Themen
Themen der Anlageforschung
Die folgenden Themenfelder gliedern unsere redaktionelle Arbeit. Jedes Feld benennt die wiederkehrenden Fragen, die wir an öffentlichen Modellbeschreibungen und Forschungsarbeiten prüfen. Die Texte beschreiben Methoden, keine Märkte.
Wie ein Signal begründet wird
Merkmalswichtigkeit, Gegenbeispiele und lokale Erklärungen (etwa SHAP- oder LIME-basiert) machen nachvollziehbar, welche Eingaben ein Modell zu einer Empfehlung führen. Wir untersuchen, wann solche Verfahren tragfähig sind und wo sie die Struktur des Modells unzutreffend vereinfachen.
Trainingsdaten als Vorbote
Verzerrungen entstehen meist vor dem Training: in historischen Daten, Branchengewichtungen und fehlenden Segmenten. Ein auf unvollständige Vergangenheit optimiertes Modell überträgt deren Lücken in jede künftige Empfehlung. Wir legen dar, wo diese Verzerrungen entstehen.
Wenn die Vergangenheit nicht reicht
Overfitting, Regimewechsel und seltene Ereignisse sind die Schwachstellen jedes auf Historie optimierten Modells. Wir beschreiben, wie solche Risiken in der Modellarchitektur sichtbar gemacht und wo sie systematisch unterschätzt werden.
Herkunft, Abdeckung, Lücken
Eine Aussage ist nur so belastbar wie ihre Daten. Wir prüfen Provenienz, zeitliche Abdeckung und fehlende Segmente, denn ein auf unvollständige Vergangenheit abgestelltes Modell nimmt dessen Lücken in jede künftige Empfehlung mit.
Rahmen und Pflichten
EU-KI-Verordnung, Digital Services Act und bankaufsichtliche Vorgaben wie die MaRisk verändern die Pflichten für KI-gestützte Anlageentscheidungen. Wir ordnen die Vorschriften ein, ohne sie auszulegen – das obliegt den Aufsichten.
Stolpersteine im Backtest
Backtests suggerieren oft Sicherheit, die sie nicht halten. Daten-Leckage, Look-ahead-Verzerrung und angepasste Benchmarks verzerren die scheinbare Trefferquote. Wir zeigen, woran eine belastbare Validierung zu erkennen ist.
Häufige Fragen
Gibt NodePrism Anlageempfehlungen?
Nein. Wir veröffentlichen redaktionelle Analysen zu Methoden der Erklärbarkeit und Verzerrung. Wir nennen keine Wertpapiere, keine Zeitpunkte und keine Rendite.
Was bedeutet Erklärbarkeit bei einem KI-Anlagemodell?
Erklärbarkeit beschreibt, inwiefern nachvollziehbar ist, welche Eingaben zu welchem Signal geführt haben. Verfahren wie Merkmalswichtigkeit oder lokale Erklärungen liefern Anhaltspunkte, vereinfachen aber die Modellstruktur.
Woher kommt Verzerrung in einem Modell?
Verzerrung entsteht meist vor dem Training: in historischen Daten, Branchengewichtungen und fehlenden Segmenten. Ein Modell überträgt diese Lücken in jede zukünftige Empfehlung.
Für welche Leser schreiben wir?
Für private Anleger, Finanzredaktionen sowie Risiko- und Compliance-Teams, die KI-gestützte Anlageaussagen prüfen wollen. Vorkenntnisse aus dem Machine Learning werden nicht vorausgesetzt.
Eine konkrete Frage? Die Redaktion antwortet meist innerhalb von drei Werktagen.