Kevin Endler – Head of Quantitative Portfolio Management bei ACATIS Investment

- Dr. Theo SteiningerCo-Founder & CEO von Erium
- Kevin EndlerHead of Quantitative Portfolio Management bei ACATIS Investment
Überblick
In dieser Folge spricht Host Dr. Theo Steininger mit Kevin Endler, dem Leiter des quantitativen Portfoliomanagements bei ACATIS Investment. Das Gespräch dreht sich darum, wie der deutsche Asset Manager fundamentale Unternehmensanalyse mit Machine Learning verbindet, welche Rolle Kooperationen mit externen Forschungspartnern spielen und wie KI-gestützte Aktienauswahl in der Praxis funktioniert.
Über den Gast
Kevin Endler ist Head of Quantitative Portfolio Management bei ACATIS Investment, einem deutschen Asset Manager mit rund zwölfeinhalb Milliarden Euro verwaltetem Vermögen. Er studierte Mathematik mit Schwerpunkt Statistik und Wahrscheinlichkeitstheorie an der Johannes Gutenberg-Universität Mainz und war anschließend zwei Jahre als Senior Consultant bei der Theqis Finanzdienstleistungen AG tätig. Seit er 2013 zu ACATIS kam, hat er das Thema Data Science und Machine Learning im Unternehmen aufgebaut und verantwortet heute KI-Modelle zur Aktienauswahl in Fonds.
Zusammenfassung
ACATIS Investment: Value Investing trifft Machine Learning
ACATIS ist ein deutscher Asset Manager, der sowohl Publikumsfonds für Privatanleger als auch Mandate für institutionelle Kunden verwaltet. Das Unternehmen orientiert sich an Warren Buffetts Ansatz der fundamentalen Unternehmensanalyse und verfügt über eine umfangreiche Datenbank mit Fundamentaldaten weltweit gelisteter Firmen. Vor rund acht Jahren entstand die Idee, diese Datenbasis mit modernen Data-Science- und Machine-Learning-Methoden auszuwerten, was Kevin Endler als Pionier in die Firma einbrachte.
Kooperation mit Nacons: Externe KI-Expertise strategisch einbinden
Nach ersten vielversprechenden internen Ergebnissen entschied sich ACATIS für eine Kooperation mit Nacons, einem Spin-off des IDSIA-Instituts in Lugano, das von Jürgen Schmidhuber und ehemaligen Doktoranden gegründet wurde. Nach zwei Jahren intensiver Projektarbeit wurde 2017 der erste globale Aktienfonds lanciert, dessen Aktienauswahl vollständig durch KI-Modelle gesteuert wird. Die Zusammenarbeit basiert auf einer klaren Aufgabenteilung: Die Datenbasis und das domänenspezifische Feature-Engineering verbleiben bei ACATIS, während Nacons die Modellentwicklung übernimmt und die Ergebnisse zurückliefert. Parallel dazu hat ACATIS ein eigenes internes Framework aufgebaut, das die menschlichen Portfoliomanager unterstützt.
Feature Engineering und Domänenwissen als Erfolgsfaktor
Ein zentrales Learning aus den ersten Jahren war, dass das bloße Hineingeben möglichst vieler Merkmale in die Modelle nicht ausreicht. Kevin Endler betont, wie wichtig es ist, Firmen in möglichst homogene Gruppen zu unterteilen, da beispielsweise eine Bank nach völlig anderen Kennzahlen funktioniert als ein Technologiekonzern wie Amazon. Viel Domänenwissen fließt in die Definition sinnvoller Features ein. Neben klassischen Finanzkennzahlen setzt ACATIS mittlerweile auch Textanalyse ein, etwa durch die Auswertung von Transkripten der Quartalscalls, um Stimmungen und qualitative Faktoren wie Managementflexibilität zu erfassen.
Aha-Momente und der Weg zum Erfolg: Erst Rückschläge, dann Durchbruch
Die ersten zwei Jahre nach dem Live-Gang des Fonds verliefen enttäuschend: Das Portfolio konnte den Vergleichsindex nicht schlagen. Dieser Misserfolg führte zu zwei entscheidenden Korrekturen: einem Wechsel zu grafischen neuronalen Netzen auf der Modellseite sowie einem deutlich stärkeren Feature Engineering mit mehr Domänexpertise. Seitdem laufen die Ergebnisse sehr gut, mit einer Performance von knapp zehn Prozent oberhalb der Benchmark über drei Jahre. Kevin Endler hebt hervor, dass dafür auch das anhaltende Vertrauen der Firmengründer essenziell war.
Technologie-Stack und Teamaufstellung
ACATIS arbeitet fast ausschließlich mit Python, ergänzt durch LaTeX für Reportings und intensive Visualisierung, um interne und externe Stakeholder abzuholen. Das Kernteam besteht aus Kevin Endler als t-förmigem Allrounder und einem promovierten Physiker mit CERN-Erfahrung, der eher tief und spezialisiert arbeitet. Die IT-Infrastruktur mit Datenbankhosting ist ausgelagert; für das Modelltraining werden zwei lokale Workstations mit NVIDIA-Grafikkarten genutzt. Fundamentaldaten im Finanzbereich gelten bei ACATIS ausdrücklich nicht als 'Big Data' - die vorhandene Hardware ist völlig ausreichend.
Marktakzeptanz und Kundenkommunikation: Skepsis überwinden
Sowohl intern als auch bei Kunden war die Skepsis gegenüber KI-gesteuerter Aktienauswahl anfangs groß. Kevin Endler beschreibt einen Lernprozess in der Kommunikation: Technische Erklärungen über maschinelles Lernen kommen in kurzen Gesprächen kaum an. Heute präsentiert er das Produkt ähnlich wie ein menschlicher Portfoliomanager es tun würde - mit konkreten Aktienbeispielen, Portfolio-Faktoren und Narrativen zu einzelnen Firmen. Die KI liefert dabei noch keine eigenständigen Erklärungen, weshalb Kevin Endler als Brücke zwischen Modell und Kunde fungiert. Intern hat die wachsende Akzeptanz dazu geführt, dass KI-Vorschläge mittlerweile auch in die größeren Aktienfonds einfließen.
Kernaussagen
- Domänenwissen und sorgfältiges Feature Engineering sind wichtiger als die Wahl des Modells - der Shift von modell- zu datenzentriertem Denken war entscheidend für den Erfolg.
- Ein interner 'Data Science Connector', der externe Forschungspartner steuert, ist ein effektiveres Modell als das reine Outsourcing ohne interne Fachkompetenz.
- Homogene Unternehmensgruppen für die Analyse zu bilden ist essenziell, da unterschiedliche Branchen fundamental nicht vergleichbare Kennzahlen haben.
- Backtesting im Finanzbereich ist besonders tückisch: Es gibt nur eine reale Historie und kein Paralleluniversum - Overfitting ist ein ernstes und weitverbreitetes Problem.
- Rückschläge und eine Phase ohne Outperformance gehören zum Entwicklungsprozess; das Vertrauen des Managements in dieser Zeit war ein kritischer Erfolgsfaktor.
- Visualisierung und verständliche Kommunikation sind unverzichtbar, um KI-Entscheidungen intern wie extern zu vermitteln.
- Ein t-förmiges Skillset - tiefes Fachwissen kombiniert mit breiter Kommunikationsfähigkeit - ist für die Rolle an der Schnittstelle zwischen Data Science und Business besonders wertvoll.
Fazit
Die Folge zeigt eindrücklich, dass der erfolgreiche Einsatz von Machine Learning im Asset Management kein rein technisches Problem ist. Domänenwissen, geduldige Iteration, kluge Kooperationsmodelle und die Fähigkeit, Ergebnisse verständlich zu kommunizieren, sind mindestens genauso wichtig wie die Wahl des richtigen Algorithmus. Kevin Endlers Werdegang und der Aufbau des quantitativen Teams bei ACATIS liefern ein konkretes Praxisbeispiel dafür, wie KI schrittweise und nachhaltig in ein etabliertes Unternehmen integriert werden kann.
Für Data-Science-Einsteiger und Studierende
Der Podcast zeigt, dass Programmierkenntnisse in Python, ein solides Statistikfundament und die Bereitschaft, Domänenwissen aktiv aufzubauen, der beste Einstiegspfad sind. Ein t-förmiges Skillset - Tiefe in einem Bereich, Breite im Kommunizieren - ist langfristig wertvoller als rein technische Spezialisierung.
Für Führungskräfte und Entscheider in Unternehmen
Das Modell bei ACATIS - interne Data-Science-Kompetenz zur Steuerung externer Forschungspartner - ist ein bewährtes Muster für den Aufbau von KI-Fähigkeiten. Gleichzeitig braucht es Geduld und Vertrauen: Erste Rückschläge sind Teil des Prozesses, keine Widerlegung des Ansatzes.
Volltranskript anzeigen
Speaker0: Ihr hört die Ihrem Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute zu Gast bei The Erion Podcast ist Kevin Endler. Er ist Leiter des quantitativen Portfoliomanagements bei ACATIS Investment und entwickelt unter anderem KI Modelle zur Auswahl von Aktien in Fonds. Bevor er 2013 zu ACATIS kam, studierte er Mathematik mit dem Schwerpunkt Statistik und Wahrscheinlichkeitstheorie an der Johannes Guttenberg Universität in Mainz und war nach dem Studium für 2 Jahre als Senior Consultant bei der The Keqis Finanzdienstleistungen AG tätig. In seiner Freizeit spielt er Basketball, Schach und Gitarre und geht gerne auf Reisen.
Speaker2: Herzlich willkommen zu 1 neuen Folge von The Erian Podcast. Mein Name ist Theo Steining und heute zu Gast Kevin Endler. Hallo Kevin. Schön, dass Du da bist. Hallo Theo, freut mich. Ich hoff, dir geht's gut. Wir haben in der Einführung schon bisschen was zu dir, deiner aktuellen Rolle bei ACATIS gehört. Magst Du uns da noch mal abholen? Für wen und was macht ACATIS genau? Was macht sie deine Firma? Okay, ja gerne.
Speaker3: Also ACATIS ist ist 'n deutscher Asset Manager. Wir verwalten Fonds, Publikumsfonds für jedermann, aber auch für institutionelle Kunden. Also Du und ich können da investieren, aber halt auch, was weiß ich, Großfamilien von Industrien, die 'n spezielles Mandat haben. Unser unser Kern ist die ist die fundamentale Unternehmensanalyse. Also unser Großvorbild ist Warren Buffet. Mhm. Gründer der Firma bei uns, ist da auch jedes Jahr in Omaha bei der bei der Jahresversammlung dabei. Und ja, das machen wir jetzt seit 25 Jahren beziehungsweise der Gründer macht das seit 25 Jahren, ist wir dann auch hier voll voll dabei im im im Aktiven Arbeiten. Und ja, verwalten jetzt nach 25 Jahren so knapp zwölfeinhalb Milliarden Euro für Kunden. Und ja, das Spannende, weswegen ich wahrscheinlich jetzt ja auch hier bin, ist ist Folgendes, dass wir, dass die Bisher war das immer sehr eine sehr menschliche Arbeit gewesen, Geschäftsberichte von den Unternehmen lesen, ja, irgendwie in Excel irgendwelche Forecasts für für Unternehmenszahlen oder auch für für 'n fairen Wert und so weiter zu berechnen. Das heißt, wir haben eine 1 gute Datenbank mit den fundamentalen Daten von allen gelisteten Firmen, die es so weltweit gibt. Das sind dann, wie gesagt, so Sachen wie Umsätze, Dividenden, Gewinne und so weiter. Und vor knapp 8 Jahren, als ich zur Firma gekommen bin, war halt die Idee, ja, warum soll man das jetzt nicht auch mal mit neueren Technologien sozusagen auswerten? Ja, und dann kam halt sozusagen hier in die Firma so dieses ganze Thema Data Science und dann halt eben auch maschinelles Lernen und und was es da jetzt so alles an an an Buzzwords auch da draußen gibt, quasi hier zum Einsatz zu bringen.
Speaker0: Genau. Und das das läuft jetzt so seit, ja, seit 8, 9 Jahren ungefähr, ja. Mhm. Mhm.
Speaker2: Das heißt, durchaus schon vor der Zeit, als das Thema Big Data und Machine Learning durch die Presse hoch- und runterging?
Speaker3: Ja. Ja, kann man schon so sagen. Klar, es es waren da ja schon wieder so so Ansätze zu sehen. Ich glaub, Jan Lecoon und und so weiter war so 2 Zehen oder so mit den, wo wo Bilderkennung dann mal wieder 'n größeres Thema war. Und da hatte halt der Gründer der Firma, der der Doktor Leber auch viel gelesen gehabt und dann halt hier auch aus aus Europa, der Jürgen Schmidt Huber ist halt ist halt 1, mit dem wir auch auch zusammenarbeiten. Die, das das war so das Thema gewesen, auch im im Vorstellungsgespräch, als ich damals hier war. Ja. Kennen Sie das und können wir da, was meinen Sie, können wir da was machen? Das war, genau, das waren so die das waren so die Themen gewesen. Wobei ja, wobei ja diese sind ja sind ja eigentlich schon deutlich älter. Also ja, aber kann man schon sagen, auf jeden Fall vor vor der Zeit, bevor das bevor das jetzt son auch bei uns im im Bereich 'n größeres Thema geworden ist.
Speaker2: Alright. Sehr, sehr spannend. Das heißt, da noch mal ganz kurz zurückzukommen, Publikumsfonds bedeutet, ich kann mich als Privatperson direkt an euch wenden oder wickelt ihr das dann über Banken ab? Das heißt, ihr baut den Fonds, aber letztlich sozusagen die Administration übernimmt da eine Bank?
Speaker3: Genau. Also wir wir sind quasi hinter dem hinter dem Produkt. Wir stricken das Produkt für die für die Kunden. Und 'n Kunde kann, also eine Privatperson kann beispielsweise über die Bank, über seinen Berater sich zu dem Produkt beraten lassen. Beziehungsweise wenn's dann institutionell wird, also Family Offices oder ja, halt dann auch vielleicht direkt eine Sparkasse oder oder eine 1 Volksbank oder so, dann gehen wir natürlich auch, haben wir auch einen eigenen Vertrieb für die für die institutionellen Kunden, aber auf der Privatkundenseite ist das, ist das noch ganz klassisch dann halt über über die Berater. Oder oder oder indem man sich halt irgendwie selber irgendwo was angelesen hat und quasi
Speaker2: das über sein Depot kauft, genau. Alright, alles klar. Bevor wir dann die LSDMs noch tiefer einsteigen, würd mich gern noch mal kurz der Workflow bei euch in der Firma interessieren. Ja. Und zwar, Du hast jetzt grad schon Jürgen Schmidthuber erwähnt. Und gleichzeitig, Du wurdest ja auch ins Team geholt, eben mit deinem starken Statistik-, Wahrscheinlichkeitstheorie Background, ja. Das ist jetzt nicht irgendwie BWL und dann, ich hab da mal was gelesen, sondern das ist ja bei dir wirklich absolute Spitzenkompetenz. Wie wie realisiert sie das? Ich hör da 'n zweigleisigen Ansatz raus. Mhm. Und insbesondere, wie geht ihr mit den mit den mit die externen Parteien Also ist das Jürgen Schmidhuber als Wissenschaftler? Oder ist es Jürgen Schmidhuber in Form von, ich glaub, die Firma, die heißt Nacons oder die er auch mitgegründet hat? Genau. Wie arbeitet ihr da in dem, also wie sieht der Workflow aus, ja?
Speaker3: Mhm. Ja, muss man muss man fast schon historisch son bisschen ausholen, weil Alright. Also als ich zur Firma gekommen bin, hab ich quasi das Thema neu besetzt hier in der Firma. Haben natürlich auch alle erst mal son bisschen drauf geguckt, ne, was was macht der denn da? Und ja, das das war dann erst mal so, dass da relativ vielversprechende Sachen auch irgendwie auch auch initial rausgekommen sind, die haben meinem Gründer, dem Gründer der Firma halt auch gut gefallen. Und dann war halt eben die Überlegung, okay, soll man jetzt weiter halt Mitarbeiter aufbauen, Festmitarbeiter, das Thema stärker noch zu forcieren? Oder schauen wir eben, dass wir dass wir mit 'nem externen Partner vielleicht dann halt auch noch mal 'n bisschen mehr bisschen mehr Wumms in das Thema reinbekommen? Und zu dem Zeitpunkt haben wir dann eben Kontakt zu dem Jürgen Schmidthuber halt aufgenommen. Und genau wie Du gesagt hast, es da gibt's ja vom ECA Institut in Lugano gab's dann halt die Ausgründung von dem von dem Jürgen Schmidthuber mit einigen ehemaligen Doktoranden von ihm, die Firma Naasons. Und die machen halt in ganz vielen Bereichen auch Industrie, Prozessoptimierung und so weiter. Und so haben wir eben eine Kooperation aufgebaut extra für dieses Thema, ja, Long Term Value Investing mit mit maschinellem Lernen. Haben dann erst mal 2 Jahre Projektarbeit gemacht, wo wir ganz intensiv, also ja, in dem Fall dann dann halt ich und die die Jungs vor Ort sozusagen an dem Thema Thema gearbeitet haben. Und nach 2 Jahren hat hat dann auch wieder der Doktor Labour gesagt, okay, wir Wissenschaftler, wir werden ja nie fertig in Anführungszeichen. Wir finden ja immer noch mal was, wo wir wo wir was verbessern wollen. Und aber natürlich von der wirtschaftlichen Seite war dann natürlich auch die Sache, okay, jetzt jetzt wollen wir das auch auf die auf die Straße bringen. Und ja, haben dann im Sommer, ja, im Frühjahr 2017 haben wir dann den ersten globalen Aktienfond auf die Straße gebracht, der wirklich rein von von, ja, KI Modellen sozusagen gesteuert wird, wo die Aktien von der KI ausgesucht werden. Und genau das machen wir sozusagen im in Kooperation seit 2017. Das das läuft sehr, sehr gut. Also es ist ist dann sozusagen natürlich auch der wissenschaftliche Austausch ist uns natürlich sehr wichtig, da immer am Puls der Zeit zu sein. Vielleicht auch, ja, ich sag mal, dadurch, dass die ja auch in in ganz anderen Industrien dann irgendwie unterwegs sind, dass dass man da vielleicht halt auch irgendwie Erfolge aus anderen Industrien vielleicht zu uns auch übertragen kann. Das würde uns intern natürlich jetzt schwerfallen, das abzubilden, weil wir ja quasi nur in unserem Bereich sind. Also von daher ist es 'n sehr guter Austausch. Ja, und gleichzeitig haben wir dann halt eben angefangen, dann natürlich halt auch auch hier weiter aufzubauen. Also unter anderem hab ich jetzt hier bei mir im Team noch 'n noch 'n promovierten Physiker, der immer am CERN gearbeitet hat, also auch eine gute gute Grundlage, sag ich mal, für das für das Thema hat, das auch umzusetzen. Und so haben wir jetzt halt intern sozusagen neben der Schiene mit Naysons dann auch unser eigenes Framework eben aufgebaut, ja, sozusagen auch unterstützend dann auch für für die für unsere menschlichen Portfoliomanager da unterwegs sein zu können, genau. Oder halt auch Mandate oder oder sonst irgendwas, was an Projekten ansteht, dann halt auch komplett mit mit maschinellem Lernen umzusetzen, ja. Genau. Also zweigleisig, wie Du's gesagt hast. Okay, okay, genau. Also ist 'n zweigleisiger Ansatz. Ihr unterstützt sozusagen einerseits die Kollegen inhouse
Speaker2: Mhm. Und managt den Austausch letztlich mit Crew Jürgen Schmidhuber, denen die entsprechenden Infos zuzuliefern und und und die letztlich zu steuern, ne. Genau, also Daten sind sozusagen,
Speaker3: Daten sind immer bei uns, das ist immer dieselbe Datengrundlage. Also sowohl die Menschen als auch, also die Menschen bei uns in der Firma, als auch auch wir mit unserer Maschine haben immer dieselbe Datengrundlage. Und in dem Fall ist es auch so, also auch Nacons arbeitet mit denselben mit denselben Daten. Nur sozusagen die Modellentwicklung ist in dem Fall dann sozusagen ausgelagert und man kriegt's Ergebnis zurück. Und inhouse machen wir halt eben dann den Modellteil natürlich dann auch auch dann selber mit unserem eigenen Framework, genau.
Speaker0: Mhm, mhm.
Speaker2: Ich nehm an, dass grad in dem Bereich, wie wie baut man den Fonds zusammen, das tiefe Verständnis über eine Firma wichtig ist? Also ich stell's mir grad so vor, wenn ich jetzt nur mal so diese diese diese klassischen Kennzahlen hernehm, Umsatz, Unternehmensgröße, in welchen Ländern, vielleicht auch die die die die Breite des Portfolios, ja. Also das, was ich gut quantifizieren kann. Mhm. Das ist wahrscheinlich ja nur bedingt aussagekräftig. Klar gibt's da, ja, aber aber aber letztlich, ich vergleich's mal, ich hab irgendwann mal gehört so im Sinne von Zielgruppendefinition bei Menschen. Und zwar britische Männer mindestens einmal geschieden und leben in dem Schloss, ja. Da ist Prinz Charles mit Ossi Ostbahn in der gleichen Zielgruppe drin. Und genauso stelle ich's mir grad irgendwie bei den Firmen vor. Also wenn ich die über diese Standardmetriken einfach in den Topf werfe, dann kommt halt irgendwie sone lustige Mischung dabei raus. Ja. Was ja bedeutet, dass ich eben genau hingucken muss, dass ich mir Geschäftsberichte durchlesen muss und wirklich verstehen muss, was was ist das jetzt? Also sone Firma wie Amazon, wenn ich's richtig verstanden hab, dann dann dann dann investieren die ja auch massiv. Also diese diese erst mal operativen Gewinne, die Amazon erzielt, werden ja wieder reinvestiert. Das heißt, so so von von der Profitabilität vermeintlich, ja, von von der Dividendenzahlung her gesehen, ist Amazon gar nicht so gut unterwegs, ne. Mhm. Und dem allen Rechnung zu tragen, muss ich ja eben genau hingucken, was bedeutet, ich hab diese starke Domänenwissenskomponente mit drin. Und kannst Du mal beschreiben, wo da die Grenze ist in der Zusammenarbeit mit dem externen Dienstleister, eben bei Nacons? Weil ob das jetzt 'n Portfolio ist, das ich baue in 'nem Fonds, ne, oder ob ich Algorithmik für eine industrielle Anlage oder für ein, weiß ich nicht, eine strategische Roadmap, wie wie wie baue ich das Pricing fürn Produktportfolio zusammen, ja? Also das ist ja immer diese diese Komponente, dass ich genau verstehen muss, was los ist. Mhm. Und da den den den den Handover mal kurz zu erfahren, welche Informationen gibst Du sozusagen raus und was sind sozusagen nur noch dann Blind Daten für die nächsten Leute, wo Du sagst, ja, das ist der Datensatz und alles, was uns jetzt interessiert, ist die die Vorhersagegenauigkeit oder je nachdem, ne, wofür er den
Speaker3: das LSTM dann einsetzt. Ja. Ja, es ist eine ist eine gute ist eine gute Frage. Also bei bei uns natürlich so, dass wir ja quasi erst von dem von dem Domainwissen gekommen sind von der Firmengeschichte her. Von daher ist es natürlich sehr, sehr stark auch wiederum getrieben vom vom Doktor Leber als Gründer, der halt natürlich auch schon jetzt sehr viele Jahrzehnteerfahrung da an an der Stelle mitbringt. Mhm. Das heißt, allein nur schon das ganze Thema, okay, pro Firma, welche Feature gibt man da sozusagen weiter oder welche machen überhaupt erst mal menschlich Sinn, sich anzugucken? Da kommt natürlich schon mal viel Wissen erst mal von der von unserem menschlichen Team sozusagen an uns weiter. Klar, wir versuchen auch selber, uns irgendwie weiterzubilden. Also letztes Jahr haben wir zum Beispiel an der an der Columbia dann son son Bewertungskurs dann halt mal auch mal mitgemacht, also da halt auch selber son bisschen bisschen mehr Expertise und und und Wissen sozusagen aufzubauen, da halt natürlich auch besser diskutieren zu können. Und ja, im Grunde genommen das, was wir für uns ausgearbeitet haben, geben wir eigentlich so auch weiter. Und jetzt in dem Fall bei Nacons, wir sagen halt, okay, welche Feature sollen da jetzt sollen reinlaufen? Dann halt auch, Du hast ja jetzt grad dieses tolle Beispiel gebracht mit, okay, wenn man zu viele Regeln dann reinbringt, dann ist dann halt Ossi Osbonn und und der Prinz Charles dann halt in einem in einem Topf. Das ist bei uns tatsächlich auch so, dass wir dass wir schon versuchen, möglichst möglichst in homogenen Gruppen zu analysieren, weil, also bei uns kann man sich's klassisch vorstellen, eine 1 Bank läuft ja ganz anders ab als jetzt, bleiben wir bei der Amazon, die Du erwähnt hast. Das ist natürlich ganz 2 komplett unterschiedliche Sachen. Und es ist natürlich auch komplett unterschiedlich, was ist denn ein Umsatz von der Bank, ja? Also das ist ja dann auch für die Maschine ist ja, für die Maschine sind es ja am Ende Zeit rein, die wir da reinstecken und die Definition ist ja ist ja sozusagen für das Modell. Mhm. Das heißt, man muss ja schon sehr viel Domänen wissen auch in unseren Bereich da mit reinbringen. Das heißt halt dann eben in sehr granularen, kleineren Grüppchen, die die möglichst homogen sich dann halt auch entwickeln, Analysen durchzuführen. Und das Wissen ist schon was, was von uns Inhouse quasi weitergegeben wird. Und wie Du es dann richtig sagst, man definiert halt zusammen sozusagen, was die was was die Objective Function sozusagen dann für das ganze für das ganze Modell sein soll. Die setzen das dann halt eben quasi modellseitig Und und dann kriegen wir halt eben die Rückantwort im Sinne von, keine Ahnung, im Sektor x y ist das jetzt irgendwie die beste Firma laut der laut der Maschine, in die man für die nächsten 6, 9, 12 Monate investieren sollte. Also so war's so in in in dem Dreh kann man sich das vorstellen.
Speaker2: Mhm. Mhm. Genau. Alles klar. Okay. Aber das heißt, ganz starkes Feature Engineering von eurer Seite. Und dann wahrscheinlich auch dann hinten raus der Check bezüglich Overfitting oder Inplausibilitäten, die einfach nicht sein können. Vielleicht haben wir ja 'n Artefakt übersehen oder so und das das dann iterativ.
Speaker3: Das ist, genau, das ist iterativ. Wir müssen halt auch immer sehr, also wir oder wir, was heißt, wir müssen, wir wir machen sehr, sehr viel über über Reportings, dass wir uns da halt eben dann auch genau angucken, ja, ob's da ob's da irgendwelche Sachen gibt, die die da eigentlich nicht sein sollten. Also Plausibilitätscheck ist ist ist natürlich ganz, ganz wichtig in unserem in in in unserem Metier. Und ja, aber bisher, also seit wir live sind, war's war's noch nie so gewesen, dass wir jetzt irgend eine Entscheidung quasi over overroot haben von von menschlicher Seite aus. Also das sieht schon immer immer ganz plausibel aus. Krass, ja. Ja, ja. Und ist aber
Speaker2: Aber ist ja nicht bisher nicht benötigt.
Speaker3: Richtig, genau. Mhm. Aber ich mein, das Thema, was Du jetzt angesprochen hast mit Backtesting ist bei uns halt natürlich 'n enorm großes Problem, weil wir halt, wir arbeiten halt immer auf 1 auf ein und derselben Historie. Es gibt halt kein Paralleluniversum mit irgendwelchen anderen Aktien oder so was, ja. Ja. Und das das macht's das macht's sehr, sehr schwierig, weil häufig in der Finanzliteratur wird halt BWL mäßig quasi einfach alles durchprobiert. Irgendwann kommt auch was was supertolles bei raus. Das Problem ist nur, sobald man dann halt eben live geht, ist dann halt, ja, sieht's halt nicht so toll aus. Aber das das ist tatsächlich immer noch was, also erstaunlicherweise für für uns so als Naturwissenschaftler, was immer noch sehr, sehr weit verbreitet ist leider in unserem in unserem Bereich Finanzen. Mhm. Ja.
Speaker2: Eine 1 Sache würd ich gern als Learning noch mal kurz explizit ableiten. Also wer sich von den Zuhörern grad fragt eben, wie steuer ich externe Dienstleister oder Partner, ja? Da gibt's häufig die Frage, setz ich sozusagen den Data Science Connector zu mir in die Firma oder such ich mir einen Partner mit mit 'ner Domain Expertisen Schnittstelle, ja? Und das, was ich tatsächlich am häufigsten als erfolgreiches Modell sehe, ist, dass in der Firma ein Data Science Connector, so wie Du eben sitzt, der die die Externen steuern kann. Ja. Es funktioniert viel, viel besser als das, dass ich mir jemanden hole, der der der sozusagen mich bei den Ingenieuren, Prozesxperten, Domänexperten abhol. Also das das ist echt 'n Pattern, das da rausgeht. Du hast gleichzeitig vorhin erwähnt Richtung in der in der BWL Literatur, da wird immer vieles ausprobiert, sehr wissenschaftlich. Stichwort Wissenschaft und Forschung. Ist wie wie wie schätzt Du das einerseits? Ihr zufrieden mit den bestehenden Algorithmen, die's gibt? Oder ist es auch nötig, dann noch mal komplett neu was sozusagen wirklich auf Research Höhe auszuarbeiten? Also
Speaker3: jein. Ich glaube, also bei bei uns war war so ein aus den letzten 8 Jahren, dass doch, dass wir Ich würd mal gestartet, ich würd mal sagen, dass wir gestartet sind von 'ner sehr modellfokussierten Sicht hin zu 'ner deutlich mehr datengetriebenen Sicht. Ich also weiß nicht, ob ich ob Du dieselbe Einschätzungen teilst, aber das les les ich auch sehr, sehr häufig mittlerweile so, dass das dass das viel wichtiger ist, sich halt noch mehr die Daten zu kümmern. Und ich mein, es ist halt es ist halt bei fast jedem, würd ich mal so, dass man wahrscheinlich 70, 80 Prozent an den Daten irgendwie am Arbeiten ist und die die Modellarbeit an sich eine 1 relativ kleine ist. Aber bei uns im Bereich würde ich schon sagen, ja, dass wir wir würden gern noch doch deutlich mehr sehen in Richtung, also wir setzen gerne grafische neuronalen Netze ein. Warum? Na ja, weil die Firmen irgendwie so miteinander connected sind über über Länder, Connections, Sektor. Vielleicht shert man denselben Kunden oder denselben Zulieferer oder so, also da quasi da son son Grad, man kann sich das halt sehr grafisch vorstellen. Gleichzeitig, was für uns aber halt auch sehr wichtig ist, ist, dass das, was wir an Features haben, sind halt immer Zeitreihen und und häufig wird wird halt immer auf den letzten Zeitpunkt in unserem Bereich abgestellt. Aber und man vernachlässigt so komplett irgendwie die Historie, woher kommt die Firma und so weiter. Und so diese 2 Themen zusammenzubringen, mit Universitäten dann halt auch irgendwie was aufzusetzen, wo wir dann, was weiß ich, 'n Doktoranden finanzieren, das Thema dann mal näher zu beleuchten. Weil das kriegen wir, das kriegen wir intern halt einfach nicht nicht umgesetzt. Also da in dem sozusagen in dem in dem in dem richtigen Research Block sozusagen einzutauchen und selber was zu entwickeln, das ist für uns sehr, sehr, sehr, sehr schwierig, weil wir einfach nicht genug Manpower jetzt dafür hätten. Also auch da suchen wir eher oder gucken wir eher, dass wir eine Kooperation für son großes Thema dann aufsetzen und nicht versuchen, das jetzt selber hier neben dem ganzen operativen Geschäft dann auch noch auch noch irgendwie zu wuppen, ja.
Speaker0: Mhm, mhm. Ja, alles klar, da gibt's Sinn.
Speaker2: Und da dann hätt ich noch eine Frage, die jetzt vielleicht in Richtung geschütztes IP geht. Aber ich frag trotzdem mal. Und zwar, abseits der klassischen Kennzahlen, mit der eben eine Firma bewertet wird, spielen bei euch auch vielleicht nur indirekt inferierbare Variablen eine Rolle wie, was ist das für eine Firma im Sinne der Firmenkultur? Weil grad jetzt Beispiel Homeoffice, ja, da offenbaren sich ja diese total verschiedensten Firmenkulturen, 'n Tesla versus 'n Airbnb, ja. Wie wird damit umgegangen? Was es sozusagen auch 'nem Outsider 'n Einblick ermöglicht, so wie tickt die Firma? Was ist da so das das das Zusammenarbeitsmodell, ja? Also wie werden Mitarbeiter incentiert und so weiter. Mhm. Und dementsprechend leiten sich auch unterschiedliche Eigenschaften ab. Also nicht nur im Sinne von gut oder schlecht, sondern die eine Firma ist vielleicht robust, aber dafür bisschen langsamer. Oder eine Firma ist sehr wendig, kann sich kann sich gut auf neue Begebenheiten einstellen, ist aber dann vielleicht im letzten Promille nicht so profitabel, wenn's drum geht, das Letzte aus dem Prozess rauszuholen, ja. Und da würd mich interessieren, spielen auch solche Features eine Rolle oder geht's dann am Ende wirklich drum, das runterzubrechen auf die klassischen Kennzahlen, wobei halt die Datenhygiene dann einfach gegeben sein muss und da nicht
Speaker3: ja, Bullshit in, Bullshit out passieren darf? Genau. Also tendenziell eher als Weiteres, wenn ich's kurz beantworten müsste. Bei uns ist natürlich immer son ganz großes Problem, dass wir, dadurch, dass wir diesen globalen Ansatz fahren, ich natürlich auch immer möglichst global auch die Datenabdeckung brauch und auch nach Möglichkeit für für das ganze Testing und so weiter auch möglichst lange Zeit rein eben dann für für solche Themen zur Verfügung hab. Also ich bekomm monatliche Anrufe von irgendwelchen Leuten, die mir irgendwie Satellitendaten von Parkplätzen, von Einzelhändlern irgendwie anbieten und solche Geschichten. Das bringt mir dann halt eben für diesen kleinen Bereich, was weiß ich, für Walmart, Target und und die ganzen Läden, wie sie in den USA da sind, bringt mir das dann vielleicht was. Aber halt eben nicht global für für für alles. Und ja, dadurch, dass es dann halt eben sehr schwierig ist, auch so kleine Modelle, dann werden wird vielleicht halt auch ist die Datenmengen nicht nicht ausreichend genug, dann wirklich mit maschinellen Lernen irgendwas zu machen. Also man muss ja auch dann nicht immer maschinelles Lernen benutzen.
Speaker2: Mhm, genau.
Speaker3: Ist es halt eben ist es halt eben so, dass dass dann doch eher eher die klassischen Daten, wo wo die, wie Du jetzt sagst, die Datenhygiene halt da ist, dann schon eingesetzt werden. Das Einzige, was so was so in den letzten Jahren noch dazugekommen ist, ist ist so der Bereich Textanalyse, dass man Es gibt zum Beispiel jetzt halt so Sachen wie wie Transkripte, wo dann, also immer wenn eine Firma die Quartalszahlen rausbringt, dann gibt's ja immer son son Call, wo dann das Management dann die Quartalszahlen irgendwie präsentiert. Und dann kommen da halt noch irgendwelche Analysten von Brokern und und Investmenthäusern dazu und können halt Fragen stellen. Der CEO muss antworten oder irgend 'n anderer aus der Firma. Und da kann man natürlich schon irgendwie gucken, okay, wie ist da so die Stimmung? Oder man kann da halt so vielleicht so Feature wie Flexibilität und so weiter, das kann man kann man da schon rausziehen. Und da gibt's halt auch eine ganz gute Abdeckung und auch eine relativ lange Historie. Und das ist halt auch auch noch 'n Vorteil für uns. Das meiste Sprachliche ist ja dann halt auf Englisch, was dann halt auch ganz gut ist. Also dadurch kann man das eigentlich ganz, ganz gut da drüber abdecken. Und da gibt's mittlerweile auch Datenanbieter, wo man das zukaufen kann, als Feature zum Beispiel. Und so machen wir das auch. Also da kann man in die Richtung so bei unstrukturierten Daten kann man auch was machen, ja.
Speaker0: Mhm. Mhm. Ja.
Speaker2: Man man merkt schon, das ist 'n Feld, in dem Du dich bewegst, wo es total viele Schnittmengen beziehungsweise auch Felder gibt, in dem man reingeht, also von Mikro-, Makroökonomie, Algorithmik, viele Daten, die man die man sich angucken kann, bis hin wahrscheinlich auch irgendwo dann Psychologie, weil da immer Menschen mit im Spiel sind. Ja. Also ich find das Thema extrem faszinierend. Trotzdem sozusagen über mein Studium war der der der der Pull dann in eine andere Richtung. Magst Du uns da mal kurz abholen, ganz spezifisch jetzt zu deiner Person in der Zeit oder ja genau, während der Zeit in Mainz. Wie wie war der Werdegang, dass es dann dazu kam, dass Du jetzt auch dann letztlich in der Rolle bei ACATIS gelandet bist? Ist ein bissel passiv, ne, aber dass dass Du dich dort hin entwickelt hast. Ja, ja. Ja,
Speaker0: das ist ist auch eine gute Frage, ja. Also mich hat dann schon eher immer in in Mainz so die,
Speaker3: die ja. Also mich hat dann schon eher immer in in Mainz so die der Anwendungsbereich dann tendenziell mehr mehr mehr interessiert als der Theorieteil und dann gab's die Auswahl Numerik oder Stochastik. Und das Stochastische hat mich dann doch bisschen mehr getriggert und wollt mich da dann eher vertiefen. Und Mathalows Programmieren hat mir immer sehr viel Spaß gemacht, was bei 'nem Mathematiker auch, also nicht immer nicht immer der Fall war und auch grade in in der kleinen Gruppe, wo wir waren, war ich da 1 der Wenigen, der gerne programmiert hat. Und da konnte ich dementsprechend dann auch in der Masterarbeit son bisschen in die Richtung neuronale Netze und oder oder ja, Modelle des Gehirns, wie auch immer, da son bisschen was machen. Da da kam sozusagen so dieser Machine Learning Teil dann halt auch irgendwo mit rein durchs Studium. Und was mich aber halt schon immer interessiert hat, war halt auch irgendwie Geld anlegen. Mhm. Und ja, das das das das war dann sozusagen dann so die Idee, okay, in dem Bereich, das das würd mich tendenziell erst mal erst mal interessieren zum Reinschnuppern. Und ja, nachdem sozusagen da diese Grundlage halt da war, dass die Theorie da ist, sag ich mal, hab ich ja dann danach dann bei 'ner bei 'ner Beratungsfirma für Privatpersonen im Grunde genommen erst mal erst mal Finanzberatung gelernt und gemacht. Also hab nachm nachm Studium erst mal noch eine IHK Ausbildung für den Bereich gemacht. Und das hat mir auch sehr gut getan, muss ich sagen, weil das war 'n relativ großes Kontrastprogramm zu meinem Studium, was sehr theoretisch war, wo man zwar auch Sachen präsentieren muss, aber halt so sehr natürlich fachgebunden, sag ich mal und und weniger emotional. Und das hat mir dann danach halt eben in dem in dem Beraterjob dann, war dann war's ganz andere Sache, ne. Ich muss man musste dann halt irgendwie Leute bei dem Thema Finanzen, was ja viele nicht so gerne, wo sich nicht so gerne drüber unterhalten, die Leute irgendwie emotional ab abholen können. Man muss die Leute überzeugen können und so weiter. Und und da sich sozusagen die Skills dazu zu holen, das das hat mir auf jeden Fall hier auch in der Firma dann im Werdegang auch auch auch viel geholfen. Ja, aber dann nach dann nach 2 Jahren war dann irgendwann so der Punkt, wo ich dann halt gesagt hab, okay, jetzt bist Du da irgendwie son soner vertrieblichen Position. Da hättest Du jetzt zwangsläufig nicht unbedingt Mathe studieren müssen für, ja. Und da hat mich dann doch noch mal so das Fachliche 'n bisschen mehr bisschen mehr dann dann doch auch gezogen. Und hab dann gesagt, okay, ich ich guck mal, ob ich irgendwie bei 'nem bei 'nem Asset Manager dann unterkomme, da dann noch mal 'n bisschen tiefer in die Materie halt einzusteigen. Also von Investmentberatung sozusagen dann halt auch mal die Produkte, wie entstehen die und so. Das hat mich dann halt einfach interessiert. Hab mich dann damals beworben und ja, dann muss man als dritten Faktor wahrscheinlich irgendwie sagen, Faktor Glück, ja. Es war dann irgendwie zur richtigen Zeit am richtigen Ort, dass Doktor Leber halt zufällig grade zu dem Zeitpunkt sich auch das Thema irgendwie Machine Learning irgendwie näher angeguckt hat. Und es hat dann halt, sollen sein, ja. Es war dann, hat dann halt einfach gut gepasst, genau. Und von dem Zeitpunkt an, ja, konnte ich dann halt auch viel, viel natürlich hier allroundmäßig quasi in der Firma aufbauen, weil's natürlich auch so ist, dass wir ja hier auch viele verschiedene Stakeholder haben. Man muss irgendwie 'n Vertrieb abholen, der vorher da ja noch nie was mitgemacht hat. Man muss Marketing abholen, die vorher ganz andere Marketingmaterialien ja auch erstellt haben und da Hilfe leisten. Und dann eben natürlich auch nach außen dem dem Kunden das natürlich auch irgendwie zu zu vermitteln, da da war natürlich dann auch so, dass der Vertrieb da ja auch initial jetzt nicht für geschult war, sondern die haben ja immer sozusagen vom Menschen die Produkte dann vertrieben und jetzt von der Maschine. Das war natürlich dann erst mal 'n großer Cut gewesen. Da war ich dann halt auch immer viel dabei und ja, das war für mich auch eine, ist für mich auch eine schöne Sache, weil ich natürlich jetzt hier, ich also bei uns in der Firma sozusagen das Geschäft von der Pike auf sozusagen gelernt hab in allen Bereichen. Und ja, halt auch überall Verständnis und und verstehe, was da an Arbeit anfällt und und und wo wo's vielleicht auch klemmt, ja. Mhm. Genau. Das war so mein mein mein Werdegang.
Speaker2: Das das hört sich für mich nach dem Szenario an, t-förmiger Skill, also t-förmige Skill Set, absolut tief reingehen und auch in der Anwendung mit mit Nacons Bereich Statistik und Machine Learning. Und gleichzeitig haben wir die Skills eben, was bedeutet das jetzt für meine Kollegen und Kolleginnen im Marketing und ne? Ja. Also wie bringt man das dann auch in die anderen Bereiche rein? Das das das find ich superspannend für eben alle, die das cool finden, ja. Also da gibt's ja die verschiedensten Szenarien, so die die Wolke, so überall 'n bisschen, dann t-förmig oder i-förmig, je nachdem, wie man's möchte. Da noch genauer das das greifen zu können, nach welchen Firmen man da Ausschau halten sollte, wenn man eben in sonem t-förmigen Skillset sich bewegen möchte, kannst Du noch mal das Team dich drumrum bissel im Detail beschreiben? Also Du hast ja schon bissel was zu den verschiedenen Rollen gesagt, aber wer sind zum Beispiel deine unmittelbaren, wenn's so
Speaker3: Richtung täglicher Arbeitsalltag geht? Genau, also wie gesagt, also mein 1 Kollege natürlich hier, der ist der ist i-förmig. Der Physiker. Der ist Physiker, genau. Der der Physiker, der ist der ist i-förmig. Mhm. Und vielleicht son bisschen bisschen t oben, würd ich sagen, aber ist halt eher eher, also aber das ist auch eine sehr bewusste Entscheidung von uns gewesen, da Also ich sag mal, wir wir 2 sind sozusagen die Kern Kernpersonen. Und ja, wenn man halt zu zweit ist, muss man sich halt überlegen, okay, wer man muss sich ja dann schon irgendwo dem einen vielleicht auch den Rücken 'n bisschen freihalten. Weil das ist auch was, was was dann halt auch ich natürlich in den ersten Jahren so mitgekriegt hab, dann will natürlich auch jeder was von einem. Und wenn man jetzt auf einmal zu zweit ist und und beide kriegen's jetzt ab, ist das vielleicht auch jetzt nicht so förderlich sozusagen für also insgesamt, dass dann halt auch die Projekte dann halt weiterlaufen. Und so haben wir für uns zumindest auch auch intern das so festgelegt, dass er tendenziell eher i-förmig ist und und und sozusagen viel tiefer dann jetzt halt auch in der Implementierung zum Beispiel von unserem von unserem Framework drin ist, als ich das bin. Trotzdem können wir also trotzdem noch sozusagen auf dem Level, dass wir uns dadrüber austauschen können. Und andersrum ist es aber trotzdem natürlich auch so, wenn wenn jetzt mal eine Präsentation auf 'ner Konferenz ansteht zu dem Thema, ist nicht so, dass nur ich jetzt da rausgehen kann, sondern er ist natürlich auch in der Lage, da jetzt das Produkt irgendwie vorzustellen. Und versucht auch immer wieder über über Schulungen und so weiter probieren wir halt uns uns möglichst möglichst up to date zu halten. Also ob's jetzt ist, also ich mein, mittlerweile gibt's ja so tolle Sachen mit irgendwie Stanford Kurse, die man die man online machen kann oder jetzt halt auch letztes Jahr, wie gesagt, dieser Bewertungskurs mit der Columbia. Also ja, so ist sozusagen die Aufteilung. Dann haben wir halt noch, wir haben noch eine 1 ausgelagerte IT, die aber eher so für Infrastruktur bei uns halt im im Unternehmen da ist, die auch die die Datenbank von uns halt eben hostet. Und da haben wir halt dann auch noch mal noch mal 1, 2 Leute, die mit denen wir sozusagen im Kontakt sind, die ja, wie gesagt, halt so das Hosting von den von den Datenbanken für uns managen und auch das Daten aktualisieren und also alles, was da, was so mit Datenbanken zu tun hat. Das ist sozusagen auch nicht auf unserer, müssen wir müssen wir nicht machen sozusagen, ja. Wir sind dann eher die die Anwender dann am Ende vom Tag, ja. Aber das ist eigentlich schon that's that's it. Also wir sind 'n sehr kompaktes, sehr kompaktes Team mit hoffentlich relativ gut aufgeteilten Aufgabengebieten. Und da, wo wir halt sagen, okay, das interessiert uns jetzt 'n bisschen mehr, gehen wir dann meistens in eine Kooperation rein, was halt natürlich halt auch immer gut ist, sich halt auch auch wiederum up to date zu halten oder ja, halt dann auch neuen Input vielleicht auch reinzubekommen mit Sachen, die man halt eben nicht aufm Schirm hat. Ist ja, man kann ja auch nicht alles wissen, ja.
Speaker2: Ja. Absolut, ja, ja, ja. Insofern sehr, sehr wichtig. Also grade dieser Weiterbildungsaspekt, ich denke, es ist für das Bewahren des Tees ganz wichtig, damit aus dem Tee kein Punkt führt.
Speaker3: Ja, das ist richtig, ja. Ja.
Speaker2: Alles klar. Voll gut, megaspannend auch der Werdegang. Lass uns da mal kurz in 2 schnelle Fragen einsteigen. Und zwar haben wir ja schon erfahren, dass ihr diese Kooperation mit Nacons habt, was sich für mich nach 'ner wahnsinnigen Erfolgsgeschichte anhört, ja, die über lange Zeit gewachsen ist und immer weiter vorangetrieben wurde. Insofern erübrigt sich die Frage nach dem erfolgreichsten Projekt, denk ich mal, ja. Aber aber nachdem das ja eben schon so lange läuft, eben die kurze Frage, was war denn bis der größter Aha Moment? Und fand der in diesem in dieser Kooperation statt oder gab's da noch mal was ganz was anderes?
Speaker3: Ja, tatsächlich in der in der Kooperation, eigentlich in der in der Livphase dann, wo wir in der Livphase vom Produkt. Weil wir haben relativ lange, ich, also wir haben relativ lange der Maschine viel zugemutet. Wahrscheinlich viel mehr, als sie zu dem zu dem Zeitpunkt irgendwie auch auch wirklich verarbeiten konnte. Also wir sind mit viel, viel mehr Featuren quasi pro Firma losgelaufen, weil wir gedacht haben, okay, Maschine, die kann das gut handeln und Also viel weniger Feature Engineering am am am Anfang, sondern eher so, lass lass die Maschine mal machen. Und halt auch Bereiche, wo wir auch mit Domain Expertise schon gesagt haben, sind wir mal gespannt, ob die Maschine das das so wirklich gut hinbekommt. Also vorhin hatte ich das Beispiel Banken gehabt. Das ist halt sehr, sehr schwierig, glaub ich, für die für die Maschine, da in dem Bereich zurechtzukommen und wirklich 1 1 1 gute Firma raus raus zu analysieren. Und man muss ja auch bei Projekten auch immer sagen, ob was gut oder schlecht funktioniert hat. Und bei uns war's halt eben so, die ersten 2 Jahre waren, also keiner keiner hat Geld verloren. Aber war jetzt man Bei uns im Bereich ist es ja immer so, dass man sich gegen einen Vergleichsindex vergleicht, zu schauen, ist man da besser oder schlechter. Und das war eben so, dass wir nach 2 Jahren eben nicht besser waren als der Vergleichsindex. Und da hatten wir dann diese, eigentlich diese 2 Aha Momente würd ich würd ich sagen, dass wir gesagt haben, okay, wir müssen jetzt was ändern. Wir müssen irgendwie, modellseitig müssen wir was verändern, wo wir dann zu diesem grafik neuronalen Netz Netz gewechselt sind. Wir müssen datenseitig irgendwie, glaub ich, doch mehr Domainexpertise, mehr Feature Engineering mit reinpacken, sodass wir dann bei 'nem ganz, also deutlich eingeschränkteren Set dann irgendwo waren. Und eben auch noch mal so von der wie analysieren wir jetzt Firmen sich auch noch mal ganz andere Methodik dann eingesetzt haben. Und seitdem wir das gemacht haben und auch dann die Maschine auf auf deutlich klarere Aufgabenstellungen sozusagen trainiert haben. Seitdem läuft das sehr, sehr gut. Also jetzt seit seit den 3 Jahren sind wir sowohl absolut als auch relativ gesehen zu der zu der Benchmark, haben wir sehr, sehr gute Ergebnisse, sind da knapp 10 Prozent davor. Und das ist eigentlich auch das, was wir ursprünglich mal vorhatten, was uns was eigentlich das Ergebnis sein sollte, was wir was wir haben wollten. Und das sind wir jetzt und ja, aber war halt auch erst mal war halt auch erst mal, eine Ahnung für sich, erst mal 2 Jahre Misserfolg, bevor wir dann zu den richtigen Schlüssen gekommen sind und gesagt haben, so und so müssen wir's machen. Und auch da kann man ja halt auch auch am Ende muss man auch sagen, danke an die an die Gründer sagen, da trotzdem noch das Vertrauen nach den 2 Jahren gab zu haben und zu sagen, ich ich glaub an euch, ihr kriegt das hin und das sozusagen weiter zu unterstützen. Das ist, glaub ich, auch was, was nicht unbedingt selbstverständlich ist, grade auch nicht in grade auch in Deutschland jetzt vielleicht nicht unbedingt. Also von daher, jetzt wolltest Du eigentlich eine kurze oder eigentlich eine kurze Frage, ich hab eine lange Antwort gegeben, ne? Das
Speaker2: Ja, Du, jetzt ist eine 1 kurze Frage, ja. Ich würd die Antwort sagen. Ach so, okay. Wobei zum Thema zum Thema Misserfolg, also aus meiner Sicht erst mal den Status quo mit 'nem neuen Ansatz sozusagen den Vergleichsindex genauso wieder von der Performance geben zu können. Das müssen wir ja auch erst mal hinkriegen, ja. Also neuer Ansatz, komplett fresh gegenüber, was das ja schon lange, lange Zeit optimiert ist. Also von daher ich würd's gar nicht, dass es Misserfolg wird bezeichnen. Ja. Ja, ja. 2. Frage, vor allem vor dem Hintergrund, angenommen, ich bin jetzt Student, Studentin und bin grad noch in der Ausrichtung, welche Tools schaff ich mir drauf? In welche Richtung arbeite ich mich ein? Kannst Du uns 'n bissel Einblick geben in deinen Technologiestag? Also ist das Python, Julia, r dot net, Programmierung, keine Ahnung, ja. Hol uns da mal 'n bisschen ab. Womit arbeitest Du wirklich? Ja, also wir arbeiten mit eigentlich fast ausschließlich mit Python.
Speaker3: Beim Reporting machen wir dann halt noch sone Schnittstelle zu zu Latex, dass wir dann halt so schöne schönere PDF Reports quasi haben, was man dann auch nach außen dann irgendwie vorzeigen kann. Aber auch Amazing, oh, okay. Aber ja, also auch das Ganze das Ganze sozusagen mit Visualisierung ist bei uns halt 'n Riesenthema, weil also ich brauch jetzt nicht irgendwie mit 'ner Statistik Tabelle hier irgendwie rumzulaufen, was da da da schalten schalten auch alle Leute halt ab. Das ist, das das funktioniert so halt nicht. Sondern ich brauch halt sehr viel Visuelles, was dann auch klar verständlich ist für die Leute und halt auch, glaube ich auch, wo sie wo sie das von früher wieder, also was heißt von früher? Also es gibt ja immer noch, dass Menschen dann auch die die Aktienauswahl machen. Aber dass man sozusagen ähnliche Analysen, wie man so bei Menschen ansetzt, auch bei der Maschine halt eben damit sone gewisse Vertrautheit dann halt auch in das Thema irgendwie irgendwie kommt. Also Visualisierung ist ist 'n großes Thema. Genau, aber wie gesagt, also Python ist halt ist halt unser unser Powertour logischerweise, wo es ja auch dann einfach schon sehr viel gibt, was man dann was man direkt einsetzen kann. Genau. Und ja, so vom vom Technologiestack her, wir haben halt dann 2 größere Maschinen, wo dann halt Nvidia Grafikkarten halt drauf sind, dann die Modelle zu trainieren. Mhm. Aber das ist eigentlich schon that's it, ne. Plus halt natürlich irgendwie Datenbankinfrastruktur, wobei natürlich unsere Daten, das sind jetzt keine, das sind keine, also ich ich man wird immer so gefragt, ja, macht ihr Big Data oder wie, ja? Und ich find das immer so, ja, weiß nicht. Also ich würd jetzt sagen, Finanzen ist jetzt nicht unbedingt Big, also bei uns zumindest nicht mit Fundamentaldaten und so weiter. Das ist für mich jetzt noch nicht unbedingt Big Data, würd ich jetzt sagen, ja. Und von daher, da passt das auch, wenn man da mit mit mit den 2 Maschinen, das ist für uns völlig ausreichend von der Infrastruktur her.
Speaker2: Okay, ja genau. Also das das ist auch schon 'n Indikator, wenn ihr in der Lage seid, mit Workstations zu arbeiten, dann ist das ja irgendwas mit in dem Bereich unter 200 Gigabyte Arbeitsspeicher wahrscheinlich oder so in der Größenordnung und dementsprechend, ja, also Big Data, dann keine Peters Daten, wo ich Nee. Wo ich auf 'nem Cluster rechnen muss. Nee, nee, nee. Da sind wir noch nicht. Nicht. Ja, tatsächlich, das ist auch 'n Learning. Ich hab mich während der Doktorarbeit ja viel mit mit Cluster Computing beschäftigt, einfach weil weil die Rekonstruktionsprobleme, mit denen wir zu tun hatten, echt crazy groß waren. Und ich hab seitdem nie wieder gebraucht, leider. Ist 'n schöne schönes Thema, schönes Thema. Auf der anderen Seite ist auch krass, jetzt die die News, es gibt ja neue Chips, die sozusagen Kilowattweise Computing Power in einen einzigen Chip vereinen, dass es gar nicht mehr so so so kritisch ist, Distributed Computing zur Anwendung zu bringen, weil quasi diese Single Performance echt krass nach oben geht. Ja, ja. Megaspannend. Okay, cool. Dann würd ich vorschlagen für den letzten Teil unseres Gesprächs, lass uns noch mal 'n kurzen Schwenk machen mit Blick auf den Markt. Ja, also wir haben ja sehr, sehr viel über unterhalten über dein Team, dich, die Firma, ja, wie ihr an die die die Produktentwicklung und die Forschungsaspekte da rangeht. Wie wird das Ganze aufgenommen? Also ist die Wahrnehmung da bei euch, bei den Kunden so? Ja, her damit. Endlich. Wir haben total drauf gewartet. Gibt's eine Skepsis, ja, auch regulatorisch? Wie spielen da die die Rahmenbedingungen mit rein? Magst Du's mal einordnen, Frau? Ja, gerne. Also es ist auch wieder,
Speaker3: muss man eigentlich auch wieder eine Zeitreise machen, weil das auch auch 'n gewisser Prozess irgendwie natürlich auch wieder ist. Also ich kann's selbst Also fangen wir mal fangen wir mal intern an, als ich das vor 8 Jahren angefangen hab und da kamen so 1. Aktientipps raus und da Ja, ich glaub ich weiß nicht, ob da wirklich dann mal noch irgend 'n menschlicher Kollege dann reingeguckt hat, weil's das das was Interessantes ist. Die Skepsis war da war da schon sehr, sehr, sehr groß, glaube ich. Und mittlerweile ist es intern so, dass wir das Ja, ich ich ich vergleich's immer son bisschen mit 'nem Auto, ja. Also vor, keine Ahnung, vor 20 Jahren hat man ja viele technische Features eben nicht im im Auto mit drin gehabt und so peu à peu kommt das irgendwie immer mehr mit rein und und irgendwann wird's ja als ganz selbstverständlich angesehen. Und so ist es bei uns halt auch, wenn jetzt so Umschichtungen sind von so Portfolien, Ja, und mit halt mit halt den guten Performancezahlen, dann guckt man vielleicht dann doch auch mal hin und guckt mal vielleicht die eine oder andere Aktie guck ich mir noch mal genauer an. Und die kann sich jetzt vorher nicht, ist ja auch 'n Ideenpool sozusagen für für die Kollegen. Und mittlerweile ist es so, dass auch in den in unseren größeren Aktienfonds durchaus auch Titel reinkommen, die von der KI vorgeschlagen wurden. Und das macht uns natürlich jetzt hier im Team natürlich auch stolz, dass das dass die Annahme da mit der mit der Zeit gewachsen ist. Und auch in den anderen Bereichen ist es ist das jetzt irgendwie so, ist 'n ganz normales Alltagsthema halt auch mit mit mit geworden, würd ich sagen. Auf der Kundenseite, ja, ich mein, hab jetzt halt 8 Jahre dann halt auch immer, hab jetzt halt 8 Jahre dann auch immer immer immer wieder natürlich mit Kunden zu tun gehabt, auch da ist die Skepsis groß und da ist auch bis heute noch die Skepsis groß. Also Mhm. Ich hab da schon echt viel irgendwie marketingtechnisch und präsentationstechnisch ausprobiert. Ich weiß noch ganz am Anfang hab ich immer sehr viel dann versucht, die Technik zu erklären und die Leute da irgendwie abzuholen. Und was jetzt so das Besondere, dass Maschine das irgendwie da so selber lernt, die Regeln und so weiter gegenüber beim Menschen, der das ja halt irgendwie alles vorgibt und so. Und auch da technisch die Leute abzuholen. Aber ich glaube, dass halt, das ist halt superschwierig bei uns im Bereich, weil halt eben sozusagen der Hintergrund halt eben eben fehlt. Und nur durch eine Viertelstunde irgendwie mal über über maschinelles Lernen zu reden oder wie die Methodik geht, ist schwierig da sozusagen an dem Punkt die Leute mit abzuholen. Und ich am Ende vom Tag ist es eben so, ich glaub, für viele Leute ist es einfach, es ist erst mal eine weitere Strategie. Mhm. Wenn die Ergebnisse okay sind, dann sind die Leute auch bereit, natürlich mehr zuzuhören. Ja, und dann kommt's eben ganz drauf an. Also ich will jetzt auch nicht alle Kunden über einen Kamm scheren logischerweise. Es gibt, ich hab auch viele Gespräche in den 8 Jahren geführt, die die auch deutlich tiefer ins Detail reingegangen sind, wo man gemerkt hat, okay, die Leute haben sich da viel mit beschäftigt und so. Mhm. Mhm. Aber ich sag mal so, in den meisten Fällen, ja, wollen die Leute eher abgeholt werden. Was habt ihr denn für Aktien in dem in dem Portfolio drin? Kannst Du da son bisschen was drüber erzählen? Und ja, was halt, was den Leuten, glaub ich, am meisten bisher auch so gefehlt hat, war diese diese Erklärung, ne? Weil früher, ja, wenn da 'n Mensch, der Portfoliomanager sitzt, der kann dir halt von a bis z irgend eine irgend eine Geschichte zu der Aktie erzählen, zu der Firma erzählen. Und auch sein Narrativ, wie ist er jetzt da drauf gekommen? Wo kommt die Aktie her? Warum will er die halten und so weiter? Das kann die KI natürlich im Moment nicht leisten. Und ich kann halt sozusagen immer nur son bisschen herleiten, was für was für Faktoren hat hat sich die Maschine da angeguckt? Und was sind da für Firmen rausgekommen? Wie sieht das Portfolio insgesamt irgendwie so von den Faktoren her aus? Ist es was, womit man sich dann halt irgendwie wohlfühlt? Und dann halt eben auch viele Aktienbeispiele dann halt auch vorzustellen, also eben 'nem ähnlichen Modus, wie das halt 'n aktiver Manager, son menschlicher menschlicher Manager machen würde. Also ich bin sozusagen von der ganz technischen Erklärseite vor 8 Jahren sehr stark dazu hingegangen, eigentlich eine normale Präsentation, wie sie auch 'n Mensch 'n menschlicher Portfoliomanager erhalten würde, zu halten. Und nur nur ganz wenig sozusagen über die über die technische Sache und nur sehr high level sozusagen da drüber zu zu sprechen, weil ich gemerkt hab, das kommt nicht an, glaub ich. Also es kommt, es ist sehr schwierig, dass es ankommt in dieser in der sehr kürzeren Zeit und dafür, dass das Thema halt so komplex ist. Ja. Und wie gesagt, am Ende vom Tag, es gibt auch, wir sind ja auch nicht die Einzigen, die künstliche Intelligenz versuchen, im Portfoliomanagement einzusetzen. Und es gibt auch viele Beispiele, wo das komplett nach hinten losgegangen ist. Und das hilft natürlich auch jetzt nicht unbedingt sozusagen für den für diesen für diese Toolbox, weil man kann's natürlich auch sehr, sehr falsch einsetzen. Das ist klar,
Speaker2: ja. Okay. Kurze Quatschkommentar.
Speaker3: Ja, ihr braucht eine 2. KI, die die Stories generiert aus dem Netz der ersten KI und dann Text about mit der Erklärung, warum genau jetzt die Ja, ist ist ganz lustig. Wir hatten jetzt grad unsere Jahreskonferenz grad. Wir haben einmal im Jahr haben wir sone sone Jahreskonferenz von der Firma und mein Chef hat als, also der Kunde der Firma hat als als Intro sich 'n Text von, ah, ich weiß nicht mehr, wie die wie die Seite heißt, aber es gibt ja mittlerweile son paar Dienste, die halt das GPT 3 dann da quasi hinten dran stellen und dann kann man da son bisschen Genau. Bisschen paar Wörter eintippen und dann kriegt man son schönen Text da irgendwie runtergeschrieben. Da hat er die Intro, hat er hat er von der also von der KI quasi sich generieren lassen. Also es ja, es vielleicht, es ist noch nicht mal unbedingt 'n Quatschkommentar. Ich mein, am Ende vom Tag viel viel anderes erzählt der Mensch dann vielleicht auch nicht, also
Speaker2: Mhm. Na ja, aber ernsthafte Rückfrage, inwiefern müsst ihr auch erklären, wie ihr zu euren Entscheidungen kommt? Weil wenn ich als Mensch entscheide, was ist der Unterschied dazu, wie wenn ich einen Zufallszahlgenerator laufen lasse? Also im Sinne der Nachvollziehbarkeit.
Speaker3: Ja. Also gibt's da Regulatorik oder ist das nur, weil die Kunden sonst sich nicht da Genau, also der Entscheider, der der die Entscheider auf der anderen Seite wollen ja wollen ja eine Erklärung haben. Ob das dann ob das dann nur fürs gute Bauchgefühl ist oder ob man das halt wirklich haben will, um's selber irgendwie einzuschätzen oder zu vergleichen, das sei dann auch noch mal dahingestellt. Aber ja, es gibt ja dann halt auch wieder auf der Gegenseite vielleicht jemand, der Entscheidungen wiederum für jemanden hinten hinten dran trifft, an den er reporten muss. Also auch da gibt's ja dann wieder Hierarchien. Und dementsprechend, ja, ist es ist jetzt regulatorisch im Grunde genommen eigentlich nicht unbedingt vorgegeben, dass man jetzt so die Präsentation zu halten hat. Aber ja, man man will ja auch den Leuten, also wir sind eine sehr transparente Firma, würd ich jetzt mal behaupten, in unserem Bereich. Wir wir wollen ja den Leuten das ja erklären, wie sind wir jetzt dazu gekommen und was haben wir da für tolle Firmen im Portfolio, ja. Weil ja, jetzt irgendwie einfach einfach nur was hinstellen, ohne was zu erklären, da wird auch keiner investieren. Also würd ich jetzt mal behaupten, ja.
Speaker2: Ja. Die obligatorische Abschlusstage Köln, welchen Rat würdest Du deinem zwanzigjährigen Ich geben?
Speaker3: Das ist eine sehr gute Frage. Wahrscheinlich so was wie zieh durch, Junge, würd ich wahrscheinlich sagen. Mit 20, ja, ja, es war so, ja, halt Anfang Anfang des Mathestudiums, da ist man natürlich schon erst mal son bisschen Brett vorm Kopf, was man da was man da alles leisten muss. Und da kann ich mir kann ich mich noch an einige an einige Gespräche mit Kommilitonen erinnern, wo wir uns gegenseitig versucht haben zu zu pushen, dass wir da dass wir das durchziehen und und weitermachen. Und das hat das hat natürlich auch viel geholfen. Also das Cool. Ja, und das durchziehen, ich am Ende vom Tag, ich bin ja jetzt sehr glücklich in der Position und so wie alles ist, von daher würde ich da auch nix ändern wollen. Dementsprechend wär der Ratschlag zieh durch, ja.
Speaker2: Können wir, denk ich, so in die in die Zuhörerschaft rausgeben, Leute. Ich hoffe, euch hat die Folge gefallen. Ihr habt's genauso viel gelernt wie ich. Sehr interessantes Feld, ich hab's vorhin schon erwähnt, sehr interdisziplinär. Man hat die Finger in total vielen Bereichen drin. Kevin, vielen, vielen Dank für die sehr plastischen Beispiele, die Du dir Danke dir. Danke dir. Für die Einladung. Ja. Und ich hoffe. Gerne, gerne. Ich hoffe, wir sehen uns in Person auf Auf jeden Fall. Das machen wir so. Master the Complexity.
Speaker0: Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.