Vertiefung
Quantitative Finance
Ein Quantitative-Finance-Curriculum auf Masterniveau: sechs Kernmodule, zwei Wahlmodule, drei Prüfungen und ein Capstone-Projekt. Das Curriculum ist Teil anerkannter akademischer Abschlüsse, vom Postgraduate Certificate bis zum PhD.
Professionelle Quant-Qualifikationen definieren, was ein praktizierender Quant wissen muss. Die Vertiefung Quantitative Finance des SIDF hat eine vergleichbare, praxisorientierte Struktur, von stochastischer Analysis und Derivatebewertung bis Machine Learning. Das SIDF vermittelt diese Struktur innerhalb akademischer Abschlüsse mit Credits: Postgraduate Certificate (30 ECTS), Master (90 ECTS) oder PhD.
Wir unterrichten jedes Thema für die Implementierung. Sie arbeiten ab der ersten Woche in Python, mit realen Marktdaten. Am Ende haben Sie ein Portfolio von Modellen, die Sie gebaut, getestet und dokumentiert haben.
Drei Phasen
Vorbereitung
Optionale Online-Primer frischen die Grundlagen auf, bevor die Kernmodule beginnen: Mathematik für Finance, Python für Finance und Grundlagen der Finanzmärkte. Dozierende geben individuelle Unterstützung.
Qualifikation
Sechs Kernmodule und zwei fortgeschrittene Wahlmodule. Drei Prüfungen und ein abschliessendes Capstone-Projekt zu einer realen Fragestellung prüfen Ihr Wissen.
Lebenslanges Lernen
Alumni behalten Zugang zu einer aktualisierten Bibliothek von Vorlesungen, Code und Seminaren. Sie bleiben auch in der SIDF-Community aus Quants, Tradern und Aufsehern.
Sechs Kernmodule
01Bausteine der Quantitative Finance
- Wahrscheinlichkeit, Random Walks und Brownsche Bewegung
- Angewandter Itô-Kalkül und stochastische Differentialgleichungen
- Martingale, Fokker-Planck- und Kolmogorov-Gleichungen
- Simulation und numerische Methoden in Python
02Quantitatives Risiko und Rendite
- Moderne Portfoliotheorie, CAPM und Faktormodelle
- Ökonometrie: ARMA, ARCH/GARCH und Volatilitätsschätzung
- Value-at-Risk, Expected Shortfall und Stresstests
- Risikoregulierung: Basel, FRTB und Modell-Governance
03Aktien, Währungen und Derivate
- Black-Scholes-Theorie, Delta-Hedging und Arbitragefreiheit
- Volatilitätsflächen, Smiles und lokale/stochastische Volatilität
- Numerische Bewertung: Monte Carlo, finite Differenzen, Bäume
- Exotische und strukturierte Produkte, FX-Derivate
04Data Science und Machine Learning für Finance I
- Überwachtes Lernen: Regression, Regularisierung, k-NN, SVM
- Entscheidungsbäume, Random Forests, Gradient Boosting
- Feature Engineering mit Finanzdaten; Kreuzvalidierung und Leakage
- Modellrisiko, Interpretierbarkeit und Validierung
05Data Science und Machine Learning für Finance II
- Unüberwachtes Lernen, Clustering und Dimensionsreduktion
- Deep Learning: neuronale Netze, Sequenzmodelle
- Natural Language Processing für Nachrichten, Berichte und Sentiment
- Reinforcement Learning für Trading und Hedging
06Fixed Income, Kredit und digitale Vermögenswerte
- Zinsstrukturmodelle: Short-Rate, HJM und LIBOR/OIS-Marktmodelle
- Bewertung von Anleihen, Swaps und Optionen mit mehreren Kurven
- Kreditrisiko: Struktur-, Intensitäts- und Copula-Modelle; CVA/XVA
- Digitale Vermögenswerte und tokenisierte Instrumente: Bewertung, Funding Rates und Perpetual Futures
Fortgeschrittene Wahlmodule (zwei wählen)
Leistungsnachweise
- Drei Prüfungen, nach den Modulen 2, 3 und 4 (Open Book, angewandte Aufgaben)
- Aufgaben und Coding-Labs in jedem Modul
- Abschliessendes Capstone-Projekt: ein vollständiges Modell, eine Strategie oder eine Risiko-Engine mit Bericht und Code-Review
- Auf Masterstufe: eine Masterarbeit in der Vertiefung. Auf PhD-Stufe: eine Dissertation
Werkzeuge und Sprachen
- Python (NumPy, pandas, SciPy, scikit-learn, PyTorch)
- Jupyter, Git und Cloud-Notebooks
- Marktdaten-APIs und historische Tickdaten
- Optional: R, C++/Rust für performancekritischen Code
Für wen ist dieser Studiengang?
- Analystinnen und Analysten, Strukturierer, Risikomanager und Portfoliomanager
- Trader und Quant-Entwickler
- Aktuare, Ingenieure und Data Scientists, die in die Finanzwirtschaft wechseln
- Absolventinnen und Absolventen in Mathematik, Physik, Informatik, Ökonomie oder Ingenieurwesen
Nächste Schritte
Postgraduate Certificate
PGCert in Business Informatics & Data Science oder in Business Administration, Vertiefung Quantitative Finance (30 ECTS)
Master
MSc in Business Informatics & Data Science oder MBA in Business Administration, Vertiefung Quantitative Finance (90 ECTS)
PhD
Dissertation in Quantitative Finance und Machine Learning (Niveau 8)
Berufsperspektiven
- Quantitative Analystin/Analyst, Quant-Entwickler, Risikomanager
- Portfoliomanager, Strukturierer, Trader
- Modellvalidierung, Financial Engineering, FinTech-Produktentwicklung
Bereit für den nächsten Schritt in Digital Finance?
Bewerben Sie sich für ein Postgraduate Certificate, einen Masterstudiengang oder das PhD. Oder sprechen Sie zuerst mit uns.