Python & ML [Teil 2]: Zwei wichtige Bibliotheken

Es gibt mehrere Python Bibliotheken, welche die Datenanalyse eines großen Portfolios erleichtern und somit Rückschlüsse liefern können, welche Parameter Einfluss auf den Bestand und die Entwicklung des Portfolios haben. Um Fair Value Portfolien zu analysieren und Vorhersagen über die Entwicklung zu treffen, nutzen wir folgende Bibliotheken:

Die Bibliothek „pandas“ enthält essenzielle Tools zur Datenanalyse und Datenmanipulation. Damit lassen sich große Datensätze für die Analyse von verschiedenen Machine Learning Algorithmen vorbereiten. Zudem lassen sich durch diese Bibliothek die Ergebnisse einfach visualisieren.

Die Bibliothek „scikit-learn“ ist auf Machine Learning spezialisiert. Sie bietet verschiedene Klassifikations-, Regressions- und Clustering-Algorithmen, welche auf die verschiedensten Problemstellungen angewendet werden können.

Zum Beispiel eignen sich Regressionsmodelle hervorragend für die Vorhersagen einzelner Variablen, wie zum Beispiel der Fair Value Bewegung einzelner Finanzinstrumente. Ein Beispiel für einen Regressions-Algorithmus ist der bereits mehrfach von mir angesprochene Random Forest.

Clustering Algorithmen können darüber hinaus zum Beispiel bei der Analyse von Kundendaten eingesetzt werden, um die Kreditwürdigkeit eines Kunden einzuschätzen.

In weiteren Artikeln, wie z.B. AutoML [Teil 2]: Nützliche Bibliotheken, werde ich noch andere spannende Einsatzmöglichkeiten von Machine Learning in der Finanzbranche vorstellen.