Learn @ Lunch

Fractional Trading ermöglicht Anlegerinnen und Anlegern, Bruchteile einer Aktie zu kaufen – und macht damit auch hochpreisige Aktien mit kleinen Anlagebeträgen zugänglich. Was für Anleger einfach erscheint, stellt Broker jedoch vor neue Herausforderungen: Nicht ausgeglichene Positionen müssen selbst gehalten und gesteuert werden. Damit wird Fractional Trading schnell zu einer Fragestellung des Inventory- und Marktrisikomanagements.

In diesem Learn@Lunch zeigt Ihnen Prof. Dr. Natalie Packham, wie Data Science und Machine Learning dabei helfen können, das Trading-Verhalten von Retail-Anlegern besser zu verstehen und zukünftige Handelsaktivitäten zu prognostizieren. Anhand eines empirischen Forschungsprojekts mit Daten zu mehreren tausend auf Robinhood gehandelten Aktien werden Trading-Aktivität, Marktinformationen sowie News- und Sentimentdaten miteinander kombiniert.

Dabei geht es unter anderem um die Frage, welche Muster sich im Trading-Verhalten erkennen lassen, welchen zusätzlichen Informationsgehalt Nachrichten und Sentiment liefern und was ein LSTM-Modell für Zeitreihen gegenüber klassischen statistischen Modellen erfassen kann. Darüber hinaus wird gezeigt, wie sich aus Prognosen konkrete Entscheidungen für das Risikomanagement ableiten lassen und wie Explainable AI dabei helfen kann, die Ergebnisse komplexerer Modelle nachvollziehbar zu machen.

Die Session setzt keine vertieften Machine-Learning-Kenntnisse voraus. Im Mittelpunkt steht die Verbindung von finanzwirtschaftlicher Fragestellung, Daten, Modellierung und praktischer Anwendung.

Nutzen Sie die Gelegenheit, mehr über die Einsatzmöglichkeiten von Data Science im Brokerage und Risikomanagement zu erfahren und Ihre Fragen an unsere Referentin zu stellen.