CFDS ERFAHRUNGSBERICHT

Wer mehr als 25 Jahre in der Finanzindustrie arbeitet, sammelt zwangsläufig Erfahrungen – und baut daraus seinen eigenen Werkzeugkasten.

Bei mir begann das mit einer Ausbildung zum Bankkaufmann und einem Studium im Bankmanagement. Es folgten ein berufsbegleitendes Studium mit volkswirtschaftlichem Schwerpunkt, ein Master of Arts in Finance, die Qualifikationen zum CIIA und CEFA sowie eine Ausbildung zum Projektmanager.

Quantitative Fragestellungen begleiteten mich früh: Studien- und Abschlussarbeiten zu Risikomanagement, Prozessoptimierung bei der Einführung von Dach-Hedgefonds, CPPI-Strategien und dem Black-Litterman-Modell.

Der CFDS war für mich weniger Einstieg in die quantitative Kapitalanlage als Fortsetzung dieses Weges mit neuen Werkzeugen: von klassischer Portfoliotheorie über Risikomodelle bis zu Hidden Markov Models, Machine Learning und Python.

Jede Station erweiterte den Werkzeugkasten – mal um analytische Tiefe, mal um methodische Breite, mal um Führungserfahrung.

Und doch stellte ich irgendwann fest: Einige Werkzeuge darin waren hervorragend gepflegt. Andere hatten nach vielen Jahren im Berufsleben vielleicht erste Rostspuren angesetzt.

Genau das hat mich zum CFDS-Programm der DVFA-Akademie geführt.

Warum Data Science für Kapitalanleger wichtiger wird

In meiner heutigen Rolle als Leiter Kapitalanlage – nach Stationen im Banking, in der Betreuung institutioneller wie vermögender Privatkunden, im Asset Management und in der Versicherungswirtschaft – erlebe ich seit Jahren, wie stark sich die technischen Möglichkeiten unseres Berufs verändern.

Daten sind längst nicht mehr nur ein Nebenprodukt der Anlageentscheidung. Entscheidend wird zunehmend die Fähigkeit, sie strukturiert zu verarbeiten, Hypothesen reproduzierbar zu testen und Modelle kritisch zu beurteilen.

Es geht dabei nicht darum, „alte, annahmenbasierte“ Kapitalanlage durch vermeintlich objektive Daten zu ersetzen – auch statistische Modelle beruhen auf Annahmen. Die interessante Entwicklung besteht darin, diese Annahmen expliziter zu machen, empirisch zu überprüfen und den Analyseprozess reproduzierbarer zu gestalten.

Zwei Beispiele aus meiner Arbeit verdeutlichen das.

Im Rahmen der regulatorischen Nachhaltigkeitsberichterstattung einer Versicherung durfte ich Anforderungen nicht nur fachlich-rechtlich verstehen, sondern operativ umsetzen – von der Strukturierung heterogener Datensätze bis zu ihrer nachvollziehbaren Dokumentation. Wer dabei ausschließlich auf manuelle Prozesse setzt, stößt an Grenzen.

Das zweite Beispiel: taktische Asset Allocation. Die Herausforderung liegt weniger in einem modischen „Big Data“ als darin, sehr unterschiedliche Informationen sinnvoll zusammenzuführen. Marktpreise, Volatilitäten, Credit Spreads, Momentum, Zinskurven und makroökonomische Daten haben unterschiedliche Frequenzen, Veröffentlichungslags und statistische Eigenschaften.

Mir war klar: Ich brauchte kein weiteres Zertifikat, das bestätigt, was ich kann. Ich wollte praktische Fähigkeiten in Programmierung, Statistik und Machine Learning vertiefen – nicht als Selbstzweck, sondern für Fragen, mit denen ich mich in meinem Investment-Umfeld mit Experten tatsächlich beschäftige.

Das CFDS-Programm: Theorie trifft Praxis

Das CFDS-Programm verbindet Financial Statistics mit Machine Learning und Artificial Intelligence. Die Bandbreite reicht von explorativer Datenanalyse, Regression, zeitvariabler Volatilität und Bootstrap-Verfahren bis zu neuronalen Netzen, Natural Language Processing und Reinforcement Learning – begleitet von der praktischen Umsetzung in Python.

Gerade diese Verbindung war entscheidend. Eine Methode auf einer Folie verstanden zu haben, ist das eine. Sie selbst zu programmieren, mit realen Finanzmarktdaten zu testen und herauszufinden, warum sie an irgendeiner Stelle doch nicht das tut, was man erwartet hatte – etwas anderes… und wie ich finde lehrreicher!

Das Programm ist berufsbegleitend aufgebaut – mit Präsenzblöcken, Live-Webinaren und Selbststudium. Die Lernkurve war entsprechend steil.

Besonders wertvoll: die Arbeit in internationalen Teams. Die Teilnehmer waren mal jünger, mal mit ergrauten oder weniger Haaren ausgestattet und kamen aus ganz unterschiedlichen Funktionen – von Data Analytics über Risk Management bis zur Schnittstelle zwischen Produktmanagement und IT. Man lernt nicht nur von Dozenten, sondern auch voneinander – gerade dann, wenn jemand eine vermeintlich einfache Frage stellt, auf die die eigene komplizierte Antwort plötzlich nicht mehr so überzeugend klingt.

Das Projekt: Regime Detection for Tactical Asset Allocation

Den Kern des Programms bildet eine mehrmonatige Projektarbeit.

Ich habe mich mit einer Frage beschäftigt, die mich als Kapitalanleger schon lange interessiert: Wie lassen sich Marktregime mit den jeweils verfügbaren Informationen systematisch schätzen, um taktische Overlay-Strategien darauf aufzubauen?

Die Grundidee ist wenig exotisch. Finanzmärkte verhalten sich nicht immer gleich; ein ruhiger Aufschwung unterscheidet sich von einer Stressphase, eine Krise von einer beginnenden Erholung. Volatilität, Credit Spreads, Momentum, Inflation und Zinsstruktur erzählen jeweils einen anderen Teil der Geschichte.

Ich betrachtete diese Informationen aus vier komplementären Perspektiven: Risiko und Volatilität, Trend und Momentum, Inflation sowie Zinsen und Zinsstruktur.

Spannend wird die Sache erst bei der nächsten Frage: Erkennen wir ein Regime wirklich – oder erklären wir es nur hinterher sehr überzeugend?

GMM, HMM – und erste Rostspuren

Für die Regimeerkennung arbeitete ich mit Gaussian Mixture Models (GMM) und Hidden Markov Models (HMM). Ein GMM kann Beobachtungen probabilistisch gruppieren. Ein HMM ergänzt dies um eine zeitliche Dimension: Marktphasen springen idealerweise nicht jeden Montagmorgen zufällig von „Expansion“ auf „Krise“ und am Dienstag wieder zurück. Im Projekt wurden beide Perspektiven miteinander verbunden.

Und dann kam Viterbi. Entscheidend war die Unterscheidung zwischen gefilterten Wahrscheinlichkeiten und einem über die gesamte Beobachtungssequenz bestimmten Viterbi-Pfad. Der Viterbi-Algorithmus … Aha, bitte wie?

Genau so ging es mir zu Beginn der Fortbildung auch. Meine letzte intensive statistische Einheit war sicherlich schon ein paar Tage her, und ich bemerkte, dass ich Bekanntes nur noch bedingt einsetzte – vielleicht eben jene ersten Rostspuren.

Aber genau dafür ist eine gute Weiterbildung da.

Der Punkt lässt sich verständlich erklären: Ein über die gesamte historische Zeitreihe bestimmter Viterbi-Pfad eignet sich hervorragend, um Marktphasen zu charakterisieren. Für eine reale Anlageentscheidung darf man aber nicht so tun, als hätte man damals schon die späteren Beobachtungen gekannt. Für die Signalerzeugung verwendete ich deshalb gefilterte Wahrscheinlichkeiten, bei denen nur die bis zum jeweiligen Zeitpunkt vorliegenden Daten einfließen.

Das klingt nach einem kleinen technischen Detail. Für einen Backtest ist es ein gewaltiger Unterschied – zwischen „im Rückspiegel offensichtlich“ und „damals tatsächlich umsetzbar“. Für einen Praktiker ist genau diese Grenze entscheidend.

Ein gutes Modell ist noch keine gute Strategie

Im CFDS konnte ich Verfahren wie Walk-Forward-Validierung, Bootstrap-Konfidenzintervalle, Sensitivitätsanalysen, Permutationstests und den Deflated Sharpe Ratio nicht nur vertiefen, sondern unmittelbar auf eine eigene Investmentfrage anwenden.

Die Ergebnisse waren ermutigend. Noch interessanter: Unterschiedliche Modellvarianten waren auf unterschiedliche Weise „gut“ – ein Ansatz reduziert Risiken in schwierigen Marktphasen besser, ein anderer zeigt eine attraktivere risikoadjustierte Wertentwicklung, wieder ein anderer ist statistisch interessant, aber operativ zu instabil.

Damit landet man schnell wieder bei einer klassischen CIO-Frage: Was wollen wir eigentlich optimieren – Rendite, Risiko, Drawdown, Stabilität oder Handelbarkeit?

Die Antwort darauf kann kein Machine-Learning-Algorithmus abnehmen.

Und wenn der Backtest einfach Glück hatte?

Diese Frage sollte man sich bei jedem beeindruckenden Backtest stellen. Vielleicht gerade dann, wenn es der eigene ist.

Wer genügend Indikatoren, Modelle und Parameterkombinationen ausprobiert, findet irgendwann etwas, das historisch hervorragend aussieht. Statistik nennt das Multiple Testing oder Selection Bias – man kann sich einen guten Backtest erarbeiten, ohne einen guten Investmentansatz gefunden zu haben.

Deshalb beschäftigte ich mich im Projekt intensiv mit Robustheitstests. Der Deflated Sharpe Ratio war ein Instrument, um zu beurteilen, wie belastbar eine attraktive risikoadjustierte Performance angesichts mehrerer, getesteter Ansätze ist. Andere Tests lieferten weniger eindeutige Ergebnisse. Auch das gehört dazu.

Vielleicht ist genau das eine der wertvollsten Lektionen der gesamten Weiterbildung: Gute quantitative Arbeit besteht nicht darin, eindrucksvolle Backtests zu produzieren – sondern darin, systematisch nach Gründen zu suchen, warum der eigene Backtest falsch sein könnte. Gelegentlich ist das weniger befriedigend, jedoch für dem tatsächlichen Erfolg nützlicher.

Vom Projekt zur Praxis

Die Projektarbeit verschwindet nach dem Abschluss nicht in einer Schublade. Sie bildet einen methodischen Baustein für quantitative Ansätze, die ich in meiner Praxis weiterentwickle – als zusätzliche, regelbasierte Werkzeuge.

Es geht nicht darum, den nächsten Börsencrash auf einen Dienstagvormittag zu prognostizieren. Kein Regimemodell beseitigt Unsicherheit; Zustandswechsel können verspätet erkannt werden, Parameter sind schätzfehlerbehaftet, historische Zusammenhänge können brechen. Interessanter ist ein bescheideneres Ziel: Unsicherheit strukturierter, reproduzierbarer und empirisch überprüfbarer in Anlageentscheidungen einzubeziehen.

Genau dort treffen sich traditionelles Investment Management und Data Science.

Fazit: Ein wichtiger Schritt – kein letzter

Der CFDS ist kein Endpunkt, sondern ein weiterer Baustein auf einer Reise, die mit einer Bankausbildung begann und sich über Risikomanagement, CPPI und Black-Litterman bis zu HMM, Machine Learning und Python fortgesetzt hat.

Was sich verändert hat, sind die Werkzeuge. Was konstant geblieben ist: Welche Informationen sind belastbar genug, um unter Unsicherheit eine bessere Entscheidung zu treffen?

Nach mehr als 25 Jahren noch einmal intensiv Statistik und Programmierung zu lernen, war weniger eine Rückkehr auf die Schulbank als eine Fortsetzung dieser Frage mit erweitertem Werkzeugkasten.

Für Investment Professionals, die statistische Grundlagen vertiefen und moderne quantitative Methoden praktisch anwenden wollen, bietet der CFDS einen anspruchsvollen und praxisnahen Rahmen.

Der wichtigste Lernertrag liegt vielleicht gar nicht in GMM, HMM oder einem bestimmten Machine-Learning-Verfahren. Er liegt darin, eine Investmentidee so präzise zu formulieren, dass man sie programmieren, testen, kritisch hinterfragen – und im Zweifel auch wieder verwerfen kann.

Und vielleicht ist gerade die Fähigkeit, eine eigene gute Idee wieder zu verwerfen, wenn die Daten nicht mitspielen, eine der nützlichsten Eigenschaften, die man als Kapitalanleger haben kann.

Danksagung

Mein besonderer Dank gilt Herrn B. Beinke für seine Unterstützung bei der Abschlusspräsentation zum Thema „Regime Detection for Tactical Asset Allocation“.

Ebenso danke ich Prof. C. Erlwein-Sayer, Prof. N. Packham und Dr. S. Siddiqui für ihre fachliche Anleitung sowie Herrn S. Schummer für die hervorragende organisatorische Betreuung während des gesamten Programms.