Volatilitätsprognose für FX-Hedging eines DAX-Zulieferers
Übersicht
Worum es bei diesem Projekt geht.
Trainiere GARCH, LSTM und XGBoost zur Volatilitätsprognose für FX-Hedging und erhalte ein verifizierbares Zertifikat.
Das Szenario
Der Zulieferer beschäftigt etwa 12.000 Mitarbeitende, hat einen Konzernumsatz im niedrigen einstelligen Milliardenbereich und unterhält eine eigene Treasury-Abteilung mit fünf Vollzeitkräften. Die heutigen statischen Hedging-Quoten stammen aus einer Beratungsempfehlung von 2018 und wurden seither nicht systematisch überprüft.
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.
Studienzuordnung folgt in Kürze.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Time Series Forecasting
Apply time series forecasting to solve real industry problems and demonstrate production-level capability.
- Garch Modeling
Apply garch modeling to solve real industry problems and demonstrate production-level capability.
- Lstm
Apply lstm to solve real industry problems and demonstrate production-level capability.
- Xgboost
Apply xgboost to solve real industry problems and demonstrate production-level capability.
- Walk Forward Validation
Apply walk forward validation to solve real industry problems and demonstrate production-level capability.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
- Financial Risk Modeling
Apply financial risk modeling to solve real industry problems and demonstrate production-level capability.
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