Ich entwerfe undbaue Systeme fürEntscheidungen —Software, Modelle,Unternehmen.
Ich studiere im Master und führe Bühler Digital Solutions. Der größte Teil meiner Zeit geht in Webplattformen und KI-gestützte Workflows für echte Unternehmen. Der Rest geht in eine Masterarbeit, die fragt, wie sich ein Reinforcement-Learning-Agent gegen klassische Optimierung schlägt, wenn es um die risikoadjustierte Rendite geht.
Schon vor meinem Studium verbrachte ich viel Zeit am Computer und versuchte zu verstehen, was hinter den sichtbaren Oberflächen von Systemen passiert. Gleichzeitig war für mich früh klar, dass ich langfristig selbstständig arbeiten und eigene Ideen umsetzen möchte. Deshalb entschied ich mich für ein Studium der Wirtschaftsinformatik.
Nach einem ersten Gründungsversuch im produzierenden Gewerbe habe ich mich stärker auf die Themen konzentriert, die mich wirklich interessieren. Durch unterschiedliche Tätigkeiten entdeckte ich dabei meine Affinität zu Daten, digitalen Prozessen und technologischen Systemen.
Heute möchte ich vorhandene Technologien nutzen, um verlässliche autonome Systeme mit hohem Qualitätsanspruch zu entwickeln und Arbeitsabläufe sinnvoll effizienter zu gestalten. Außerhalb meiner Arbeit interessieren mich unterschiedliche Kulturen, die Natur und die Menschen. Ich reise gerne auch an abgelegenere Orte, um neue Perspektiven kennenzulernen, zu lernen und persönlich zu wachsen.
“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. Es steht hier, weil es zur Arbeit gehört, und nicht, weil diese Seite etwas verkaufen würde.
Drei Dinge, die sich zu zeigen lohnen. Das Unternehmen, das ich führe, die Masterarbeit, an der ich schreibe, und die erste Seite von mir, die online ging.
Aktiv
Bühler Digital Solutions
Unternehmen
Kontext
Die meisten kleinen Unternehmen brauchen genau eine digitale Sache, die wirklich funktioniert. Eine Website, die sich rechnet, oder einen Prozess, der nicht mehr jede Woche einen Nachmittag frisst. Angeboten bekommen sie stattdessen meist einen Agenturvertrag.
Ansatz
Ein Ein-Personen-Unternehmen, 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
In 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, und sie ist aus guten Gründen der Benchmark. Sie setzt allerdings eine Stabilität voraus, die Märkte nicht bieten.
Ansatz
Ein PPO-Agent wird darauf trainiert, unter drei Risikoprofilen über mehrere Anlagen zu allokieren, und danach gegen Mean-Variance-Optimierung und ein Marktportfolio gemessen, auf denselben Daten und unter denselben Nebenbedingungen. Explainable-AI-Methoden sind als optionale Erweiterung vorgesehen, damit sich die Allokationen des Agenten nicht nur bewerten, sondern auch hinterfragen lassen.
Rolle
Autor, Arbeit in Bearbeitung
Stack
Python
PPO / Reinforcement Learning
Portfoliotheorie
Backtesting
Online
Gesundheitspraxis Johe
Website · erstes Projekt online
Kontext
Eine Gesundheitspraxis ganz ohne Webpräsenz. Es war die erste Seite von mir, die online ging. Ich habe sie als Gefallen gebaut und nicht als bezahlten Auftrag, deshalb steht sie hier als Referenz und 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 mit Briefing, Rahmenbedingungen und Ergebnis ist nicht veröffentlicht, und hier steht nichts, was nicht bestätigt ist.
Reinforcement Learning für die Portfolioallokation
Ob eine gelernte Strategie in einem einzelnen Backtest einen Benchmark schlägt, ist keine besonders interessante Frage. Dieses Ergebnis ist billig zu haben und hält selten stand. Mich interessiert, ob eine unter einem expliziten Risikoprofil trainierte Strategie anders allokiert als ein klassischer Optimierer, und ob der Unterschied bestehen bleibt, wenn beide dieselben Daten, dasselbe Anlageuniversum und dieselben Nebenbedingungen bekommen.
Mean-Variance-Effizienzlinie
Marktportfolio
PPO, noch nicht gemessen
Schematisch, nicht gemessen. Die Achsen zeigen, wie der Vergleich aufgebaut ist, mit Risiko gegen Rendite und drei Strategien über drei Risikoprofile. Die Positionen sind illustrativ und sagen nichts über Ergebnisse aus.
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-VarianceDer klassische Optimierer und 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)
Erfahrung
Wo die Arbeit stattfand
Positionen und Zeiträume stammen von mir. Wo Aufgaben und Ergebnisse nicht veröffentlicht sind, steht genau das dort, statt einer Auffüllung.
seit 2026Aktuell
Bühler Digital SolutionsAktuell
Gründer
Webentwicklung und Webdesign, Digitalisierung, KI-gestützte Lösungen, Automatisierung, Sichtbarkeit in der Suche und Wartung für kleine und lokale Unternehmen.
2026–2027Aktuell
Masterarbeit · ForschungAktuell
Autor, Deep Reinforcement Learning für Portfoliooptimierung
PPO-basierte Portfolioallokation über drei Risikoprofile, verglichen mit Mean-Variance-Optimierung und einem Marktportfolio. Noch in Bearbeitung und noch ohne Ergebnisse.
BI-Dashboards (Power BI, Tableau, SAP Analytics Cloud)
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
Forschung & Finance
Die quantitative Seite und die Ehrlichkeit, die sie verlangt.
Wissenschaftliches Arbeiten
Portfoliotheorie
Mean-Variance-Optimierung
Rendite-Risiko-Analyse
Backtesting-Methodik
Explainable AI
Entwicklung
Entwicklungsaktivität
Öffentliche GitHub-Aktivität, ausgelesen beim Bauen der Seite. Gezeigt wird nur, was die API tatsächlich zurückgibt, ohne erfundene Zahlen und ohne Kennzahlen, die auf mehr Betrieb hin geschönt sind.
Daten abgerufen · Wird bei jedem Neubau der Website aktualisiert.
Aktueller Fokus
Gerade offen
Was gerade tatsächlich auf dem Tisch liegt.
Laufend
Bühler Digital Solutions aufbauen
Aus einem Unternehmen etwas Wiederholbares machen. Angebotsstruktur, Lieferstandards und die Wartungsseite, die die meisten Ein-Personen-Betriebe unterschätzen.
In Erprobung
Trading-Bot für Intraday-Kryptohandel
Entwicklung und Evaluation eines Bots für kurzfristigen Kryptohandel. Der aktuelle Versuchsstand erreicht eine Sharpe Ratio von etwa 0,2 und dient als Grundlage für weitere Anpassungen an Strategie, Risiko und Ausführung.
In Arbeit
Masterarbeit über DRL und Portfoliooptimierung
Den PPO-Agenten aufsetzen, die Risikoprofile festlegen und einen Vergleich gegen Mean-Variance-Optimierung und Marktportfolio bauen, der schon konstruktionsbedingt fair ist.
Kontakt
Kontakt aufnehmen
Der schnellste Weg zu mir ist LinkedIn. Die E-Mail-Adresse steht hier bewusst noch nicht.