Lebenslauf, Forschung und Lehre

Werdegang und Forschung

„Die Maschine rechnet. Entscheiden sollen Menschen, die verstehen, warum.“

Wie wird aus den Zielen einer Familie ein Portfolio, das ein Leben lang trägt? Darauf suche ich Antworten mit Daten, Statistik und künstlicher Intelligenz.

Lebenslauf herunterladen (PDF)

Zeitleiste

Seit 2013 forsche ich zur Geldanlage, seit 2016 auch gemeinsam mit Studierenden: In 32 Masterarbeiten, Industrieprojekten und Praktika mit mehr als 50 Studierenden von sechs Universitäten war ich von der Frage bis zum Ergebnis eng dabei. Dazu kommen vier Kooperationen mit Promovierenden und Instituten und meine Vorlesungen. Und im Beruf forsche ich jeden Tag, seit 2008 bei Sal. Oppenheim, HQ Asset Management und FINVIA; die Zeile Beruf zeigt, wann. Die Grafik zeigt, zu welcher Stufe des Anlageprozesses jedes Projekt gehört.

Projekte und Lehre nach Stufe und Jahr

Beruf

Praxis im Studium FINVIA HQ Asset Management Sal. Oppenheim, ab 2008

Ausbildung

Promotion, LMU München Diplom

mit Studierendenmit Koautoren, Promovierenden und InstitutenVorlesungSummer Schoolmehrere Jahre Eine Marke je Projekt oder Vorlesung, im Jahr, in dem es begann; eine Linie zeigt, wie lange es lief, ein Pfeil, dass es noch läuft. Die Zeilen Beruf und Ausbildung zeigen, wo ich gearbeitet und gelernt habe; die Rauten sind Summer Schools. Die graue Spalte links fasst 2004 bis 2011 zusammen. Titel in der Originalsprache.

2012Vorlesung, Hochschule KoblenzMethoden und Lehre
Financial Innovations (Master)
2013–2019Working Paper, Universität zu KölnErwartungen
Tree-based conditional portfolio sorts
Tom Zimmermann
Entscheidungsbäume und Random Forests zeigen, welche der vielen Kennzahlen künftige Aktienrenditen wirklich erklären.
Best Paper Award 2015
Zum Paper
2016–2020Kapitel der Dissertation, LMU MünchenUmfeld
The relation between stock market risk and return
Stefan Mittnik
2016Masterarbeit, Universität ZürichZiele
Assessing the risk tolerance of retail investors: risk profiling in theory and practice
Claudio Ambühl
Online-Fragebögen zur Risikobereitschaft sind wenig verlässlich: Derselbe Testkunde bekam Empfehlungen von 23 bis 90 Prozent Aktien.
Derselbe Kunde, 21 Online-Fragebögen: Wie viel soll in Aktien?

eingestuft als 5 von 10anders eingestuft

Testkunde: 30 Jahre, ohne Vorwissen, will 15.000 für 15 Jahre anlegen. Ein Balken je Online-Anbieter: der Anteil der Aktien in der empfohlenen Mischung, gerundet. Selbst wer ihn gleich einstufte (dunkel), empfahl zwischen 23 und 61 Prozent Aktien. Quelle: Masterarbeit von Claudio Ambühl, Universität Zürich, Tabelle 8; eigene Darstellung.
- Acht der 21 Anbieter empfahlen allen drei Testkunden dasselbe Portfolio: dem 30-Jährigen ebenso wie dem 60-Jährigen, der in sechs Jahren in Rente geht.
- Nur etwa vier von zehn Fragebögen erfüllten die Grundregel der EU für Anlageberatung (MiFID), und keiner fragte getrennt, wie viel Risiko jemand eingehen will und wie viel er tragen kann.
2018Dissertation, Betreuer Stefan Mittnik, LMU MünchenErwartungen
Applications of textual analysis and machine learning in asset pricing
PLEXUS-Förderpreis 2020
Dissertation (PDF)
2018Industrieprojekt, LMU MünchenUmfeld
Finanzmarktprognose mit Hilfe von Textdaten
Karem El-Oraby und Raphael Rehms
Artikel der ZEIT machen Monatsprognosen für deutsche Aktien, Anleihen und den Ifo-Index etwas besser: Der Prognosefehler sinkt um bis zu 9 Prozent.
Um so viel kleiner wurde der Prognosefehler mit Zeitungstexten

Euro-Bund-Future8,7 %
Ifo-Geschäftsklima6,5 %
VDAX (Schwankung des DAX)3,1 %
DAX2,6 %
REX-Rentenindex0,3 %

Prognosen für den jeweils folgenden Monat, auf dem letzten Drittel der Daten bis November 2017, jeweils nur mit dem, was damals bekannt war. Verglichen mit einem Modell, das nur die eigene Vergangenheit der Reihe nutzt; je Reihe die beste von 220 Varianten, also eher eine Obergrenze. Quelle: Projektbericht von Karem El-Oraby und Raphael Rehms, LMU München, 2018, Abschnitt 5.3; eigene Darstellung.
- Grundlage waren 469.137 Artikel der ZEIT seit 1946, Monat für Monat in Worthäufigkeiten übersetzt. Ein statistisches Verfahren (LASSO) wählte aus 225.528 Wörtern die wenigen aus, die der Prognose halfen.
- Viele der ausgewählten Wörter hatten inhaltlich nichts mit den Märkten zu tun: ein Hinweis, wie leicht in großen Datenmengen Zufallsmuster entstehen.
2018Masterarbeit, LMU MünchenErwartungen
Forecasting financial time series with deep learning
David Milewski
Neuronale Netze sagten die Richtung des US-Aktienmarkts in bis zu 74 von 100 Monaten richtig voraus; wer immer „steigt“ sagte, lag in 69 richtig.
Wie oft die Richtung stimmte: 108 Monate US-Aktien

Immer „steigt“ sagen68,5 %
Klassisches Zeitreihenmodell (ARIMA)66,7 %
648 neuronale Netze (LSTM)47 bis 74 %

Anteil der Monate, in denen die Prognose für den Folgemonat das richtige Vorzeichen hatte, November 2008 bis Oktober 2017, breiter US-Aktienindex; trainiert wurden die Netze mit Monatsrenditen von 1959 bis 2008. Quelle: Masterarbeit von David Milewski, LMU München, 2018, Abschnitt 3.2.5; eigene Darstellung.
- Weil Aktien in mehr als zwei von drei Monaten stiegen, ist schlichtes „steigt“ schwer zu schlagen. Das beste Netz lag in 74 von 100 Monaten richtig, viele andere schlechter.
- Nur investiert, wenn das beste Netz steigende Kurse erwartete, wäre das Geld um 168 statt um 130 Prozent mit dem Index gewachsen. Doch nur 95 der 648 Netze schlugen den Index, und welches das beste ist, weiß man erst hinterher.
2020Masterarbeit, LMU MünchenErwartungen
A comprehensive analysis of the use of deep learning models for forecasting the cross-section of stock returns
Cem Öztürk
Von neun neuronalen Netzen brachten nur zwei mehr Rendite je Risiko als ein einfacher, gleich gewichteter Korb großer US-Aktien, vor Kosten.
Neun neuronale Netze: Rendite je Risiko

Alle großen Aktien, gleich gewichtet0,51
Netz mit 1 Schicht0,40
2 Schichten0,65
3 Schichten0,43
4 Schichten0,41
5 Schichten0,48
6 Schichten0,44
7 Schichten0,43
10 Schichten, Variante a0,37
10 Schichten, Variante b0,56

Sharpe Ratio des Zehntels der Aktien, das ein Netz am besten einschätzte, nur gekauft, Januar 1976 bis Dezember 2018, vor Kosten; große US-Aktien. Quelle: Masterarbeit von Cem Öztürk, LMU München, 2020, Tabelle 3.7; eigene Darstellung.
- Getestet über 43 Jahre an großen US-Aktien, alle drei Monate mit 66 Kennzahlen neu trainiert; welche Kennzahlen zählten, ließ sich aus den Netzen ablesen: vor allem das Verhältnis von Buch- zu Marktwert.
- Nur zwei der neun schlugen den einfachen Korb, und gerade diese beiden hatte das Auswahlverfahren vorher nicht favorisiert. Dazu kommen viel Handel und tiefere Einbrüche als beim Korb.
2020Industrieprojekt, UC BerkeleyErwartungen
Analysis of stock return predictors using profitability metrics
Alex Bietrix und Paul-Noël Digard
Modelle, die jeden Monat über die Richtung des S&P 500 abstimmten, drückten seinen größten Verlust von −53 auf −22 Prozent, bei gleicher Rendite je Risiko, aber weniger Rendite.
Den S&P 500 timen: weniger Rendite, viel kleinere Verluste

Rendite im Jahr
S&P 5007,4 %
Timing-Strategie5,3 %
Schwankung im Jahr (Volatilität)
S&P 50014,1 %
Timing-Strategie9,7 %
Größter Verlust vom Höchststand
S&P 500−53 %
Timing-Strategie−22 %

Januar 1992 bis Januar 2019, monatlich: im S&P 500 investiert oder in Cash, je nach Abstimmung der Modelle; Variante ohne Leerverkäufe mit wachsendem Datenfenster. Rendite je Risiko (Sharpe Ratio) bei beiden 0,58. Quelle: Bericht von Alex Bietrix und Paul-Noël Digard, UC Berkeley, 2020, Tabelle 3; eigene Darstellung.
- Bewertet wurde nur nach Gewinn, nicht nach Prognosestatistik: Jeden Monat stimmten die Modelle, die in den letzten zwei Jahren am meisten verdient hatten, darüber ab, ob der Index steigt.
- Keine Variante schlug den Index. Von 23 einzelnen Kennzahlen gelang das nur einer (Neun-Monats-Momentum): Mit einer einzigen Zahl ist der Markt kaum zu schlagen.
2020Industrieprojekt, UC BerkeleyUmfeld
Business news topic modeling
Zacharie Bouhnik und William Lambert
Die Themen der New York Times erklären im Nachhinein rund 40 Prozent der Schwankungen am US-Aktienmarkt und 16 Prozent seiner Monatsrenditen.
Wie viel vom US-Aktienmarkt die Nachrichtenthemen erklären

Schwankung des S&P 50040 %
Monatsrendite des S&P 50016 %

Anteil der Schwankungen von Monat zu Monat, den die Aufmerksamkeit der New York Times für fünf Themen im selben Monat erklärt (R²; Volatilität rund 40 Prozent). Im Nachhinein erklärt, nicht vorhergesagt. Quelle: Bericht von Zacharie Bouhnik und William Lambert, UC Berkeley, 2020, Abschnitt 4; eigene Darstellung.
- Grundlage waren 219.162 Artikel aus dem Wirtschaftsteil der New York Times von 1998 bis 2020, von einem Themenmodell in 40 Themen sortiert, etwa Energie, Rente oder Krise.
- Die Aufmerksamkeit für das Thema „Krise“ stieg schon im Februar und März 2007 steil an, Monate bevor die Finanzkrise ausbrach. Mehr Aufmerksamkeit für Rezession, Kreditprobleme und Energie ging mit fallenden Kursen einher.
2020Industrieprojekt, UC BerkeleyAufteilung
Interpretable models for portfolio management
Jiayin Guo und Yvonne Zhu
Erklärbare Regressionen mit ausgewählten Wechselwirkungen bauten bessere Long-Short-Portfolios als Entscheidungsbäume: etwa halb so tiefe Einbrüche und mehr Ertrag je Risiko.
Long-Short-Portfolio: größter Verlust vom Höchststand

Regression mit Wechselwirkungen−21 %
Regression−30 %
Random Forest−40 %
LightGBM−51 %

US-Aktien 1980 bis 2019, monatlich neu gewichtet: das Zehntel mit den besten Prognosen gekauft, das mit den schlechtesten leer verkauft, gleich gewichtet. Ertrag je Risiko (Information Ratio): Regressionen 0,98 und 0,96, Random Forest 0,61, LightGBM 0,24. Quelle: Bericht von Yvonne Zhu und Jiayin Guo, UC Berkeley, 2020, Abbildungen 3 und 4; eigene Darstellung.
- Ziel waren Modelle, die man erklären kann: Jedes Jahr wurden die Kennzahlen und ihre Wechselwirkungen neu ausgewählt, und Shapley-Werte zeigten, warum ein Modell eine Aktie wählte.
- Bei Portfolios, die nur kaufen, lagen die Entscheidungsbäume vorn; bei Long-Short-Portfolios die einfachen Regressionen, und Wechselwirkungen machten die Einbrüche kleiner.
2020Industrieprojekt, UC BerkeleyErwartungen
LSTM for stock return prediction and portfolio construction
Xuanyi Ji und Shimai Zhang
Ein neuronales Netz (LSTM) ordnete US-Aktien nach ihrer erwarteten Rendite: im Training sehr treffsicher, im Test deutlich weniger.
2021Working PaperAuswahl und Überprüfung
Modern asset management
Christian Maschner und Martin Schmitz
SSRN
2021Industrieprojekt, UC BerkeleyErwartungen
Amazon customer reviews and stock returns
Yifei Tong
2021Industrieprojekt, UC BerkeleyUmfeld
Ensemble sentiment dictionaries for financial applications
Philip Spalding
2021Industrieprojekt, UC BerkeleyErwartungen
Forecasting stock market returns with AutoML
Ayush Gupta
2021Industrieprojekt, UC BerkeleyErwartungen
Forecasting stock market returns with deep learning
Alec Madayan
2021Industrieprojekt, UC BerkeleyErwartungen
Forecasting stock market returns with ensembles
Kunal Chakraborty
2021Industrieprojekt, UC BerkeleyErwartungen
Investment strategy with long-history data and feature engineering
Taige Hong
2021Industrieprojekt, UC BerkeleyErwartungen
Textual analysis of financial statements with ESG language to forecast single-stock returns
Neil Gulati
2022Masterarbeit, TU MünchenErwartungen
Automatically tuned deep neural networks for forecasting the cross-section of stock returns
Antonio Di Giovanni
2022Masterarbeit, TU MünchenErwartungen
Empirical asset pricing via machine learning, after trading costs
Dominik Eichhorn
2022Industrieprojekt, UC BerkeleyErwartungen
Machine learning for equity style rotation strategies
Andrew Lazzeri
2022Industrieprojekt, UC BerkeleyErwartungen
Stock selection with deep learning
Nathan Sheng
2022Industrieprojekt, UC BerkeleyUmfeld
Volatility-managed factor portfolios with machine learning and macroeconomic data
Peter Masforroll
2022Industrieprojekt, UC BerkeleyUmfeld
Volatility-managed portfolios with machine learning and macroeconomic data
Divya Singh
2023–2025Promotion, LMU MünchenStresstests
DCC-GARCH-Copula-Modelle
Dennis Mao
2023Industrieprojekt, UC BerkeleyPrivate Märkte
Cash-flow models for alternative investments
Juliette Ould-Aklouche
2023Industrieprojekt, UC BerkeleyZiele
Dynamic portfolio allocation in goal-based wealth management over multiple periods
Elisa Piaraly
2023Industrieprojekt, Universität zu KölnMethoden und Lehre
Machine learning for economists
Mehr als 20 Studierende
2023–2024Industrieprojekt, UC BerkeleyStresstests
Modelling the global economy, public and private asset classes for scenario analysis
Angel Chen und Jan-Luca Frick
2023Praktikum, Frankfurt SchoolAufteilung
Multi-period portfolio optimisation
Jan-Luca Frick
2023Industrieprojekt, UC BerkeleyAufteilung
The Python package riskfolio-lib in depth, with an empirical application
Mélanie Fabiani
2024Masterarbeit, Universität zu KölnPrivate Märkte
Forecasting net values and cash flows of private assets with machine learning
Janina Dierk
Seit 2025Promotion, Universität zu Köln, Universität TübingenZiele laufend
Erwartungen von Anlegern: Analyse, Prognose und Strategie mit künstlicher Intelligenz
Thorben Lützen und Felix Klosterköther
Seit 2025Industrieprojekt, Goethe-Universität Frankfurt, Kiel Institut, Universität TübingenErwartungen laufend
Immobilien: Analyse, Prognose und Strategie mit künstlicher Intelligenz
Tim Brück, Jonas Zdrzalek, Steffen Zetzmann und Felix Klosterköther
Wer Eigentumswohnungen über mehrere deutsche Städte streute, hätte von 1995 bis 2025 bei vergleichbarem Risiko einen um rund 27 Prozentpunkte höheren Endwert erreicht als mit einem marktgewichteten Portfolio.
GREIX Portfolio-Analyse: Räumliche Diversifikation zahlt sich aus (Kiel Institut)
Seit 2025Promotion, LMU München, Universität Tübingen, Universität zu KölnPrivate Märkte laufend
Private Märkte: Analyse, Prognose und Strategie mit künstlicher Intelligenz
Konstantin Scheurer, Felix Klosterköther und Tom Zimmermann
2026Industrieprojekt, UC BerkeleyZiele
Goal-based investor profiling with mental accounts
Stefan Wennemar
2026Industrieprojekt, UC BerkeleyUmfeld
Methods for extracting information from financial texts
Jonathan Hartadi
2026Industrieprojekt, UC BerkeleyAuswahl und Überprüfung
Mutual fund selection with machine learning
Bailey Lin
2026Industrieprojekt, UC BerkeleyPrivate Märkte
Subscription lines and forecast bias in the Takahashi-Alexander model
Hrafnhildur Líf Jónsdóttir
WS 2026/27Vorlesung, Duale Hochschule Schleswig-HolsteinMethoden und Lehre laufend
Kapitalmarkt

Wie die Projekte in die Arbeit mit Familien einfließen: Lebens- und Finanzplanung.

Berufserfahrung

Seit 2022
Head of Investment Strategy & Research, Mitglied des Investment CommitteeFINVIA, Frankfurt
- Erarbeitet mit seinem Team die strategische Vermögensallokation über liquide und illiquide Anlageklassen.
- Prognostiziert Renditen, Risiken und Korrelationen, optimiert Portfolios über mehrere Perioden, rechnet Szenarien und Stresstests und modelliert Cashflows und NAVs alternativer Anlagen.
- Leitet Forschungskooperationen mit Studierenden und Promovierenden internationaler Universitäten.
2018–2022
Executive Partner, Teil des GründungsteamsHQ Asset Management, Düsseldorf
- Entwarf eine cloudbasierte Investmentplattform (R, Python, SQL, Azure, Docker, GitHub) für Asset Allocation, Risikomanagement, Aktienauswahl, Prognose, Optimierung, Backtesting, erklärbare KI und AutoML.
- Brachte künstliche Intelligenz und alternative Daten in den Investmentprozess, leitete Research- und Portfolioprojekte im ganzen Haus und entwickelte ESG-integrierte Lösungen mit MSCI Barra.
- Betreute Masterstudierende in datengetriebenen Projekten, unterstützte den Vertrieb und stellte Forschung auf Konferenzen und an Hochschulen vor.
2008–2018
Vice PresidentSal. Oppenheim, Köln
- Verantwortete gemeinsam die Asset-Allocation-Strategie für 7,1 Mrd. EUR institutionelles und 1,6 Mrd. EUR privates Vermögen; führte den Prozess der strategischen Allokation und den Jahresausblick ein.
- Entwickelte quantitative Modelle für taktische und strategische Allokation, darunter Risikosimulation, Faktorallokation und Makroindikatoren.
- Managte fünf Publikums- und Spezialfonds (0,5 Mrd. EUR) und wirkte im Anlageausschuss an Mandatsvorschlägen mit.

Paper

Tree-based conditional portfolio sorts: The relation between past and future stock returns

Mit Tom Zimmermann. Working Paper auf SSRN, früherer Titel: Deep conditional portfolio sorts.

Die Frage, mit der alles anfing: Welche der vielen Kennzahlen sagen wirklich etwas über künftige Aktienrenditen? Die Antwort kam aus der künstlichen Intelligenz.

Bis 2013 hatte die Forschung mehr als 300 Kennzahlen gefunden, die künftige Aktienrenditen vorhersagen sollen. John Cochrane nannte das 2011 in seiner Rede als Präsident der American Finance Association einen Zoo von Faktoren und fragte, welche Kennzahlen eigene Information tragen und welche nur andere wiederholen. Er vermutete, dass es dafür andere Methoden braucht.

Doppelsortierung, wie bisher

Schnitte vorher festgelegt: 25 Gruppen

Baum, mit KI

Schnitte aus den Daten: 10 Gruppen

Erwartete Rendite im Folgemonatniedrigerhöher Dieselben simulierten Aktien, links nach festem Raster sortiert, rechts vom Baum geteilt. Bei zwei Kennzahlen geht das Raster noch: fünf mal fünf sind 25 Gruppen. Bei den 25 Kennzahlen des Papers wären es fast 300 Billiarden Gruppen, weit mehr, als es Aktien gibt. Der Baum wählt selbst, welche Kennzahl er wo schneidet, und kommt hier mit 10 Gruppen aus. Mit dem Regler wächst er Stufe für Stufe.

Wie es funktioniert, und was herauskam

Die Werkzeuge des Fachs kamen damit nicht weit. Eine Portfoliosortierung teilt die Aktien nach einer Kennzahl in Gruppen, eine Doppelsortierung nach zweien; ab drei Kennzahlen bleiben in jeder Gruppe zu wenige Aktien. Eine Fama-MacBeth-Regression verträgt viele Kennzahlen, aber kaum ihr Zusammenspiel: Schon 50 Kennzahlen mit allen paarweisen Wechselwirkungen brauchen 1.275 Koeffizienten, mehr, als es in manchen Monaten Aktien gab.

Tom Zimmermann und ich antworteten 2013 mit Entscheidungsbäumen und Random Forests aus dem maschinellen Lernen, einem Teilgebiet der künstlichen Intelligenz. Ein Baum sortiert wie eine Mehrfachsortierung, wählt aber selbst, nach welcher Kennzahl und an welcher Schwelle er teilt, über so viele Stufen, wie die Daten tragen. Der Random Forest mittelt 200 solcher Bäume, jeden auf einer zufälligen Auswahl von Daten und Kennzahlen, damit kein Zufallsmuster als Gesetz durchgeht. Gerechnet wurde das auf dem Supercomputer der Universität Harvard.

Angewandt auf die vergangenen Monatsrenditen amerikanischer Aktien seit 1963 zeigte das Verfahren: Fast die ganze Information steckt in den letzten sechs Monaten, oft nichtlinear und im Zusammenspiel. Eine Handelsstrategie auf dieser Grundlage erreichte ein etwa doppelt so hohes Information Ratio, also Mehrertrag je Einheit Risiko, wie eine Fama-MacBeth-Regression mit Wechselwirkungen; die Handelskosten erklären den Abstand nicht. Es war das erste Paper, das bedingte Portfoliosortierungen als Verfahren des maschinellen Lernens las, und erhielt 2015 den Best Paper Award der Deutschen Gesellschaft für Finanzwirtschaft.

2013
Vorgestellt im Forschungsseminar in HarvardFolien (PDF)
2014
Erstes Working Paper und erweiterte PräsentationPaper (PDF) Folien (PDF)
2015
Best Paper Award auf der Jahrestagung der Deutschen Gesellschaft für Finanzwirtschaft
2016
Zitiert von Cerniglia, Fabozzi und Kolm im Journal of Portfolio Management 42(5)Artikel
2017
Zitiert von Mullainathan und Spiess im Journal of Economic Perspectives 31(2)Artikel
2018
Zitiert von Gu, Kelly und Xiu in Empirical asset pricing via machine learning, später in der Review of Financial Studies 33(5)Paper
2019
Besprochen von Stefan Nagel in den Princeton Lectures in Finance, Machine Learning and Asset PricingDiskussionen

The relation between stock market risk and return

Mit Stefan Mittnik. Kapitel 2 der Dissertation. Vorgestellt 2016–2020, unter anderem auf der 7. NextGen AI Conference.

Dissertation (PDF)

Modern asset management

Mit Christian Maschner und Martin Schmitz.

SSRN

Applications of textual analysis and machine learning in asset pricing

Dissertation, LMU München, 2018. Betreuer: Prof. Stefan Mittnik. PLEXUS-Förderpreis für Künstliche Intelligenz in der Finanzwirtschaft 2020.

Dissertation (PDF) Folien der Disputation (PDF)

Alle Veröffentlichungen bei SSRN und Google Scholar.

Vorträge

30 Vorträge seit 2013: bei Zentralbanken und Aufsicht, an Universitäten, bei Vermögensverwaltern und auf Konferenzen.

Zentralbanken und Aufsicht 5

2015
Federal Reserve BoardWashington D.C. · Tree-based conditional portfolio sorts
2015
Bank of EnglandLondon · Tree-based conditional portfolio sorts
2015
Bank für Internationalen Zahlungsausgleich (BIZ)Basel · Tree-based conditional portfolio sorts
2015
Norges BankOslo · Tree-based conditional portfolio sorts
2016
Commodity Futures Trading Commission (CFTC)Washington D.C. · Tree-based conditional portfolio sorts

Universitäten 10

2013
Harvard University, Financial Economics SeminarTree-based conditional portfolio sorts
2014
Harvard University, Financial Economics SeminarTree-based conditional portfolio sorts
2014
Universität Zürich, Computational Economics and Finance SeminarTree-based conditional portfolio sorts
2014
LMU München, Financial Econometrics SeminarTree-based conditional portfolio sorts
2016
LMU München, Financial Econometrics SeminarThe relation between stock market risk and return
2017
LMU München, Financial Econometrics SeminarThe relation between stock market risk and return
2018
LMU München, Financial Econometrics SeminarThe relation between stock market risk and return
2018
LMU München, Kolloquium des Instituts für StatistikTree-based conditional portfolio sorts
2021
TU München, Advanced Seminar in Finance and AccountingEin moderner Vermögensverwalter mit Technologie und KI
2021
University of Cambridge, Optimal Portfolio Research SeminarEin moderner Vermögensverwalter mit Technologie und KI

Vermögensverwalter und Banken 4

2014
Sal. OppenheimKöln · Tree-based conditional portfolio sorts
2014
Wellington ManagementLondon · Tree-based conditional portfolio sorts
2015
BlackRockKalifornien · Tree-based conditional portfolio sorts
2017
DWS InvestmentsFrankfurt · Tree-based conditional portfolio sorts

Konferenzen 11

2015
11. Weltkongress der Econometric SocietyMontreal · Tree-based conditional portfolio sorts
2015
22. Jahrestagung der Deutschen Gesellschaft für FinanzwirtschaftLeipzig · Tree-based conditional portfolio sorts
2015
9. International Conference on Computational and Financial EconometricsLondon · Tree-based conditional portfolio sorts
2015
6. CEQURA-KonferenzMünchen · Tree-based conditional portfolio sorts
2015
2. SOFINE-CEQURA Spring Junior Research WorkshopBayern · Tree-based conditional portfolio sorts
2016
15. Colloquium on Financial MarketsKöln · Tree-based conditional portfolio sorts
2019
10. CEQURA-KonferenzMünchen · The relation between stock market risk and return
2019
AI and Data Science in TradingLondon · Ein moderner Vermögensverwalter mit Technologie und KI
2019
The Trading Show EuropeLondon · Ein moderner Vermögensverwalter mit Technologie und KI
2020
The Trading Show EuropeLondon · Ein moderner Vermögensverwalter mit Technologie und KI
2020
7. NextGen AI Conference (Textanalyse)Frankfurt · The relation between stock market risk and return

Vorträge zu den Papern teils vom Koautor gehalten.

Lehre

WS 2026/27
Dozent, KapitalmarktDuale Hochschule Schleswig-Holstein, Betriebswirtschaftslehre, 5. Semester. Bewertung, Rendite und Risiko, Zinsen, Aktien, weitere Märkte und Portfolio, mit einem Planspiel als Anlageausschuss.
2012
Lehrbeauftragter, Financial Innovations (Master)Hochschule Koblenz

Ausbildung

2012–2018
Promotion in Statistik (Dr. rer. nat.), LMU MünchenBetreuer: Prof. Stefan Mittnik. Dissertation: Applications of Textual Analysis and Machine Learning in Asset Pricing. Berufsbegleitend.
2004–2008
Diplom in Mathematik und Wirtschaft, Hochschule Koblenz

Summer Schools

2016
Advances in Macroeconomic ForecastingGabriel Pérez-Quirós, Madrid
2014
Financial EconometricsEnrique Sentana, Rethymno
2011
Intermediate MacroeconomicsLondon School of Economics
2010
Financial Econometrics and ForecastingFrancis X. Diebold, Geneva

Praxis im Studium

2007–2008
Praktikant, Quantitative Equity ManagementSal. Oppenheim, Köln
2006–2007
Praktikant, Credit Risk Stress TestingDresdner Bank, Frankfurt
2005–2006
Werkstudent, Venture Capital Funds ManagementKfW, Bonn
2005
Praktikant, Industrial Risk AnalysisAXA, Köln

Auszeichnungen

2020
PLEXUS-Förderpreis für Künstliche Intelligenz in der FinanzwirtschaftFür die Dissertation Applications of Textual Analysis and Machine Learning in Asset Pricing; verliehen im März 2021
2015
Best Paper Award, Jahrestagung der Deutschen Gesellschaft für FinanzwirtschaftFür Tree-based conditional portfolio sorts, mit Tom Zimmermann

Zusammenarbeit

Studierende und Forschende, die eine Abschlussarbeit schreiben, an einem Industrieprojekt mitarbeiten oder ein gemeinsames Paper verfassen möchten, können mir schreiben, am besten mit einer kurzen Skizze der Idee und des Zeitplans.

Zeitleiste

Financial Innovations (Master)

Tree-based conditional portfolio sorts

The relation between stock market risk and return

Assessing the risk tolerance of retail investors: risk profiling in theory and practice

Applications of textual analysis and machine learning in asset pricing

Finanzmarktprognose mit Hilfe von Textdaten

Forecasting financial time series with deep learning

A comprehensive analysis of the use of deep learning models for forecasting the cross-section of stock returns

Analysis of stock return predictors using profitability metrics

Business news topic modeling

Interpretable models for portfolio management

LSTM for stock return prediction and portfolio construction

Modern asset management

Amazon customer reviews and stock returns

Ensemble sentiment dictionaries for financial applications

Forecasting stock market returns with AutoML

Forecasting stock market returns with deep learning

Forecasting stock market returns with ensembles

Investment strategy with long-history data and feature engineering

Textual analysis of financial statements with ESG language to forecast single-stock returns

Automatically tuned deep neural networks for forecasting the cross-section of stock returns

Empirical asset pricing via machine learning, after trading costs

Machine learning for equity style rotation strategies

Stock selection with deep learning

Volatility-managed factor portfolios with machine learning and macroeconomic data

Volatility-managed portfolios with machine learning and macroeconomic data

DCC-GARCH-Copula-Modelle

Cash-flow models for alternative investments

Dynamic portfolio allocation in goal-based wealth management over multiple periods

Machine learning for economists

Modelling the global economy, public and private asset classes for scenario analysis

Multi-period portfolio optimisation

The Python package riskfolio-lib in depth, with an empirical application

Forecasting net values and cash flows of private assets with machine learning

Erwartungen von Anlegern: Analyse, Prognose und Strategie mit künstlicher Intelligenz

Immobilien: Analyse, Prognose und Strategie mit künstlicher Intelligenz

Private Märkte: Analyse, Prognose und Strategie mit künstlicher Intelligenz

Goal-based investor profiling with mental accounts

Methods for extracting information from financial texts

Mutual fund selection with machine learning

Subscription lines and forecast bias in the Takahashi-Alexander model

Kapitalmarkt

Berufserfahrung

Paper

Tree-based conditional portfolio sorts: The relation between past and future stock returns

The relation between stock market risk and return

Modern asset management

Applications of textual analysis and machine learning in asset pricing

Vorträge

Zentralbanken und Aufsicht 5

Universitäten 10

Vermögensverwalter und Banken 4

Konferenzen 11

Lehre

Ausbildung

Summer Schools

Praxis im Studium

Auszeichnungen

Zusammenarbeit