Echte Durchbrüche in der Finanzanalyse
Drei Jahre Deep Learning-Ausbildung haben Fachkräfte hervorgebracht, die heute komplexe Marktmuster mit neuronalen Netzen entschlüsseln. Hier berichten Absolventen von ihren Wegen.
Von der Theorie zur praktischen Modellierung
Niemand hat uns erzählt, dass die Ausbildung einfach wird. Und das war sie auch nicht. Zwölf Monate intensive Arbeit mit LSTM-Netzwerken und Zeitreihenanalyse – manchmal frustrierend, oft faszinierend. Die Dozenten kamen direkt aus Banken und Hedgefonds, was den Unterricht praxisnah machte.
Was mich überrascht hat: Wie viel Zeit wir mit Datenbereinigung verbracht haben. In Lehrbüchern sieht alles ordentlich aus, aber echte Finanzdaten sind chaotisch. Diese Vorbereitung zahlte sich später aus, als ich mein erstes Projekt für ein Münchner Fintech-Unternehmen übernahm.
„Die Fähigkeit, Transformer-Modelle auf Marktanomalien anzuwenden, habe ich hier gelernt. Heute entwickle ich Frühwarnsysteme für Kreditrisiken."
— Kursjahrgang 2023
Mittlerweile arbeite ich an Projekten, die ich vor zwei Jahren nicht verstanden hätte. Das Schöne: Ich kann auf das Alumni-Netzwerk zurückgreifen, wenn ich bei komplexen Architekturen nicht weiterkomme. Kollaboration statt Konkurrenz – das war hier immer die Devise.
Dozenten mit Branchenpraxis
Unser Lehrpersonal kommt aus quantitativen Finanzabteilungen und gibt Wissen aus realen Projekten weiter
Dr. Lennart Hofmann
Acht Jahre bei Deutschen Bank im Bereich algorithmischer Handel. Spezialisiert auf Reinforcement Learning für Portfoliooptimierung.
Prof. Elara Voss
Forschung an der TU München zu neuronalen Netzen in Hochfrequenzhandel. Hat drei Patente im Bereich Finanz-KI.
Caspar Lindström
Lead Data Scientist bei Fintech-Startup. Bringt praktische Erfahrung mit Produktivsystemen und Echtzeitanalysen mit.
Vom Quereinsteiger zum KI-Spezialisten
Ich kam aus der klassischen Buchhaltung und hatte keine Programmiererfahrung. Ehrlich gesagt war der Einstieg hart. Die ersten Wochen Python haben mich an meine Grenzen gebracht. Aber das Betreuungssystem hat funktioniert – wöchentliche Mentorentreffen und eine aktive Lerngruppe haben mir geholfen dranzubleiben.
Nach sechs Monaten klickten plötzlich die Konzepte. Ich verstand, wie man Convolutional Networks auf Candlestick-Charts anwendet. Mein Abschlussprojekt – ein Sentiment-Analysetool für Geschäftsberichte – wurde später von meinem jetzigen Arbeitgeber weiterentwickelt.
Heute leite ich ein kleines Team, das Predictive Analytics für Kreditvergabe macht. Hätte mir jemand vor drei Jahren gesagt, wo ich heute stehe, hätte ich es nicht geglaubt. Die Ausbildung war anspruchsvoll, aber sie hat gehalten, was versprochen wurde: fundiertes Wissen ohne Abkürzungen.