| Kursbeschreibung (description): |
Das Seminar vermittelt die systematische Auswertung von Daten als Grundlage fundierter Entscheidungen im Risikomanagement. Teilnehmer erfassen und analysieren Daten mit Statistik, Data Mining und maschinellem Lernen, um Unsicherheiten zu reduzieren und Risiken gezielt zu steuern. Für Anwender im Risikomanagement bietet das Training praxisnahe Methoden der Risikoanalyse, die Umsetzung quantitativer Verfahren in der Unternehmenspraxis sowie umfangreiche Unterlagen, ein Fachbuch und ein Zertifikat.
|
|
| Zielgruppe (target group): |
Einsteiger und Fortgeschrittene im Thema "Quantitative Methoden" und Data Analytics, Risikomanager, Treasurer, Controller, Projektleiter und Projektmanager, Risk Owner (dezentrale Risikoverantwortliche), Revisoren, Qualitätsmanager und Geschäftsführung bzw. Aufsichtsratmitglieder.
|
|
| Voraussetzungen (requirements): |
In diesem Seminar werden keine statistischen Vorkenntnisse vorausgesetzt.
|
|
| Ziele (objectives): |
Erlernen Sie im Seminar RC116 Data Analytics und Quantitative Methoden im Risk Management einen praxisbewährten Methodenbaukasten zur Risikoquantifizierung in Ihrem Unternehmen. In diesem Seminar werden keine statistischen Vorkenntnisse vorausgesetzt.
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 2 Tage
Preis (price): 1790,- Euro zzgl. MwSt.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Dieser Workshop findet an folgenden Terminen statt:
|
|
|
| Inhalte (agenda): |
- Grundlagen der Stochastik und Stochastische Methoden der Risikoanalyse
- Einführung in Data Analytics (anhand konkreter Fallstudien)
- Datenkompetenz, Methodenkompetenz und Informationskompetenz
- Descriptive Analytics (Lageparameter, Streuungsparameter, Konzentrationsmessung, Korrelation und Kausalität, Regressionsanalyse)
- Diagnostic Analytics (Clusteranalyse, Assoziationsanalyse, Lineare Regression, Klassifikationsverfahren, Zeitreihenanalyse)
- Anwendungsbeispiel: Lineare Regression im Währungsrisikomanagement
- Anwendungsbeispiel: GBM-Modellierung für Aluminiumpreise
- Predictive Analytics (Bayes-Netze, Machine Learning)
- Evaluierung von prädiktiven Modellen
- Statistische Verteilungen und deren Parametrisierungen (univariate und multivariate)
- Anwendung der im Finanzbereich bewährten "Value-at-Risk"-Modelle
- Anwendung von stochastischen Szenarioanalysen auf geplante Cash Flows, Budgets und erwartete Gewinne (Cash Flow at Risk, EBIT at Risk)
- Analyse von Abhängigkeiten zwischen Risiken
- Risiko-Reporting: lesbare und aussagefähige Risikokennzahlen
- Umsetzung eines quantitativen Risikomanagements in R und Python
- Entwicklung diverser eigener Werkzeuge für die Praxis in MS Exel und R (R-Code und Excel-Beispiele werden zur Verfügung gestellt)
|
|
|
