Dr. Andreas Masuhr

Institut für Ökonometrie und Wirtschaftsstatistik
Am Stadtgraben 9
48143 Münster

Raum 318
Tel.: +49 (0)251-83 22974
Zoom: https://wwu.zoom.us/my/andreas.masuhr
andreas.masuhr@wiwi.uni-muenster.de

Sprechzeiten:
nach Vereinbarung

  • Über

    Ausbildung

    10/2015 - 07/2019      Doktorand, Institut für Ökonometrie und Wirtschaftsstatistik,
                                               WWU Münster
    10/2013 - 09/2015      M.Sc. Economics, WWU Münster
    10/2010 - 09/2013      B.Sc. Volkswirtschaftslehre, WWU Münster

    Berufserfahrung

    10/2015 - aktuell          Wissenschaftlicher Mitarbeiter, Institut für Ökonometrie und Wirtschaftsstatistik,
                                               WWU Münster
    08/2015 - 10/2015      Praktikum WGZ Bank, Kreditrisikomethoden
    04/2015 - 09/2015      Wissenschaftliche Hilfskraft, Lehrstuhl für Empirische Wirtschaftsforschung

    Forschungsschwerpunkte

    • Volatility Transmission and Spillovers
    • Nonparametric Copulas
    • Reinforcement Learning

  • Veranstaltungen

    • Statistik 2 (Bachelor, SoSe2020
    • Introduction to R(Master, SoSe2020)
    • Introduction to R (Master, WiSe 19/20)
    • Machine Learning: Dynamic Optimization and Reinforcement Learning (WiSe 19/20)
    • Econometric Poliy Evaluation (WiSe 19/20)
    • Introduction to R (Master, SoSe 19)
    • Introduction to R (Master, WiSe 18/19)
    • Bayesian Econometrics (PhD level, SoSe 18)
    • Econometrics PhD ( PhD level, WiSe 16/17)
    • Empirical Economics (Bachelor, SoSe 16)
    • Advanced Statistics (Bachelor, WiSe 15/16)
    • Empirical Economics (Bachelor, SoSe 15)

  • Publikationen

    • Masuhr (2018), "Bayesian Estimation of Generalized Partition of Unity Copulas ", CQE Working Papers, 73/2018, .pdf download
    • Masuhr (2017), " Volatility Transmission in Overlapping Trading Zones ", CQE Working Papers, 67/2017, .pdf download

  • Abschlussarbeiten

    Bewerbungen auf ausgeschriebene Abschlussarbeitsthemen bitte per Mail.

    • Master: Optimal use of a Battery in a Solar Power Plant - A Reinforcement Learning Approach