Links zu weiteren Portalen

Seiteninterne Suche

Lehrstuhl

Dr. Christopher Krauß

 

Dr. Christopher Krauß

english
Raum: LG 4.176
Telefon: +49 (0) 911 – 5302 – 276
E-Mail: christopher.krauss@fau.de
Sprechstunde: Mi. 14.45 – 15.45 Uhr
Information: Lebenslauf
Forschung

Lebenslauf

Persönliche Daten
Name: Christopher Krauß
Geburtsdatum: 20. Oktober 1985
Geburtsort: Nürnberg
Schule / Studium
09/1996 – 07/2002 Wolfgang-Borchert-Gymnasium, Langenzenn
08/2002 – 07/2003 East Forsyth High School, North Carolina, USA
09/2003 – 06/2005 Abitur, Wolfgang-Borchert-Gymnasium, Langenzenn
06/2010 – 04/2011 Diplom-Wirtschaftsingenieur Univ., Friedrich-Alexander-Universität
Beruflicher/ Wissenschaftlicher Werdegang
09/2005 – 07/2006 Siemens VDO Automotive S.A.S., Toulouse
Praktikum: Unterstützung des Business Developments
04/2007 – 07/2007 Lehrstuhl für Technische Mechanik, Friedrich-Alexander-Universität
Tutor
05/2008 – 07/2008 Bain & Company Germany, Inc., München
Praktikum: Marktstrategie für einen Logistikdienstleister
08/2008 – 10/2008 McKinsey & Company, Inc., München
Praktikum: Verbesserung des Produktionsnetzwerks eines OEMs
05/2010 – 06/2010 McKinsey & Company, Inc., München
Praktikum: Benchmarking der finanziellen Leistungsfähigkeit eines OEMs
Seit 08/2011 McKinsey & Company, Inc., München, Strategieberater
Zahlreiche Projekte in der Finanz- und High-Tech-Industrie
06/2016 Promotion zum Dr. rer. pol., Friedrich-Alexander-Universität
Thema: Essays zu Statistischer Arbitrage

Forschungsschwerpunkte

Postdoktorand mit Forschungsschwerpunkten im Bereich Statistischer Arbitrage:

  • Deep Learning (deep neural networks, recurrent neural networks, LSTMs, etc.)
  • Maschinelles Lernen (boosting, random forests, generalized linear models, etc.)
  • Ökonometrie und Zeitreihenanalyse (cointegration, GARCH, copulas, etc.)
  • Kapitalmarktanomalien (momentum strategies, mean-reversion strategies, etc.)
  • Statistical computing (R and Python)
  • High-performance computing (GPUs, Amazon Web Services)
  • Tägliche und hochfrequente Finanzmarktdaten

Veröffentlichungen

  • Krauss, C. (2015): Statistical arbitrage pairs trading strategies: Review and outlook (IWQW-09-2015)
  • Krauss, C., Herrmann, K. and Teis, St. (2015): On the power and size properties of cointegration tests in the light of high-frequency stylized facts (IWQW-11-2015)
  • Krauss, C., Beerstecher, D. and Krüger, T. (2015): Feasible earnings momentum in the U.S. stock market: An investor’s perspective (IWQW-12-2015)
  • Krauss, C., Krüger, T. and Beerstecher, D. (2015): The Piotroski F-Score: A fundamental value strategy revisited from an investor’s perspective (IWQW-13-2015)
  • Krauss, C. and Stübinger, J. (2015): Nonlinear dependence modeling with bivariate copulas: Statistical arbitrage pairs trading on the S&P 100 (IWF-15-2015)
  • Krauss, C., Do, X. and Huck, N. (2016): Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500 (IWF-03-2016)
  • Clegg, M. and Krauss, C. (2016): Pairs trading with partial cointegration (IWF-05-2016)
  • Krauss, C. (2016): Statistical arbitrage pairs trading strategies: Review and outlook (Journal of Economic Surveys, forthcoming)
  • Krauss, C., Do, X. and Huck, N. (2016): Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500
    (European Journal of Operational Research, forthcoming)
  • Stübinger, J., Mangold, B. and Krauss, C. (2016): Statistical arbitrage with vine copulas (IWF-11-2016 )

Vorträge

  • On the persistence of cointegration relationships in a high-frequency setting. CEQURA Conference 2015 on Advances in Financial and Insurance Risk Management, Munich, October 2015.
  • Impulsvortrag Big Data. Audi Planung GmbH, Ingolstadt, July 2015.
  • On the power of cointegration tests in the light of high-frequency stylized facts. Deutsche Börse AG, Eschborn, July 2015.

Lehre

  • WS 2014/15:
    Übung: Statistik (Bachelor)
  • SS 2015:
    Übung: Multivariate Zeitreihenanalyse
    Übung: Fortgeschrittene Datenanalyse
  • WS 2015/16:
    Übung: Angewandte Analyse von Zeitreihen- und Finanzmarktdaten
  • SS 2016:
    Übung: Multivariate Time Series Analysis (Multivariate Zeitreihenanalyse – Ökonometrie 5)