KI im Energiehandel: Preisprognosen und algorithmische Strategien (Machine Learning)

KI im Energiehandel: Preisprognosen und algorithmische Strategien (Machine Learning).

MODUL 01: PREISBILDUNG AN ENERGIEMÄRKTEN

• Spot-, Intraday- und Terminmärkte
• Preistreiber und Volatilität
• Rolle von Prognosen im Handel
• Live-Demo: die Day-Ahead-Prognose in Aktion
• Ihre Ausgangslage: Worauf stützen Sie Handelsentscheidungen?

MODUL 02: PREISPROGNOSEMODELLE

• Fundamental- versus datengetriebene Modelle
• Feature Engineering für Strompreise
• Übung: Sie erstellen eine Day-Ahead-Preisprognose
• Der Aha-Moment: der Preissprung, der sich angekündigt hatte
• Modellgüte realistisch bewerten

MODUL 03: STRATEGIEN UND RISIKO

• Von Prognose zu Handelssignal
• Backtesting und Risikokennzahlen
• Grenzen und Modellrisiken
• Übung: Sie backtesten eine einfache Strategie
• Risiko vor Rendite

MODUL 04: UMSETZUNG

• Datenpipelines und Automatisierung
• Governance und regulatorische Aspekte
• Fallstudie: Intraday-Optimierung mit Prognosen
• Kontrolle über automatisierte Strategien
• Ihr Fahrplan zum datengetriebenen Handel