Data Scientist Due Diligence

Einführung

Ich suche derzeit nach neuen beruflichen Möglichkeiten und bin zufällig auf eine Stelle bei der Commerzbank gestoßen: . Sie scheint eine ideale Weiterentwicklung meiner aktuellen Tätigkeit zu sein, daher notiere ich hier meine primitiven Überlegungen zur Stellenbeschreibung.

Devisen (Fx)

• Entwicklung von Machine-Learning-Modellen zur Preisprognose im Devisenhandel unter Einsatz von Techniken wie Deep Learning (neuronale Netzwerke)
  • Verwendung von ML/DL zur Prognose zukünftiger Wechselkursentwicklungen. Erfordert typischerweise Datensammlung, Feature Engineering, Training neuronaler Netzwerke (z.B. LSTM, CNN) und Modellvalidierung/-optimierung.
  • Aus meiner Erfahrung als Hobby-Trader sind derzeit relevante Merkmale im USD-Markt technische Indikatoren, Trump-Tweets, FED-Reden und makroökonomische Indikatoren wie NFP. Im EUR-Markt spielen die EZB-Zinssenkungserwartungen und der Abbau chinesischer Handelsbarrieren eine größere Rolle.
• Analyse des Kundenorderflows (Sentiment) im FX-Markt mittels Verfahren wie Gradient-Boosting-Modellen zur Unterstützung des Risikomanagements
  • Hierbei bezieht sich Sentiment nicht auf Sprache, sondern auf ein kurzfristiges Ungleichgewicht von Kauf- und Verkaufsaufträgen als Richtungsindikator.
  • Datensammlung und -vorverarbeitung
    • Erhebung von Orderflow-Daten: Richtung, Volumen, Preis, Zeitstempel, Kundentyp etc.
    • Feature-Konstruktion: Kauf-/Verkaufsverhältnisse, volumengewichtete Durchschnittspreise, Verteilung nach Kundentyp etc.
    • Label-Konstruktion: Zielwerte basierend auf kurzfristigen Preisbewegungen (z.B. Preissteigerung/-senkung in 5 Minuten).
  • Anwendung des Gradient Boosting Modells (XGBoost)
    • Modelltraining mit historischen Daten zur Vorhersage von Preisbewegungen oder Kundenstimmungen.
    • Hyperparameter-Tuning mittels Cross-Validation, Grid Search oder Bayesscher Optimierung.
  • Extraktion von Sentiment-Indikatoren
    • Quantifizierung von Sentiment: Vorhersagewahrscheinlichkeiten des Modells als Indikator für “Stärke” des Sentiments.
    • Segmentanalyse nach Kundentyp (Einzelhandel, Institutionen, Hedgefonds etc.).
• Kombination intelligenter Alpha-Signale zur Ableitung fundierter Risikomanagement-Entscheidungen im FX-Handel
  • Dies bezieht sich auf das Einbetten von Signalen, z.B. durch eine zusätzliche MLP-Schicht zur Gewichtung.
• Anwendung von Multi-Armed-Bandit-Methoden zur Optimierung von Trading-Spreads beim Market-Making im FX-Geschäft
  • Schritte zur Anwendung im FX-Markt-Making:
    • Verschiedene Spreads als „Arme“ initialisieren (z. B. 1 Pip, 1,5 Pip, 2 Pip)
    • Ausführungsrate, Gewinn und Inventarrisiko für jeden Spread überwachen
    • Belohnungsfunktion definieren: z. B. Spread-Einnahme minus Inventarstrafe (direction * inventory level * penalty factor)
    • Ziel: Optimale Spread-Wahl zur Gewinnmaximierung bei Risikokontrolle
    • Auswahlgewichte gemäß MAB-Strategie aktualisieren
    • Dynamische Anpassung der Spreads zur Annäherung an optimale Strategie
  • Auswahl des MAB-Algorithmus:
    • ε-greedy: Mit Wahrscheinlichkeit ε neue Spreads erkunden, sonst den besten verwenden
    • UCB: Berücksichtigt erwartete Belohnung + Unsicherheit
    • Thompson Sampling: Wahrscheinlichkeitsmodellierung + Bayessche Auswahl

Rohstoffe (Commodities)

• Erstellung arbitragefreier Gas- und Strompreis-Kurven mithilfe von Handelssignalen
  • Bekannt mit Methoden zur arbitragefreien Preisbildung im CFD-Kontext.
  • Für Proxy-Futures: lineare Interpolation oder fortgeschrittene Methoden (Stückweise Regression, Splines), anschließend Glättung mittels Optimierungsalgorithmen (Least Squares, konvexe Optimierung).
• Optimale Schätzung von Forward-Kurven und Definition von Proxy-Hedge-Instrumenten durch Datenanalyse, Backtesting und Sensitivitätstests
  • Proxy-Hedges sind hochkorrelierte Assets (z. B. ähnliche Laufzeiten, verwandte Rohstoffe).
  • Sensitivitätsanalyse: Test der Modellreaktionen auf Preise, Volatilität, Korrelationen → Schwächen erkennen, Risikoanpassung.
• Einsatz von Advanced Analytics- und Zeitreihenanalyse-Techniken zur Signalgewinnung im Rohstoffhandel
  • ARIMA:
    • AR-Koeffizienten positiv → Momentum; negativ → Rückkehr zum Mittelwert
    • Strukturwechsel in Residuen → Alpha durch Ereignisse möglich
  • GARCH:
    • α: Wirkung neuer Schocks (hoch → starke Reaktion)
    • β: Beständigkeit der Volatilität (hoch → Trendfolge möglich)
    • Konditionale Volatilität: Ausschläge → Risikoaufschläge → evtl. Kontra-/Optionsstrategie
  • Fourier / FFT:
    • Frequenzveränderung: Kürzer → Beschleunigung → evtl. Trendumkehr
    • Amplitudenänderung: Zunahme → Trendstärke; Abnahme → Seitwärtsstrategie
  • Ausreißererkennung:
    • Z-Score > ±2~3 → Absicherung oder Arbitragestrategie
• Durchführung von Datenbereinigung, -transformation und Web-Scraping
  • Python (pandas, BeautifulSoup, Scrapy, Selenium) wird typischerweise für diese Aufgaben verwendet.