Universität Wien

040514 UE Python for Finance II (MA) (2024S)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
VOR-ORT
Di 07.05. 15:00-16:30 PC-Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Untergeschoß

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 35 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Dienstag 14.05. 13:15 - 16:30 PC-Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag 21.05. 13:15 - 16:30 PC-Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag 28.05. 13:15 - 16:30 PC-Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag 04.06. 13:15 - 16:30 PC-Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag 11.06. 13:15 - 16:30 PC-Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag 18.06. 13:15 - 16:30 PC-Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag 25.06. 13:15 - 16:30 PC-Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Untergeschoß

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

The course enables participants to gain further experience in Python and its applications in Finance. It is expected that students have prior knowledge of Python equivalent to the contents of Python for Finance I. Participants get to know and apply methods from machine learning and natural language processing, with a focus on practical applications of these methods. Students learn to gather textual data from different internet sources, clean the data, and process the data to produce quantitative measures that might be relevant for a task (e.g. an investment strategy). Subsequently, this data and other standard finance data sources are used as inputs to machine learning methods. Besides these specific methods, students will also gain further general knowledge with respect to Python programming and managing a programming project.

Art der Leistungskontrolle und erlaubte Hilfsmittel

The grade will be based on homework exercises that participants are expected to present in class, class participation, and a course project in which students apply the methods learnt in the course.

Mindestanforderungen und Beurteilungsmaßstab

60% homework exercises
10% class participation
30% course project

Minimum requirement for a positive grade: a total of 50%.

Prüfungsstoff

All material covered in class.

Literatur

Bird, S., Klein, E., Loper, E., Natural Language Processing with Python, 2019. https://www.nltk.org/book/

Géron, A., Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 1st (2017), 2nd (2019), or 3rd (2022) edition. O'Reilly Media.
or
Géron, A., Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme. 2nd edition (2020). O'Reilly Media.

Raschka, S., Mirjalili, V., Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 2nd (2017) or 3rd (2019) edition. Packt Publishing.
or
Raschka, S., Mirjalili, V., Machine Learning mit Python und Scikit-Learn und TensorFlow : das umfassende Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning, 2. Auflage, 2018, or 3. Auflage, 2021. MITP.
or
Raschka, S., Mirjalili, V., Liu, Y. (H.), Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python. 1st edition (2022). Packt Publishing.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Fr 09.02.2024 18:05