Unsere Innovationsgeschichte

Seit 2020 revolutionieren wir die Art, wie Finanzentscheidungen durch fortschrittliche Szenario-Modellierung getroffen werden. Was als universitäres Forschungsprojekt begann, ist heute eine führende Plattform für Finanzanalyse.

Quantitative Szenario-Analyse

Unsere Kernmethodik basiert auf Monte-Carlo-Simulationen und Bayes'schen Netzwerken. Anstatt statischer Finanzmodelle verwenden wir dynamische Algorithmen, die Tausende von Marktszenarien gleichzeitig bewerten. Diese Herangehensweise entwickelten wir ursprünglich für Versicherungskonzerne, bevor wir sie 2023 für mittelständische Unternehmen zugänglich machten.

Was uns unterscheidet: Während andere Plattformen historische Daten extrapolieren, simulieren wir zukünftige Unsicherheiten. Unsere Modelle berücksichtigen schwarze Schwan-Ereignisse und Marktanomalien als integralen Bestandteil der Analyse.

Unser Forschungsteam

Drei verschiedene wissenschaftliche Disziplinen treffen aufeinander: Mathematik, Verhaltensökonomie und Computerwissenschaft. Diese Kombination ermöglicht es uns, nicht nur zu berechnen, was passieren könnte, sondern auch zu verstehen, warum es passieren könnte.

Dr. Casimir Krämer

Leiter Quantitative Methoden

Promovierte in Stochastik an der ETH Zürich. Entwickelte unseren patentierten Volatilitäts-Clustering-Algorithmus, der Marktturbulenzen drei Monate im Voraus identifiziert.

Prof. Dr. Theodora Meinhardt

Forschungsleiterin Behavioral Finance

Ehemalige Verhaltensökonomin bei der Deutschen Bundesbank. Ihre Forschung zu kognitiven Verzerrungen in Finanzentscheidungen fließt direkt in unsere Modellkalibrierung ein.

Maximilian Vollrath

Technische Architektur

Machine-Learning-Spezialist mit Background in Hochfrequenzhandel. Optimierte unsere Berechnungsgeschwindigkeit um 340% durch innovative GPU-Parallelisierung.

Unser methodischer Vorteil

Traditionelle Finanzmodelle versagen in Krisenzeiten, weil sie Normalverteilungen annehmen. Die Realität ist anders: Märkte zeigen Fettschweifverteilungen und Korrelationsbrüche. Unsere Plattform wurde genau für diese Anomalien entwickelt.

1

Regime-Switching-Modelle

Automatische Erkennung von Marktregimen und deren Übergangsphasen durch Hidden-Markov-Modelle
2

Copula-basierte Abhängigkeitsmodellierung

Präzise Erfassung nichtlinearer Abhängigkeiten zwischen Assetklassen, besonders in Extremsituationen
3

Adaptive Kalibrierung

Kontinuierliche Parameteranpassung basierend auf aktuellen Marktdaten und Strukturbrüchen