Wat deelnemers leerden over ML en financieel nieuws
Drie mensen die het programma van Firstdoct volgden, leggen uit wat ze meenamen - niet als abstracte kennis, maar als iets wat ze de volgende dag konden toepassen.
Elk van deze deelnemers startte vanuit een andere achtergrond. Wat ze gemeenschappelijk hebben: ze zochten geen theorie, maar een manier om ML-technieken te koppelen aan echte financiële vraagstukken.
Mireille Szabo - van tabellen naar tekstmodellen
Mireille werkte vijf jaar als data-analist bij een Europese bank. Ze was vertrouwd met SQL en dashboards, maar tekstdata bleef buiten haar bereik. Ze wilde weten hoe je persbericht-data structureert zodat een model er iets mee kan doen.
Na het programma bouwde ze een prototype dat inkomstenpersberichten automatisch koppelt aan historische koersbewegingen. Niet als productiesysteem, maar als intern onderzoeksgereedschap dat haar team nu regelmatig gebruikt bij kwartaalanalyses.
Het moeilijkste onderdeel was het omgaan met ruis in nieuwsfeeds - irrelevante berichten die een model systematisch de verkeerde kant opsturen. Dat probleem loste ze op met een combinatie van regelgebaseerde filters en fine-tuning op een beperkte gelabelde dataset.
Lieselot Vandenberghe - taalmodellen als analyselaag
Lieselot analyseert obligatiemarkten bij een Belgische vermogensbeheerder. Ze volgde het programma omdat ze zag dat collega's bij grotere instellingen al NLP-tools gebruikten, en ze wilde begrijpen hoe die tools eigenlijk werken - niet alleen wat ze opleveren.
- Tokenisatie en embeddings - ze begreep voor het eerst waarom twee zinnen met dezelfde woorden een heel ander signaal kunnen geven aan een model.
- Sentimentlabeling - ze leerde hoe domeinspecifieke labels financieel nieuws anders behandelen dan algemene sentimentmodellen.
- Evaluatiemetrieken - ze kan nu zelf beoordelen of een model goed genoeg presteert voor een specifieke toepassing, zonder te vertrouwen op leveranciersclaims.
Rafaël Oduya - BERT evalueren zonder marketingbril
Rafaël deed kwantitatief onderzoek bij een hedgefonds en had al ervaring met Python en statistische modellen. Toch miste hij de achtergrond om BERT-gebaseerde sentimentmodellen kritisch te beoordelen.
Hij leerde tijdens het programma hoe je een baseline opzet, hoe je overfitting herkent in kleine financiële datasets, en waarom voorgetrainde modellen op algemene tekst vaak slecht presteren op persbericht-taal zonder aanpassing.
Zijn conclusie na afloop: de meeste commerciële NLP-tools voor finance zijn zwarte dozen die je niet kunt valideren. Nu kan hij dat wel - en dat maakt zijn onderzoekswerk concreter en eerlijker tegenover zijn team.
Wat deelnemers rapporteren
Na afloop vulden deelnemers een gestructureerde zelfevaluatie in. De cijfers hieronder zijn gemiddelden over de drie beschreven trajecten - geen marketingcijfers, maar zelfgerapporteerde schattingen op een schaal van 0 tot 10.
Zelfevaluatie is per definitie subjectief. We publiceren ze omdat ze een eerlijker beeld geven dan abstracte beloften.
Ik dacht dat ik wist wat sentimentanalyse was. Na de eerste module besefte ik dat ik eigenlijk alleen de output kende, niet het mechanisme. Dat verschil maakt veel uit als je de resultaten moet verdedigen tegenover een investeringscomité.
Het programma duwt je niet richting één tool of framework. Je leert denken over het probleem - welk model past bij welke data, en waarom. Dat is wat ik miste in andere cursussen die ik eerder volgde.