Einblicke

Wir arbeiten aktuell an einem neuen Assistant zur Unterstützung von Value-Investing-Analysen auf Basis von 10-K-Berichten aus dem US-SEC-EDGAR-System.

Die Lösung kombiniert strukturiertes 10-K-Parsing mit komplexen Retrieval-Augmented-Generation-(RAG)-Techniken, damit Analysten Unternehmensfundamentaldaten mit mehr Kontext und nachvollziehbarer Beleglage untersuchen können.

Die Pipeline lädt 10-K-Berichte automatisch aus EDGAR herunter und nutzt eine Cache-Schicht, um wiederholte Analysen zu beschleunigen und die Verarbeitungseffizienz zu verbessern.

Der Assistant hilft dabei, Zeit und Aufwand in der Analyse zu reduzieren, während die finale Investitionsentscheidung immer von einem Menschen getroffen wird.

Derzeit validieren wir vor allem die Qualität der Dokumentenaufnahme, die Relevanz des Retrievals und die inhaltliche Fundierung der Antworten vor einer breiteren Veröffentlichung.

Wir haben eine weitere geschlossene Beta gestartet.

Dieses Mal konzentrieren wir uns auf ein Problem, mit dem viele Investoren konfrontiert sind, das aber selten sauber adressiert wird: die tatsächliche Profitabilität von algorithmischem Trading, das durch externe Unternehmen gesteuert wird.

In vielen Fällen sind externe Trader oder Signal-Provider dazu motiviert, ausgewiesene Ergebnisse künstlich zu verbessern, indem Gewinne hervorgehoben werden, während Transfers, Kapitalveränderungen oder versteckte Verluste unberücksichtigt bleiben. Dadurch kann die ausgewiesene Performance sehr gut aussehen, obwohl die tatsächliche Entwicklung des Investments deutlich schwächer ist.

Unsere Lösung verbindet sich über einen Read-Only-(RO)-API-Schlüssel mit dem Trading-Konto, analysiert alle relevanten Kontoaktivitäten und liefert einen klaren, unverzerrten Bericht über die reale Performance.

Statt uns auf ausgewählte Highlight-Zahlen zu verlassen, bewerten wir die komplette Kontohistorie, damit Investoren ein realistisches Gesamtbild über traditionelle und digitale Assets erhalten.

Wenn Sie mit externen Tradern, Fonds oder Signal-Providern arbeiten und verstehen möchten, wie Ihr Portfolio wirklich performt, ist diese Lösung für Sie.

Sie möchten die geschlossene Beta testen? Kontaktieren Sie uns direkt, und wir teilen gerne weitere Details.

Wir haben zwei Test-Clients für unseren Business Assistant erstellt: einen für iOS und einen für Android.

Beide Clients befinden sich aktuell in der Testphase und sind noch nicht im Apple App Store oder bei Google Play veröffentlicht.

Derzeit können wir den Zugriff für eine begrenzte Anzahl ausgewählter Kunden bereitstellen, um frühes Feedback und Validierung zu ermöglichen.

Wir freuen uns, den Start einer geschlossenen Beta unserer Visualisierungsplattform bekannt zu geben. Die Lösung wurde für Bauunternehmen entwickelt, die Wohnimmobilien und Wohnbauprojekte realisieren.

Unsere Plattform ermöglicht es Teams, hochwertige Außen- und Innenvisualisierungen bereits vor Baubeginn zu erstellen, basierend auf realen Materialien, architektonischen Grundrissen und Planungsunterlagen.

Aktuell laden wir eine begrenzte Anzahl an Bauunternehmen, Projektentwicklern und Immobilien-Teams zur Teilnahme am Beta-Programm ein.

Wenn Sie Interesse an einem frühen Zugang haben, kontaktieren Sie uns gerne direkt, um mehr zu erfahren.

Im Rahmen unserer laufenden Arbeit an skalierbarer KI- und GenAI-Infrastruktur haben wir den NVIDIA Triton Inference Server auf Google Cloud mit Debian-basierten T4-GPU-Instanzen bereitgestellt und getestet.

Ziel war es, Triton als potenzielle Serving-Schicht für produktionsreife Modellbereitstellung zu bewerten, mit Fokus auf Performance, GPU-Auslastung, operativer Komplexität und Kosteneffizienz.

Unsere Tests umfassten GPU-gestütztes Model Serving auf GCP, containerisierte Triton-Bereitstellung, Konfiguration und Versionierung des Model-Repositories, Latenz- und Durchsatzverhalten bei Inferenz sowie Ressourcenauslastung unter Kostenaspekten.

Insgesamt hat die Evaluierung bestätigt, dass Triton eine flexible, produktionsreife Serving-Architektur für GPU-Workloads bietet. Zudem unterstützt es Multi-Model- und skalierbare Deployment-Muster sehr gut. Die Setup-Komplexität ist beherrschbar, erfordert im Produktivbetrieb jedoch saubere Konfiguration und operative Disziplin.

Für Experimente und Inferenz auf mittlerer Last erwiesen sich T4-GPUs als kosteneffiziente Basis.

Diese Erkenntnisse fließen in unsere Infrastrukturentscheidungen für KI-gestützte Produkte ein, darunter Dokumentenverarbeitung und LLM-basierte Anwendungen.

Wir haben eine Reihe neuer Funktionen für unser Business-Assistant-Projekt entwickelt.

Parallel dazu haben wir unsere Produkt-Roadmap aktualisiert und um viele zusätzliche Use Cases erweitert, basierend auf laufenden Kundenanforderungen und Validierungserkenntnissen.

Dieses Update schafft eine stärkere Grundlage für kommende Iterationen und eine breitere Nutzung in geschäftlichen Workflows.

Wir freuen uns, den erfolgreichen Abschluss des INSEAD AI Venture Lab Acceleration Program bekannt zu geben.

Während des Programms haben wir wertvolle Impulse von Gastrednern und dem eingeladenen Expertenteam erhalten, unter anderem zu Produktstrategie, Venture-Umsetzung und Skalierungsentscheidungen.

Diese Erfahrungen haben uns geholfen, unsere Ausrichtung zu schärfen und die Entwicklung unserer KI-Produkte weiter zu verbessern.

Wir haben unser Produkt mit den ersten grundlegenden Funktionen des Business Assistant gestartet: der Korrelation von Banktransaktionen mit Rechnungen oder Verträgen.

Diese Version hilft Teams dabei, manuellen Abstimmungsaufwand zu reduzieren und von Beginn an mehr Klarheit in finanzielle Prozesse zu bringen.

Wir freuen uns, bekannt zu geben, dass wir in die ERSTE Kohorte des AI Venture Lab Acceleration Program aufgenommen wurden.

Das Programm bietet uns Zugang zu erfahrenem Mentoring, strukturierter Venture-Unterstützung und einem starken Netzwerk aus Gründern und Branchenexperten.

Dieser Meilenstein stärkt unsere Produktentwicklung und Go-to-Market-Umsetzung, während wir unsere KI-Lösungen weiterentwickeln und validieren.

Wir haben ein neues Buch veröffentlicht, das Kandidaten bei der Vorbereitung auf die Google Cloud Professional Cloud Architect Prüfung unterstützt.

Das Buch enthält zwei Sets komplexer Übungsfragen und deckt alle wesentlichen Themenbereiche ab, die für die Prüfung erforderlich sind.

Auf Basis des bisherigen Interesses am Buch prüfen wir außerdem die Möglichkeit, eine eigene abonnementbasierte Webanwendung zur Prüfungsvorbereitung zu entwickeln, um Kunden noch gezielter bei der Vorbereitung zu unterstützen.

Anfang Juni haben wir unser Community-Projekt gestartet, um Menschen bei der Vorbereitung auf den Einbürgerungstest zu unterstützen.

Viele verfügbare mobile Apps, unter anderem für Android und iOS, sind stark werbe- oder kommerzgetrieben und dadurch beim Lernen oft ablenkend.

Wir haben unsere App so entwickelt, dass sie auf verschiedenen Plattformen nutzbar ist und eine fokussierte Vorbereitung ohne Werbung ermöglicht.

Ende Mai haben wir den Online-Kurs Startup School von Y Combinator erfolgreich abgeschlossen.

Das Programm hat uns praxisnahe Impulse zu Startup-Umsetzung, Kundenfokus und diszipliniertem Company Building gegeben.

Anfang Mai haben wir ein vollständiges Paket an Bewerbungsunterlagen vorbereitet und unsere Bewerbung bei Y Combinator eingereicht.

Der Vorbereitungsprozess hat uns geholfen, unsere Positionierung zu schärfen, zentrale Meilensteine klarer zu definieren und unsere Produkt- sowie Umsetzungsstrategie weiter zu stärken.

Anfang April haben wir einen Telegram-Bot eingeführt, der Endnutzer bei Fragen und operativen Aufgaben im algorithmischen Handel unterstützt.

Der Bot ist jetzt in unser Backend integriert und hilft dabei, den täglichen Betrieb der Lösung effizienter zu gestalten, mit schnellerer Unterstützung und konsistenteren Abläufen.

Diese Erweiterung verbessert die Erreichbarkeit für Nutzer, die kurzfristige Hilfe benötigen, und bleibt dabei eng an den zentralen Trading-Workflow angebunden.

Wir haben einen Telegram-Bot veröffentlicht, mit dem Nutzer Trading-Konto-Audits direkt über eine Chat-Oberfläche ausführen können.

Der Bot verbindet sich über Read-Only-API-Schlüssel mit Broker- und Börsenkonten, ruft die vollständige Handelshistorie ab und berechnet zentrale Leistungskennzahlen wie Sharpe Ratio, Sortino Ratio und Risiko-Rendite-Analyse.

Dadurch können Nutzer Performance-Reports einfacher anfordern und erhalten, ohne ein Web-Dashboard oder eine Desktop-Umgebung nutzen zu müssen.

Wir haben End-to-End-Tests der Trading-Konto-Audit-Lösung über mehrere Börsenkonten und Handelsszenarien hinweg abgeschlossen.

Die Tests deckten eine breite Palette an Kontotypen, Handelsmustern und Edge Cases ab, um Genauigkeit und Zuverlässigkeit der Performance-Kennzahlen vor dem geplanten Start der Closed Beta sicherzustellen.

Parallel dazu haben wir mit der Vorbereitung der Telegram-Bot-Oberfläche begonnen, um die Audit-Funktionalität direkt im Chat zugänglich zu machen.

Wir haben den Reporting-Layer für die Trading-Konto-Audit-Lösung fertiggestellt und strukturierte Performance-Reports bereitgestellt, die zentrale Ergebnisse für Endnutzer klar darstellen.

Die Reports enthalten jetzt visuelle Zusammenfassungen der Portfolio-Performance über die Zeit, risikoadjustierte Renditekennzahlen, Drawdown-Analysen und Benchmark-Vergleiche in einem Format, das auch für nicht-technische Investoren leicht verständlich ist.

Wir haben Benchmark-Vergleichsfunktionen in die Trading-Konto-Audit-Lösung integriert, sodass Nutzer die Performance ihrer verwalteten Konten mit einfachen Buy-and-Hold-Strategien für dieselben Assets und Zeiträume vergleichen können.

Diese Funktion zeigt, ob aktives Management im Vergleich zu passivem Halten tatsächlich Mehrwert liefert, was eine der wichtigsten Fragen für Investoren bei der Bewertung externer Trader ist.

Wir haben die Implementierung einer umfassenden Risiko-Kennzahlen-Engine für die Trading-Konto-Audit-Lösung abgeschlossen.

Die Engine berechnet zentrale Portfolio-Performance-Indikatoren wie Sharpe Ratio, Sortino Ratio, Risiko-Rendite-Verhältnis, maximalen Drawdown und Trefferquote über konfigurierbare Zeitfenster.

Wir haben die Börsenabdeckung erweitert und die Zuverlässigkeit unserer Datenpipeline für Trading-Konto-Audits verbessert.

Die Lösung verarbeitet nun Edge Cases in der Handelshistorie präziser, darunter Teilausführungen, interne Transfers zwischen Subkonten und Gebührenberechnungen über unterschiedliche Gebührenstrukturen der Börsen hinweg.

Außerdem haben wir die Erfassung von Kapitalzuflüssen und -abflüssen verbessert, damit Performance-Kennzahlen tatsächliche Anlageergebnisse und nicht nur Brutto-Handelsvolumen widerspiegeln.

Wir haben eine Datenpipeline aufgebaut, um Handelshistorien aus digitalen Asset-Börsen-APIs in ein einheitliches internes Format zu normalisieren.

Verschiedene Börsen liefern Trades, Einzahlungen, Auszahlungen und Transfers in deutlich unterschiedlichen Strukturen und Konventionen. Unsere Pipeline gleicht diese Unterschiede aus und erzeugt einen konsistenten Datensatz für präzise Performance-Analysen.

Dieser Schritt war entscheidend, um Audit-Ergebnisse über Börsen und Kontotypen hinweg vergleichbar zu machen.

Wir haben die initiale Integration mit führenden APIs digitaler Asset-Börsen zur Kontodatenerfassung über Read-Only-API-Schlüssel abgeschlossen.

Die Integration unterstützt den Abruf vollständiger Handelshistorien, Kontostand-Snapshots, Ein- und Auszahlungsdaten sowie Gebühreninformationen. Alle Verbindungen sind auf Read-Only-Zugriff beschränkt, sodass über den Audit-Prozess weder Trading noch Geldbewegungen möglich sind.

Wir haben die Anforderungsanalyse und das Systemarchitekturdesign für die Trading-Konto-Audit-Lösung abgeschlossen.

Das Ziel wurde klar definiert: Investoren eine unabhängige, transparente Sicht auf die Performance verwalteter Trading-Konten zu bieten, indem vollständige Kontoaktivitäten analysiert werden statt selektiver externer Berichterstattung zu folgen.

Wir haben die Architektur so ausgelegt, dass sichere API-Konnektivität, skalierbare Datenverarbeitung und modulare Kennzahlenberechnung unterstützt werden.

Wir haben einen ersten Proof of Concept für das Trading-Konto-Audit-Tool entwickelt und die Kernidee validiert, Börsenkonten über Read-Only-API-Schlüssel zu verbinden und grundlegende Performance-Kennzahlen zu berechnen.

Der Prototyp bestätigte, dass über Standard-Börsen-APIs genügend Daten verfügbar sind, um aussagekräftige risikoadjustierte Renditeindikatoren zu berechnen und Abweichungen zwischen gemeldeter und tatsächlicher Performance zu erkennen.

Wir haben etablierte Methoden zur Performance-Messung von Portfolios und deren Anwendbarkeit auf algorithmische Trading-Konten untersucht.

Die Untersuchung umfasste risikoadjustierte Renditekennzahlen aus dem traditionellen Finanzbereich, darunter Sharpe Ratio, Sortino Ratio, Calmar Ratio und Maximum-Drawdown-Analyse, und bewertete deren Eignung über traditionelle und digitale Asset-Märkte mit unterschiedlichen Liquiditäts- und Handelszeitprofilen hinweg.

Diese Erkenntnisse sind in die Designentscheidungen unserer Trading-Konto-Audit-Lösung eingeflossen.

Wir haben ein wiederkehrendes Problem im verwalteten algorithmischen Trading identifiziert und analysiert: fehlende transparente, unabhängige Performance-Berichterstattung.

Viele externe Trader, Signal-Provider und Fondsmanager berichten selektiv, indem sie Gewinner hervorheben und Kapitaländerungen, Gebühren oder Verlustphasen auslassen. Dadurch entsteht eine deutliche Lücke zwischen gemeldeter und tatsächlicher Investment-Performance.

Wir begannen zu untersuchen, wie ein unabhängiges Audit-Tool diese Transparenzlücke für Investoren über traditionelle und digitale Assets hinweg schließen kann.

Wir haben begonnen, Chancen im Bereich Trading-Konto-Analytics zu untersuchen, mit Fokus auf den wachsenden Bedarf an verlässlichen Tools für Performance-Tracking und Verifikation.

Die initiale Arbeit umfasste die Bewertung verfügbarer Broker- und Börsen-APIs, das Verständnis von Datenzugriffsmustern und die Machbarkeitsprüfung automatisierter Kontoanalysen.

Diese Exploration legte die Grundlage für die Trading-Konto-Audit-Lösung, die in den folgenden Jahren entwickelt wurde.