Stock Market prediction. Veranstaltung: Neueste Trends in Big Data Analytics Betreuer: Julian Kunkel
|
|
- Stefanie Busch
- vor 5 Jahren
- Abrufe
Transkript
1 Stock Market prediction Veranstaltung: Neueste Trends in Big Data Analytics Betreuer: Julian Kunkel CLEMENS BECKER
2 Agenda 1. Allgemeine Erläuterung des Aktienmarktes 2. Zeitreihen & ARIMA-Modell 3. Vorhersage durch Finanzartikel 4. Aktuelles Beispiel 5. Zusammenfassung Clemens Becker STOCK MARKET PREDICTION 2/31
3 Aktien Quelle: Aktienerläuterung, Finanztraum, Quelle: Dividendenerläuterung, Finanztraum, Clemens Becker STOCK MARKET PREDICTION 3/31
4 Ankauf und Verkauf: Orderbuch Quelle: Beispiel für das Xetra Orderbuch, Finanznachrichten.de, Clemens Becker STOCK MARKET PREDICTION 4/31
5 Anleihen: Kapitalmarktkredite Quelle: Anleihen Erläuterung, Deutsche Bank AG, Clemens Becker STOCK MARKET PREDICTION 5/31
6 Terminkontrakt Januar KAUF 100 Stück Dezember 40 $ * 100 = 4.000$ 360 $ *100 = $ 400 $ * 100 = $ Quelle: Gold, Freepik.com, Clemens Becker STOCK MARKET PREDICTION 6/31
7 Terminkontrakt Juni VERKAUF 100 Stück Dezember 40 $ * 100 = 4.000$ 400 $ * 100 = $ 440 $ * 100 = $ $ Gewinn Quelle: Gold, Freepik.com, Clemens Becker STOCK MARKET PREDICTION 7/31
8 Optionen Käufer erwirbt nur ein Recht zum Kaufen/Verkaufen Quelle: So funktionieren Call- und Put-Optionen, Dr.Manuel Kay und Sara Zinnecker, Clemens Becker STOCK MARKET PREDICTION 8/31
9 Zeitreihen gemessene Datenpunkte in bestimmtem Zeitraum Quelle: Apple explodiert, Michael, Clemens Becker STOCK MARKET PREDICTION 9/31
10 ARIMA-Modell mögliche zu analysierende Zeitreihen Zeitreihenmuster Quelle: Wetterstation Linz Flughafen, Wetteronline, k/vermarktung/wom/de/p_rueckblick_climatediagram/temperatur/klimadiagra mm linz-flughafen-temperatur.gif Quelle: Muster, die auf Zeitreihen bei der Analyse angewendet werden können, Isabell Tran, Clemens Becker STOCK MARKET PREDICTION 10/31
11 Vorhersage durch Finanzartikel: Artikelvorbereitung Verarbeitung und Einteilung der Artikel Quelle: An overview of our stock trend prediction process, Duc Duong, Toan Nguyen, Minh Dang, Clemens Becker STOCK MARKET PREDICTION 11/31
12 Sentiment Dictionary Enthält nur tatsächlich vorkommende Wörter Quelle: An overview of our stock trend prediction process, Duc Duong, Toan Nguyen, Minh Dang, Clemens Becker STOCK MARKET PREDICTION 12/31
13 Gewichtung Unterscheidung ob positive oder negative Auswirkung Quelle: An overview of our stock trend prediction process, Duc Duong, Toan Nguyen, Minh Dang, Clemens Becker STOCK MARKET PREDICTION 13/31
14 TF-IDF: Term frequency-inverse document frequency TFIDF Berechnung Lösung des Problems Term frequency: 1 Document frequency: 2 Quelle: How does Delta TF-IDF work?, Hady Elsahar, Clemens Becker STOCK MARKET PREDICTION 14/31
15 Reduzierung Rechenzeitverkürzung Quelle: An overview of our stock trend prediction process, Duc Duong, Toan Nguyen, Minh Dang, Clemens Becker STOCK MARKET PREDICTION 15/31
16 Support Vector Machine Binäre Artikelklassifizierung Quelle: An overview of our stock trend prediction process, Duc Duong, Toan Nguyen, Minh Dang, Clemens Becker STOCK MARKET PREDICTION 16/31
17 Support Vector Machine Quelle: What is a SVM?, OpenCV, Clemens Becker STOCK MARKET PREDICTION 17/31
18 Datensammlung und Testing Sammlung von Artikeln und Aktienkursen Quelle: An overview of our stock trend prediction process, Duc Duong, Toan Nguyen, Minh Dang, Clemens Becker STOCK MARKET PREDICTION 18/31
19 Ergebnisse Genauigkeit = richtig eingeordnete Nachrichten / Gesamtanzahl an Nachrichten Quelle: Comparison of term weighting techniques, Duc Duong, Toan Nguyen, Minh Dang, Clemens Becker STOCK MARKET PREDICTION 19/31
20 Ergebnisse Vorhersage des vietnamesischen Aktienindex Beste Vorhersage Einzelaktie mit 90% Genauigkeit Quelle: VN30 price chart with our model, Duc Duong, Toan Nguyen, Minh Dang, Quelle: Trend prediction and VIC price chart, Duc Duong, Toan Nguyen, Minh Dang, Clemens Becker STOCK MARKET PREDICTION 20/31
21 Aktuelles Beispiel Entwicklung Bitcoin 5 Jahre Entwicklung Bitcoin 1 Woche Quelle: Bitcoin Euro Chart 1 Jahr, Finanzen.net, Quelle: Bitcoin Euro Chart 1 Woche, Finanzen.net, Clemens Becker STOCK MARKET PREDICTION 21/31
22 Datensetzusammenstellung Täglich (5 Jahre) Preise + 26 Eigenschaften über Markt und Netzwerk Datenset 1 10 Minuten Datensätze 10 Sekunden Quelle: Code, Freepik.com, Datenset 2 Quelle: Database, Smashicon, Clemens Becker STOCK MARKET PREDICTION 22/31
23 Feature Selection 16 von 26 Features ausgewählt Quelle: Feature Selection, Issac Man, Shaurya Saluja, Aojia Zhao, ing%20via%20machine%20learning%20algorithms.pdf Clemens Becker STOCK MARKET PREDICTION 23/31
24 Random Forest Random Forests bestehen aus vielen einzelnen CART-Trees Quelle: Example Decision Tree, Dr.Jason Brownlee, Clemens Becker STOCK MARKET PREDICTION 24/31
25 Random Forest Classification: abschließendes Voting Quelle: Random Forest Simplified, Venkata Jagannath, Clemens Becker STOCK MARKET PREDICTION 25/31
26 Random Forest Regression: Bildung von Durchschnitt Quelle: Distribution about salary bands, Tavish Srivastava, Clemens Becker STOCK MARKET PREDICTION 26/31
27 GLM: Generalized Linear Model Logistic Regression Quelle: probability of passing exams versus hours of studying, Wikipedia, Clemens Becker STOCK MARKET PREDICTION 27/31
28 Ergebnisse Voraussage GLM (grün) und Random Forest (blau) im Vergleich zu realer Entwicklung (rot) Quelle: Results on 10 Minute interval Bitcoin data, Issac Man, Shaurya Saluja, Aojia Zhao, %20Bitcoin%20Trading%20via%20Machine%20Learning%20Algorithms.pdf Clemens Becker STOCK MARKET PREDICTION 28/31
29 Zusammenfassung Unterschiedliche Produkte vorausgesagt Nicht ein State-of-the-art Ansatz Hundert prozentige Voraussage wird schwierig bleiben, da Emotionen der Anleger im Markt eine große Rolle spielen Clemens Becker STOCK MARKET PREDICTION 29/31
30 Quellen Tavish Srivastava Introduction to Random forest Simplified Hady Elsahar How does Delta TF-IDF work? Was ist ein Futures-Kontrakt? Isabella Tran Einführung und Verarbeitung von Zeitserien isabella_tran-report.pdf Clemens Becker STOCK MARKET PREDICTION 30/31
31 Quellen Isaac Madan, Shaurya Saluja, Aojia Zhao Automated Bitcoin Trading via Machine Learning Algorithms mated%20bitcoin%20trading%20via%20machine%20learning%20algorithms.pdf Duc Duong, Toan Nguyen, Minh Dang Stock Markt Prediction using Financial News Articles on Ho Chi Minh Stock Exchange Logistic Regression, Feature Selection using Singular Value Decomposition and orthogonal centroid feature selection for text classification DECOMPOSITION-AND-ORTHOGONAL-CENTROID-FEATURE-SELECTION-FOR-TEXT-CLASSIFICATIONpdf Clemens Becker STOCK MARKET PREDICTION 31/31
Seminar. Neueste Trends in Big Data Analytics
Seminar Neueste Trends in Big Data Analytics Thema: Stock Market Prediction Teilnehmer: Clemens Becker Abgabedatum: 30.03.2018 Betreuer: Dr. Julian Kunkel Inhaltsverzeichnis 1. Finanzmarktprodukte... 3
MehrEmotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited
Emotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited 1 Agenda 1 Introduction 2 Problem Definition 3 Solution Overview 4 Why Consider Emotions
MehrBio-Inspired Credit Risk Analysis
Bio-Inspired Credit Risk Analysis Computational Intelligence with Support Vector Machines Bearbeitet von Lean Yu, Shouyang Wang, Kin Keung Lai, Ligang Zhou 1. Auflage 2008. Buch. XVI, 244 S. Hardcover
MehrPredicting the duration of disruptions in the SBB railway network with RNN
Gabriel Krummenacher Data Science Zühlke Engineering AG Beat Wettstein Research & Innovation SBB AG Predicting the duration of disruptions in the SBB railway network with RNN Predicting disruptions in
MehrMastering Social Media, Web, Satellite and Spatial Data with R. Dr. Martin Vogt Seminar
Mastering Social Media, Web, Satellite and Spatial Data with R Dr. Martin Vogt Seminar Big Data und Data Literacy Daten sind der Rohstoff der Zukunft. (Angela Merkel) Big data is at the foundation of all
MehrA linear-regression analysis resulted in the following coefficients for the available training data
Machine Learning Name: Vorname: Prof. Dr.-Ing. Klaus Berberich Matrikel: Aufgabe 1 2 3 4 Punkte % % (Bonus) % (Gesamt) Problem 1 (5 Points) A linear-regression analysis resulted in the following coefficients
MehrKünstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer?
ASQF Automation Day 2018 - Predictive Analytics Künstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer? Vasilij Baumann Co-Founder/Co-CEO vasilij.baumann@instrunext.com +49 931
MehrHeavy Equipment Demand Prediction with Support Vector Machine Regression Towards a Strategic Equipment Management
Heavy Equipment Demand Prediction with Support Vector Machine Regression Towards a Strategic Equipment Management Dubai, 04.12.2016 International Conference on Architecture, Materials and Construction
MehrSchnelles Denken - Maschinelles Lernen mit Apache Spark 2
Schnelles Denken - Maschinelles Lernen mit Apache Spark 2 Heiko Spindler Apache Spark - Components Machine Learning Machine learning explores the construction and study of algorithms that can learn from
MehrBig Data und die Energiewende: Kann man genug Daten haben?
Big Data und die Energiewende: Kann man genug Daten haben? Malek Alouini Fachgespräch BigData Konzepte zur Analyse komplexer Infrastrukturen 16. Mai 2017 Was ist Big Data? Technologien zur Verarbeitung
MehrPredictive Analytics für Dummies. Click here if your download doesn"t start automatically
Predictive Analytics für Dummies Click here if your download doesn"t start automatically Predictive Analytics für Dummies Anasse Bari, Mohamed Chaouchi, Tommy Jung Predictive Analytics für Dummies Anasse
MehrInterest rate volatility prior to monetary union under alternative pre-switch regimes
Interest rate volatility prior to monetary union under alternative pre-switch regimes Bernd Wilfling HWWA DISCUSSION PAPER 143 Hamburgisches Welt-Wirtschafts-Archiv (HWWA) Hamburg Institute of International
MehrBig Data-Ansätze zur Vorhersage intra-urbaner Hitzeinseln
Intra-urbane Hitzeinseln Nationales Fernerkundungsforum Berlin 1 Nationales Forum für Fernerkundung und Copernicus 2018 Copernicus gestaltet Fachsession: Mit Fernerkundung und Copernicus auf dem Weg zur
MehrBig Data. Timo HARTMANN 1. Technische Universität Berlin, Fachgebiet Systemtechnik baulicher Anlagen, Institut für Bauingenieurwesen, Berlin
Fachtagung Bauwerksdiagnose 2018 Big Data Timo HARTMANN 1 1 Technische Universität Berlin, Fachgebiet Systemtechnik baulicher Anlagen, Institut für Bauingenieurwesen, Berlin Kontakt E-Mail: timo.hartmann@tu-berlin.de
MehrA New Target Detector Based on Geometrical Perturbation Filters for Polarimetric Synthetic Aperture Radar (POL-SAR)
Springer Theses A New Target Detector Based on Geometrical Perturbation Filters for Polarimetric Synthetic Aperture Radar (POL-SAR) Bearbeitet von Armando Marino 1. Auflage 2012. Buch. xxii, 242 S. Hardcover
MehrMachine Learning and Data Mining Summer 2015 Exercise Sheet 11
Ludwig-Maximilians-Universitaet Muenchen 0.06.205 Institute for Informatics Prof. Dr. Volker Tresp Gregor Jossé Johannes Niedermayer Machine Learning and Data Mining Summer 205 Exercise Sheet Presentation
MehrEntwicklung einer Anwendung zur Erkennung von Täuschungsversuchen
Entwicklung einer Anwendung zur Erkennung von Täuschungsversuchen Theoretische Ausarbeitung Miriam Friedrich Matr.-Nr.: 3062857 1. Prüfer: Prof. Dr. rer. nat. Alexander Voß 2. Prüfer: Bastian Küppers,
MehrWas ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science
Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:
MehrLearning to Rank Sven Münnich
Learning to Rank Sven Münnich 06.12.12 Fachbereich 20 Seminar Recommendersysteme Sven Münnich 1 Übersicht 1. Einführung 2. Methoden 3. Anwendungen 4. Zusammenfassung & Fazit 06.12.12 Fachbereich 20 Seminar
MehrVergleich von SVM und Regel- und Entscheidungsbaum-Lernern
Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
Mehr1. Referenzpunkt Transformation
2.3 Featurereduktion Idee: Anstatt Features einfach wegzulassen, generiere einen neuen niedrigdimensionalen Featureraum aus allen Features: Redundante Features können zusammengefasst werden Irrelevantere
MehrCiti Investmentbarometer Q Stimmungen und Tendenzen aus Sicht privater Anleger und professioneller Marktteilnehmer
Citi Investmentbarometer Q2 11 Stimmungen und Tendenzen aus Sicht privater Anleger und professioneller Marktteilnehmer Stichprobe 584, rekrutiert über den Newsletter der Citi Deutschland 128 professionelle
MehrAccountability in Algorithmic. Decision Making.
Accountability in Algorithmic Decision Making Vural Mert, Larcher Daniel 1. Juni 2016 Zusammenfassung Diese Seminararbeit gibt einen kurzen Überblick über die Algorithmische Entscheidungsfindung, deren
MehrTrader Tour: Optionsscheine
Trader Tour: Optionsscheine Geschickt ausgewählt und einfach gehandelt! Thomas Kilian Equity Markets & Commodities Was ist eine Option / ein Optionsschein? Eine Option ist das Recht, aber nicht die Verpflichtung:
MehrEchtzeitdatenanalyse für Risikomanagement im Finanzwesen
Holger Eichelberger eichelberger@sse.uni-hildesheim.de Motivation Börsencrash als Finanzrisiko Dotcom-Blase (2000) Banken- und Finanzkrise (2007) Fukushima (2011) Griechenland (2015)??? SSE, University
MehrMargarita M. Kalamova Kai A. Konrad. Nation Brands and Foreign Direct Investment
WISSENSCHAFTSZENTRUM BERLIN FÜR SOZIALFORSCHUNG SOCIAL SCIENCE RESEARCH CENTER BERLIN Margarita M. Kalamova Kai A. Konrad Nation Brands and Foreign Direct Investment * Organisation for Economic Cooperation
MehrBayesian updating in natural hazard risk assessment
International Forum on Engineering Decision Making, Third IFED Forum, Shoal Bay, Australia, 12-15 15 December 2007 1/23 Bayesian updating in natural hazard risk assessment Mathias Graf, Kazuyoshi Nishijima,
MehrMicrosoft Azure Deutschland ist jetzt verfügbar -
Einordnung und Überblick Data Scientist Operationalisierung IT-Abteilung Anwendungsentwickler Der Data Scientist agil Tool seiner Wahl möglichst wenig Zeit Skalierung Code für die Operationalisierung Der
MehrFrischer Wind für ein bekanntes Thema Klassifikation 4.0
Frischer Wind für ein bekanntes Thema Klassifikation 4.0 AK Fernerkundung Heidelberg, 4.-5.10.2018 Ruth Leska, GEOSYSTEMS GmbH GEOSYSTEMS ist Ihr Partner für Geo-IT Lösungen und Hexagon Geospatial Platinum
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrKapitalmaßnahmeinformation
Kapitalmaßnahmeinformation Ausstellungdatum: 12. Mai 2017 Wirksamkeitsdatum: Wird noch bekannt gegeben Kontakt: Derivatives Trading Operations, Tel. +49-69-211-1 12 10 Kapitalmaßnahme Gesellschaft ISIN
MehrSEMINAR KLASSIFIKATION & CLUSTERING STATISTISCHE GRUNDLAGEN. Stefan Langer WINTERSEMESTER 2014/15.
SEMINAR KLASSIFIKATION & CLUSTERING WINTERSEMESTER 2014/15 STATISTISCHE GRUNDLAGEN Stefan Langer stefan.langer@cis.uni-muenchen.de Frequenz & Häufigkeit: Übersicht Absolute Häufigkeit Relative Häufigkeit
MehrPlan. Market Spreads. Volatility Spreads. Straddle Long Straddle Short Straddle. Bull Spread. Strangle. Mit Calls Mit Puts Bear Spread
Spreads Plan Market Spreads Bull Spread Mit Calls Mit Puts Bear Spread Mit Calls Mit Puts Volatility Spreads Straddle Long Straddle Short Straddle Strangle Long Strangle Short Strangle Burkhard Weiss Futures
MehrEinführung in die Bioinformatik: Lernen mit Kernen
Einführung in die Bioinformatik: Lernen mit Kernen Dr. Karsten Borgwardt Forschungsgruppe für Maschinelles Lernen und Bioinformatik Max-Planck-Institut für Intelligente Systeme & Max-Planck-Institut für
MehrGlobale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten
Globale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten M. Siebers 1 U. Schmid 2 1 Otto-Friedrich-Universität Bamberg 2 Fakultät für Wirtschaftsinformatik und Angewandte Informatik
MehrThema Bankenlandschaft im Umbau Substanz oder bloße Fassade? Verpflegungspauschale: 25 Euro Anmeldung an: anmeldung@hcf.unihannover.
Computational Finance Donnerstag, 13.1.2011, 8:15 9:45 Michael H. Breitner (breitner@iwi.uni-hannover.de) Hans-Jörg von Mettenheim (mettenheim@iwi.uni-hannover.de) Hannover Finance Symposium Herzliche
MehrH E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z
H E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z 2 0 1 6 A D V A N C E D A N A L Y T I C S : V O N S E M I - S T R U K T U R I E R T E N D A T E N Z U W I S S E N T O M S E I D E L &
MehrBayesian Networks. Syntax Semantics Parametrized Distributions Inference in Bayesian Networks. Exact Inference. Approximate Inference
Syntax Semantics Parametrized Distributions Inference in Exact Inference Approximate Inference enumeration variable elimination stochastic simulation Markov Chain Monte Carlo (MCMC) 1 Includes many slides
MehrMaschinelle Sprachverarbeitung Übung
Maschinelle Sprachverarbeitung Übung Aufgabe 3: SPAM-Klassifikation Mario Sänger Aufgabe Rund 50% des weltweiten Email-Verkehrs ist Spam* Spam- und Phishing-Mails stellen eines der größten Sicherheitsrisiken
MehrConception of Collaborative Project Cockpits with Integrated Interpretation Aids
Master Thesis Conception of Collaborative Project Cockpits with Integrated Interpretation Aids Konzeption von kolaborativen Projektleitstaenden mit integrierten Interpretationshilfen by Stefan Cholakov
MehrPredictive. Statistik. Informatik. Daten. Domäne
I Predictive Statistik Informatik Daten Domäne Risiken Chancen Ordinary Least Squares k-means Logistic Regression Expectation Maximisation (EM) Clustering Methods Regression Stepwise Regression Hier.
MehrSelected Topics in Machine Learning and Reverse Engineering
Selected Topics in Machine Learning and Reverse Engineering Dozenten: Prof. Dr. Fabian Theis Email: theis@ma.tum.de Prof. Dr. Oliver Junge Raum: 02.08.040? Tel.: +49 (89) 289 17987, Email: junge@ma.tum.de
MehrCompanion Technologie
Companion Technologie Emotionen erkennen, verstehen und kai.bielenberg@haw-hamburg.de Agenda 1. Einleitung a. Was war nochmal Companion Technologie? b. Teilbereiche c. Warum Emotionen? 2. Ansätze a. Facial
MehrEinführung in NLP mit Deep Learning
Einführung in NLP mit Deep Learning Hans-Peter Zorn Minds mastering Machines, Köln, 26.4.2018 NLP ist auf einmal überall Zusammenfassung aggregated reviews Dokumentklassifikation Übersetzung Dialogsysteme
Mehreconstor Make Your Publications Visible.
econstor Make Your Publications Visible. A Service of Wirtschaft Centre zbwleibniz-informationszentrum Economics Wilfling, Bernd Working Paper Interest rate volatility prior to monetary union under alternative
MehrAktuelle Themen für die Masterstudiengänge Wirtschaftsingenieurwesen 1
Aktuelle Themen für die Masterstudiengänge Wirtschaftsingenieurwesen 1 Im Wintersemester 2017/18 werden folgende Module im Rahmen des Dummy-Moduls Aktuelle Themen für die Masterstudiengänge Wirtschaftsingenieurwesen
MehrModellierung mit künstlicher Intelligenz
Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.
MehrDr. Daniel Fasel, CEO DATEN, DAS WERTSCHÖPFENDE GUT FÜR DIE DIGITALISIERUNG
Dr. Daniel Fasel, CEO DATEN, DAS WERTSCHÖPFENDE GUT FÜR DIE DIGITALISIERUNG End 2 End Big Data Services Platform Engineering & DevOps Analytics Solutions Proof of Concept Architecture & Strategy Machbarkeitsstudien
Mehrde Gruyter Textbook Risk Management Bearbeitet von Thomas Wolke
de Gruyter Textbook Risk Management Bearbeitet von Thomas Wolke 1. Auflage 2017. Buch. XVIII, 360 S. Softcover ISBN 978 3 11 044052 2 Format (B x L): 17 x 24 cm Wirtschaft > Management > Risikomanagement
MehrSpezifikationen für Future-Kontrakte auf den Deutschen Aktienindex (DAX- Future)
Handels-Bedingungen 2 Abschnitt Kontraktspezifikationen 2.1.3 Unterabschnitt Spezifikationen für Future-Kontrakte auf den Deutschen Aktienindex (DAX- Future) 2.1.3.1 Kontraktgegenstand (1) Ein DAX-Future
MehrIntroduction to Modern Time Series Analysis
Springer Texts in Business and Economics Introduction to Modern Time Series Analysis Bearbeitet von Gebhard Kirchgässner, Jürgen Wolters, Uwe Hassler 1. Auflage 2012. Buch. XII, 319 S. Hardcover ISBN 978
MehrSupport Technologies based on Bi-Modal Network Analysis. H. Ulrich Hoppe. Virtuelles Arbeiten und Lernen in projektartigen Netzwerken
Support Technologies based on Bi-Modal Network Analysis H. Agenda 1. Network analysis short introduction 2. Supporting the development of virtual organizations 3. Supporting the development of compentences
MehrDATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS
DATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS Master Seminar Empirical Software Engineering Anuradha Ganapathi Rathnachalam Institut für Informatik Software & Systems Engineering Agenda Introduction
MehrTechnische Maßnahmen im Online Angebot. Hohenheim, 15. März, 2017
Technische Maßnahmen im Online Angebot Hohenheim, 15. März, 2017 >>> neccton Big Data Gambling & Betting, Financial Services Predictive Analytics Softwareentwicklung >>> Michael Auer >>>Player Tracking
MehrMash-Up Personal Learning Environments. Dr. Hendrik Drachsler
Decision Support for Learners in Mash-Up Personal Learning Environments Dr. Hendrik Drachsler Personal Nowadays Environments Blog Reader More Information Providers Social Bookmarking Various Communities
MehrMoment: Maintaining Closed Frequent Itemsets over a Stream Sliding Window
Institut für Informatik Moment: Maintaining Closed Frequent Itemsets over a Stream Sliding Window Yun Chi, Haixun Wang, Philip S. Yu, Richard R. Muntz Hauptseminar Data Science - SS 2016 Team D: Julian
MehrMythMiner. Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner. Balázs Bárány. Linuxwochen Wien, 7. 5. 2011
Voraussetzungen für Data Mining und Text Mining Schluÿ Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner Linuxwochen Wien, 7. 5. 2011 Voraussetzungen für Data Mining und Text Mining Schluÿ
MehrNaive Bayes für Regressionsprobleme
Naive Bayes für Regressionsprobleme Vorhersage numerischer Werte mit dem Naive Bayes Algorithmus Nils Knappmeier Fachgebiet Knowledge Engineering Fachbereich Informatik Technische Universität Darmstadt
Mehr5. Übung Datenanalyse und Statistik WS07/08 (Boogaart, Jansen)
5. Übung Datenanalyse und Statistik WS07/08 (Boogaart, Jansen) Bringen Sie alles mit, was Ihnen helfen kann die letzte Aufgabe zu lösen: Taschenrechner, Laptop, Tafelwerke, oder.... Installieren Sie z.b.
MehrDer Effekt makroökonomischer Variablen auf den Finanzmarkt
Der Effekt makroökonomischer Variablen auf den Finanzmarkt Kaan Celebi & Michaela Hönig Frankfurt am Main, den 5. Mai 2017 Agenda 1. Motivation und Inhalt 2. Bestehende Literatur 3. Untersuchungsgegenstand
MehrGoogle = Technologie = Nerds
Google = Technologie = Nerds Wenn man an Google denkt, denkt man im schlimmsten Fall nur an lange kryptische Algorithmen, verrückte SEOs, trockene SEM Anzeigen... und an NERDs! ...doch Google ist mehr:
MehrPositive Berichterstattung über eine Mannschaft in einer Kalenderwoche führt zu erfolgreicheren Ergebnissen.
Stimmungsbeschreibung eines Artikels durch positiv und negativ klassifizierte Begriffe. Positive Berichterstattung über eine Mannschaft in einer Kalenderwoche führt zu erfolgreicheren Ergebnissen. Aus
MehrDer Wert von Daten in Zeiten von Big Data Microsoft Vision Days, Thilo Stadelmann
Der Wert von Daten in Zeiten von Big Data Microsoft Vision Days, 21.01.2016 Thilo Stadelmann Wert Anforderungen Trends 1 Der Wert von Daten 2 «Data is the new oil» (Clive Humby, ANA Senior marketer s summit,
MehrLehrangebot. Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr
Lehrangebot Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr N. Fuhr, U. Duisburg-Essen Lehrangebot 1 Lehrangebot des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval
MehrApproximate Maximum Margin Algorithms with Rules Controlled by the Number of Mistakes
Approximate Maximum Margin Algorithms with Rules Controlled by the Number of Mistakes Seminar Maschinelles Lernen VORTRAGENDER: SEBASTIAN STEINMETZ BETREUT VON: ENELDO LOZA MENCÍA Inhalt Vorbedingungen
MehrVALUE ADDED SOFTWOOD
VALUE ADDED SOFTWOOD PRODUKT UND MARKTTRENDS IN DER EUROPÄISCHEN HOLZINDUSTRIE Dr. Joerg Peter Schmitt www.innomis.one 40 JAHRE VEUH 08. Juli 2016 Wien 1 VALUE ADDED SOFTWOOD PRODUKT UND MARKTTRENDS IN
MehrGeneral Online Research Conference GOR February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany
General Online Research Conference GOR 18 28 February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany Christopher Harms, SKOPOS GmbH & Co. KG Keine Angst vor Ihrem neuen Kollegen,
MehrGerhard Svolba, SAS Austria Mannheim, 2. März KSFE
Wie bringe ich 4 unterschiedliche Analytik-Benutzergruppen an einen Tisch? Die Offenheit von SAS Viya ermöglicht eine Analyseplattform für unterschiedliche Benutzertypen Gerhard Svolba, SAS Austria Mannheim,
MehrBioinformatik I (Einführung)
Kay Diederichs, Sommersemester 2017 Bioinformatik I (Einführung) Algorithmen Sequenzen Strukturen PDFs unter http://strucbio.biologie.unikonstanz.de/~dikay/bioinformatik/ Klausur: Fr 28.7. 10:00-11:00
MehrAnalytics Entscheidungsbäume
Analytics Entscheidungsbäume Professional IT Master Prof. Dr. Ingo Claßen Hochschule für Technik und Wirtschaft Berlin Regression Klassifikation Quellen Regression Beispiel Baseball-Gehälter Gehalt: gering
MehrWE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN
WE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN Bosch-Definition for Industry 4.0 Our Seven Features Connected Manufacturing Connected Logistics Connected Autonomous and Collaborative
MehrEnergiewende können Physiker auch?! Dr. Matthias Lange DPG Tagung Rostock,
Energiewende können Physiker auch?! Dr. Matthias Lange DPG Tagung Rostock, 14.3.2019 Agenda Was macht energy & meteo systems Wie wurde das Unternehmen gegründet Was machen Physiker bei uns Our Vision power
MehrDynamic Hybrid Simulation
Dynamic Hybrid Simulation Comparison of different approaches in HEV-modeling GT-SUITE Conference 12. September 2012, Frankfurt/Main Institut für Verbrennungsmotoren und Kraftfahrwesen Universität Stuttgart
MehrArtificial Intelligence: Lösungsbeispiele für Knowledge Management, Enterprise Search & Prozessoptimierung. Franz Kögl IntraFind Software AG
Artificial Intelligence: Lösungsbeispiele für Knowledge Management, Enterprise Search & Prozessoptimierung Franz Kögl IntraFind Software AG IntraFind Software AG IntraFind ist Ihr Spezialist für die Informationsgewinnung
MehrEducation Day 2012. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! Education Day 2012 11.10.
Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! 11.10.2012 1 BI PLUS was wir tun Firma: BI plus GmbH Giefinggasse 6/2/7 A-1210 Wien Mail: office@biplus.at
MehrData Mining Kapitel 11: Machine Learning. Johannes Zschache Wintersemester 2018/19
Data Mining Kapitel 11: Machine Learning Johannes Zschache Wintersemester 2018/19 Abteilung Datenbanken, Universität Leipzig http://dbs.unileipzig.de Data Mining 111 112 Data Mining Übersicht Hochdimension.
MehrBeschwerdemanagement / Complaint Management
Beschwerdemanagement / Complaint Management Structure: 1. Basics 2. Requirements for the implementation 3. Strategic possibilities 4. Direct Complaint Management processes 5. Indirect Complaint Management
MehrData Science Anwendungen bei innogy Netz & Infrastruktur (G&I)
Data Science Anwendungen bei innogy Netz & Infrastruktur (G&I) - Grid Research and Insights Platform (GRIP) - Essener Energiegespräche 25. Oktober 2018 Philipp Clasen, Freier Mitarbeiter innogy SE 1 Einleitung
MehrSAP Predictive Challenge - Lösung. DI Walter Müllner, Dr. Ingo Peter, Markus Tempel 22. April 2015
SAP Predictive Challenge - Lösung DI Walter Müllner, Dr. Ingo Peter, Markus Tempel 22. April 2015 Teil II - Lösung Teil II-1: Fachbereich (automated mode) Teil II-2: Experte (PAL HANA) Teil II-3: Vergleich
MehrAnteil des Handelsvolumens als Prozentsatz des gesamten Volumens in dieser Kategorie
des Finanzinstruments BP1 Börsengehandelte Produkte (ETP) MIC/ Trading Venue: XETR/XETRAFrankfurt MIC/ Trading Venue: XVTX/SIX Swiss Exchange Blue Chip Seg. MIC/ Trading Venue: XDUS/Börse Düsseldorf MIC/
MehrMentorium zur Lehrveranstaltung Finanzen 3 Thema: Valuation Aufgaben: 1 VIII, IX; 8
Mentorium zur Lehrveranstaltung Finanzen 3 Thema: Valuation Aufgaben: 1 VIII, IX; 8 Wirtschaftswissenschaften powered by raute-wirtschaft.de www.handel.uni-frankfurt.de Seite 1 Aufgabe 1 VIII) A) The most
MehrSustainability Balanced Scorecard as a Framework for Eco-Efficiency Analysis
Sustainability Balanced Scorecard as a Framework for Eco-Efficiency Analysis Andreas Möller amoeller@uni-lueneburg.de umweltinformatik.uni-lueneburg.de Stefan Schaltegger schaltegger@uni-lueneburgde www.uni-lueneburg.de/csm
MehrThumbs up? Sentiment Classification using Machine Learning Techniques
Thumbs up? Sentiment Classification using Machine Learning Techniques Eine Präsentation von Aikaterini Azoidou. Das ist meine Präsentation für das Proseminar: Selected Topics of Sentiment Analysis WS17/18
MehrFinal Exam. Friday June 4, 2008, 12:30, Magnus-HS
Stochastic Processes Summer Semester 2008 Final Exam Friday June 4, 2008, 12:30, Magnus-HS Name: Matrikelnummer: Vorname: Studienrichtung: Whenever appropriate give short arguments for your results. In
MehrFinanzierung und Investition
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/46 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München 7. Auflage, Kapitel 7 Kruschwitz/Husmann (2012) Finanzierung
MehrBig Data - und nun? Was kann die Bioinformatik?
Big Data - und nun? Was kann die Bioinformatik? Jochen Kruppa Institut für Biometrie und Klinische Epidemiologie jochenkruppa@charitede 1 59 Vorstellung Wer spricht heute zu Ihnen? Studium der Pflanzenbiotechnologie
MehrInnovation Scouting - Vom Screening weltweiter Trends bis zur Umsetzung in Produkten
Innovation Scouting - Vom Screening weltweiter Trends bis zur Umsetzung in Produkten Agenda A B C D Miba Group Overview Trends und Herausforderungen Innovation bei Miba AG Innovation am Beispiel Elektromobilität
MehrHomework II. November 2010. Universität Basel Wirtschaftswissenschaftliches Zentrum WWZ. P.Weber@unibas.ch
Homework II November 2010 Universität Basel Wirtschaftswissenschaftliches Zentrum WWZ P.Weber@unibas.ch Exercise 1 Explain the no-arbitrage and the risk-neutral valuation approaches to valuing a European
MehrEinführung in die Computerlinguistik Information Retrieval: tf.idf
Einführung in die Computerlinguistik Information Retrieval: tf.idf Dr. Benjamin Roth & Annemarie Friedrich Centrum für Infomations- und Sprachverarbeitung LMU München WS 2016/2017 Referenzen Dan Jurafsky
MehrKünstliche Intelligenz angewandt bei koronarer Herzkrankheit - Cardioexplorer
Kardiologie Künstliche Intelligenz angewandt bei koronarer Herzkrankheit - Cardioexplorer Michael J. Zellweger, MD, Professor of Cardiology, Cardiology Department, University Hospital Basel, Switzerland;
MehrEinführung von Futures und Optionen auf Xetra-Gold
eurex Bekanntmachung Einführung von Futures und Optionen auf Xetra-Gold Kontraktspezifikationen für Futures-Kontrakte und Optionskontrakte an der Eurex Deutschland (eurex14) - Die Geschäftsführung der
MehrMomentum in ATM-Optionspreisen und Momentum in Nachrichten
Momentum in ATM-Optionspreisen und Momentum in Nachrichten Bachelorarbeit in Financial Economics am Institut für schweizerisches Bankenwesen der Universität Zürich bei PROF. DR. THORSTEN HENS Assistent:
MehrSeminar: Software Engineering verteilter Systeme
Seminar: Software Engineering verteilter Systeme Hauptseminar im Sommersemester 2011 Programmierung verteilter Systeme Institut für Informatik Universität Augsburg 86135 Augsburg Tel.: +49 821 598-2118
Mehrjasimasolutions Simulation based process optimization for the agri food sector jasimabeverageplanner jasima Solutions Spin Off from
jasima Solutions Spin Off from BIBA - Bremer Institut für Produktion und Logistik GmbH Simulation based process optimization for the agri food sector jasimabeverageplanner Torsten Hildebrandt Torsten.Hildebrandt@.de
MehrJust seen on the way here SEITE 1
Just seen on the way here SEITE 1 Why you should learn about Data Science @WU? Axel Polleres, Institut für Informationswirtschaft, WU Twitter: @AxelPolleres http://polleres.net Finde these slides at: http://polleres.net/presentations/
MehrVisual Analytics: Personalisierung im E- Commerce
Visual Analytics: Personalisierung im E- Commerce Eduard Weigandt unsplash.com 2 Agenda 1. Motivation 2. Zielsetzung 3. Vorgehen 4. Chancen und Risiken otto.de 3 Warum? 1. persönlich: Bedürfnisse besser
MehrMulticriterial Design Decision Making regarding interdependent Objectives in DfX
Overview Multicriterial Design Decision Making regarding interdependent Objectives in DfX S. Bauer The Design Process Support of the Design Process with Design for X Visualization of Decision Problems
MehrAgenda. Strategien, Trends und Technologien. Next-Best-Action Marketing Kundenbeispiele. Zusammenfassung Pegasystems Inc.
Agenda 1 Strategien, Trends und Technologien 2 Next-Best-Action Marketing Kundenbeispiele 3 Zusammenfassung 1 2 2016 Pegasystems Inc. Strategien, Trends und Technologien M O D E R NES IN B O U ND U N D
Mehr