltung erhalten, sind Sie damit auch für die zugehörige Klausur angemeldet. Eine zusätzliche Anmeldung über STUDIS ist nicht nötig.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung |
t.b.a. |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | t.b.a. |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I |
Ansprechpartner: |
Montag | Bachelor | 2. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet digital statt!
Inhalt der Lehrveranstaltung
Ziel sind der Erwerb sicherer Kenntnisse und die Beherrschung der deskriptiven Statistik und der Wahrscheinlichkeitsrechnung, sowie der Statistiksprache R.
Das gesamte Stoffgebiet der Vorlesungen Statistik I und Statistik II ist für ein modernes Studium der Wirtschaftswissenschaften unverzichtbar. Erfolgreiche Datenanalyse bildet heutzutage die Geschäftsgrundlage zahlreicher Unternehmen. Die Fähigkeit, Datensätze mit Hilfsmitteln wie der Statistiksprache R kompetent zu analysieren ist eine am Arbeitsmarkt auch bei Wirtschaftswissenschaftlern massiv gesuchte Kompetenz.
Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertungsmethoden für ein- und mehrdimensionales Datenmaterial (grafische Darstellungen, Lage- und Streuungsparameter, Konzentrationsmaße; Kontingenztabelle, Korrelations- und Regressionsrechnung)
- Verhältniszahlen und Indexzahlen
Wahrscheinlichkeitsrechnung
- Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren können (ebenfalls klausurrelevant).
Sämltiche Vorlesungsunterlagen werden auf Digicampus bereitsgestellt.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen Kenntnisse, welche in der Veranstaltung Mathematik I vermittelt werden. Das Modul Mathematik II sollte gleichzeitig besucht werden. Ein Mindestmaß an analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Vorlesung, Teilnahme an der Übung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten. Inhalte mit R sind ebenso klausurrelevant.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, Oldenbourg, 18. Aufl., München 2017
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, Oldenbourg, 10. Aufl., München 2017
- Schira, J.: Statistische Methoden der VWL und BWL, Pearson Studium, München 2007
- Fahrmeir, L., Heumann C., Künstler, R., Pigeot, I. und Tutz, G.: Statistik, Springer, 8. Aufl., Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671(aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | t.b.a. |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | t.b.a. |
Zugelassene Hilfsmittel | vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), nicht programmierbarer und nicht grafikfähiger Taschenrechner |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I - Übung |
verschiedene Dozenten |
Dienstag Mittwoch |
Bachelor | 2. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung relevanter Aufgaben, die die Studierenden selbständig vorbereiten sollen und deren Lösungen in den Übungsveranstaltungen dargestellt werden. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben über Digicampus bereitgestellt. Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, Oldenbourg, 8. Aufl. München 2008
im Selbststudium bearbeitet werden.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Beginn der Lehrveranstaltung |
Beginn in der 1. Vorlesungswoche |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | Ü - Übung |
Bereich |
Bachelor: siehe jew. Modulhandbuch |
Semester | jedes SoSe |
Lehrveranstaltungen und Seminare - WiSe 2020/2021
Titel | Dozent | Zeit | Studium | empfohlenes Semester | Typ |
Machine Learning |
Ansprechpartner: |
Montag | Master | 1.-3. Semester | Vorlesung |
Diese Veranstaltung findet digital statt!
Vorraussetzungen
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Modulinhalte
- Supervised learning
- Predictive vs. Explanatory modelling , performance measurement
- Regularization (ridge, lasso, elastic net) and feature engineering
- Tree-based modelling (CART, bagging, random forests)
- NN, recurrent NN and deep learning
- Support vector machines (SVM) and Bayes’s classifiers
- Ensemble methods and super learners (boosting, stacking)
- Interpretable Machine Learning (LIME, Shapley)
- Unsupervised learning
- Clustering and pattern detection
- Advanced clustering techniques
- PCA as a dimension reduction technique
- Basics of Reinforcement learning
- Text Mining
- Basics of Image Processing (recognition) and CNN
Lernziele
Subject-related competencies:
After the successful participation in this module, students have a good understanding of the objectives, tools and potential applications of supervised and unsupervised Machine Learning. The students understand the mathematical and statistical background of the models, can apply the discussed techniques in R and interpret the results correctly. Furthermore, the students understand the key steps of a modelling/learning process, its reasoning and requirements.
Methodological competencies:
The students learn the key approaches to performance measurement of supervised learning techniques with a focus on the separation between explanatory and predictive modelling. The feature engineering for large data sets is discussed on the example of lasso and elasticnet regressions. The students understand and can apply tree-based models such as regression trees, bagging and random forests as well as models stemming from neural networks, such as MLP, recurrent NN and basics of deep learning. The students can solve classification problems using support vector machines and Bayes’ classifiers. Furthermore, ensample models and super learners will be discussed based on the previously learned techniques. Finally, the students become familiar with the most popular ideas and tools of interpretable machine learning, (LIME and Shapley measures). Relying on the methods discussed in the second part of the course the students will be able to apply methods of unsupervised learning for pattern recognition using advanced clustering techniques. The participants can apply and interpret correctly the PCA for the purpose of dimension reduction. From the last part of the module, the students will be familiar with such advanced areas of machine learning for unstructured data as text mining and image processing.
Interdisciplinary competencies:
For practical applications, we use the statistical software R. The students can apply the ML methods to solve practical questions of modelling, forecasting or classification for large data with a focus on applications in business and economics. The students can draw economic conclusions from complex ML models and learn the potential of these methods in practice.
Key competencies:
The students are able to correctly assess data structures, select appropriate modelling methods and apply them using the software R. Furthermore, they are able to present and interpret the results in a conclusive manner.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Wintersemester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | WiSe |
Sprache | Englisch |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ |
Machine Learning Exercises | Jonathan Pfahler | Montag | Master | 1. / 3. Semester | Übung |
Diese Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt!
Grundkenntnisse in der Programmiersprache R sind für diesen Kurs unerlässlich!
Inhalt der Veranstaltung
This course is part of the Machine Learning module alongside the lectures in Machine Learning. Students learn to apply the concepts that have been introduced during the lectures. Besides the practical applicaitons in R inside the jupyter notebook environment, the course contains manual exercises to deepen the understanding of algorithms and concepts.
Vorkenntnisse für die Veranstaltung
The key prerequisite for a successful participation in the course is a good background in mathematical and statistical methods and a basic experience with software R. This is covered by the modules Mathematics I/II and Statistics I/II. A successfully passed Data Mining course (Bachelor) and Econometrics (Master) are of advantage. The willingness to attend the lecture regularly, as well as independent preparation and follow-up of the lectures are necessary.
Literatur
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition
- Efron and Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence and Data Science
- Bishop (2007) Pattern Recognition and Machine Learning
- Goodfellow, Bengio, Courville (2017) Deep Learning
- Molnar (2020) Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Dr. Dominik Schneller |
Montag |
Bachelor | 5. Semester | Vorlesung |
findet im SoSe und WiSe statt.
Diese Veranstaltung findet digital statt!
Für diese Veranstaltung ist in diesem Semester keine vorausgehende Bewerbung notwendig.
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. Einfache und multiple lineare Regressionsrechnung
7. Logistische Regression
8. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Dr. Dominik Schneller |
Montag |
Bachelor | 5. Semester | Übung |
Die Veranstaltung findet im SoSe und WiSe statt.
Diese Veranstaltung findet digital statt!
Für diese Veranstaltung ist in diesem Semester keine vorausgehende Bewerbung notwendig.
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. Einfache und multiple lineare Regressionsrechnung
7. Logistische Regression
8. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | Übung zur Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Ökonometrie |
Ansprechpartner: |
Montag |
Master | 1. Semester | WiSe und SoSe |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt!
Inhalt der Lehrveranstaltung
- Multiple lineare Regression (Parameterschätzung, Beurteilung der Modellgüte und Interpretation der Ergebnisse)
- Prüfen der Modellprämissen (Heteroskedastizität, Autokorrelation, ...)
- Modellierung binärer und nominaler Daten
- Anwendung der ökonometrischen Modellierungsmethoden unter Verwendung der statistischen Programmiersprache R.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen und mathematischen Kenntnisse, welche in den Veranstaltungen Statistik I und II sowie Mathematik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten.
Literatur zur Lehrveranstaltung
- Cameron A.C, und Trivedi P.K "Microeconometrics: theory and methods", Cambridge University Press
- Greene W.H. "Econometric Analysis", Pearson
- Gujarati, D., Basic Econometrics, McGraw-Hill
- Veerbek, M.A., Guide to Modern Econometrics, Wiley
- Wooldridge J.M. "Introductory Econometrics: a modern approach", South Western
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Pflicht |
Semester | WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Ökonometrie - Übung |
Mittwoch Donnerstag |
Master | 1. Semester |
Saalübung PC-Übung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt!
Eine Anmeldung ist nicht erforderlich!
Inhalt der Lehrveranstaltung
Saalübung:
Nach einer allgemeinen Einführung in die Statistiksoftware R, erfolgt die Anwendung der in der Vorlesung vorgestellten statistischen Methoden anhand von Beispieldaten und mittels der Programmiersprache R. Ein Besuch dieser Übung wird dringend empfohlen, da der Inhalt für die Prüfung relevant ist.
PC-Übung:
Die PC-Übung (freiwilliges Zusatzangebot) bietet die Möglichleit die Anwendung ökonometrischer Analysen zu üben, indem Übungsblätter mit ökonometrischen Fragestellungen selbstständig und computergestützt gelöst werden. Für die PC-Übung stehen zwei Termine zur Auswahl.
Die Übungen werden nicht wöchentlich angeboten, sondern bei Bedarf. Die Termine werden zu gegebener Zeit bekannt gegeben.
Literatur zur Lehrveranstaltung
- Everitt, B; Hothorn T.: A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition, 2014.
- Wollschläger, D.: Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, 4. Auflage, Springer, 2017.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Bereich | Master: siehe jew. Modulhandbuch |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Ökonometrie - Offene Sprechstunde | Eugen Heine |
|
wird noch bekannt gegeben | Master | 1. Semester | WiSe und SoSe |
Die Veranstaltung findet im WiSe statt.
Weitere Informationen hierzu finden Sie im DigiCampus.
Inhalt der Lehrveranstaltung
Die offene Sprechstunde bietet allen Teilnehmern der Veranstaltung Ökonometrie die Möglichkeit ihre Fragen zur Vorlesung oder den Übungen zu klären. Die Sprechstunde ist somit nicht als zusätzliche Übungsveranstaltung zu verstehen. Stattdessen steht Ihnen während der Sprechstunde ein Ansprechpartner zu Verfügung, der Sie beim Verständnis des Prüfungsstoffs unterstützt.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Bereich | Zusatzangebot zur Veranstaltung Ökonometrie |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden |
Dienstag |
Bachelor | 5. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt!
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Zur Veranstaltung wird eine Übungsveranstaltung angeboten. Diese findet ebenfalls digital statt und wird im Digicampus zur gestellt. Die behandelten Übungsblätter werden im Digicampus zur Verfügung gestellt. In der Übung werden Inhalte der Vorlesung vertieft und empirisch mit der Statistiksprache R angewendet.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
V - Vorlesung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden |
Freitag |
Bachelor | 5. Semester | Übung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt!
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Zur Veranstaltung wird eine Übungsveranstaltung angeboten. In der Übung werden Inhalte der Vorlesung vertieft und empirisch angewendet. Diese findet ebenfalls digital statt und wird im Digicampus zur Verfügung gestellt. Die behandelten Übungsblätter werden ebenso im Digicampus zur Verfügung gestellt.
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
Übung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik II |
Ansprechpartnerin: |
Montag | Bachelor | 2. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt!
Weitere Informationen hierzu finden Sie im DigiCampus.
Inhalt der Lehrveranstaltung
Ziel sind der Ausbau der in Statistik I (oder vergleichbaren Veranstaltungen) gelegten Grundlagen (sowohl in Statistik als auch in der eigenständigen, empirischen Umsetzung mit Hilfe der Statistiksoftware R) sowie die Vertiefung insbesondere im Bereich der Wahrscheinlichkeitsrechnung. Insbesondere werden die in Statistik I gelegten Grundlagen auch genutzt um den Bereich der induktiven Statistik zu vermitteln.
Wahrscheinlichkeitsrechnung
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
- Gesetz der großen Zahlen und zentraler Grenzwertsatz
Induktive Statistik
- Grundlagen der induktiven Statistik
- Punkt-Schätzung
- Intervall-Schätzung
- Signifikanztests und Gütefunktion
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren und kompetent analysieren können. (ebenfalls klausurrelevant).
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig.
Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in der Veranstaltung Statistik I vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, 18. Auflage, Oldenbourg, München, 2017.
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2017.
- Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G.: Statistik - Der Weg zur Datenanalyse, Springer, Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671 (aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 2. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch des jew. Studiengangs |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte |
5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | 90 min |
Zugelassene Hilfsmittel | Vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), diese muss selbst zur Klausur mitgebracht werden. Nicht programmierbarer und nicht grafikfähiger Taschenrechner. |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik II - Übung | Ellena Nachbar | Wird noch bekannt gegeben. | Bachelor | 2. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt!
Weitere Informationen hierzu finden Sie im DigiCampus.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung von Aufgaben, welche die Studierenden vorbereiten sollen und deren Lösungen in den Übungs-veranstaltungen dargestellt werden. Die selbständigen Lösungsversuche dieser Aufgaben (sowie der Besuch der Vorlesung) bilden die beste Vorbereitung für die (90 Minuten dauernde) Klausur zu Statistik II. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben bereitgestellt (Diese wird rechtzeitig im Laufe des Semesters bereitgestellt werden). Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2016.
im Selbststudium bearbeitet werden.
Darüber hinaus soll ein sicherer Umgang mit der Statistiksprache R vermittelt werden, der eine selbstständige Auseinandersetzung mit der Software voraussetzt.
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik II - R-Sprechstunde |
verschiedene Tutorinnen & Tutoren |
wird noch bekannt gegeben. | Bachelor | 2. Semester | Sprechstunde |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt!
Weitere Informationen hierzu finden Sie im DigiCampus.
Inhalt der Lehrveranstaltung
Die Lösungen der R-Inhalte der Übungsaufgaben der Veranstaltung Statistik II werden in den Übungen dargestellt. Sollte sich darüber hinaus Fragebedarf speziell zu R-Inhalten der Veranstaltung Statistik II ergeben, welcher nicht in der Übung geklärt werden kann, bietet die R-Sprechstunde die Möglichkeit, diese Fragen wöchentlich mit einem Tutor zu diskutieren.
Die Sprechstunde ist somit nicht als zusätzliche Übungsveranstaltung zu verstehen. Stattdessen steht Ihnen während der Sprechstunde ein Ansprechpartner zu Verfügung, der Sie beim Verständnis der R-Elemente der Veranstaltung unterstützt.
Wir bitten darum, dieses Angebot rechtzeitig und bereits frühzeitig im Semester zu nutzen, da erfahrungsgemäß mit Verlauf des Semesters immer mehr Nachfrage aufkommt.
Termin und Ablauf
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 2. Semester |
Fachrichtung Lehrveranstaltung | BWL / VWL |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Bereich | Zusatzangebot zur Veranstaltung Statistik II |
Semester | jedes WiSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Projektstudium Data Mining | Prof. Dr. Yarema Okhrin, Jonathan Pfahler | Mittwoch | Bachelor | 4. Semester | Kurs |
Die Veranstaltung findet im WiSe statt.
Diese Veranstaltung findet digital statt!
Für diese Veranstaltung ist eine vorausgehende Bewerbung notwendig. || Die Veranstaltung ist beschränkt auf max. 30 Teilnehmer. Für diese Veranstaltung ist keine separate Anmeldung im STUDIS notwendig.
Ab sofort können Sie sich bis zum 8.11.2020 mithilfe des Bewerber-Tools für einen Seminarplatz bewerben.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen für den Entscheidungsträger und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data Mining Verfahren zusammengefasst werden. Man betrachtet hierbei nicht eine isolierte Variable bzw. Charakteristik, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. bei der Suche nach Strukturen und Besonderheiten in den Daten.
In Gruppenarbeit sollen die Grundgedanken, Voraussetzungen sowie die Zielsetzung einzelner Data Mining Verfahren herausgearbeitet, die Anwendung anhand eines Praxisbeispiels (Umsetzung mit der Statistiksoftware R) erprobt sowie die Resultate in einer abschließenden computergestützten Präsentation vorgetragen werden. Die Teilnehmer*innen sollen die Grundsätze wissenschaftlichen Arbeitens durch die theoretische als auch empirische Auseinandersetzung mit speziellen Data Mining Verfahren erlernen und zum Erstellen einer prägnanten Präsentation sowie freier Rede beim Vortragen befähigt werden. Wesentliche methodische und empirische Erkenntnisse sollen in einer schriftlichen Ausfertigung zusammengefasst werden.
Themenübersicht
- Tree – Based - Methods (Regressionsbäume, random forests, bagging, boosting)
- Artificial Neural Networks (MLP, LSTM, deep neural networks)
- Support Vector Machine (ML Verfahren für Regression und Klassifikation)
- Clusteranalyse (hierarchische / partitionelle Clusteranalyse)
- Logistische Regressionsanalyse – das Logit –Modell
- ANOVA: ein- und mehrfaktorielle Varianzanalyse
- Zeitreihenanalyse (Modellierung von zeitlich geordneten Daten)
- SIR Modell (Ansatz zur Beschreibung der Ausbreitung von ansteckenden Krankheiten mit Immunitätsbildung)
- Text Mining (Methoden zum Extrahieren von Informationen aus Texten, sentiment analysis)
- Klassifikation (Alternativen zur logistischen Regression: k-nearest neighbour (kNN) und Bayes-Klassifikation)
- Hauptkomponentenanalyse (PCA, Verfahren zur Dimensionsreduktion)
Grundlegendes
- Gruppenarbeit (2-3 Teilnehmer*innen): eigenständige Gruppenorganisation und Terminvereinbarung mit dem Betreuer
- Computergestützte Präsentation:
- Inhalt: Theoretische Ausarbeitung der Methodik sowie Umsetzung mittels der Statistiksoftware R anhand eines selbstständig recherchierten, geeigneten Datensatzes.
- Umfang: ~60 Minuten zzgl. 15 Minuten Diskussionszeit (je Gruppe)
- Bearbeitungsumfang, Schwierigkeitsgrad sowie Präsentation der Inhalte und Ergebnisse sollten möglichst gleichmäßig verteilt werden
- Die Präsentation muss als Videovortrag aufgezeichnet werden. Die Teilnehmer müssen während des Vortrags zu sehen sein. Die Abgabe muss bis zum 31.01.2021, 23:59 Uhr an den Betreuer erfolgen. Neben der Videodatei müssen die Präsentationsfolien als PDF-Datei eingesendet werden.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden. Der Besuch der Data Mining Veranstaltung im Sommersemester 2019 wäre wünschenswert. Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in den Veranstaltungen Statistik I/II vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Breiman, Friedman, Olshen, Stone (1998): Classification and Regression Trees, Chapman & Hall.
- Fahrmeir, Kneib, Lang (2007): Regression - Modelle, Methoden und Anwendungen, Springer.
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC, 3rd edition.
- Rousseeuw, Kaufman (2005): Finding Groups in Data – An Introduction to Cluster Analysis, John Wiley & Sons Inc.
- Wollschläger (2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
- u.v.w. themenbezogene Fachliteratur
Weitere Informationen zu der Lehrveranstaltung
Fachrichtung Lehrveranstaltung | Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 3 SWS |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
t.b.a.
Title | Lecturer | Room | Time | Course | Recommended semester | Type |
International Finance |
Dr. Martin Rohleder Dr. Sebastian Heiden |
Online | t.b.a | Bachelor | 4. semester |
The course is offered in cooperation with the chair of finance and banking and is taught in English.
Prerequisites
A prerequisite for successful participation is thorough mathematical and statistical knowledge, which is taught in courses during the first semesters of every degree in economics or business economics. Furthermore, an essential prerequisite is the willingness to familiarize yourself with the contents of the course and the willingness to independently study the provided resources.
Subject-related competencies
After successfully completing this module, students understand the challenges of international finance and how to make optimal corporate financial decisions concerning investments, financing, and hedging against risks in the international environment.
Methodological competencies
Students are able to use Excel to analyze finance-related data using various quantitative methods. They are able to calculate and interpret statistical measures and to use the multiple linear regression model in different variants for forecasting. They will also be able to use quantitative methods, particularly in the international currency environment, and interpret the results of the methods.
Interdisciplinary competencies
Students are able to apply the knowledge they have acquired in any area of their studies that deal with empirical questions in the field of finance and international economics. Students are able to apply quantitative approaches and models for international finance problems to other empirical and theoretical issues.
Key competencies:
Students are able to interpret relationships in the international financial environment with regard to their statements at different levels. This includes, for example, finding causal relationships in economic systems or assessing the quality of statistics. Students are able to use quantitative tools to manage international financial risks.
Foundations of International Financial Management
- Globalization and the Multinational Firm
- International Monetary Systems
- Balance of Payments
The Foreign Exchange Market, Exchange Rate Determination, and Currency Derivates
- Market for Foreign Exchange
- International Parity Relationships and Forecasting Foreign Exchange Rates
- Futures and Options on Foreign Exchange
Foreign Exchange Exposure and Management
- Measuring, Managing and Hedging of FX Risk
World Financial Markets and Institutions
- International Bond Markets
- International Equity Markets
Financial Management of the Multinational Firm
- International Capital Structure and Cost of Capital
Lehrveranstaltungen und Seminare - SoSe 2020
Titel | Dozent(in) | Raum | Zeit | Studium |
empfohlenes Semester |
Typ |
Data Analysis mit R | Ellena Nachbar | K 1002 | Mittwoch 08:15 - 09:45 | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Teilnahme nur mit vorheriger erfolgreicher Bewerbung!
Bewerbung vom 01.04.2020, 12:00 Uhr bis 15.04.2020, 12:00 Uhr ausschließlich über das Bewerbungstool.
Inhalt der Lehrveranstaltung
Ziel der Veranstaltung ist der selbständige kompetente Umgang mit der Programmiersprache R, der eine zeitgemäße Datenanalyse und -management ermöglicht.
Inhalte:
- Grundlagen der Programmierung mit R (Anweisungen, Schleifen, Funktionen, Objekte)
- Statistik mit R (deskriptive und induktive Statistik)
- Datenimport/Datenexport
- Data Preparation (fehlende Werte, Ausreißer, Datenfusion, ...)
- Fortgeschrittene Visualisierungsmöglichkeiten
- Effektives Datenmanagement
- Zeitreihen in R
- Arbeiten mit Texten in R
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II bzw. Statistik vermittelt werden.
Die Bereitschaft zum regelmäßigen Besuch der Vorlesung und zur eigenständigen Einarbeitung in die Programmiersprache R, sowie die Vor- und Nachbereitung des Stoffes sind notwendig. Vorkenntnisse in der Statistiksprache R sind vorteilhaft, werden aber nicht vorausgesetzt.
Platzvergabe
Die Teilnehmeranzahl für diese Veranstaltung ist begrenzt. Die Auswahl unter allen Bewerberinnen und Bewerbern erfolgt anhand der in den Veranstaltungen Statistik I/II bzw. Statistik erzielten Noten. Eine Bewerbung ist vom 01.04.2020, 12:00 Uhr bis 15.04.2020, 12:00 Uhr möglich.
Sie werden voraussichtlich am 16.04.2020 Informationen darüber erhalten, ob Ihre Bewerbung erfolgreich war.
Klausur
„Die Frage, wie geprüft wird, befindet sich bei allen bayerischen Universitäten derzeit in Klärung. Sobald es hierzu Neuigkeiten gibt, werden diese an zentraler Stelle veröffentlicht.“
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc. URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Studiengangs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Analysis mit R Übung | Ellena Nachbar | online | asynchron, Video ab Dienstag 08:15 | Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Zur Vertiefung und eigenständigen Anwendung der Inhalte der Vorlesung werden Übungsaufgaben gestellt (klausurrelevant!). Diese sollen von den Studierenden im Selbststudium bearbeitet werden, um die Inhalte eigenständig anzuwenden und sich mit dem Stoff der Vorlesung praktisch auseinanderzusetzen. In der Übung können die bereitgestellte Übungsblätter unter Aufsicht bearbeitet werden und die eigenen Lösungsversuche können besprochen werden.
Literatur zur Lehrveranstaltung
- Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media, Inc.
- Dalgaard (2008). Introductory Statistics with R, Springer.
- Ligges (2009). Programmieren mit R, 3. Auflage. Springer.
- Wickham, H., und Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data, O'Reilly Media, Inc.
- URL: http://r4ds.had.co.nz/
- Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.
- Wollschläger (2014, 2017). Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
Weitere Informationen zu der Lehrveranstaltung
Siehe Modulhandbuch des jew. Modulhandbuchs (falls einbringbar).
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining |
Ansprechpartner: |
K 1001 (Andreas Schmid Logistik Hörsaal) |
Dienstag 12:15-13:45 | Bachelor | 4. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data-Mining Methoden zusammengefasst werden. Man betrachtet hier nicht eine Variable bzw. eine Charakteristik isoliert, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. zur Suche nach Strukturen und Besonderheiten in den Daten. Für die praktische Anwendung der erlernten Methoden wird die Statistiksoftware R genutzt.
- Grundlagen und Ziele
- Multiple lineare Regressionsanalyse
- Regressionsbäume
- Künstliche Neuronale Netze
- Netzwerkdaten
- Clusteranalyse
- Logistische Regressionsanalyse
- u.w.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Prüfung |
„Die Frage, wie geprüft wird, befindet sich bei allen bayerischen Universitäten derzeit in Klärung. Sobald es hierzu Neuigkeiten gibt, werden diese an zentraler Stelle veröffentlicht.“ |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung |
t.b.a. |
Semester | SoSe 2020 |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Mining Übung | Dr. Anett Wins |
Saalübung: K 1002, CIP-Pool Übung: CIP 2113 |
Saalübung: Do., 10:00 - 11:30 Uhr; CIP-Pool - Übungsgruppe 1: Do., 12:15 - 13:45 Uhr (14-tägig); CIP - Pool - Übungsgruppe 2: Do., 14:00 - 15:30 Uhr (14-tägig) |
Bachelor | 4. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Die erste(n) Übungsstunde(n) sollen eine Einführung zum Arbeiten mit der in der Vorlesung und Übung verwendeten Statistiksoftware R geben. Anschließend wird im Rahmen der Saalübungen anhand ausgewählter Beispieldaten vorlesungsbegleitend in die Anwendung / Auswertung (Umsetzung mit R) und Interpretation (Output) der behandelten Data Mining Methoden (Regression, Clustering, Klassifikation, etc.) eingeführt. Zudem wird eine begleitete PC-Übung (freiwilliges Zusatzangebot) zur eigenständigen, computergestützten Umsetzung der einzelnen Methoden anhand verschiedener Datensätze und Fragestellungen angeboten.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, Elder, Miner, (2009): Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
- ...
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Ab dem 4. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Semester | SoSe 2020 |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science, Decision Science und Artificial Intelligence |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
Teisendorf (im Berchtesgadener Land): Ederhof Augsburg: Raum wird noch bekanntgegeben |
Blockveranstaltung || Teisendorf: 20.05.-24.05.2020 || Augsburg: Voraussichtlich in der Woche vor /nach Teisendorf, näheres wird rechtzeitig bekanntgegeben || Abgabe der Präsentationen (für Augsburg und Teisendorf) bis spätestens 11.05.2020, 12:00 Uhr |
Master | 2. Semester | Projekt |
Die Veranstaltung findet im SoSe statt.
Bewerbung (präferiert im Zweierteam) bis 29.02.2020 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Das Veranstaltung findet jährlich auf dem Ederhof bei Teisendorf (im Berchtesgadener Land, nahe Traunstein und Waginger See) und in Augsburg statt. Die Teilnahme ist an einem der beiden Orte möglich.
Bewerbungsmodalitäten
- Bewerbung ab sofort bis spätestens 29.02.2020 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss daher neben seiner Excel-Bewerbungsformular während der Bewerbungsfrist einen aktuellen, vollständigen Studis-Auszug per Mail an karin.wuensch@wiwi.uni-augsburg.de schicken.
- Zur Bewerbung verwenden Sie bitte das unten verfügbare Excel-Bewerbungsformular
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits ab März, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Masterstudenten ein mediengestützter Vortrag
- Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + 15 Minuten Diskussion
- Abgabe der Präsentationen in der endgültigen Version digital bis 11.05.2020, 12:00 Uhr (per Email)
- Die Präsentationen werden mit denen am 11.05.2020 abgegebenen Unterlagen gehalten.
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung finden Sie hier
Das Bewerbungsformular, welches zusammen mit einem Studisauszug per Mail eingereicht werden muss ist hierverfügbar
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Master |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Mündliche Prüfung |
Turnus des Prüfungsangebots |
SoSe 2020 |
Dauer der Prüfung | je Zweierteam 60 min. |
Begleitende Lehrveranstaltung(en) | 5256 |
Semester |
SoSe 2020 |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Data Science and Decision Science |
Themenbetreuer sind die Mitarbeiter der Lehrstühle Prof. Dr. Okhrin und Prof. Dr. Krapp Ansprechpartner: |
Teisendorf (im Berchtesgadener Land): Ederhof Augsburg: Raum wird noch bekanntgegeben |
Blockveranstaltung || Teisendorf: 20.05.-24.05.2020 || Augsburg: Voraussichtlich in der Woche vor /nach Teisendorf, näheres wird rechtzeitig bekanntgegeben || Abgabe der Präsentationen (für Augsburg und Teisendorf) bis spätestens 11.05.2020, 12:00 Uhr |
Bachelor | 5. Semester | Projektstudium |
Die Veranstaltung findet im SoSe statt.
Bewerbung (präferiert im Zweierteam) bis 29.02.2020 möglich, die Auswahl der Studierenden für die Veranstaltung erfolgt nach Leistungskriterien und Kapazität
Inhalt der Lehrveranstaltung
Die Veranstaltung hat zum Ziel, Studierende bestmöglich an die Herausforderungen der datengetriebenen Arbeitswelt durch realitätsnahe Projektstudien im Team heranzuführen.
Nach der erfolgreichen Teilnahme an diesem Modul können die Studierenden in wissenschaftlichen Publikationen veröffentlichte quantitative Modelle in ausgewählten Teilaspekten verstehen und kritisch hinterfragen. Sie sind in der Lage, eigenständig Methoden der quantitativen Modellierung u. A. in den Bereichen der Data Science, der Decision Science und der Artificial Intelligence auf ausgewählte Fragestellungen einzusetzen. Zudem sind sie sie in der Lage, empirische Forschungsfragestellungen inhaltlich zu verstehen, zu analysieren und ggf. selbst empirisch nachzuvollziehen. Zudem erlernen die Studierenden das Erstellen eines wissenschaftlichen Vortrags im Team und sind durch erfolgreiche Teilnahme am Projektstudium in der Lage, wissenschaftliche Publikationen zu verstehen und ihre Ergebnisse einem Publikum verständlich zu präsentieren.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind je nach Thema mathematische und/oder statistische Kenntnisse, welche im ersten Studienabschnitt vermittelt werden bzw. die Bereitschaft, sich in die einschlägigen Themengebiete einzuarbeiten.
Literatur zur Lehrveranstaltung
Themenabhängig einschlägige, auch englischsprachige Aufsätze aus wissenschaftlichen Journals.
Das Veranstaltung findet jährlich auf dem Ederhof bei Teisendorf (im Berchtesgadener Land, nahe Traunstein und Waginger See) und in Augsburg statt. Die Teilnahme ist an einem der beiden Orte möglich.
Bewerbungsmodalitäten
- Bewerbung ab sofort bis spätestens 29.02.2020 möglich
- Die Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder Bewerber muss daher neben seiner Excel-Bewerbungsformular während der Bewerbungsfrist einen aktuellen, vollständigen Studis-Auszug per Mail an karin.wuensch@wiwi.uni-augsburg.de schicken.
- Zur Bewerbung verwenden Sie bitte das unten verfügbare Excel-Bewerbungsformular
Prüfungsmodalitäten
- Die Themenvergabe erfolgt bereits ab März, so dass die Projekte bereits in der vorlesungsfreien Zeit bearbeitet werden können und das Semester somit effektiv entlasten
- Je Team von Masterstudenten ein mediengestützter Vortrag
- Dauer: 30 Minuten je Teampartner, d.h. insgesamt 60 Minuten + 15 Minuten Diskussion
- Abgabe der Präsentationen in der endgültigen Version digital bis 11.05.2020, 12:00 Uhr (per Email)
- Die Präsentationen werden mit denen am 11.05.2020 abgegebenen Unterlagen gehalten.
Eine detaillierte Übersicht der angebotenen Vortragsthemen und weitere wichtige Informationen zur Veranstaltung finden Sie hier
Das Bewerbungsformular, welches zusammen mit einem Studisauszug per Mail eingereicht werden muss ist hierverfügbar
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | Master |
Fachrichtung Lehrveranstaltung | verschiedene |
Nummer der Lehrveranstaltung | 5259 |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Leistungspunkte |
siehe jew. Modulhandbuch |
Bereich | siehe jew. Modulhandbuch |
Prüfung | Mündliche Prüfung |
Turnus des Prüfungsangebots |
SoSe 2020 |
Dauer der Prüfung | je Zweierteam 60 min. |
Begleitende Lehrveranstaltung(en) | 5256 |
Semester |
SoSe 2020 |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Risikomanagement | Eugen Heine / Dozent/Innen des Lehrstuhl Prof. Buhl/FIM | siehe Zeit |
Vorlesung: Montags 12:15-13:45 (K: 1001) Übung: Mittwochs 10:00-11:30 (K: 1001). Eventuelle Terminänderungen werden in der Vorlesung kommuniziert |
Bachelor | Vorlesung | SoSe |
Die Veranstaltung findet im SoSe statt.
Inhalt der Lehrveranstaltung
Vorlesungstermine:
- Die Vorlesung findet (bis auf Ausnahmen, welche im jeweiligen Skript des Vorlesungsteils und in der Vorlesung kommuniziert werden) am Montag. 12:15-13:45, Raum K: 1001, statt.
- Vorlesungstermine im Teil des LS Okhrin: 08.06, 15.06, 22.06 , 29.06, 06.07.
Übungstermine:
- Regulär am Mittwoch, 10:00-11:30, Raum K: 1001. Übungstermine: 24.06, 01.07, 08.07
Die Vorlesung Risikomanagement vermittelt Grundlagen des Risikomanagements, die sowohl für Industrieunternehmen als auch für Finanzdienstleister essentiell sind. Bei Führungskräften existieren häufig Unsicherheiten hinsichtlich der Identifikation und Bewertung von sowie dem Umgang mit Risiken. Ziel der Vorlesung Risikomanagement ist es daher, die Studierenden mit dem Thema Unternehmensrisiken vertraut zu machen und in die Denkwelt des Risikomanagements einzuführen.
Im ersten Teil der Veranstaltung werden die Grundlagen des Risikomangements behandelt. Dabei werden zum einen wichtige Begriffsdefinitionen formuliert und anhand des Risikomanagementkreislaufs (Risikoidentifikation, Risikobewertung, Risikosteuerung und Risikoüberwachung) der grundlegende Umgang mit Risiken vorgestellt. Im Anschluss wird auf die verschiedenen Risikoarten (Kreditrisiko, Marktrisiko, operationelles Risiko, Liquiditätsrisiko, strategisches und systemisches Risiko) mittels praxisnahen Methoden und Beispielen eingegangen.
Im zweiten Teil der Veranstaltung werden quantitative Aspekte der Risikomessung untersucht. Populäre Risikomaße werden vorgestellt, dabei wird insbesondere auf die Methoden zur Bestimmung von Value-at-Risk mithilfe verschiedener statistischer Modelle eingegangen. Des Weiteren werden fortgeschrittene Themen wie Backtesting, zeitliche Aggregation und Prognosen besprochen. Außerdem stellt die Problematik der Aggregation der Risiken - wie auch in der Praxis - einen wichtigen Bestandteil des Kurses dar.
Gleichzeitig liefert die Vorlesung Risikomanagement die nötigen inhaltlichen Grundlagen für das Seminar Risikomanagement, das jeweils im Wintersemester angeboten wird. Die erfolgreiche Teilnahme an der Vorlesung Risikomanagement ist eine essentielle Voraussetzung für die Teilnahme am Seminar Risikomanagement im Wintersemester!
Themen:
- Klassifizierung der Risikoarten
- Risikomanagementkreislauf mit Risikoidentifikation, Risikobewertung, Risikosteuerung und Risikoüberwachung
- Risikoarten: Kreditrisiko, Marktrisiko, operationelles Risiko, Liquiditätsrisiko, strategisches und systemisches Risiko
- Eigenschaften von Risikomaßen und einfache Risikomaße
- Fortgeschrittene Risikomaße: abweichungsbasierte Risikomaße, Value-at-Risk, Expected Shortfall
- Bemessungsmethoden für Value-at-Risk
- Backtesting
- Prognosen für Risikomaße
- Aggregierte Risikomaße: marginaler Value-at-Risk und Komponenten Value-at-Risk
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I/II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Der regelmäßige Besuch der vorlesungsbegleitenden Übungen wird stark empfohlen.
Literatur zur Lehrveranstaltung
- McNeil, Alexander. J. / Frey, Rüdiger / Embrechts, Paul (2005): Quantitative Risk Management: Concepts, Techniques and Tools, Princeton, University Presses of Ca
- Wolke, Thomas (2008): Risikomanagement, 2. Aufl., München, Oldenbourg
- Jorion, Philippe (2006): Value at Risk: The New Benchmark for Managing Financial Risk, 3. Aufl., New York, McGraw-Hill Professional
Die Vorlesungsfolien werden im Digicampus zur Verfügung gestellt. Diese stellen aber lediglich die Basis für die eigene Mitschrift dar - relevant für die Klausur sind alle in der Veranstaltung dargestellten Inhalte.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
je nach Prüfungsordnung |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
V - Vorlesung |
Leistungspunkte | siehe die jeweiligen Modulhandbücher |
Bereich | siehe die jeweiligen Modulhandbücher |
Prüfung |
„Die Frage, wie geprüft wird, befindet sich bei allen bayerischen Universitäten derzeit in Klärung. Sobald es hierzu Neuigkeiten gibt, werden diese an zentraler Stelle veröffentlicht.“ |
Turnus des Prüfungsangebots |
siehe Modulhandbuch |
Dauer der Prüfung | t.b.a. |
Semester | SoSe 2020 |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistics and Finance with Excel | Dr. Dominik Schneller | Montag | Bachelor | 5. Semester | Vorlesung + Übung |
Die Veranstaltung findet im SoSe und WiSe statt.
Diese Veranstaltung findet digital statt!
Teilnahme nur mit vorheriger Bewerbung!
Bewerbung vom 30.03.2020, 12:00 Uhr bis 14.04.2020, 12:00 Uhr ausschließlich über das Online-Bewerbungstool.
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. einfache und multiple lineare Regressionsrechnung
7. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Platzvergabe:
Die Auswahl unter allen Bewerberinnen und Bewerbern erfolgt nicht nach dem first-come, first-served-Prinzip, sondern anhand derer Noten. Dazu müssen im Bewerbungsformular die in den Veranstaltungen Statistik (GBM/ReWi) oder Statistik I sowie Statistik II erzielten Noten angegeben werden. Die Bewerbung wird vom 30.03.2020, 12:00 Uhr bis 14.04.2020, 12:00 Uhr möglich sein.
Nach der Bewerbung für einen Platz bekommen Sie - falls Sie auf Basis ihrer Noten ausgewählt werden - einen Platz angeboten. Die Information, ob Sie einen Platz erhalten, werden Sie voraussichtlich bis 16.04.2020 erhalten.
Sollten Sie eine Zusage für die Veranstaltung erhalten, sind Sie damit auch für die zugehörige Klausur angemeldet. Eine zusätzliche Anmeldung über STUDIS ist nicht nötig.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung |
„Die Frage, wie geprüft wird, befindet sich bei allen bayerischen Universitäten derzeit in Klärung. Sobald es hierzu Neuigkeiten gibt, werden diese an zentraler Stelle veröffentlicht.“ |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | t.b.a. |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I |
Ansprechpartner: |
Montag | Bachelor | 2. Semester | Vorlesung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet digital statt!
Inhalt der Lehrveranstaltung
Ziel sind der Erwerb sicherer Kenntnisse und die Beherrschung der deskriptiven Statistik und der Wahrscheinlichkeitsrechnung, sowie der Statistiksprache R.
Das gesamte Stoffgebiet der Vorlesungen Statistik I und Statistik II ist für ein modernes Studium der Wirtschaftswissenschaften unverzichtbar. Erfolgreiche Datenanalyse bildet heutzutage die Geschäftsgrundlage zahlreicher Unternehmen. Die Fähigkeit, Datensätze mit Hilfsmitteln wie der Statistiksprache R kompetent zu analysieren ist eine am Arbeitsmarkt auch bei Wirtschaftswissenschaftlern massiv gesuchte Kompetenz.
Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertungsmethoden für ein- und mehrdimensionales Datenmaterial (grafische Darstellungen, Lage- und Streuungsparameter, Konzentrationsmaße; Kontingenztabelle, Korrelations- und Regressionsrechnung)
- Verhältniszahlen und Indexzahlen
Wahrscheinlichkeitsrechnung
- Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren können (ebenfalls klausurrelevant).
Sämltiche Vorlesungsunterlagen werden auf Digicampus bereitsgestellt.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen Kenntnisse, welche in der Veranstaltung Mathematik I vermittelt werden. Das Modul Mathematik II sollte gleichzeitig besucht werden. Ein Mindestmaß an analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Vorlesung, Teilnahme an der Übung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten. Inhalte mit R sind ebenso klausurrelevant.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, Oldenbourg, 18. Aufl., München 2017
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, Oldenbourg, 10. Aufl., München 2017
- Schira, J.: Statistische Methoden der VWL und BWL, Pearson Studium, München 2007
- Fahrmeir, L., Heumann C., Künstler, R., Pigeot, I. und Tutz, G.: Statistik, Springer, 8. Aufl., Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671(aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | „Die Frage, wie geprüft wird, befindet sich bei allen bayerischen Universitäten derzeit in Klärung. Sobald es hierzu Neuigkeiten gibt, werden diese an zentraler Stelle veröffentlicht.“ |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | t.b.a. |
Zugelassene Hilfsmittel | vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), nicht programmierbarer und nicht grafikfähiger Taschenrechner |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes SoSe |
Titel | Dozent(in) | Zeit | Studium | empfohlenes Semester | Typ | |
Statistik I - Übung |
verschiedene Dozenten |
Dienstag Mittwoch |
Bachelor | 2. Semester | Übung |
Die Veranstaltung findet im SoSe statt.
Diese Veranstaltung findet digital statt!
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung relevanter Aufgaben, die die Studierenden selbständig vorbereiten sollen und deren Lösungen in den Übungsveranstaltungen dargestellt werden. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben über Digicampus bereitgestellt. Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, Oldenbourg, 8. Aufl. München 2008
im Selbststudium bearbeitet werden.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | im 2. Semester |
Fachrichtung Lehrveranstaltung | siehe jew. Modulhandbuch |
Beginn der Lehrveranstaltung |
Beginn in der 1. Vorlesungswoche |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | Ü - Übung |
Bereich |
Bachelor: siehe jew. Modulhandbuch |
Semester | jedes SoSe |
Lehrveranstaltungen und Seminare - WiSe 2019/2020
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistics and Finance with Excel | Dr. Dominik Schneller | 2113 (CIP-Pool) |
3 Gruppen: Montag 10:00-11:30, Montag 12:15-13:45, Montag 14:00-15:30 |
Bachelor | 5. Semester | Vorlesung + Übung |
Die Veranstaltung findet im SoSe und WiSe statt.
Teilnahme nur mit vorheriger Bewerbung!
Inhalt der Lehrveranstaltung
1. Einführung in grundlegende und fortgeschrittene Techniken im Umgang mit Excel
- Formeln und Bezüge, Logikfunktionen, Datumsfunktionen
- mathematische Funktionen, statistische Funktionen, Matrixfunktionen
- Zielwertsuche
- Excel Analysefunktionen
- Solver
2. Deskriptive Statistik
- Grundbegriffe der Datenerhebung
- Auswertung von ein- und mehrdimensionalem Datenmaterial
3. Ausgewählte Verfahren der induktiven Statistik (Intervallschätzung und Signifikanztests)
4. Wahrscheinlichkeitsrechnung
5. Zufallsvariablen und Verteilungen
6. einfache und multiple lineare Regressionsrechnung
7. Dynamische Investitionsrechenverfahren
Ziel ist der selbständige kompetente Umgang mit Excel, der in der Arbeitswelt in allen betriebswirtschaftlichen Berufen unumgänglich ist. Der Student soll die nötigen Tabellenkalkulationskenntnisse erwerben, die für die Auswertung von betriebswirschaftlichen Daten nötig sind. Zusätzlich werden ausgewählte Methoden der Statistik vertieft und erweitert.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden.
Die Bereitschaft zum Erwerb von analytischen Fähigkeiten, die Bereitschaft zum regelmäßigen Besuch der Veranstaltung und eine aktive Teilnahme, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Microsoft Excel Grundkenntnisse erleichtern den Einstieg, sind aber nicht zwingend erforderlich.
Platzvergabe:
Die Auswahl unter allen Bewerberinnen und Bewerbern erfolgt nicht nach dem first-come, first-served-Prinzip, sondern anhand derer Noten. Dazu müssen im Bewerbungsformular die in den Veranstaltungen Statistik (GBM/ReWi) oder Statistik I sowie Statistik II erzielten Noten angegeben werden. Die Bewerbung wird vom 30.03.2020, 12:00 Uhr bis 14.04.2020, 12:00 Uhr möglich sein.
Nach der Bewerbung für einen Platz bekommen Sie - falls Sie auf Basis ihrer Noten ausgewählt werden - einen Platz angeboten. Die Information, ob Sie einen Platz erhalten, werden Sie voraussichtlich bis 16.04.2020 erhalten.
Haben Sie eine Zusage für einen Platz erhalten, behalten Sie diesen Platz endgültig nur dann, falls Sie (oder ein Vertreter mit Vollmacht) zu Beginn der ersten Veranstaltung in der ihnen zugewiesenen Gruppe (!) erscheinen und sich in die Anwesenheitsliste eintragen. Erscheinen Sie nicht in der ersten Veranstaltung, so werden wir Ihren Platz an Bewerber auf der Warteliste weitervergeben. Diese erhalten gegebenenfalls nach der ersten Veranstaltung von uns einen Platz per Mail angeboten.
Literatur zur Lehrveranstaltung
- Anderson, D., Sweeney, D., Williams, T.: Contemporary Business Statistics with Microsoft Excel, 2. Auflage, Mason 2006.
- Bamberg, G., Baur, F., Krapp, M.: Statistik, 17. Auflage, München 2012.
- Fahrmeir, L., Kneib, T., Lang, S.: Regression: Modelle, Methoden und Anwendungen, 2. Auflage, Berlin 2009.
- Formelsammlung Statistik I und II
- Hedderich, J., Sachs, L.: Angewandte Statistik: Methodensammlung mit R, 14. Auflage, Berlin 2011.
- Hill, R., Griffiths, W., Judge, G.: Undergraduate Econometrics, 2. Auflage, New York 2000.
- Perridon, L., Steiner, M., Rathgeber, A.: Finanzwirtschaft der Unternehmung, 16. Auflage, München 2012.
- v. Auer, L.: Ökonometrie: Eine Einführung, 6. Auflage, Berlin 2013.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung | iBWL, GBM (PO 2010), ReWi |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 4/5 |
Bereich | Cluster F&I, L&I, S&I || SB II || sonstige Leistung |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 Minuten |
Prüfungsausschluss | Wer bereits an der Excel-Veranstaltung "Business Data Processing mit Excel" oder "Statistik mit Excel" des Lehrstuhls Okhrin/Bamberg teilgenommen hat, kann die Veranstaltung nicht mehr belegen. |
Semester | WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Ökonometrie |
Ansprechpartner: |
Andreas Schmidt Logistik Hörsaal (K 1001) |
Montag 15:45 - 17:15 |
Master | 1. Semester | WiSe und SoSe |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
- Multiple lineare Regression (Parameterschätzung, Beurteilung der Modellgüte und Interpretation der Ergebnisse)
- Prüfen der Modellprämissen (Heteroskedastizität, Autokorrelation, ...)
- Erweiterungen der multiplen Regression (Panel Daten)
- Modellierung binärer und nominaler Daten
- Anwendung der ökonometrischen Modellierungsmethoden unter Verwendung der statistischen Programmiersprache R.
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die statistischen und mathematischen Kenntnisse, welche in den Veranstaltungen Statistik I und II sowie Mathematik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R einzuarbeiten.
Literatur zur Lehrveranstaltung
- Cameron A.C, und Trivedi P.K "Microeconometrics: theory and methods", Cambridge University Press
- Greene W.H. "Econometric Analysis", Pearson
- Gujarati, D., Basic Econometrics, McGraw-Hill
- Veerbek, M.A., Guide to Modern Econometrics, Wiley
- Wooldridge J.M. "Introductory Econometrics: a modern approach", South Western
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte | 6 |
Bereich | Master: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots | jedes Semester |
Dauer der Prüfung | 60 min |
Lehrveranstaltungspflicht | Pflicht |
Semester | WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Ökonometrie - Offene Sprechstunde | Ellena Nachbar |
J 2322 (Universalraum LS Okhrin) |
Mittwoch 12:15-13:45 (abweichende Termine siehe Details) |
Master | 1. Semester | WiSe und SoSe |
Die Veranstaltung findet im WiSe statt.
Eine Anmeldung ist nicht erforderlich!
Inhalt der Lehrveranstaltung
Die offene Sprechstunde bietet allen Teilnehmern der Veranstaltung Ökonometrie die Möglichkeit ihre Fragen zur Vorlesung oder den Übungen zu klären. Die Sprechstunde ist somit nicht als zusätzliche Übungsveranstaltung zu verstehen. Stattdessen steht Ihnen während der Sprechstunde ein Ansprechpartner zu Verfügung, der Sie beim Verständnis des Prüfungsstoffs unterstützt.
Kommen Sie einfach mit Ihren Fragen vorbei – je früher, desto besser! Eine Anmeldung ist nicht erforderlich.
Abweichende Termine:
- Am 20.11 findet die Sprechstunde von 13:15-14:45 statt.
- Am 18.12 entfällt die offene Sprechstunde.
Hinweis: Die offene Sprechstunde findet bis einschließlich 22.01 statt. Außerdem wird am 12.02 (Mittwoch vor der Klausur) um 12:30-14:00 ein zusätzlicher Termin angeboten.
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Bereich | Zusatzangebot zur Veranstaltung Ökonometrie |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Ökonometrie - Übung |
Andreas Schmidt Logistik Hörsaal (K 1001), CIP 2113 |
Mittwoch 17:30-19:00 Donnerstag 14:00-15:30 (PC Übung 1 - CIP ) Donnerstag 15:45-17:15 (PC Übung 2 - CIP) |
Master | 1. Semester |
Saalübung PC-Übung |
Die Veranstaltung findet im WiSe statt.
Eine Anmeldung ist nicht erforderlich!
Inhalt der Lehrveranstaltung
Saalübung:
Nach einer allgemeinen Einführung in die Statistiksoftware R, erfolgt die Anwendung der in der Vorlesung vorgestellten statistischen Methoden anhand von Beispieldaten und mittels der Programmiersprache R. Ein Besuch dieser Übung wird dringend empfohlen, da der Inhalt für die Prüfung relevant ist.
PC-Übung:
Die PC-Übung (freiwilliges Zusatzangebot) bietet die Möglichleit die Anwendung ökonometrischer Analysen zu üben, indem Übungsblätter mit ökonometrischen Fragestellungen selbstständig und computergestützt gelöst werden. Für die PC-Übung stehen zwei Termine zur Auswahl.
Die Übungen werden nicht wöchentlich angeboten, sondern bei Bedarf. Die Termine werden zu gegebener Zeit bekannt gegeben.
Literatur zur Lehrveranstaltung
- Everitt, B; Hothorn T.: A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition, 2014.
- Wollschläger, D.: Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, 4. Auflage, Springer, 2017.
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch |
Dauer der Lehrveranstaltung |
2 SWS |
Typ der Lehrveranstaltung |
Ü - Übung |
Bereich | Master: siehe jew. Modulhandbuch |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Mathematik der Finanzmärkte | Dr. Sebastian Heiden |
Andreas Schmidt Logistik Hörsaal: (K: 1001), K: 1002 |
Di:10:00-11:30 Fr:12:15-13:45 |
Master | 5. Semester | Vorlesung + Übung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
- Prozesse in diskreter Zeit
- Stochastische Prozesse, insb. Martingale
- Geometrische Brownsche Bewegung
- No-arbitrage und risikoneutrale Bewertung
- Zinsrechnung und Zinsmodelle
- Forwards, Futures und Optionen
- Financial Engineering
- Asset pricing
- Anlageklassen und Portfolio Management
- Investment strategies
Derivate wie Optionen, Forwards oder Futures ermöglichen auf vielfältige Weise das Management von Risiken. Im Rahmen des Kurses werden Modelle zur quantitativen Bewertung und Bepreisung vermittelt, die anhand allgemeiner mathematischen Theorie von einfachen Grundlagen entwickelt werden. Das Ziel des Kurses ist eine Brücke zwischen einer anwendungsorientierten Sicht und der mathematischen Theorie aufzubauen. Dabei wird großer Wert auf die Vermittlung der ökonomischen Intuition zur Analyse finanzmathematischer Problemstellung gelegt. Zudem wird die Bereitschaft verlangt, sich tiefergehend in die Statistiksprache R einzuarbeiten.
Übungstermine
Zur Veranstaltung wird eine Übungsveranstaltung angeboten. Diese findet (nach Vorlesungsfortschritt - Termine der Übung werden per Digicampus kommuniziert) Freitags von 12:15-13:45 in HW 1002 statt. Das Übungsskript wird im Digicampus zur Verfügung gestellt. In der Übung werden die Inhalte der Vorlesung vertieft und empirisch angewendet. Daher wird zu einem Besuch dringend geraten, insbesondere da die Übung dafür vorgesehen ist, Fragen zur Vorlesung zu stellen und diese transparent für alle Veranstaltungsteilnehmer/Innen zu beantworten
Literatur zur Lehrveranstaltung
- Marek Capiński,Tomasz Zastawniak, Mathematics for finance: an introduction to financial engineering, Springer, 2007
- Hansjoerg Albrecher, Andreas Binder, Philipp Mayer, Einführung in die Finanzmathematik, Springer, 2009
- John Hull, Options, futures and other derivatives, Pearson, 2009
- Paul Wilmott, Paul Wilmott introduces quantitative finance, Wiley, 2008
- Nicholas Bingham, Rüdiger Kiesel, Risk-neutral valuation, Springer, 2004
- Edwin Elton, Modern portfolio theory and investment analysis, Wiley, 2011
- Philipp Schönbucher, Credit Derivatives Pricing Models, Wiley, 2006
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | im 5. Semester |
Fachrichtung Lehrveranstaltung |
Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung: |
V - Vorlesung |
Bereich | siehe Modulhandbuch des jew. Studiengangs |
Prüfung | Klausur |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistik II | Prof. Dr. Yarema Okhrin | Sigma Park | Montag 10:00 - 11:30 | Bachelor | 2. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Ziel sind der Ausbau der in Statistik I (oder vergleichbaren Veranstaltungen) gelegten Grundlagen (sowohl in Statistik als auch in der eigenständigen, empirischen Umsetzung mit Hilfe der Statistiksoftware R) sowie die Vertiefung insbesondere im Bereich der Wahrscheinlichkeitsrechnung. Insbesondere werden die in Statistik I gelegten Grundlagen auch genutzt um den Bereich der induktiven Statistik zu vermitteln.
Wahrscheinlichkeitsrechnung
- Zufallsvariablen und Verteilungen
- Verteilungsparameter
- Gesetz der großen Zahlen und zentraler Grenzwertsatz
Induktive Statistik
- Grundlagen der induktiven Statistik
- Punkt-Schätzung
- Intervall-Schätzung
- Signifikanztests und Gütefunktion
Für die praktische Anwendung der in der Veranstaltung präsentierten Methoden wird die Statistiksoftware R genutzt, sodass die Studierenden selbstständige Analysen in R durchführen und Ausgaben der Software interpretieren und kompetent analysieren können. (ebenfalls klausurrelevant).
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffs sind notwendig.
Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in der Veranstaltung Statistik I vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Bamberg, G.; Baur, F., Krapp, M.: Statistik, 18. Auflage, Oldenbourg, München, 2017.
- Bamberg, G.; Baur, F., Krapp, M.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2017.
- Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G.: Statistik - Der Weg zur Datenanalyse, Springer, Berlin 2016
- Dalgaard, P.: Introductory Statistics with R, Springer, New York 2008, URL der Auflage von 2002: http://link.springer.com/book/10.1007%2Fb97671 (aus dem Universitätsnetz verfügbar)
Weitere Informationen zu der Lehrveranstaltung
Empfohlenes Studiensemester der Lehrveranstaltung | ab dem 2. Semester |
Fachrichtung Lehrveranstaltung | siehe Modulhandbuch des jew. Studiengangs |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | V - Vorlesung |
Leistungspunkte |
5 |
Bereich | Bachelor: siehe jew. Modulhandbuch |
Prüfung | Klausur |
Turnus des Prüfungsangebots |
jedes Semester |
Dauer der Prüfung | 90 min |
Zugelassene Hilfsmittel | Vom Lehrstuhl herausgegebene Formelsammlung (ohne eigene Eintragungen!), diese muss selbst zur Klausur mitgebracht werden. Nicht programmierbarer und nicht grafikfähiger Taschenrechner. |
Lehrveranstaltungspflicht | Pflicht |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistik II - Übung |
Verschiedene Dozenten/ Tutoren |
siehe Zeit |
6 Übungsgruppen: Di 08:15-09:45, J 2106 (Alexandra Pop) Di 10:00-11:30, K 1004 (Alexandra Pop) Di 10:00-11:30, K 1003 (Sujin Park) Mi 08:15-09:45, K 1002 (David Lin) Mi 10:00-11:30, K 1004 (Benedikt Decker) Mi 12:15-13:45, J 1109 (David Lin) |
Bachelor | 2. Semester | Vorlesung |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Grundlage der Übungen ist eine Sammlung von Aufgaben, welche die Studierenden vorbereiten sollen und deren Lösungen in den Übungs-veranstaltungen dargestellt werden. Die selbständigen Lösungsversuche dieser Aufgaben (sowie der Besuch der Vorlesung) bilden die beste Vorbereitung für die (90 Minuten dauernde) Klausur zu Statistik II. Die Aufgabensammlung wird von der Stura im Rahmen des Skriptenverkaufs angeboten und ist außerdem über Digicampus verfügbar. Ferner wird eine Sammlung von Musterklausuren inklusive Lösungen zum eigenständigen Üben bereitgestellt (Diese wird rechtzeitig im Laufe des Semesters bereitgestellt werden). Darüber hinaus können weitere Übungsaufgaben auch aus:
- Bamberg, G.; Baur, F.: Statistik-Arbeitsbuch, 10. Auflage, Oldenbourg, München, 2016.
im Selbststudium bearbeitet werden.
Darüber hinaus soll ein sicherer Umgang mit der Statistiksprache R vermittelt werden, der eine selbstständige Auseinandersetzung mit der Software voraussetzt.
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Statistik II - R-Sprechstunde |
David Lin || Raphael Daubner |
J 2322 (Universalraum LS Okhrin) | Montag 14:00-15:30 (Raphael Daubner), Mittwoch 10:00-11:30 (David Lin) | Bachelor | 2. Semester | Sprechstunde |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Die Lösungen der R-Inhalte der Übungsaufgaben der Veranstaltung Statistik II werden in den Übungen dargestellt. Sollte sich darüber hinaus Fragebedarf speziell zu R-Inhalten der Veranstaltung Statistik II ergeben, welcher nicht in der Übung geklärt werden kann, bietet die R-Sprechstunde die Möglichkeit, diese Fragen wöchentlich mit einem Tutor zu diskutieren.
Die Sprechstunde ist somit nicht als zusätzliche Übungsveranstaltung zu verstehen. Stattdessen steht Ihnen während der Sprechstunde ein Ansprechpartner zu Verfügung, der Sie beim Verständnis der R-Elemente der Veranstaltung unterstützt.
Wir bitten darum, dieses Angebot rechtzeitig und bereits frühzeitig im Semester zu nutzen, da erfahrungsgemäß mit Verlauf des Semesters immer mehr Nachfrage aufkommt.
Auch Studierende, welche sich im Wintersemester 2019/20 auf die die Wiederholungsklausur Statistik I vorbereiten und Fragen zur R-Inhalten haben, können die R-Sprechstunden gerne besuchen!
Termin und Ablauf
Empfohlenes Studiensemester der Lehrveranstaltung |
ab dem 2. Semester |
Fachrichtung Lehrveranstaltung | BWL / VWL |
Dauer der Lehrveranstaltung | 2 SWS |
Typ der Lehrveranstaltung | K - Kurs |
Bereich | Zusatzangebot zur Veranstaltung Statistik II |
Semester | jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Seminar Finanzmarktökonometrie | - | - | Master | 1. Semester | Seminar |
Die Veranstaltung findet im WiSe statt.
Inhalt der Lehrveranstaltung
Es werden Themen aus den folgenden Gebieten der Finanzmarktökonometrie angeboten:
- Moderne Aspekte des Risikomanagements
- Stilisierte Fakten über die Aktienrenditen
- Modellierung der Abhängigkeiten
- Simulationen für die Finanzmarktmodelle
- Stochastische Prozesse in stetiger Zeit
- Prognosemethoden und Vergleiche
Im Rahmen des Seminars werden die Teilnehmer in kleinen Gruppen ein aktuelles Gebiet der Finanzmarktökonometrie anhand der vorgeschlagenen Literatur und weiteren wissenschaftlichen Artikeln erforschen und mit Hilfe realer Daten umsetzen. Es sind sowohl direkte Gruppenbewerbungen als auch Einzelbewerbungen möglich. Einzelbewerber, welche eine Zusage für das Seminar erhalten haben, werden zu passenden Gruppen zusammengefügt. Die Leistungserbringung erfolgt im Verfassen einer schriftlichen Arbeit. Die Auswahl unter den Bewerbern erfolgt auf Basis von Leistungskriterien.
Die Bewerbung ist in dem Zeitraum 21.10-30.10 per E-Mail an Eugen Ivanov möglich. Sie sollen folgende Informationen bei der Bewerbung mitschicken:
- Studis-Auszug des Bachelor und des Masterstudiums
- Ranking der Präferenz der Themen (in der Form Thema 1 > Thema 3 > Thema 2)
- Angabe, mit welchen Teampartnern Sie sich zusammen um ein Thema bewerben
Vorkenntnis für die Veranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind die mathematischen und statistischen Kenntnisse, welche in den Veranstaltungen Mathematik I/II und Statistik I/II vermittelt werden.
Vorkenntnisse und/oder die Bereitschaft sich tiefergehend in die Statistik-Programmiersprache R einzuarbeiten sind elementar für das Seminar.
Literatur zur Lehrveranstaltung
- McNeil, A., Frey, R. und P. Embrechts, 2005, Quantitative Risk Management
- Mills, T. und R. Markellos, 2008, The econometric modelling of financial time series, Cambridge University Press
- Tsay, R., 2005, Analysis of Financial Time Series, John Wiley & Sons
- Taylor, S.J., 2005, Asset prices, dynamics, volatility and prediction, Princeton University Press
- Schmid, T. und M. Trede, 2005, Finanzmarktstatistik, Springer
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | ab dem 1. Semester |
Fachrichtung Lehrveranstaltung | Master: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 4 SWS |
Typ der Lehrveranstaltung | S - Seminar |
Leistungspunkte |
6 |
Bereich | siehe Modulhandbuch |
Prüfung | Hausarbeit |
Dauer der Prüfung | Abgabe der Seminararbeiten bis spätestens 30.01.2020 |
Prüfungsausschluss | Das Seminar kann nur einmal belegt werden. |
Lehrveranstaltungspflicht | Wahlpflicht |
Semester |
jedes WiSe |
Titel | Dozent(in) | Raum | Zeit | Studium | empfohlenes Semester | Typ |
Projektstudium Data Mining | Prof. Dr. Yarema Okhrin Dr. Anett Wins | Geb. J, Seminarraum | Mi 12:15-13:45 (abweichende Termine siehe Details) | Bachelor | 4. Semester | Kurs |
Die Veranstaltung findet im WiSe statt.
Bewerbung vom 07.10.2019 bis zum 17.10.2019 per E-Mail (s.u.) || beschränkt auf max. 30 Teilnehmer.
Inhalt der Lehrveranstaltung
Umfangreiche Datenbestände von Unternehmen beinhalten wichtige Informationen für den Entscheidungsträger und erfordern die Anwendung anspruchsvoller statistischer und mathematischer Verfahren, die unter Data Mining Verfahren zusammengefasst werden. Man betrachtet hierbei nicht eine isolierte Variable bzw. Charakteristik, sondern das Zusammenwirken mehrerer Variablen zugleich, ihre Abhängigkeitsstruktur. Die Methoden werden zur explorativen Datenanalyse verwendet, z.B. bei der Suche nach Strukturen und Besonderheiten in den Daten.
In Gruppenarbeit sollen die Grundgedanken, Voraussetzungen sowie die Zielsetzung einzelner Data Mining Verfahren herausgearbeitet, die Anwendung anhand eines Praxisbeispiels (Umsetzung mit der Statistiksoftware R) erprobt sowie die Resultate in einer abschließenden computergestützten Präsentation vorgetragen werden. Die Teilnehmer*innen sollen die Grundsätze wissenschaftlichen Arbeitens durch die theoretische als auch empirische Auseinandersetzung mit speziellen Data Mining Verfahren erlernen und zum Erstellen einer prägnanten Präsentation sowie freier Rede beim Vortragen befähigt werden. Wesentliche methodische und empirische Erkenntnisse sollen in einer schriftlichen Ausfertigung zusammengefasst werden.
Themenübersicht
1. Logistische Regressionsanalyse – das Logit -Modell
2. ANOVA: ein- und mehrfaktorielle Varianzanalyse
3. Clusteranalyse I – hierarchische Clusteranalyse
4. Clusteranalyse II – partitionierende Clusteranalyse (k-Means, PAM)
5. Hauptkomponentenanalyse (PCA)
6. Zeitreihenanalyse – Analyse von Longitudinaldaten
7. Künstliche Neuronale Netze – überwachtes Lernen in vorwärts gerichteten Netzen
8. Entscheidungsbäume – rekursive Partitionierung mittels CART-Algorithmus
9. Frequent Pattern Mining – eine Warenkorbanalyse
10. Textmining
Anmeldemodalitäten
Anmeldung vom 07.10.2019 bis zum 17.10.2019 an anett.wins@wiwi.uni-augsburg.de unter Angabe von:
- Name, Vorname:*
- Matrikelnummer:*
- Studienfach:*
- Fachsemester:*
- Themenpräferenz (1. – 3. Präferenz)
- ggfl. „Wunschpartner“ (1-2)
Grundlegendes
- Gruppenarbeit (2-3 Teilnehmer*innen): eigenständige Gruppenorganisation und Terminvereinbarung mit dem Betreuer
- Computergestützte Präsentation:
- Inhalt: Theoretische Ausarbeitung der Methodik sowie Umsetzung mittels der Statistiksoftware R anhand eines selbstständig recherchierten, geeigneten Datensatzes.
- Umfang: ~60 Minuten zzgl. 15 Minuten Diskussionszeit (je Gruppe)
- Bearbeitungsumfang, Schwierigkeitsgrad sowie Präsentation der Inhalte und Ergebnisse sollten möglichst gleichmäßig verteilt werden
Vorkenntnis für die Lehrveranstaltung
Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I/II vermittelt werden. Der Besuch der Data Mining Veranstaltung im Sommersemester 2019 wäre wünschenswert. Zudem werden Grundkenntnisse in der Statistiksprache R verlangt, so wie sie bspw. in den Veranstaltungen Statistik I/II vermittelt werden und die Bereitschaft, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Literatur zur Lehrveranstaltung
- Breiman, Friedman, Olshen, Stone (1998): Classification and Regression Trees, Chapman & Hall.
- Fahrmeir, Kneib, Lang (2007): Regression - Modelle, Methoden und Anwendungen, Springer.
- James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014): A Handbook of Statistical Analyses using R, Chapman and Hall/CRC, 3rd edition.
- Rousseeuw, Kaufman (2005): Finding Groups in Data – An Introduction to Cluster Analysis, John Wiley & Sons Inc.
- Wollschläger (2017): Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung, Springer.
- u.v.w. themenbezogene Fachliteratur
Weitere Informationen zu der Lehrveranstaltung
empfohlenes Studiensemester der Lehrveranstaltung | ab dem 4. Semester |
Fachrichtung Lehrveranstaltung | Bachelor: siehe Modulhandbuch ihres Studiengangs (falls einbringbar) |
Dauer der Lehrveranstaltung | 3 SWS |
Typ der Lehrveranstaltung |
K - Kurs |
Dauer der Prüfung | 60 Minuten |
Lehrveranstaltungspflicht |
Wahlpflicht |
Semester | WiSe 2019/20 |
Titel | Dozent(in) | Ansprechpartner | Zeit | Studium | empfohlenes Semester | Typ |
Seminar Risikomanagement | Prof. Dr. Yarema Okhrin Prof. Dr. Hans Ulrich Buhl |
Christian Ritter, |
- | Bachelor | 5. Semester | Seminar |
Die Veranstaltung findet im WiSe statt.
Bewerbung über Online-Bewerbungstool ||
Auswahl über Motivationsschreiben und Notenspiegel ||
Teilnehmerzahl beschränkt
Inhalt der Lehrveranstaltung
Im Seminar Risikomanagement bearbeiten Sie im Team innovative, Themen an der Schnittstelle zwischen wissenschaftlicher Forschung und Anwendung in der betrieblichen Praxis. Zusätzlich werden u.a. durch die Arbeit in (interdisziplinären) Teams wichtige Soft-Skills vermittelt, welche Sie im beruflichen Alltag jederzeit beherrschen sollten.
Seminarthemen:
Die Themenstellungen stammen aus dem Bereich Ertrags- und Risikomanagement und bauen auf die Inhalte der Vorlesung Risikomanagement auf. Eine Datei mit den Seminarthemen der Lehrstühle Buhl und Okhrin finden Sie zu Beginn des Bewerbungszeitraums hier.
Termin und Ablauf
Termin | Datum |
Bewerbungsphase | 07.10.19 - 21.10.19 |
Zu-/Absage | Bis 22.10.2019 |
Abgabe der Seminararbeit | Spätestens bis 20.12.2019, 12:00 Uhr (Abgabe einer elektronischen Version der Arbeit (schriftliche Arbeit, Daten sowie sämtliche kommentierte Programmcodes in einer Zip-Datei) an den Betreuer per Mail und zusätzlich Abgabe einer identischen schriftlichen Arbeit in den Briefkasten des jeweiligen betreuenden Lehrstuhls). |