Normalizing-Flow-Modell für Energiepreis-Risiko in einem Energieversorger
Übersicht
Worum es bei diesem Projekt geht.
Trainiere einen Normalizing-Flow auf 3 Jahren Energiepreis-Daten, vergleiche mit GARCH und bewerte Risikokennzahlen – erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie modelliert man Spotpreis-Verteilungen mit Normalizing Flows so, dass Coverage-Tests und Value-at-Risk besser als die GARCH-Baseline sind?
Earning criteria — what you'll demonstrate
- Normalizing Flows verstehen und für bedingte Dichteschätzung einsetzen
- Coverage-Tests und Value-at-Risk als praxisrelevante Metriken anwenden
- Gegen eine starke klassische Baseline (GARCH) fair benchen
- Empfehlungen mit klar abgegrenztem Einsatzbereich formulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Deep Generative Models
Master · Ai Ml
Fit score: 1
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 RollenML Researcher
Normalizing Flows auf reale Finanzmarkt-Daten anzuwenden ist ein seltenes, gefragtes Profil; die Challenge produziert genau diesen Forschungs-Nachweis.
Dieses Projekt schärft
- normalizing-flows
- density-estimation
- conditional-generation
Research Scientist
Bayessche Dichteschätzung und Coverage-Disziplin sind Kerndisziplinen wissenschaftlicher Modellarbeit in Energie- und Finanz-Forschungslaboren.
Dieses Projekt schärft
- density-estimation
- model-evaluation
- risk-modeling
Applied AI Scientist
Eine forschungsnahe Methode in einen Produktiv-Reporting-Prozess zu überführen ist die Brücke, die angewandte KI-Wissenschaftler:innen täglich schlagen.
Dieses Projekt schärft
- normalizing-flows
- risk-modeling
- model-evaluation
Noch eine Sache