Werdegang und Forschung

Seit 2013 forsche ich zu Finanzmärkten, Unternehmen und Immobilien, mit Daten, Statistik und KI, 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.

Alle zeigen

1. 2012Vorlesung, Hochschule KoblenzMethoden und Lehre

   Financial Innovations (Master)

2. 2013–2019Working Paper, Universität zu KölnErwartungen

   Tree-based conditional portfolio sorts

   Tom Zimmermann

   Entscheidungsbäume sagen aus den Renditen der letzten Monate künftige Aktienrenditen voraus; im Test 1968 bis 2012 brachten sie rund doppelt so viel Überrendite je Risiko wie Regressionen, vor Kosten.

   Grafik zum Ergebnis

   Rund doppelt so viel Überrendite je Risiko

   Entscheidungsbäume2,82

   Regression mit Wechselwirkungen1,32

   Regression ohne Wechselwirkungen0,98

   • Die Bäume finden Wechselwirkungen selbst, statt sie vorgegeben zu bekommen; am wichtigsten ist die Rendite des letzten Monats.
   • Nach grob geschätzten Handelskosten bleibt ein Plus, aber ein deutlich kleineres.

   Best Paper Award 2015

   Zum Paper

3. 2016–2020Kapitel der Dissertation, LMU MünchenUmfeld

   The relation between stock market risk and return

   Stefan Mittnik

   Der Ton von Artikeln der New York Times über Rezessionen seit 1981 hellt sich meist auf, wenn die Börse am tiefsten steht und am stärksten schwankt: Für Anleger zählt mehr, ob die Schwankung steigt oder fällt, als wie stark sie ist.

   Grafik zum Ergebnis

   Was zählt, ist die Richtung der Schwankung

   Tage nach Stärke der Schwankung

   Ruhig (unter dem Schnitt)4,0 %

   Stürmisch (über dem Schnitt)3,7 %

   Tage nach Richtung der Schwankung

   Bis zum Höhepunkt der Schwankung am 28.10.2008−17,2 %

   Nach dem Höhepunkt der Schwankung21,7 %

   • Artikel, die „Rezession“ erwähnen, häufen sich am Ende einer Rezession; ihr Ton, gemessen mit Stimmungswörterbüchern, dreht früher, um den Tiefpunkt der Börse.
   • Wer aussteigt, wenn es stark schwankt, meidet den Absturz, verpasst aber oft auch die Erholung danach.

   Kapitel 2 (PDF)

4. 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.

   Grafik zum Ergebnis

   Derselbe Kunde, 21 Online-Fragebögen: Wie viel soll in Aktien?

   Durchschnitt 58 %

   23 %90 %

   eingestuft als 5 von 10anders eingestuft

   • Acht der 21 Anbieter empfahlen allen drei Testkunden der Arbeit 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.

5. 2018Dissertation, Betreuer Stefan Mittnik, LMU MünchenErwartungen

   Applications of textual analysis and machine learning in asset pricing

   PLEXUS-Förderpreis 2020

   Dissertation (PDF)

6. 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.

   Grafik zum Ergebnis

   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 %

   • 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: Auch Stimmungen und Themen jenseits der Wirtschaft tragen Information.

7. 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.

   Grafik zum Ergebnis

   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 %

   40 %50 %60 %70 %80 %

   • 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.
   • Wäre man nur investiert gewesen, 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.

8. 2020Masterarbeit, LMU MünchenErwartungen

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

   Cem Öztürk

   Über 43 Jahre an großen US-Aktien getestet, brachten zwei von neun neuronalen Netzen mehr Rendite je Risiko als ein einfacher Korb; zudem zeigten die Netze, welche Kennzahlen zählen.

   Grafik zum Ergebnis

   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

   • 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.
   • Zwei der neun lagen vor dem einfachen Korb. Die Arbeit zeigt, wie schwer ein breiter Korb zu schlagen ist und wie viel von der Wahl des Netzes abhängt.

9. 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.

   Grafik zum Ergebnis

   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 %

   • 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 der kombinierten Varianten schlug den Index; von 23 einzelnen Kennzahlen gelang das einer (Neun-Monats-Momentum). Den Markt dauerhaft zu schlagen ist schwer, gleich mit welchem Verfahren.

10. 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.

    Grafik zum Ergebnis

    Wie viel vom US-Aktienmarkt die Nachrichtenthemen erklären

    Schwankung des S&P 50040 %

    Monatsrendite des S&P 50016 %

    • 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.

11. 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.

    Grafik zum Ergebnis

    Long-Short-Portfolio: größter Verlust vom Höchststand

    Regression mit Wechselwirkungen−21 %

    Regression−30 %

    Random Forest−40 %

    LightGBM−51 %

    • 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.

12. 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.

    Grafik zum Ergebnis

    Wie gut die Prognose zur späteren Rendite passte (Korrelation)

    Im Training0,743

    Im Test0,045

    • Ein typisches Bild bei Finanzdaten: Ein Netz lernt seine Trainingsdaten fast auswendig, auf neue Monate trägt davon nur ein kleiner Teil.

13. 2021Working PaperAuswahl

    Modern asset management

    Christian Maschner und Martin Schmitz

    Aus dem Verkäufermarkt ist ein Käufermarkt geworden: Anleger wollen bessere Ergebnisse, niedrigere Kosten und Lösungen für sich. Fünf Hebel helfen dabei, von der Arbeitskultur bis zur KI, und um sie umzusetzen, braucht es vier Arten von Wissen.

    Grafik zum Ergebnis

    Was einen modernen Vermögensverwalter ausmacht

    Was Anleger heute verlangen

    1. Bessere Ergebnisse
    2. Günstigere Prozesse
    3. Lösungen für jeden Einzelnen

    Fünf Hebel

    1. Zusammenarbeit statt Silos
    2. Skalierbare Technik
    3. Neue Daten, etwa Texte
    4. Künstliche Intelligenz
    5. Klare, einfache Kommunikation

    Vier Säulen

    1. Finanzwissen
    2. Statistik
    3. Informatik
    4. Jahre der Praxis

    • Die Leitfrage ist nicht aktiv oder passiv, sondern wer die Zahlen am besten systematisch auswertet, günstig und passend für jeden Anleger.
    • Technik allein bringt keinen Vorsprung; es kommt auf das Team an, das sie auf die Anlagefrage anwendet.

    SSRN

14. 2021Industrieprojekt, UC BerkeleyErwartungen

    Forecasting stock market returns with deep learning

    Alec Madayan

    Über 1.728 Einstellungen eines neuronalen Netzes mit Gedächtnis (LSTM) zeigte sich, wie stark Prognosen von den Einstellungen abhängen; verlässlich schlug keine den Markt.

    Grafik zum Ergebnis

    Ertrag je Risiko je nach Einstellung des Netzes, 1980 bis 2019

    Markt, immer investiert0,65

    LSTM: investiert oder Cash0,55–0,64

    LSTM: doppelt oder Cash0,48–0,50

    0,40,50,60,7

    • Je nach Einstellung kam das Netz nah an den Markt heran oder blieb deutlich darunter: Bei neuronalen Netzen entscheidet die Wahl der Einstellungen viel.

15. 2021Industrieprojekt, UC BerkeleyErwartungen

    Forecasting stock market returns – focus: AutoML

    Ayush Gupta

    Automatisierte KI (AutoML) fand Prognosemodelle auf dem Niveau sorgfältig gebauter Regressionen; ohne Hebel schlug 2000 bis 2020 keines den Markt.

    Grafik zum Ergebnis

    Was aus 1 Dollar wurde, 2000 bis 2020

    Ohne Hebel

    S&P 500, immer investiert2,96

    AutoML: investiert oder Cash2,83

    AutoML: auf steigende oder fallende Kurse2,32

    Mit doppeltem Einsatz

    S&P 500, immer doppelt5,26

    AutoML: doppelt oder Cash5,75

    Ridge-Regression: doppelt oder Cash5,66

    Lineare Regression: doppelt oder Cash4,57

    • AutoML hielt mit einer sorgfältig gebauten Ridge-Regression mit: Automatisierung spart Arbeit, zaubert aber keine Rendite.

16. 2021Industrieprojekt, UC BerkeleyErwartungen

    Forecasting stock market returns – focus: ensemble

    Kunal Chakraborty

    Jede Kombination von Prognosemodellen schnitt etwas besser ab als das Einzelmodell ihrer Art; das beste hielt 1998 bis 2020 mit dem Markt mit, obwohl es zeitweise in Cash lag.

    Grafik zum Ergebnis

    Je nach Prognose investiert oder in Cash: Rendite im Jahr

    S&P 500, immer investiert5,56 %

    Kombination, linear5,59 %

    Lineare Regression5,43 %

    Kombination, Ridge4,70 %

    Ridge-Regression4,35 %

    AdaBoost4,18 %

    Random Forest3,60 %

    Kombination, XGBoost2,94 %

    Gradient Boosting2,19 %

    Lasso2,06 %

    • Wetten auf fallende Kurse zahlten sich für kein Modell aus; mit doppeltem Einsatz schlugen zwei von zehn eine dauerhaft doppelte Anlage.

17. 2021Industrieprojekt, UC BerkeleyErwartungen

    Investment strategy with long history data and feature engineering

    Taige Hong

    Mit Daten bis zurück ins Jahr 1871 zeigte sich: Ein Vorsprung vor dem bloßen Halten von US-Aktien hing an einem einzigen Signal, das es nur von 1937 bis 2002 gab.

    Grafik zum Ergebnis

    Woran der Vorsprung hing: ein Signal, das es nur von 1937 bis 2002 gab

    Daten1871–2020

    Prognosen, je mit den 20 Jahren davor trainiert1891–2020

    Signal vorhanden1937–2002

    Vorsprung des besten Modells vor dem Halten1937–2002

    1870192019702020

    • Siebzehn Modelle von der Regression bis zum LSTM-Netz; am besten schnitt ein sehr einfacher Random Forest ab.
    • Die Lehre: prüfen, worauf ein Vorsprung beruht, bevor man ihm traut.

18. 2021Industrieprojekt, UC BerkeleyErwartungen

    Studying the relationship between customer reviews and stock returns

    Yifei Tong

    Ob Amazon-Bewertungen Aktienkurse vorwegnehmen, wurde für Apple, Microsoft und Garmin geprüft: Zusammenhänge zeigten sich genauso oft in umgekehrter Richtung.

    Grafik zum Ergebnis

    Wie oft sich ein deutlicher Zusammenhang zeigte, je Richtung

    Erst Bewertungen, dann Kurse (von 27 Tests)8

    Erst Kurse, dann Bewertungen (von 27 Tests)8

    In derselben Woche (von 9 Tests)1

    • Die Bewertungen hat der Autor selbst gesammelt, rund 10.000 je Firma.
    • Zusammenhänge zeigten sich in beide Richtungen gleich oft: ein Hinweis, dass Bewertungen den Kursen nicht verlässlich vorauslaufen.

19. 2021Industrieprojekt, UC BerkeleyErwartungen

    Textual analysis on financial statements to forecast single stock returns with ESG verbiage

    Neil Gulati

    In Jahresberichten von 25 großen US-Konzernen nahmen Wörter zu sozialen Themen zu; ein Zusammenhang zwischen dem Anteil an Nachhaltigkeitswörtern und der Aktienrendite ließ sich nicht nachweisen.

    Grafik zum Ergebnis

    Wörter zu sozialen Themen in den Berichten von 25 großen US-Konzernen

    20150,08 %

    20160,10 %

    20170,13 %

    20180,15 %

    20190,19 %

    20200,22 %

    2021, bis Herbst0,24 %

    • Wörter zur Unternehmensführung blieben etwa gleich häufig, bei rund 1,4 Prozent aller Wörter.
    • Mit der Aktienrendite hing keine der Textgrößen erkennbar zusammen.

20. 2022Masterarbeit, TU MünchenErwartungen

    Automated architecture and hyperparameter optimization for deep neural networks applied in forecasting the cross-section of stock returns

    Antonio Di Giovanni

    Ein Suchprogramm entwarf aus tausend Versuchen selbst neuronale Netze; das beste kam nahe an ein veröffentlichtes, von Hand entworfenes Netz heran.

    Grafik zum Ergebnis

    Wie gut die Netze Aktien in die richtige Reihenfolge brachten (Rangkorrelation)

    Einfaches lineares Modell5,67 %

    Veröffentlichtes Netz7,66 %

    Bestes vom Suchprogramm gefundenes Netz7,20 %

    Durchschnitt der 127 trainierten Netze3,71 %

    • Das Suchprogramm probierte 1.000 Entwürfe und trainierte 127 davon zu Ende; dass es nahe an einen Entwurf erfahrener Forscher herankommt, ist das Hauptergebnis.
    • Gemessen ist hier, wie gut die Netze die Aktien ordneten, ohne Handel und damit ohne Kosten.

21. 2022Masterarbeit, TU MünchenErwartungen

    Empirical asset pricing via machine learning – an after trading costs perspective

    Dominik Eichhorn

    Vor Kosten schlugen Entscheidungsbäume und neuronale Netze ein einfaches Modell mit drei Kennzahlen deutlich; nach Handelskosten blieb den Netzen nur ein kleiner Vorsprung, den Bäumen keiner.

    Grafik zum Ergebnis

    Long-Short-Rendite im Monat, vor und nach Handelskosten

    Vor Kosten

    Einfaches Modell, 3 Kennzahlen1,43 %

    Lasso1,74 %

    Random Forest1,89 %

    Neuronale Netze2,02 %

    Nach Kosten

    Einfaches Modell, 3 Kennzahlen1,08 %

    Lasso1,05 %

    Random Forest1,07 %

    Neuronale Netze1,20 %

    • Die Handelskosten fraßen den Vorsprung fast auf: Die Netze handelten weit mehr und zahlten mehr als doppelt so viel wie das einfache Modell.
    • Nach Kosten blieben den Netzen rund 0,1 Prozentpunkte im Monat, gut ein Prozent im Jahr.

22. 2022Industrieprojekt, UC BerkeleyUmfeld

    Ensemble sentiment dictionaries for financial applications

    Philip Spalding

    Ein aus Pflichtmeldungen von US-Firmen gelerntes Stimmungswörterbuch schlug das Standardwörterbuch in 9 von 12 späteren Tests; wie bei Texten üblich, erklären Wörter nur einen kleinen Teil der Kursreaktion.

    Grafik zum Ergebnis

    Testzeiträume, in denen das gelernte Wörterbuch mehr erklärte als das Standardwörterbuch (von 4)

    Rendite am nächsten Tag4

    Rendite über 30 Tage2

    Schwankung über 30 Tage3

    • Das gelernte Wörterbuch verbindet drei Modelle, je auf eine Aufgabe trainiert: Rendite am nächsten Tag, über 30 Tage und Schwankung.
    • Wie bei Texten üblich, erklären Wörter nur einen kleinen Teil der Kursreaktion, hier stets weniger als ein Prozent.

23. 2022Industrieprojekt, UC BerkeleyUmfeld

    Evaluating performance of volatility managed portfolios with machine learning and macroeconomic data

    Divya Singh

    Den Aktienanteil nach vorhergesagter Unruhe zu dosieren, gelang mit KI und Wirtschaftsdaten etwas besser als mit dem klassischen Verfahren: etwas mehr Ertrag je Risiko.

    Grafik zum Ergebnis

    Ertrag je Risiko, wenn sich der Aktienanteil nach der erwarteten Unruhe richtet

    Klassisches Verfahren (GARCH)0,725

    Lasso-Regression0,733

    Lineare Regression0,748

    XGBoost0,766

    • Am besten schnitt XGBoost ab, ein Verfahren aus vielen kleinen Entscheidungsbäumen; die Abstände sind klein.

24. 2022Industrieprojekt, UC BerkeleyErwartungen

    Using machine learning to develop equity style rotation strategies

    Andrew Lazzeri

    Über alle Modelle gemittelt brachte der Wechsel zwischen Anlagestilen in den USA etwas mehr Ertrag je Risiko als bloßes Halten, in Deutschland, Japan und China weniger.

    Grafik zum Ergebnis

    Wechsel zwischen Anlagestilen: Veränderung des Ertrags je Risiko

    USA0,19

    Großbritannien0,01

    Japan−0,09

    Deutschland−0,16

    China−0,23

    • Einfache, stark gebremste Modelle schnitten am besten ab, aufwendige wie neuronale Netze oft schlechter als bloßes Halten. Diese Rangfolge kennt man erst hinterher.
    • Gezeigt ist der Durchschnitt aus rund 30 Modellen; die besten lagen deutlich darüber, welche das sind, weiß man aber erst hinterher.

25. 2022Industrieprojekt, UC BerkeleyUmfeld

    Volatility managed factor portfolios: leveraging machine learning and macroeconomic data

    Peter Masforroll

    Bei erwarteter Unruhe weniger zu investieren dämpfte Einbrüche in vier von sechs Anlagestilen; den Großteil des Schutzes lieferte schon das klassische Verfahren, KI half vor allem bei Momentum.

    Grafik zum Ergebnis

    Weniger investiert, wenn Unruhe erwartet wird: um wie viel flacher der tiefste Einbruch ausfiel

    Momentum10

    Geringes Risiko7

    Value3

    Profitabilität2

    Investitionen−2

    Größe−2

    • Das klassische Verfahren ohne Wirtschaftsdaten (GARCH) dämpfte die Einbrüche gleich stark oder stärker: In den USA verringerte es den größten Verlust um 14 Prozentpunkte, die KI-Modelle um 10 bis 13.
    • Die Wirkung war in den USA am stärksten, in China gab es keine; die Wirtschaftsdaten stammten aus den USA.

26. 2023–2025Promotion, LMU MünchenStresstests

    DCC-GARCH-Copula-Modelle

    Dennis Mao

    Tagesrenditen von DAX, NASDAQ und Gold von 1990 bis 2023 zeigen ruhige und stürmische Phasen und deutlich mehr extreme Tage als die Glockenkurve; ein Baukastenmodell bezieht beides in Simulationen ein.

    Grafik zum Ergebnis

    Wie viel häufiger extreme Tage vorkommen als bei der Glockenkurve

    DAX5,6

    NASDAQ6,7

    Gold6,6

    • Gold ging eigene Wege: Mit DAX und NASDAQ lief es fast unabhängig (Korrelation um 0), DAX und NASDAQ dagegen deutlich gemeinsam (0,51).
    • Das Modell setzt Bausteine für ruhige und stürmische Phasen, schiefe Ausreißer, wechselnden Gleichlauf und gemeinsame Extreme zusammen und simuliert 5.000 mögliche Kursverläufe.

27. 2023Industrieprojekt, UC BerkeleyPrivate Märkte

    Cash flow models for alternative investments

    Juliette Ould-Aklouche

    Ein Standardmodell für die Ein- und Auszahlungen von Private-Equity- und Immobilienfonds wurde in Python nachgebaut und an echten, abgeschlossenen Fonds geeicht: eine Grundlage, um Abrufe und Ausschüttungen neuer Fonds zu planen.

    Grafik zum Ergebnis

    Was das Modell beschreibt: Zusage von 100 an einen Fonds, Zahlungen je Jahr

    EingezahltAusgezahltSaldo bisherWert des Fonds

    • Die Arbeit eichte Laufzeit und Wachstum an abgeschlossenen Private-Equity- und Immobilienfonds der Jahrgänge 2004 und 2009.
    • Das Modell ist in Python nachgebaut, so lassen sich Schocks und wechselndes Wachstum durchspielen.

28. 2023Industrieprojekt, UC BerkeleyAufteilung

    Deep understanding of the Python package “riskfolio-lib” and empirical application

    Mélanie Fabiani

    Eine frei verfügbare Python-Bibliothek zur Portfolio-Optimierung wurde durchleuchtet und an Anleihen, Aktien und Gold erprobt.

    Grafik zum Ergebnis

    Vier Anlageklassen und die Mischung, die die Bibliothek daraus rechnet

    Rendite im Jahr

    Cash (3-monatige Bundespapiere)−0,17 %

    10-jährige Bundesanleihen2,82 %

    Aktien weltweit11,25 %

    Gold7,76 %

    Schwankung im Jahr

    Cash0,21 %

    10-jährige Bundesanleihen6,67 %

    Aktien weltweit12,33 %

    Gold15,26 %

    Anteil in der Mischung mit dem besten Ertrag je Risiko

    Cash0,0 %

    10-jährige Bundesanleihen46,1 %

    Aktien weltweit32,6 %

    Gold21,3 %

    • Obwohl Aktien am meisten brachten, besteht die Mischung fast zur Hälfte aus Anleihen: Sie schwankten weniger und liefen oft anders als Aktien.

29. 2023Industrieprojekt, UC BerkeleyZiele

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

    Elisa Piaraly

    Ein Modell, das die Mischung Jahr für Jahr an Vermögen und Restzeit anpasst, wurde in Python nachgebaut: Im Beispiel verdoppelte sich das Vermögen in zehn Jahren in 84 von 100 Fällen.

    Grafik zum Ergebnis

    Wie oft aus 100 eine 200 wird, je nach Anlagedauer (Beispiel)

    5 Jahre49 %

    10 Jahre84 %

    15 Jahre95 %

    20 Jahre99 %

    25 Jahre100 %

    • Liegt das Vermögen hinter dem Plan, wählt das Modell renditestärkere Mischungen, liegt es vorn, vorsichtigere, jedes Jahr neu.
    • Der Nachbau stimmte in 96 Prozent der Anlageentscheidungen mit dem Originalcode überein.

30. 2023Industrieprojekt, Universität zu KölnMethoden und Lehre

    Machine learning for economists

    Mehr als 20 Studierende

31. 2023Industrieprojekt, UC BerkeleyErwartungen

    Machine learning models for stock selection

    Nathan Sheng

    Neuere KI-Verfahren wählten in der Rückrechnung Aktien mit mehr Ertrag je Risiko aus als eine einfache Regression; wie viel mehr, hing von ihren Einstellungen ab.

    Grafik zum Ergebnis

    Ertrag je Risiko der Aktienauswahl (Sharpe Ratio), 1985 bis 2021

    Lineare Regression0,85

    Hybrides LSTM-Netz1,53

    Neuronales Netz1,35

    Extra Trees1,21

    LSTM-Netz1,11

    Local Linear Forest1,08

    Random Forest0,92

    • Neuronales Netz, hybrides LSTM und Extra Trees lagen in jeder Einstellung vor der Regression; bei den übrigen hing es von der Einstellung ab.

32. 2023Praktikum, Frankfurt SchoolAufteilung

    Multi-period portfolio optimisation

    Jan-Luca Frick

33. 2024Masterarbeit, Universität zu KölnPrivate Märkte

    Forecasting net values and cashflows of private assets with machine learning

    Janina Dierk

    KI-Modelle sagten Einzahlungen und Wert privater Fonds über zwölf Testjahre deutlich genauer voraus als das übliche Branchenmodell, Ausschüttungen weniger klar; beides zu kombinieren half nicht.

    Grafik zum Ergebnis

    Private-Equity-Fonds: typischer Prognosefehler im Test, niedriger ist besser

    Einzahlungen

    Branchenmodell18,0

    KI (Random Forest)11,8

    Ausschüttungen

    Branchenmodell24,8

    KI (Random Forest)22,6

    Fondswert (NAV)

    Branchenmodell51,2

    KI (Random Forest)29,1

    • Ähnlich bei Venture Capital, Private Debt und Immobilien: überall kleinere Fehler bei Einzahlungen und Wert, geringere Fortschritte bei Ausschüttungen. Ein zweites Verfahren (Gradient Boosting) lag praktisch gleichauf.
    • Das Branchenmodell mit KI zu kombinieren half nicht. Das Alter eines Fonds erklärte das meiste, Börsen- und Konjunkturdaten trugen wenig bei.

34. 2024Industrieprojekt, UC BerkeleyStresstests

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

    Angel Chen und Jan-Luca Frick

    Ein Modell aus Wirtschaftsdaten wie Beschäftigung, Zinsen und Außenhandel folgte der US-Inflation in ruhigen Jahren; den Schub 2021 und 2022 zeigte es, wie die meisten Prognosen damals, verzögert.

    Grafik zum Ergebnis

    US-Kerninflation und Modell, zum Vorjahr

    Höchststand 2022

    Kerninflation6,5 %

    Modell3,5 %

    Ende 2023

    Kerninflation4,0 %

    Modell5,0 %

    Letzter Wert

    Kerninflation2,7 %

    Modell4,3 %

    • Das Modell folgte dem Anstieg etwa ein Jahr später, wie viele Prognosen damals.
    • Wie stark die einzelnen Treiber wirkten, wechselte über die Jahre deutlich.

35. Seit 2025Promotion, Universität zu Köln, Universität TübingenZiele laufend

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

    Thorben Lützen und Felix Klosterköther

36. 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

    Über deutsche Städte gestreute Eigentumswohnungen schwankten weniger als jede einzelne Stadt; die im Nachhinein beste Mischung hätte von 1996 bis 2025 rund 27 Prozentpunkte mehr Endwert gebracht als die Marktgewichtung.

    Grafik zum Ergebnis

    Eigentumswohnungen in 20 deutschen Städten, 1996 bis 2025: Preiszuwachs im Jahr

    Mischungen aus Städten

    Nach Marktgröße gewichtet3,21 %

    Beste Mischung bei gleicher Schwankung, im Nachhinein3,56 %

    Einzelne Städte

    München3,8 %

    Berlin3,8 %

    Hamburg3,4 %

    Köln3,2 %

    Frankfurt3,2 %

    Düsseldorf3,1 %

    Stuttgart2,8 %

    Dortmund2,2 %

    Duisburg1,4 %

    Chemnitz0,6 %

    • Jede einzelne Stadt schwankte stärker als die Mischung: Die Streuung über Städte glättete die Preise in jeder Marktphase.
    • Welche Städte die beste Mischung ausmachten, wechselte mit der Marktphase: Seit 2022 fielen die Preise in München, Stuttgart und Hamburg, in Duisburg, Dortmund und Chemnitz stiegen sie noch.

    GREIX Portfolio-Analyse: Räumliche Diversifikation zahlt sich aus (Kiel Institut)

37. 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

38. 2026Industrieprojekt, UC BerkeleyZiele

    Goal-based investor profiling with mental accounts

    Stefan Wennemar

    Statt einer abstrakten Risikozahl nennen Anleger je Ziel einen Verlust, den sie nur selten überschreiten wollen; aus US-Umfragedaten ergaben sich vier Typen vermögender Anleger.

    Grafik zum Ergebnis

    Vier Anlegertypen unter vermögenden US-Haushalten

    Anteil an den Haushalten

    Ruheständler mit Sicherheitsfokus25 %

    Angestellte im Vermögensaufbau36 %

    Unternehmer36 %

    Familien mit Kapitaleinkommen3 %

    Anteil am Vermögen

    Ruheständler mit Sicherheitsfokus21 %

    Angestellte im Vermögensaufbau23 %

    Unternehmer42 %

    Familien mit Kapitaleinkommen14 %

    • Unternehmer stellen gut ein Drittel der vermögenden Haushalte, besitzen aber 42 Prozent ihres Vermögens.
    • Ziele werden als Verlustgrenze mit Häufigkeit formuliert, etwa mehr als 5 Prozent Verlust höchstens in einem von 20 Jahren.

39. 2026Industrieprojekt, UC BerkeleyUmfeld

    Methods for extracting information from financial texts

    Jonathan Hartadi

    Sechs Verfahren der Textanalyse im Vergleich: Schon einfache Wortzählung erkennt die Branche eines US-Unternehmens aus seinem Geschäftsbericht fast so gut wie moderne Sprachmodelle.

    Grafik zum Ergebnis

    Die Branche eines Unternehmens aus dem Geschäftsbericht erkennen

    Wortzählung

    Logistische Regression (L2)0,856

    Logistische Regression (L1)0,856

    Support-Vektor-Maschine0,844

    Gradient Boosting0,803

    Sprachmodelle

    FinBERT (feinjustiert)0,866

    BERT (feinjustiert)0,875

    • Alle sechs Verfahren liegen dicht beieinander, zwischen 0,80 und 0,88; die Sprachmodelle liegen 0,01 bis 0,02 vor der logistischen Regression.
    • In einer zweiten Anwendung hing der von einem Sprachmodell gemessene Tonfall von 490 Geschäftsberichten aus 2025 mit der Kursreaktion der folgenden Tage zusammen.

40. 2026Industrieprojekt, UC BerkeleyAuswahl

    Mutual fund selection using alpha prediction

    Bailey Lin

    Mit den Daten der Autoren ließ sich eine veröffentlichte Studie zur Fondsauswahl nachrechnen; mit neu aufbereiteten Daten bis 2025 hielt sich der Vorsprung nicht.

    Grafik zum Ergebnis

    Mehrertrag der ausgewählten Fonds im Jahr (Alpha)

    Mit den Daten der Studie, 1991 bis 2020

    XGBoost2,75 %

    Random Forest2,70 %

    Lineare Regression1,43 %

    Elastic Net1,30 %

    Mit neu aufbereiteten Daten, 1991 bis 2025

    Alle Fonds, nach Vermögen0,48 %

    Alle Fonds, gleich gewichtet−0,64 %

    Random Forest−0,94 %

    Elastic Net−1,02 %

    Lineare Regression−1,37 %

    XGBoost−1,39 %

    • Wie empfindlich solche Ergebnisse auf die Aufbereitung der Daten reagieren, ist selbst ein Befund: Die neuen Daten enthielten deutlich mehr Fondsjahre.
    • Mit den neuen Daten sind die Unterschiede zwischen den Verfahren statistisch nicht gesichert.

41. 2026Industrieprojekt, UC BerkeleyPrivate Märkte

    Subscription lines and forecast bias in the Takahashi-Alexander model

    Hrafnhildur Líf Jónsdóttir

    Überbrücken Private-Equity-Fonds mit Kreditlinien, unterschätzt ein Prognosemodell in der Simulation spätere Einzahlungen der Anleger; schon das Wissen, wie verbreitet solche Kredite sind, behebt den Großteil.

    Grafik zum Ergebnis

    Kassenlücke in der Simulation, mit und ohne Wissen um Kreditlinien

    Fonds ohne Kreditlinie (Vergleich)1,3 %

    Kreditlinie unbekannt8,5 %

    Korrigiert mit dem Marktdurchschnitt2,1 %

    • Ohne Wissen um die Kreditlinie liest das Modell aus den anfangs niedrigen Abrufen ein zu langsames Tempo heraus und unterschätzt spätere Einzahlungen.
    • Für die Korrektur genügt der Anteil der Fonds mit Kreditlinie im Markt, wenn die Kredite mit Einzahlungen der Anleger zurückgezahlt werden.

42. WS 2026/27Vorlesung, Duale Hochschule Schleswig-HolsteinMethoden und Lehre laufend

    Kapitalmarkt

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

1. Seit 2022
   Head of Investment Strategy & Research, Mitglied des Investment CommitteesFINVIA, Frankfurt

   • Erarbeitet mit seinem Team die strategische und taktische Vermögensallokation über alle Anlageklassen, liquide wie illiquide, ausgehend von Mandantenprofiling, Depotanalyse und einer Lebens- und Finanzplanung über Generationen.
   • Prognostiziert Renditen, Risiken und Korrelationen, optimiert Portfolios über mehrere Perioden, rechnet Szenarien und Stresstests und modelliert Cashflows und NAVs privater Anlagen.
   • Übernimmt mit seinem Team Portfoliokonstruktion, Managerselektion und Monitoring der liquiden Anlagen.
   • Leitet Forschungskooperationen mit Studierenden und Promovierenden internationaler Universitäten.

   

2. 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.

   

3. 2008–2018
   Vice PresidentSal. Oppenheim, Köln

   • Verantwortete mit dem Team die Asset-Allocation-Strategie für 7,1 Mrd. € institutionelles und 1,6 Mrd. € 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.
   • Verwaltete fünf Publikums- und Spezialfonds (0,5 Mrd. €) und wirkte im Anlageausschuss an Mandatsvorschlägen mit.

Alle Veröffentlichungen bei SSRN und Google Scholar.

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

Zentralbanken und Aufsicht 5

1. 2015
   Federal Reserve BoardWashington, D.C. · Tree-based conditional portfolio sorts
2. 2015
   Bank of EnglandLondon · Tree-based conditional portfolio sorts
3. 2015
   Bank für Internationalen Zahlungsausgleich (BIZ)Basel · Tree-based conditional portfolio sorts
4. 2015
   Norges BankOslo · Tree-based conditional portfolio sorts
5. 2016
   Commodity Futures Trading Commission (CFTC)Washington, D.C. · Tree-based conditional portfolio sorts

Universitäten 10

1. 2013
   Harvard University, Financial Economics SeminarTree-based conditional portfolio sorts
2. 2014
   Harvard University, Financial Economics SeminarTree-based conditional portfolio sorts
3. 2014
   Universität Zürich, Computational Economics and Finance SeminarTree-based conditional portfolio sorts
4. 2014
   LMU München, Financial Econometrics SeminarTree-based conditional portfolio sorts
5. 2016
   LMU München, Financial Econometrics SeminarThe relation between stock market risk and return
6. 2017
   LMU München, Financial Econometrics SeminarThe relation between stock market risk and return
7. 2018
   LMU München, Financial Econometrics SeminarThe relation between stock market risk and return
8. 2018
   LMU München, Kolloquium des Instituts für StatistikTree-based conditional portfolio sorts
9. 2021
   TU München, Advanced Seminar in Finance and AccountingEin moderner Vermögensverwalter mit Technologie und KI
10. 2021
    University of Cambridge, Optimal Portfolio Research SeminarEin moderner Vermögensverwalter mit Technologie und KI

Vermögensverwalter und Banken 4

1. 2014
   Sal. OppenheimKöln · Tree-based conditional portfolio sorts
2. 2014
   Wellington ManagementLondon · Tree-based conditional portfolio sorts
3. 2015
   BlackRockKalifornien · Tree-based conditional portfolio sorts
4. 2017
   DWS InvestmentsFrankfurt · Tree-based conditional portfolio sorts

Konferenzen 11

1. 2015
   11. Weltkongress der Econometric SocietyMontreal · Tree-based conditional portfolio sorts
2. 2015
   22. Jahrestagung der Deutschen Gesellschaft für FinanzwirtschaftLeipzig · Tree-based conditional portfolio sorts
3. 2015
   9. International Conference on Computational and Financial EconometricsLondon · Tree-based conditional portfolio sorts
4. 2015
   6. CEQURA-KonferenzMünchen · Tree-based conditional portfolio sorts
5. 2015
   2. SOFINE-CEQURA Spring Junior Research WorkshopBayern · Tree-based conditional portfolio sorts
6. 2016
   15. Colloquium on Financial MarketsKöln · Tree-based conditional portfolio sorts
7. 2019
   10. CEQURA-KonferenzMünchen · The relation between stock market risk and return
8. 2019
   AI and Data Science in TradingLondon · Ein moderner Vermögensverwalter mit Technologie und KI
9. 2019
   The Trading Show EuropeLondon · Ein moderner Vermögensverwalter mit Technologie und KI
10. 2020
    The Trading Show EuropeLondon · Ein moderner Vermögensverwalter mit Technologie und KI
11. 2020
    7. NextGen AI Conference (Textanalyse)Frankfurt · The relation between stock market risk and return

Vorträge zu den Papern teils von Koautoren gehalten.

1. 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.
2. 2012
   Lehrbeauftragter, Financial Innovations (Master)Hochschule Koblenz

1. 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.
2. 2004–2008
   Diplom in Wirtschaftsmathematik, Hochschule Koblenz

Summer Schools

1. 2016
   Advances in Macroeconomic ForecastingGabriel Pérez-Quirós, Madrid
2. 2014
   Financial EconometricsEnrique Sentana, Rethymno
3. 2011
   Intermediate MacroeconomicsLondon School of Economics
4. 2010
   Financial Econometrics and ForecastingFrancis X. Diebold, Genf

Praxis im Studium

Schon im Studium ging es um die Themen von heute: Risiken beschreiben, Stresstests rechnen, private Beteiligungen steuern und Portfolios bauen.

1. 2007–2008
   Praktikant, Active Quant ProductsSal. Oppenheim, Köln. September 2007 bis März 2008, Vermögensverwaltung, aktive quantitative Aktienauswahl

   • Mitarbeit an der Entwicklung und Einführung zweier neuer Verfahren der Portfoliokonstruktion: Short-Extension (130/30) und Minimum-Varianz.
2. 2006–2007
   Praxissemester, Credit Risk Portfolio AnalysisDresdner Bank, Frankfurt. September 2006 bis Januar 2007, Risk Governance & Controlling

   • Mitarbeit an makroökonomischen Stresstests (Multifaktormodelle, SUR-Schätzung) und Szenarioanalysen für das Kreditportfolio der Bank.
3. 2005–2006
   Werkstudent, Fondscontrolling für Venture CapitalKfW-tbg, Bonn. November 2005 bis Juni 2006, Venture-Capital-Beteiligungen

   • Weiterentwicklung der Risikomanagementsysteme und Unterstützung im Fondsmanagement.
4. 2005
   Studentischer Mitarbeiter, Industrie Risiko ServiceAXA, Köln. September 2005

   • Schätzung von Verteilungen für Schadenhöhen und -häufigkeiten aus beobachteten Schäden.

1. 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
2. 2015
   Best Paper Award, Jahrestagung der Deutschen Gesellschaft für FinanzwirtschaftFür Tree-based conditional portfolio sorts, mit Tom Zimmermann

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.