401-3915-73L  Machine Learning in Finance and Insurance

Lehrveranstaltungen

Katalogdaten

Kurzbeschreibung	This course introduces machine learning methods that can be used in finance and insurance applications.
Lernziel	The goal is to learn methods from machine learning that can be used in financial and insurance applications.
Inhalt	Linear, polynomial, logistic, ridge and lasso regression, dimension reduction methods, singular value decomposition, kernel methods, support vector machines, classification and regression trees, random forests, XGBoost, neural networks, stochastic gradient descent, autoencoders, graph neural networks, transfomers, credit analytics, pricing, hedging, insurance claim prediction.
Skript	Course material is available on https://people.math.ethz.ch/~patrickc/mlfi
Literatur	Matthew F. Dixon, Igor Halperin, Paul Bilokon (2020). Machine Learning in Finance. Springer. Ian Goodfellow, Yoshua Bengio and Aaron Courville (2020). Deep Learning. MIT Press. Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani (2021). An Introduction to Statistical Learning. Springer. Marcos Lopez de Prado (2018). Advances in Financial Machine Learning. Wiley. Marcos Lopez de Prado (2020). Machine Learning for Asset Managers. Cambridge Elements. Mario V. Wüthrich and Michael Merz (2023). Statistical Foundations of Actuarial Learning and its Applications. Springer.
Voraussetzungen / Besonderes	The course requires basic knowledge in analysis, linear algebra, probability theory and statistics.
Kompetenzen	Fachspezifische Kompetenzen Konzepte und Theorien geprüft Verfahren und Technologien geprüft Methodenspezifische Kompetenzen Analytische Kompetenzen geprüft Problemlösung geprüft Projektmanagement geprüft Soziale Kompetenzen Kommunikation geprüft Kooperation und Teamarbeit geprüft Menschenführung und Verantwortung geprüft Persönliche Kompetenzen Anpassung und Flexibilität geprüft Kreatives Denken geprüft Kritisches Denken geprüft Integrität und Arbeitsethik geprüft Selbststeuerung und Selbstmanagement geprüft

Leistungskontrolle

Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird)
Leistungskontrolle als Semesterkurs
ECTS Kreditpunkte	5 KP
Prüfende	P. Cheridito
Form	Sessionsprüfung
Prüfungssprache	Englisch
Repetition	Die Leistungskontrolle wird nur in der Session nach der Lerneinheit angeboten. Die Repetition ist nur nach erneuter Belegung möglich.
Prüfungsmodus	schriftlich 120 Minuten
Zusatzinformation zum Prüfungsmodus	Practical projects are an integral part of the course. Participation is mandatory. The grade for the course will be calculated as a weighted average of the grade achieved in the final exam (70%) and the grade achieved in the practical projects (30%).
Hilfsmittel schriftlich	10 single-sided A4 pages of notes. No books or lecture notes. Laptops, tablets and mobile phones must be switched off.
Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan.

Lernmaterialien

Gruppen

Einschränkungen

Angeboten in

Studiengang	Bereich	Typ
Data Science Master	Interdisziplinäre Wahlfächer	W
Mathematik Master	Auswahl: Finanz- und Versicherungsmathematik	W
Rechnergestützte Wissenschaften Master	Computational Finance	W