Machine Learning für realistische Anlageentscheidungen
Wir konzentrieren uns auf nachvollziehbare Methoden, die im Alltag tatsächlich anwendbar sind – ohne unrealistische Versprechungen.
Modelle trainieren ist der einfache Teil
Die Schwierigkeit liegt nicht darin, ein Modell zum Laufen zu bringen. Algorithmen sind verfügbar, Rechenleistung ist zugänglich. Die eigentliche Herausforderung besteht darin, zu erkennen, wann ein Modell tatsächlich etwas Verwertbares liefert und wann es lediglich Muster in historischen Daten findet, die morgen nicht mehr gelten.
Unsere Workshops beginnen genau dort: bei der kritischen Betrachtung von Datenqualität, der Validierung von Annahmen und der realistischen Bewertung dessen, was Machine Learning im Kontext von Finanzmärkten leisten kann. Erwarten Sie keine Wunderwaffen, sondern durchdachte Werkzeuge.
Wir zeigen, wie man Overfitting erkennt, welche Metriken tatsächlich aussagekräftig sind und wo die Grenzen algorithmischer Vorhersagen liegen. Das klingt weniger spektakulär als übliche Versprechen – ist aber deutlich nützlicher, wenn Sie mit echtem Kapital arbeiten.
Strukturierte Datenvorbereitung und Feature Engineering
Die meiste Arbeit passiert, bevor ein Modell überhaupt trainiert wird. Wir behandeln die Bereinigung von Zeitreihendaten, das Konstruieren von Features aus Preisbewegungen und Volumeninformationen sowie die Behandlung fehlender Werte. Diese Phase entscheidet über Erfolg oder Misserfolg – nicht die Wahl des Algorithmus.
Backtesting ohne Selbstbetrug
Look-ahead Bias und Survivorship Bias zerstören mehr Strategien als schlechte Modelle. Wir zeigen, wie man historische Tests so aufbaut, dass sie tatsächlich realistische Ergebnisse liefern.
Risikomanagement in der Praxis
Ein Modell kann Preisrichtungen mit 60% Genauigkeit vorhersagen und trotzdem Geld verlieren. Position Sizing, Stop-Loss-Logik und Portfoliodiversifikation sind mindestens so wichtig wie Vorhersagegenauigkeit.
Realistische Erwartungen setzen
Machine Learning ist kein Ersatz für Marktverständnis. Es ist ein Werkzeug, das gut informierte Entscheidungen unterstützen kann – wenn man seine Grenzen kennt und respektiert.
Was unterscheidet unsere Herangehensweise?
Wir arbeiten mit echten Daten aus realen Märkten, nicht mit bereinigten akademischen Beispielen. Das bedeutet: unvollständige Zeitreihen, inkonsistente Formate, extreme Ausreißer. Genau die Probleme, die Sie später ohnehin lösen müssen. Der Unterschied liegt im Detailgrad.
Sie lernen, wie man Modelle debuggt, wenn sie sich unerwartet verhalten. Wie man Hyperparameter systematisch optimiert, ohne sich in endlosen Experimenten zu verlieren. Und vor allem: wie man erkennt, wann ein vielversprechendes Ergebnis auf einem Fehler basiert.
Häufige Fragen zu unseren Workshops
Sie sollten Python auf einem grundlegenden Niveau beherrschen und mit Pandas vertraut sein. Statistische Grundkenntnisse sind hilfreich, aber nicht zwingend erforderlich. Wir gehen davon aus, dass Sie verstehen, was eine Regression ist und wie man Datensätze lädt – den Rest bauen wir schrittweise auf.
Rechnen Sie mit etwa 6 bis 8 Stunden pro Woche für Übungen und Experimente. Die meiste Zeit investieren Sie in das Debuggen Ihrer eigenen Implementierungen – das ist bewusst so gestaltet, weil Sie dadurch am meisten lernen. Schnelle Lösungen gibt es nicht.
Nein. Wir vermitteln Methoden und Werkzeuge, keine schlüsselfertigen Strategien. Jeder Markt, jedes Asset und jeder Zeithorizont erfordert angepasste Ansätze. Sie lernen, wie man diese selbst entwickelt und validiert – das ist deutlich wertvoller als eine Strategie, die bei jedem anderen Teilnehmer ebenfalls läuft.
Ja, wir bieten ein Forum für technische Fragen und Code-Reviews. Die Antwortzeiten liegen typischerweise bei 24 bis 48 Stunden. Erwarten Sie keine sofortigen Lösungen – oft ist der Prozess, ein Problem selbst zu analysieren, der wertvollste Teil des Lernens.