Volatilitätsprognose für FX-Hedging eines DAX-Zulieferers
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst tägliche Schlusskurse für EUR/USD der letzten zehn Jahre, implizite Volatilitäten aus dem Optionsmarkt sowie einen makroökonomischen Datensatz (Zinsentscheidungen, Konsumentenpreisindex der Eurozone und der USA). Trainiere mindestens drei Modelle zur Volatilitätsprognose über einen Horizont von fünf Handelstagen: ein GARCH(1,1)-Modell (Generalized Autoregressive Conditional Heteroskedasticity — ein klassisches Volatilitätsmodell), ein LSTM-Modell (Long Short-Term Memory — eine rekurrente neuronale Netzarchitektur für Zeitreihen) und ein Gradient-Boosting-Modell (XGBoost). Bewerte alle Modelle mit Walk-Forward-Validierung (rollierende Trainings-/Testfenster) und berichte den mittleren absoluten prozentualen Fehler (MAPE). Das beste Modell soll als API-fähiges Python-Skript ausgeliefert werden, das eine Treasury-Empfehlung in der Form 'erhöhen / halten / reduzieren' ausgibt.
Das Briefing
Was Du tust und was Du zeigst.
Wie kann ein datengetriebenes Volatilitätsprognosemodell die wöchentliche FX-Hedging-Entscheidung so verbessern, dass Optionsprämien messbar gesenkt werden, ohne die Restrisiko-Bandbreite zu sprengen?
Earning criteria — what you'll demonstrate
- Volatilität als finanzmathematische Größe modellieren und Modellannahmen kritisch hinterfragen
- Klassische ökonometrische Modelle (GARCH) gegen moderne ML-Verfahren (LSTM, XGBoost) sauber benchmarken
- Walk-Forward-Validierung statt naiver Train/Test-Splits auf Finanzzeitreihen anwenden
- ML-Ausgaben in eine handlungsorientierte Treasury-Empfehlung übersetzen
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.
Machine Learning Engineer
Diese Challenge übt das Brot-und-Butter-Geschäft eines Machine Learning Engineers im Finanzumfeld: Zeitreihenmodelle bauen, mit Walk-Forward-Validierung gegen sinnvolle Baselines benchmarken und das Ergebnis als reproduzierbares Artefakt ausliefern.
Dieses Projekt schärft
- time-series-forecasting
- lstm
- python
Data Scientist
Die Verbindung aus ökonometrischer Modellierung (GARCH) und moderner ML-Pipeline mit sauberer Validierung entspricht genau dem Tagesgeschäft eines Data Scientists in der quantitativen Finanzanalyse einer Bank oder Treasury.
Dieses Projekt schärft
- garch-modeling
- walk-forward-validation
- xgboost
Applied AI Scientist
Applied AI Scientists überführen Forschungsmethoden in produktreife Tools mit klarem geschäftlichem Mehrwert — exakt der Bogen, den diese Challenge von der Methodenwahl bis zur Treasury-Empfehlung spannt.
Dieses Projekt schärft
- financial-risk-modeling
- time-series-forecasting
- walk-forward-validation
Noch eine Sache