Philipp Bühler

Student · Unternehmer

Ich entwerfe undbaue Systeme fürEntscheidungen —Software, Modelle,Unternehmen.

Masterstudent und Gründer von Bühler Digital Solutions. Ich baue Webplattformen und KI-gestützte Workflows für reale Unternehmen und schreibe eine Masterarbeit darüber, wie sich ein Reinforcement-Learning-Agent gegenüber klassischer Optimierung schlägt, wenn das Ziel die risikoadjustierte Rendite ist.

Ausgewählte ArbeitenForschungKontakt
Diagramm: ein Weg durch fünf verbundene FelderFünf übereinanderliegende horizontale Ebenen mit den Bezeichnungen Engineering, KI & Daten, Produkt & Business, Unternehmertum, Forschung & Finance, durch die eine einzelne durchgehende Linie verläuft und auf jeder Ebene einen Knotenpunkt berührt.ENGINEERINGKI & DATENPRODUKT & BUSINESSUNTERNEHMERTUMFORSCHUNG & FINANCE
Ein Weg — nicht fünf getrennte Fähigkeiten
02Profil

Kurzfassung

Ich arbeite an der Schnittstelle von Technologie, Wirtschaft und analytischer Entscheidungsfindung. Was meine Projekte verbindet, ist das Interesse daran, komplexe oder unsichere Probleme in Systeme zu überführen, die strukturiert, verständlich und in der Praxis brauchbar sind.

Mein Ansatz beginnt bei der Struktur unter einem Problem: seinen Annahmen, seinen Entscheidungen und seiner vermeidbaren Komplexität. Klarheit ist wichtig — aber nicht auf Kosten dessen, worauf es ankommt.

Technologie sollte menschliche Fähigkeiten erweitern und dabei Verständnis, Urteilsvermögen und Verantwortung erhalten. Die stärksten Systeme machen ihre Grenzen sichtbar und bleiben offen für Nachfragen, Anpassung und Verbesserung.

“The best way to predict the future is to invent it.”

— Alan Kay

Eine Abgrenzung, die dazugehört

Dies ist eine persönliche Seite. Bühler Digital Solutions ist ein eigenständiges Unternehmen mit eigener Website — hier erwähnt, weil es zur Arbeit gehört, aber nicht als Angebot dargestellt.

Standort
Deutschland, Baden-Württemberg
Derzeit
Masterstudium · Unternehmertum
Aktuell in Arbeit
Webplattformen · KI-Workflows · Portfoliooptimierung · Trading-Bot
Hintergrund
Mercedes-Benz · KPMG · selbstständig
03Ausgewählte Arbeiten

Was ich gebaut habe

Drei Einträge: die Praxis, die ich führe, die Forschung, an der ich schreibe, und die erste Seite von mir, die online ging.

01Aktiv

Bühler Digital Solutions

Unternehmen

Kontext
Kleine und lokale Unternehmen brauchen meist genau eine funktionierende digitale Sache — eine Website, die sich rechnet, einen Prozess, der aufhört manuell zu sein, einen Ablauf, der eine volle Woche übersteht. Angeboten wird ihnen üblicherweise ein Agenturvertrag.
Ansatz
Eine Ein-Personen-Praxis, projektweise zugeschnitten statt als Paket verkauft: Webentwicklung und Webdesign, Digitalisierung, KI-gestützte Lösungen, Automatisierung von Geschäftsprozessen, Sichtbarkeit in der Suche und laufende Pflege, wo sie tatsächlich vereinbart ist.
Rolle
Gründer

Stack

  • Webentwicklung
  • Webdesign
  • KI-Lösungen
  • Automatisierung
  • SEO
  • Wartung

URL der Unternehmenswebsite

02In Arbeit — noch keine Ergebnisse

DRL Portfolio Optimization

Masterarbeit · Forschung

Kontext
Die Mean-Variance-Optimierung löst zu jedem Rebalancing-Zeitpunkt ein statisches Problem und stützt sich stark auf eine geschätzte Kovarianzstruktur. Sie ist elegant, sie ist aus guten Gründen der Benchmark — und sie setzt eine Stabilität voraus, die Märkte nicht bieten.
Ansatz
Ein PPO-Agent wird darauf trainiert, über mehrere Anlagen hinweg unter drei Risikoprofilen zu allokieren, und anschließend gegen Mean-Variance-Optimierung und ein Marktportfolio verglichen — auf identischen Daten und unter identischen Nebenbedingungen. Explainable-AI-Methoden sind als optionale Erweiterung vorgesehen, damit die Allokationen des Agenten nicht nur bewertet, sondern auch hinterfragt werden können.
Rolle
Autor — Arbeit in Bearbeitung

Stack

  • Python
  • PPO / Reinforcement Learning
  • Portfoliotheorie
  • Backtesting
03Online

Gesundheitspraxis Johe

Website · erstes Projekt online

Kontext
Eine Gesundheitspraxis ohne Webpräsenz. Es war die erste Seite von mir, die online ging — entstanden als Gefallen und nicht als kommerzieller Auftrag, und hier als Referenz aufgeführt, nicht als Fallstudie.
Ansatz
Eine statische, schnelle Seite auf dem Stack, den ich auch für Kundenprojekte nutze, mit einer Inhaltsebene, die die Praxis ohne mich pflegen kann. Die ausführliche Aufarbeitung — Briefing, Rahmenbedingungen, Ergebnis — ist nicht veröffentlicht, und hier wird nichts behauptet, was nicht bestätigt ist.
Rolle
Gestaltung und Umsetzung

Stack

  • Astro
  • React
  • Tailwind CSS
  • Keystatic CMS
  • Cloudflare Pages

Website ansehen (öffnet in neuem Tab)

04Forschung · Masterarbeit

Reinforcement Learning für die Portfolioallokation

Die Frage ist nicht, ob eine gelernte Strategie in einem einzelnen Backtest einen Benchmark schlägt — dieses Ergebnis ist billig zu haben und hält selten stand. Die Frage ist, ob eine unter einem expliziten Risikoprofil trainierte Strategie anders allokiert als ein klassischer Optimierer, und ob dieser Unterschied bestehen bleibt, wenn beide dieselben Daten, dasselbe Anlageuniversum und dieselben Nebenbedingungen bekommen.

Schematischer Rendite-Risiko-Vergleich, keine gemessenen ErgebnisseEin Diagramm von Risiko gegen Rendite, das den Aufbau des Vergleichs zeigt. Eine Kurve markiert die Mean-Variance-Effizienzlinie, ein einzelner Punkt das Marktportfolio. Bei jedem der drei Risikoprofile — Konservativ, Ausgewogen, Offensiv — ist der PPO-Agent als senkrechte Klammer mit einem Fragezeichen dargestellt, weil seine Rendite noch nicht bekannt ist. Es wird kein Ergebnis gezeigt.KONSERVATIVAUSGEWOGENOFFENSIVMVOMARKET???RISIKO →RENDITE →
  • Mean-Variance-Effizienzlinie
  • Marktportfolio
  • PPO — noch nicht gemessen
Schematisch, nicht gemessen. Die Achsen zeigen den Aufbau des Vergleichs — Risiko gegen Rendite, drei Strategien über drei Risikoprofile. Die Positionen sind illustrativ und enthalten keine Aussage über Ergebnisse.

Arbeitstitel

Deep-Reinforcement-Learning-basierte Portfoliooptimierung mit PPO im Vergleich zu Mean-Variance-Optimierung und einem Marktportfolio.

Verglichene Strategien

  • PPOGelernte Allokationsstrategie, je Risikoprofil trainiert
  • Mean-VarianceKlassischer Optimierer — der Benchmark
  • MarktportfolioPassive Referenz

Umfang

  • Proximal Policy Optimization (PPO)
  • Mean-Variance-Optimierung (MVO)
  • Marktportfolio als passive Referenz
  • Drei Risikoprofile
  • Rendite-Risiko-Abwägung
  • Explainable AI (optionale Erweiterung)
05Erfahrung

Wo die Arbeit stattfand

Positionen und Zeiträume stammen von mir. Wo Aufgaben und Ergebnisse nicht veröffentlicht sind, steht das dort — statt einer Auffüllung.

  1. seit 2026Aktuell

    Bühler Digital Solutions

    Gründer

    Webentwicklung und Webdesign, Digitalisierung, KI-gestützte Lösungen, Automatisierung, Sichtbarkeit in der Suche und Wartung für kleine und lokale Unternehmen.

  2. 2026 — 2027Aktuell

    Masterarbeit · Forschung

    Autor — Deep Reinforcement Learning für Portfoliooptimierung

    PPO-basierte Portfolioallokation über drei Risikoprofile, verglichen mit Mean-Variance-Optimierung und einem Marktportfolio. In Bearbeitung; noch keine Ergebnisse.

  3. 2024 — 2027Aktuell

    Reutlingen University

    M.Sc. Wirtschaftsinformatik

    Laufendes Masterstudium; die Masterarbeit oben ist Teil davon.

  4. 03/2025 — 03/2026

    KPMG

    Werkstudent

    Aufgaben, Schwerpunkte und Ergebnisse werden hier nicht veröffentlicht.

  5. 2022 — 2023

    Mercedes-Benz AG

    Werkstudent · Praktikant

    Aufgaben, Schwerpunkte und Ergebnisse werden hier nicht veröffentlicht.

  6. 2020 — 2024

    Reutlingen University

    B.Sc. Wirtschaftsinformatik

    Grundständiges Studium vor dem Masterprogramm.

06Kompetenzen

Vier Arten von Problem

Gruppiert nach Art des Problems, nicht nach Werkzeug. Felder, in denen ich tatsächlich arbeite — keine Zertifikatsliste und bewusst keine Logo-Wand.

01

Engineering

Die Sache so bauen, dass sie den zweiten Entwickler überlebt.

  • Java · JavaScript · TypeScript
  • HTML & CSS
  • Astro & statische Seitengenerierung
  • Komponentenarchitektur
  • Datenbankdesign und -management (SQL)
  • Barrierefreiheit und Performance-Budgets
  • Git-basierte Arbeitsabläufe
02

KI & Daten

Aus Modellen und Daten brauchbare, überprüfbare Arbeit herausholen.

  • Maschinelles Lernen & Data Science (Python)
  • Reinforcement Learning (PPO)
  • KI-gestützte Entwicklungsabläufe
  • Agenten-Orchestrierung & getrennte Zuständigkeiten
  • BI-Dashboards (Power BI, Tableau, SAP Analytics Cloud)
03

Produkt & Business

Entscheiden, was sich zu bauen lohnt — und für wen.

  • Projektmanagement
  • Scoping und Anforderungsklärung
  • Automatisierung von Geschäftsprozessen
  • Beratung
  • Sichtbarkeit in der Suche (SEO)
  • Teamarbeit & Kommunikation
04

Forschung & Finance

Die quantitative Seite — und die Ehrlichkeit, die sie verlangt.

  • Wissenschaftliches Arbeiten
  • Portfoliotheorie
  • Mean-Variance-Optimierung
  • Rendite-Risiko-Analyse
  • Backtesting-Methodik
  • Explainable AI
07Entwicklung

Entwicklungsaktivität

Öffentliche GitHub-Aktivität, beim Build ausgelesen. Gezeigt wird nur, was die API tatsächlich zurückgibt — keine erfundenen Zahlen und keine Kennzahlen, die auf mehr Betrieb hin geschönt sind.

Öffentliche Repositories

Verwendete Sprachen

  • Python
    96,2 %
  • PowerShell
    3,8 %

Profil

@
Belaunsch
Auf GitHub seit

Profil auf GitHub ansehen (öffnet in neuem Tab)

Daten abgerufen ·
Wird bei jedem Neubau der Website aktualisiert.

08Aktueller Fokus

Gerade offen

Was gerade tatsächlich auf dem Tisch liegt.

  • Laufend

    Bühler Digital Solutions aufbauen

    Aus einer Praxis etwas Wiederholbares machen: Angebotsstruktur, Lieferstandards und die Wartungsseite, die die meisten Ein-Personen-Betriebe unterschätzen.

  • In Arbeit

    Masterarbeit — DRL & Portfoliooptimierung

    Den PPO-Agenten aufsetzen, die Risikoprofile festlegen und einen Vergleich gegen Mean-Variance-Optimierung und Marktportfolio bauen, der schon konstruktionsbedingt fair ist.

  • Fortlaufend

    KI-gestützte Entwicklungsabläufe

    Herausfinden, wo ein Agent den Aufwand wirklich senkt — und wo er die Prüflast nur an eine weniger sichtbare Stelle verschiebt.

09Kontakt

Kontakt aufnehmen

Der schnellste Weg ist LinkedIn. Die E-Mail-Adresse steht hier bewusst noch nicht — siehe unten.