Ein Modell, das im Notebook glänzt, kann im Handel wertlos sein, und der übliche Grund ist nicht der Algorithmus, sondern die Bewertung. Diese Fähigkeit lehrt scikit-learn als Arbeitsweise, mit kurzen Aufgaben (Zahlen zum Berechnen, Schritte zum Ordnen, Begriffe zum Zuordnen) und Finanzbeispielen: warum ein Scaler nur auf den Trainingstagen angepasst werden darf, wie sich überlappende Labels die Zukunft zunutze machen und wie Purging und Embargo das beheben, was Ridge und Lasso mit Koeffizienten tun, warum eine logistische Regression für die Richtung kaum besser ist als immer auf steigend zu tippen, wie ein Wald ein schwaches Signal überanpasst, wie man ein Renditemodell mit dem Informationskoeffizienten bewertet, wie viele Anpassungen eine ehrliche Hyperparametersuche braucht und was Clustering, PCA und Permutationswichtigkeit sagen können und was nicht. Das Abschlussprojekt ist ein Code-Labor, in dem Sie den Walk-forward-Splitter mit Purging, die Querschnittsmerkmale und die Bewertung eines monatlichen Aktienmodells bauen.
Sicherheit mit Python, NumPy und pandas wird erwartet, dazu Grundlagen der Statistik (Mittelwert, Varianz, Korrelation, Regression).
