Machine Learning Kurs

Claus Lehmann · Site Admin Anmeldedatum: 31.08.2007 Beiträge: 18008

Ich hab gerade angefangen diesen kostenlosen Machine Learning Kurs der Stanford University aus Interesse zu machen

https://www.class-central.com/course/coursera-machine-learning-835

Noch keine Ahnung, ob und wie ich etwas davon anwenden kann.
Wer sich ebenfalls für das Thema Machine Learning im Kontext P2P Anlage interessiert kann sich gerne mit mir per PN oder Email austauschen.
_________________
Meine Investments (aktualisiert 12/24):
Laufend: Bondora*, Estateguru*, Indemo*, Inrento*, Mintos*, Crowdestate* (Rest), October* (Rest), Linked Finance* (Rest), Plenti (Rest), Ventus Energy*, Seedrs*, Crowdcube, Housers* (Rest),
Beendet: Smava, Auxmoney, MyC4, Zidisha, Crosslend, Lendico, Omarahee, Lendy, Ablrate, Bondmason, Finbee*, Assetz Capital, Bulkestate, Fellow Finance, Investly*, Iuvo*, Landex, Lendermarket*, Lenndy, Moneything,
Neofinance*, Reinvest24, Robocash*, Viainvest*, Viventor, Zlty Melon

fangri · Anmeldedatum: 31.07.2017 Beiträge: 419

Danke für den interessanten Hinweis. Ich beschäftige mich zur Zeit bereits ein wenig mit dem Themenfeld, allerdings bisher nicht mit Bezug auf P2P. Ich befürchte, dass mir für einen fruchtbaren Austausch in nächster Zeit die Kapazitäten fehlen.

TTom · Anmeldedatum: 09.10.2011 Beiträge: 1495

Habe mich mit dem Thema Machine Learning ausführlich im Studium beschäftigt. Wenn ich mal Zeit habe, wollte ich evtl. mal einen Algorithmus mit den ganzen Bondora-Rohdaten füttern, in der Hoffnung, dass am Ende eine gute Strategie für den Zweitmarkthandel herumkommt.

Das Problem: Mir fehlt momentan einfach vorne und hinten die Zeit dafür. Confused

Da müsste man bestimmt schon ein paar Wochen Vollzeit reinbuttern, damit da was sinnvolles bei rumkommt.
_________________
Aktive P2P-Investments:
Bondora, Mintos
Auslaufend/Historisch: Estateguru*, Reinvest24*, Bondster*, Investly*, Funding Circle*, Auxmoney*, Lendermarket

Claus Lehmann · Site Admin Anmeldedatum: 31.08.2007 Beiträge: 18008

Habe beim stöbern auch diesen älteren Artikel gefunden
https://www.linkedin.com/pulse/pricing-p2p-loans-machine-learning-fun-profit-eduardo-pena-vina/
_________________
Meine Investments (aktualisiert 12/24):
Laufend: Bondora*, Estateguru*, Indemo*, Inrento*, Mintos*, Crowdestate* (Rest), October* (Rest), Linked Finance* (Rest), Plenti (Rest), Ventus Energy*, Seedrs*, Crowdcube, Housers* (Rest),
Beendet: Smava, Auxmoney, MyC4, Zidisha, Crosslend, Lendico, Omarahee, Lendy, Ablrate, Bondmason, Finbee*, Assetz Capital, Bulkestate, Fellow Finance, Investly*, Iuvo*, Landex, Lendermarket*, Lenndy, Moneything,
Neofinance*, Reinvest24, Robocash*, Viainvest*, Viventor, Zlty Melon

Claus Lehmann · Site Admin Anmeldedatum: 31.08.2007 Beiträge: 18008

Bin jetzt in Woche 3 des oben genannten Kurses und denke über Anwendungsfelder im Kontext P2P nach

Ein potentiell interessantes Anwendungsfall wäre der Mintos* Zweitmarkt, spezieller der Mintos* Zweitmarkt der EUR Kredite mit Buyback.

Die verfügbare Datenmenge ist groß (ca. 134.000 Angebote) und komplett herunterladbar.

Interessant wäre jetzt wenn ich mit Machine Learning das Set in 2 Klassen aufteilen könnte (Segmentierung)

Klasse 1 = der Kredit wird (wenn ich ihn kaufe) innerhalb von 2 Tagen mit einem mindestens 0.1% höheren Preis weiter veräußerbar sein
Klasse 0 = der Kredit ist NICHT (wenn ich ihn kaufe) innerhalb von 2 Tagen mit einem mindestens 0,1% höheren Preis weiter veräußerbar

Für jedes Kreditangebot würde dann über eine Hypothese eine Wahrscheinlichkeit errechnet, dass dieser Kredit in Klasse 1 fällt. Die mit der höchsten Wahrscheinlichkeit würden gekauft und zum Wiederverkauf gestellt.

Sollte eine solche Klassifizierung zuverlässig funktionieren gibt es ganz grob eine Jahresrendite von mindestens 18% (360/2*0,001).
De facto wird das noch von mindestens 2 anderen Faktoren beeinflusst:
- höhere Rendite, weil einige Kredite über den Tageswechsel gehalten werden und on top die normalen Zinsen verdienen
- geringere Rendite, weil es uninvestiertes Kapital geben wird, das eine Rendite von null bringt.

Jetzt ist das Problem in diesem Anwendungsfall, dass Mintos* zwar die Daten zu dem aktuellen Angebot öffetnlich stellt, aber keine Zweitmarkthistorie (man kann also nicht die Trades von allen Anlegern in der Vergangenheit sehen).

Potentiell sehe ich jetzt 2 Herangehensweisen
A) Ich baue mir eine Historie meiner eigenen Trades als Datenset auf
Probleme: das ist nur ein sehr, sehr kleines Subset aller Trades und konzentriert sich auf die Trades die ohnehin offensichtlich eine sehr hohe Wiederverkaufswahrscheinlichkeit haben. Die Datenmenge ist also zum Training vermutlich nicht geeignet weil biased
B) Ich schaue mir das Zweitmarktangebot in kurzen Intervallen an (z.B. alle 10 Minuten) und schließe einfach aus der Differenz: was vorher drin ist und jetzt weg ist, wurde verkauft
Probleme:
- es kann auch weg sein, weil der Verkäufer das Angebot zurückgezogen hat oder der Kredit abbezahlt wurde (beides vermutlich eher seltene Fälle
- die Vorgehensweise ignoriert alles was zwischen 2 Betrachtungszeitpunkten passiert. Aber eventuell passieren hier genau die interessanten Dinge. Das Problem lässt sich auch nicht lösen, wenn man das Intervall verkleinert, z.B. von 10 auf 5 Minuten, strukturell bleibt es bestehen
Sowohl bei A als auch bei B besteht das Problem das aufgrund historischer Daten gemachte Prognose falsch liegen können, wenn sich das allgemeine Zinsniveau bei Mintos* inzwischen verändert hat. Also was z.B. im September in Klasse 1 gefallen wäre ist heute vielleicht unverkäuflich.

Vielleicht gibt es auch noch einen dritten Ansatz C?

Meinungen, Ideen? Gerne auch Diskussion per Email oder PN, wenn jemand das nicht öffentlich machen will.

_________________
Meine Investments (aktualisiert 12/24):
Laufend: Bondora*, Estateguru*, Indemo*, Inrento*, Mintos*, Crowdestate* (Rest), October* (Rest), Linked Finance* (Rest), Plenti (Rest), Ventus Energy*, Seedrs*, Crowdcube, Housers* (Rest),
Beendet: Smava, Auxmoney, MyC4, Zidisha, Crosslend, Lendico, Omarahee, Lendy, Ablrate, Bondmason, Finbee*, Assetz Capital, Bulkestate, Fellow Finance, Investly*, Iuvo*, Landex, Lendermarket*, Lenndy, Moneything,
Neofinance*, Reinvest24, Robocash*, Viainvest*, Viventor, Zlty Melon

Zedandi · Anmeldedatum: 02.11.2016 Beiträge: 1486

Zedandi · Anmeldedatum: 02.11.2016 Beiträge: 1486

Ich finde B) besser als A). Ich denke was zwischen zwei Betrachtungszeitpunkten passiert sollte nicht so wichtig sein oder was denkst du könnte passieren? Ich meine klar, ein schneller Bot erwischt vielleicht noch bessere Angebote als ein langsamer aber im schlimmsten Fall bekommst du mit B) die besten Angebote nicht ganz mit (weil die evt. zwischen zwei Aufnahmen reingestellt und weiterverkauft wurden) aber ist das für die Klassifizierung so wichtig? Du willst ja nur zwischen guten und schlechten Angeboten unterscheiden und da du die schlechten Angebote sowieso mitbekommst (die bleiben ja lange auf dem Zweitmarkt weil sie keiner kauft, bis auf die zwei unwahrscheinlichen Fälle, die du schon genannt hast) und von den guten Angeboten auch einige (selbst von den sehr guten Angeboten wirst du einen gewissen Anteil durch Zufall mitbekommen) sollte es eigentlich kein Problem sein eine Klassifizierung durchzuführen (zumindest wenn es mit den kompletten Zweitmarktdaten möglich gewesen wäre).

Claus Lehmann · Site Admin Anmeldedatum: 31.08.2007 Beiträge: 18008

Zedandi · Anmeldedatum: 02.11.2016 Beiträge: 1486

Claus Lehmann · Site Admin Anmeldedatum: 31.08.2007 Beiträge: 18008

TTom · Anmeldedatum: 09.10.2011 Beiträge: 1495

@Claus:
Ich würde auch deinen Ansatz B) bevorzugen - für das Training braucht man wirklich große Datenmengen. Bei Mintos* existiert halt der Nachteil, dass die Daten im Nachhinein nicht mehr verfügbar sind. Was hier dann fehlt sind vor allem Datensätze für Transaktionen, die sofort oder durch den Sekundärmarkt-Autoinvest abgehandelt werden - also hauptsächlich Beispiele für "zu billig verkauft" und "sehr günstig eingekauft". Auch wenn dann gewisse Daten erstmal nicht dabei sind, vermute ich, dass das praktisch gesehen zunächst kein zu großes Problem ist.

Für die Entwicklung eines solchen Machine-Learning Systems ist meiner Meinung nach aber Bondora* deutlich leichter, da man sich ja alle Rohdaten selbst ziehen und in eine Datenbank importieren kann, sodass wirklich alle jemals durchgeführten Transaktionen für Training & Test zur Verfügung stehen (https://www.bondora.com/en/public-reports). Habe mir vor ein paar Monaten diese CSVs mal von Bondora* gezogen und ein C#-Programm geschrieben, was mir das in eine relationale Datenbank importiert. Bin aber leider noch nicht dazu gekommen, dafür einen Machine Learning-Algorithmus aufzusetzen.

Bei Mintos* ist das ziehen der Daten deutlich komplexer - aber wenn du eh schon einen Bot hast um dir die Daten zu ziehen und das Ganze in eine Datenbank exportierst, dann ist damit ja schonmal ein großer Meilenstein erledigt. Smile

Mein erster Gedanke zur Auswertung der Daten war genau wie bei dir, eine 2-Class-Classification aufzusetzen. Spontan würde ich sagen, hört sich das erstmal nach einem guten Einsatzzweck für eine Support Vector Machine an. Müsste man mal ein bisschen mit rumspielen. Ich will das demnächst mal mit Deeplearning4j ausprobieren. Ich hoffe, dass ich ab Mitte Dezember oder spätestens um Weihnachten herum mal etwas Zeit finden werde, mit dem Projekt weiterzumachen.
_________________
Aktive P2P-Investments:
Bondora, Mintos
Auslaufend/Historisch: Estateguru*, Reinvest24*, Bondster*, Investly*, Funding Circle*, Auxmoney*, Lendermarket

Claus Lehmann · Site Admin Anmeldedatum: 31.08.2007 Beiträge: 18008

Danke für das Feedback

Du hast schon recht, dass die Datenlage bei Bondora* besser/interessanter ist.
Aber ich mache im Moment meine Trading Versuche bei Mintos* und will schauen ob mit Machine Learning noch neue Impulse möglich sind (wenn ich denn die zugrundeliegenden Algorithmen in Python umgesetzt kriege).

Ich mach erst mal mit dem Kurs weiter und schau dann mal. Falls ich mich tatsächlich an der Umsetzung probieren will, dann wahrscheinlich der oben beschriebene Fall B. Ausser natürlich mir fällt zwischen durch noch ein Anwendungsfall ein, der mich noch mehr reizt.
_________________
Meine Investments (aktualisiert 12/24):
Laufend: Bondora*, Estateguru*, Indemo*, Inrento*, Mintos*, Crowdestate* (Rest), October* (Rest), Linked Finance* (Rest), Plenti (Rest), Ventus Energy*, Seedrs*, Crowdcube, Housers* (Rest),
Beendet: Smava, Auxmoney, MyC4, Zidisha, Crosslend, Lendico, Omarahee, Lendy, Ablrate, Bondmason, Finbee*, Assetz Capital, Bulkestate, Fellow Finance, Investly*, Iuvo*, Landex, Lendermarket*, Lenndy, Moneything,
Neofinance*, Reinvest24, Robocash*, Viainvest*, Viventor, Zlty Melon

TTom · Anmeldedatum: 09.10.2011 Beiträge: 1495

Es gibt jetzt übrigens auch kostenlose Machine Learning Kurse von Amazon:
https://t3n.de/news/amazon-interne-machine-learning-kurse-fuer-kostenlos-alle-entwickler-geoeffnet-1128220/
_________________
Aktive P2P-Investments:
Bondora, Mintos
Auslaufend/Historisch: Estateguru*, Reinvest24*, Bondster*, Investly*, Funding Circle*, Auxmoney*, Lendermarket