FIN 608: Artificial Intelligence in Finance

Contents
Der Kurs vermittelt ein anwendungs­orientiertes Verständnis von Künstlicher Intelligenz im Bereich Finance. In einem zunächst methodischen Teil werden die zentralen technischen Grundlagen kompakt behandelt — klassisches Machine Learning, Deep Learning, Trans­former-Architekturen sowie Large Language Models inklusive Prompting, Retrieval-Augmented Generation, agenten­basierter Systeme und Evaluations-Methoden — stets mit Fokus auf finanz­wirtschaft­liche Anwendung. Den Schwerpunkt bilden anschließend konkrete Anwendungs­felder entlang der zentralen finanz­wirtschaft­lichen Domänen: Machine Learning im Asset Pricing und Trading, Natural Language Processing für Finanz­dokumente und Earnings Calls, der Einsatz von KI in Banking, Credit, Risk und RegTech sowie der Einsatz generativer KI in den Kapitalmärkten. Zwei darauf aufbauende, dezidiert anwendungs­bezogene Einheiten zeigen, wie KI gezielt im finanz­wirtschaft­lichen Forschungs-Workflow (AI for Research) sowie beim Aufbau finance-bezogener Ventures (AI for Ventures) eingesetzt werden kann. Ausgewählte Gastvorträge aus der Praxis ergänzen den Kurs. Als Abschlussleistung bearbeitet jedes Team in Klein­gruppen entweder ein eigenständiges empirisches Forschungs­projekt unter umfangreicher Nutzung von KI oder ein tief ausgearbeitetes unter­nehmerisches Projekt im Fintech-Bereich.

Learning outcomes
Nach Bestehen des Moduls

• verstehen Studierende die methodischen Grundlagen moderner KI-Verfahren — von klassischem Machine Learning über Deep Learning und Trans­former bis hin zu Large Language Models und agenten­basierten Systemen — und können deren Funktions­weise und Limitationen erläutern;
• sind Studierende in der Lage, KI-Methoden auf zentrale finanz­wirtschaft­liche Anwendungs­felder (u. a. Asset Pricing, Trading, Textanalyse, Credit Risk, RegTech) abzubilden und kritisch zu bewerten;
• können Studierende KI-gestützte Forschungs- und Produkt­entwicklungs-Workflows eigenständig konzipieren, durchführen sowie Resultate methodisch validieren und reproduzierbar dokumentieren;

haben Studierende die Fähigkeit erworben, ein eigenständiges Projekt auf hohem Niveau zu planen, umzusetzen und professionell zu präsentieren.

Necessary prerequisites
–

Recommended prerequisites
Inhaltlich: Empfohlen werden Finance-Grund­kenntnisse auf Bachelor-Niveau, eine grundlegende Vertrautheit mit empirischen Methoden sowie Grund­kenntnisse in Python.

Forms of teaching and learning	Contact hours	Independent study time
Lecture with integrated exercise	4 SWS	13 SWS

ECTS credits	6
Graded	yes
Workload	180h
Language	English
Form of assessment	Abschlusspräsentation (ca. 30 Min. pro Team, geblockt an einem zusammenhängenden Termin von ca. 5h am Semesterende, 30 %) und Abschlussabgabe (70 %). Die Abschlussabgabe besteht je nach gewähltem Track entweder aus einer empirischen Forschungs­arbeit im Umfang von 15–20 S. inklusive Replikations-Code und Dokumentation des KI-Workflows oder aus einem funktions­fähigen, finance-bezogenen MVP inklusive Konzeptdokuments (Problem, Lösung, Markt, Geschäfts­modell, technische Architektur).
Restricted admission	yes
Further information	Anmeldung über Portal2

Examiner Performing lecturer

Prof. Dr. Erik Theissen Paul Seidel, M.Sc.

Frequency of offering	Fall semester
Duration of module	1 semester
Range of application	M.Sc. MMM, M.Sc. WiPäd, M.Sc. VWL, M.Sc. Wirt. Inf., M.Sc. Wirt. Math., M.Sc. MMFACT, M.Sc. MMOSCM
Preliminary course work	–
Program-specific Competency Goals	CG 1, CG 4
Literature	Eine fortlaufend aktualisierte Auswahl, ergänzt durch tagesaktuelle Materialien: Methodische Grundlagen (Machine Learning, Deep Learning, LLMs): • Goodfellow, I., Bengio, Y., Courville, A. (2016): Deep Learning, MIT Press (ausgewählte Kapitel). • Vaswani, A. et al. (2017): Attention Is All You Need, NeurIPS (Trans­former-Originalpaper). • Brown, T. et al. (2020): Language Models are Few-Shot Learners (GPT-3-Paper), NeurIPS. • Hastie, T., Tibshirani, R., Friedman, J. (2009): The Elements of Statistical Learning, Springer (Refresher). • Aktuelle technische Dokumentation von Anthropic und OpenAI zu LLM-Agenten, Retrieval-Augmented Generation, Tool-Use und Evaluations-Frameworks. KI in Asset Pricing und Trading: • Gu, S., Kelly, B., Xiu, D. (2020): Empirical Asset Pricing via Machine Learning, Review of Financial Studies. • Cong, L. W., Liang, A., Zhang, X. (2021): AlphaPortfolio, Working Paper. • López de Prado, M. (2018): Advances in Financial Machine Learning, Wiley (insb. Backtesting-Pitfalls). NLP für Finance und LLM-Anwendungen: • Loughran, T., McDonald, B. (2011): When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks, Journal of Finance. • Lopez-Lira, A., Tang, Y. (2024): Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models, Working Paper. • Eisfeldt, A. L., Schubert, G., Zhang, M. B. (2023): Generative AI and Firm Values, Working Paper. • Yang, Y., Uy, M. C. S., Huang, A. (2020): FinBERT: A Pretrained Language Model for Financial Communications. Ergänzende Quellen, Code-Repositories und tagesaktuelle Industrie-Reports werden zu Kursbeginn bereitgestellt.
Course outline	Der Kurs umfasst 13 Sitzungen. Elf reguläre Vorlesungen behandeln die methodischen und anwendungs­bezogenen Grundlagen, zwei darauf aufbauende Einheiten sind dezidiert anwendungs­orientiert (AI for Research, AI for Ventures). Es ist geplant Sitzungen mit Gastvorträgen aus der Praxis zu ergänzen. Methodische Grundlagen und finanz­wirtschaft­liche Anwendungen • Sitzung 1: Kickoff und AI-in-Finance Landscape — Taxonomie (predictive ML, NLP, generative, agentic), Anwendungs­landkarte, Kurs­organisation • Sitzung 2: Machine Learning Foundations for Finance — supervised learning, Regression/Klassifikation, Regularisierung, Validation, tree-based methods, finance-spezifische Pitfalls (Overfitting, Look-Ahead-Bias, Regime Shifts) • Sitzung 3: Deep Learning und Trans­former-Architekturen — Neuronale Netze, Embeddings, Attention, Encoder/Decoder, Pretraining vs. Fine-Tuning, BERT/GPT-Lineage • Sitzung 4: Large Language Models in der Praxis — Prompt Engineering, Retrieval-Augmented Generation, Function Calling, agenten­basierte Systeme, Evaluations-Methoden, Tooling-Landschaft • Sitzung 5: Machine Learning im Asset Pricing und Trading — cross-sectional return prediction, Faktor­modelle mit ML, Backtesting-Pitfalls • Sitzung 6: Natural Language Processing für Finance — Earnings Calls, 10-K-Filings, News-Sentiment, FinBERT, LLM-basierte Asset-Studien • Sitzung 7: KI in Banking, Credit und Risk — Credit Scoring, Fraud Detection, agenten­basierte Compliance, RegTech • Sitzung 8: Generative AI in Capital Markets — Analyst-Workflows, synthetische Daten, Automatisierung sell-side- und buy-side-naher Prozesse Anwendungs­orientierte Einheiten • Sitzung 9: AI for Research — KI-gestützter Forschungs-Workflow für eigene Forschungs­projekte (Ideation, Literatur, empirisches Design, Replikation, Writing) • Sitzung 10: AI for Ventures — KI-gestützter Venture-Workflow für Fintech-Projekte (Problem/Lösung, MVP-Patterns, GTM, regulatorisches Umfeld) Gastvorträge aus der Praxis • Sitzung 11: Gastvortrag I — KI-Einsatz im Investment- und Beteiligungs­prozess • Sitzung 12: Gastvortrag II — KI-Einsatz in der Beratung von Financial-Services-Unter­nehmen • Sitzung 13: Reserve/Q&A Abschluss­veranstaltung (außerhalb der 13 Sitzungen) • Abschlusspräsentationen: zusammenhängender Präsentations­block von ca. 5 Stunden am Semesterende, in dem alle Teams ihre Projektergebnisse präsentieren.