Dr. Johannes Stübinger

Lehrbeauftragter

 

Kurzlebenslauf

seit 08/2021	Key Expert Data Science, Siemens AG
08/2018 – 07/2021	Senior Data Scientist (vorher Data Scientist), Siemens AG
seit 08/2018	Lehrbeauftragter an der Friedrich-Alexander-Universität Erlangen-Nürnberg, der Technischen Hochschule Deggendorf und der Hochschule Hof
04/2018	Promotion zum Dr. rer. pol., Thema: Essays on Quantitative Finance in the context of Statistical Arbitrage (Promotionspreis der Staedtler Stiftung)
10/2015 – 07/2018	Wissenschaftlicher Mitarbeiter am Lehrstuhl für Statistik und Ökonometrie der Friedrich-Alexander-Universität Erlangen-Nürnberg
10/2010 – 09/2015	Studium der Wirtschaftsmathematik an der Friedrich-Alexander-Universität Erlangen-Nürnberg

Forschungsschwerpunkte

• Big Data Analytics & Business Intelligence
• Machine Learning and Aritifical Antelligence
• Natural Language Processing
• High-Performance Cloud Computing (GPUs, Amazon Web Services, Azure)
• Capital Market Anomalies and High-Frequency Data

Lehre

• WS 22/23: Extremwertstatistik mit Anwendungen in Finanz- und Versicherungsmärkten
• SS 22: Mathematik für Ingenieure
• SS 22: Mathematik für Maschinenbau, Mechatronik, Technische Physik, Wirtschaftsingeniuerwesen
• SS 22: Anwendung statistischer Methoden im Risikomanagement von Finanzinstituten
• WS 21/22: Extremwertstatistik mit Anwendungen in Finanz- und Versicherungsmärkten
• SS 21: Mathematik für die Studiengänge Wirtschaftsinformatik, International Management, Gesundheitsinformatik, Tourismusmanagement
• SS 21: Anwendung statistischer Methoden im Risikomanagement von Finanzinstituten
• WS 20/21: Extremwertstatistik mit Anwendungen in Finanz- und Versicherungsmärkten
• SS 20: Mathematik für die Studiengänge Künstliche Intelligenz, Elektrotechnik, Medientechnik, Maschinenbau, Bauingenieurwesen, Umweltingenieurwesen
• SS 20: Anwendung statistischer Methoden im Risikomanagement von Finanzinstituten
• WS 19/20: Extremwertstatistik mit Anwendungen in Finanz- und Versicherungsmärkten
• SS 19: Anwendung statistischer Methoden im Risikomanagement von Finanzinstituten
• SS 19: Mathematik für die Studiengänge Künstliche Intelligenz, Elektrotechnik, Medientechnik, Bauingenieurwesen, Umweltingenieurwesen
• WS 18/19: Extremwertstatistik mit Anwendungen in Finanz- und Versicherungsmärkten
• SS 18: Nichtparametrische statistische Verfahren
• SS 18: Statistik
• WS 17/18: Rechnergestützte Fallstudienübung Statistik
• WS 17/18: Angewandte Analyse von Zeitreihen- und Finanzmarktdaten
• SS 17: Nichtparametrische statistische Verfahren
• SS 17: Statistik
• WS 16/17: Angewandte Analyse von Zeitreihen- und Finanzmarktdaten
• WS 16/17: Rechnergestützte Fallstudienübung Statistik
• SS 16: Statistik
• WS 15/16: Statistik

Publikationen mit Begutachtungsprozess

• Stübinger J., Walter D., 2022. Using multi-dimensional dynamic time warping to identify time-varying lead-lag relationships. Sensors, 22(18), 6884.
• Stübinger J., Schneider L., 2020. Understanding smart city – A data-driven literature review. Sustainability, 12(20), 8460.
• Stübinger J., Schneider L., 2020. Epidemiology of coronavirus COVID-19: Forecasting the future incidence in different countries. Healthcare, 8(2), 9.
• Stübinger J., Adler K., 2020. How to identify varying lead-lag effects in time series data – Implementation, validation, and application of the generalized causality algorithm. Algorithms, 13(4), 95.
• Stübinger, J., Mangold, B., Knoll, J., 2020. Machine learning in football betting: Prediction of match results based on player characteristics. Applied Sciences, 10(1), 46.
• Schneider L., Stübinger J., 2020. Dispersion trading based on the explanatory power of S&P 500 stock returns. Mathematics 8(9), 1627.
• Knoll, J., Stübinger, J., 2020. Machine-learning-based statistical arbitrage football betting, KI, 34, 69-80.
• Mangold, B., Stübinger, J., 2020. Investigating inefficiencies of bookmaker odds in football using machine learning. 3rd International Conference on Advanced Research Methods and Analytics, 173-179.
• Stübinger, J., 2019. Statistical arbitrage with optimal causal paths on high-frequency data of the S&P 500. Quantitative Finance, 19(6), 921-935.
• Stübinger, J., Schneider, L., 2019. Statistical arbitrage with mean-reverting overnight price gaps on high-frequency data of the S&P 500. Journal of Risk and Financial Management, 12(2), 51.
• Endres, S., Stübinger, J., 2019. Optimal trading strategies for Levy-driven Ornstein-Uhlenbeck processes, Applied Economics, 51(29), 3153-3169.
• Endres, S., Stübinger, J., 2019. A flexible regime switching model with pairs trading application to the S&P 500 high-frequency stock returns. Quantitative Finance, 19(10), 1727-1740.
• Stübinger, J., 2019. The power of machine learning in the biological context. Biostatistics and Biometrics, 9(4), 1-2.
• Knoll, J., Stübinger, J., Grottke, M., 2019. Exploiting social media with higher-order factorization machines: Statistical arbitrage on high-frequency data of the S&P 500. Quantitative Finance, 19(4), 571-585.
• Stübinger, J., Endres, S., 2018. Pairs trading with a mean-reverting jump-diffusion model on high-frequency data. Quantitative Finance, 18(10), 1735-1751.
• Stübinger, J., Knoll, J., 2018. Beat the bookmaker – Winning football bets with machine learning (Best Refereed Application Paper). In: Bramer M., Petridis M. (eds).  Artificial Intelligence XXXV. Springer, Cham, 219-233.
• Stübinger, J., Walter, D., Knoll, J., 2018. Financial market predictions with factorization machines: Trading the opening hour based on overnight social media data. The Economics and Finance Letters, 5(2), 28-45.
• Stübinger, J., Mangold, B., Krauss, C., 2018. Statistical arbitrage with vine copulas. Quantitative Finance, 18(11), 1831-1849.
• Krauss, C., Stübinger, J., 2017. Nonlinear dependence modeling with bivariate copulas: Statistical arbitrage pairs trading on the S&P 100. Applied Economics 49(52), 5352-5369.
• Stübinger, J., Bredthauer, J., 2017. Statistical arbitrage pairs trading with high-frequency data. International Journal of Economics and Financial Issues, 7(4), 650-662.

Konferenzen

• How to use Knowledge Graphs for Digital Material Market Place. Fourth Conference on Data Analytics & Artificial Intelligence, Nürnberg, 2020.
• Investigating inefficiencies of bookmaker odds in football using machine learning. Third International Conference on Advanced Research Methods and Analytics, Valencia, 2020.
• Artificial Intelligence for the Tax department. Third Conference on Data Analytics & Artificial Intelligence, Nürnberg, 2019.
• Beat the bookmaker – Winning football bets with machine learning (Best Refereed Application Paper). Thirty-eighth SGAI International Conference on Artificial Intelligence, Cambridge, 2018.
• Using higher-order factorization machines for enterprise value prediction. Research Series of GfK, Nürnberg, 2017.
  
• Financial market predictions with Factorization Machines: Trading the opening hour based on overnight social media data. CEQURA Conference 2017 on Advances in Financial and Insurance Risk Management, München, 2017.