Forschung & Publikationen

Unsere Arbeit überbrückt die Lücke zwischen technologischer Möglichkeit und geschäftlichem Nutzen. Wir wenden datengetriebene Technologien – insbesondere Blockchain und Machine Learning – zur Lösung konkreter Probleme in realen Wirtschaftssektoren an, mit starkem Fokus auf Finanzen, regulierte Lieferketten und Nachhaltigkeit.

Forschungsschwerpunkte

Säule 1: Blockchain und Distributed Ledger Technology (DLT)

Der Schwerpunkt unserer Arbeit liegt auf den "Real-Economy Applications" der Blockchain-Technologie. Statt uns auf theoretische Kryptografie zu konzentrieren, untersuchen wir den pragmatischen Geschäftsnutzen.

Ein Beispiel ist die Analyse zur Nutzung von Blockchain in streng regulierten Märkten (z.B. der Cannabis-Lieferkette), um gesetzliche Anforderungen an die lückenlose Dokumentation und Rückverfolgbarkeit zu erfüllen. Darüber hinaus befassen wir uns mit zugrundeliegenden IT-Architekturen, wie der Integration von Blockchain und Fog Computing, um die Datenverarbeitung für das Internet der Dinge (IoT) zu unterstützen.

Säule 2: Krypto-Assets, Digitales Geld & Makroökonomie

In dieser Säule analysieren wir die tiefgreifenden ökonomischen und politischen Implikationen digitaler Währungen. Gemeinsam mit Partnern wie Thomas Mayer (Gründungsdirektor Flossbach von Storch Research Institute) untersuchen wir die Einführung von privaten Weltwährungen (z.B. Libra/Diem) und deren Bedrohung für die monetäre Souveränität Europas. Wir ordnen "Kryptogeld" in den historischen Kontext der Geldsysteme ein und analysieren es als neue Phase des Währungswettbewerbs, was die Notwendigkeit eines digitalen Euro unterstreicht.

Säule 3: Data Science, ML und ESG/Nachhaltigkeit

Diese Säule verbindet technologische Expertise mit der beruflichen Praxis im Finanz- und Nachhaltigkeitssektor, insbesondere im Rahmen von Liminalytics (ein Joint-Venture mit der GLS Bank). Wir zeigen, wie quantitative Methoden zur Bewertung von Nachhaltigkeitsfaktoren eingesetzt werden können.

In Fallstudien beschreiben wir den Prozess der Erstellung von Machine-Learning-Modellen (z.B. mit PyCaret) zur Vorhersage der Performance von ESG-ETFs, basierend auf externen Faktoren wie Öl, Gold, Volatilität (VIX) und Kryptowährungen. Dies ist ein klares Beispiel für unsere Fähigkeiten an der Schnittstelle von ML, Finanzanalyse und ESG-Investitionen, korreliert mit den Kernthemen "ClimateRisk" und "Klimastresstest".

Ausgewählte Veröffentlichungen

← Zurück zur Startseite | Impressum | Datenschutz