Mehrziel-Evolution für die Portfolio-Optimierung eines Robo-Advisors
Übersicht
Worum es bei diesem Projekt geht.
Du bekommst 5 Jahre tägliche Schlusskurse von 200 ETFs (Exchange Traded Funds), die Anlage-Universum-Regeln des Startups (z. B. UCITS-konform) und das Markowitz-Baseline-Ergebnis als Referenz. Implementiere NSGA-II mit reeller Kodierung der Portfolio-Gewichte und Cardinality-Constraints (höchstens 30 Positionen). Vergleiche die Pareto-Front mit der Markowitz-Effizienzfront. Liefere Code, einen Pareto-Plot und ein Memo, das erklärt, wo Mehrziel-Evolution Markowitz konkret zugewinnt.
Das Briefing
Was Du tust und was Du zeigst.
Liefere mit NSGA-II eine Pareto-Front zwischen Rendite und Volatilität für das Robo-Advisor-Universum und identifiziere, wo Mehrziel-Evolution Markowitz schlägt.
Earning criteria — what you'll demonstrate
- Mehrziel-Optimierung per NSGA-II in einem realen Finanzproblem anwenden
- Cardinality-Constraints in evolutionärer Optimierung sauber abbilden
- Pareto-Fronten verschiedener Verfahren statistisch vergleichen
- Trade-offs in einer Anlage-Argumentation für Kundinnen aufbereiten
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenAngewandte:r KI-Wissenschaftler:in
Mehrziel-Evolution gegen einen klassischen Quant-Baseline-Solver in einem Robo-Advisor-Kontext zu vergleichen ist exemplarische angewandte KI-Arbeit im Fintech-Bereich.
Dieses Projekt schärft
- nsga-ii
- multi-objective-optimization
- portfolio-optimization
Data Scientist
Eine saubere Backtesting-Methodik mit Holdout und ehrlicher Diskussion ist Kernkompetenz für Data Scientists in Quant-Teams.
Dieses Projekt schärft
- python
- portfolio-optimization
- benchmarking
ML-Forscher:in
Mehrziel-evolutionäre Verfahren sauber zu benchmarken und in einem Memo zu kondensieren entspricht typischer Forschungspraxis in angewandten KI-Laboren der Finanzindustrie.
Dieses Projekt schärft
- evolutionary-algorithms
- nsga-ii
- multi-objective-optimization
Noch eine Sache