Ich nutze KI bei Pluvarienta nicht als Selbstzweck, sondern als Werkzeug in einem klar definierten Ablauf. Am Anfang steht immer die Datenebene: Ich sammle und prüfe Zeitreihen zu Staatsanleiherenditen, Rohstoffterminstrukturen, relevanten Optionsreihen und etablierten Umfragen. Dabei geht es nicht nur um Verfügbarkeit, sondern um Brüche in der Historie, Änderungen von Indizes und Phasen, in denen Liquidität oder Methodik die Aussagekraft verzerren können. Darauf folgt die Merkmalsebene. Aus jeder Quelle extrahiere ich Kennzahlen, die sich ökonomisch erklären lassen, etwa Steilheit und Krümmung von Zinskurven, Roll-Down-Profile von Rohstofffutures oder Schiefe impliziter Verteilungen aus Optionen. Diese Merkmale bilden die Sprache, in der ich später mit Ökonomen und Risikoexperten diskutiere. Sie sollen nachvollziehen können, warum das Signal sich bewegt, ohne die interne Funktionsweise jedes Algorithmus kennen zu müssen. Erst danach setze ich KI-Verfahren ein. Ich bevorzuge Modelle, die Sensitivitäten offenlegen und sich über Zeiträume hinweg testen lassen, statt nur eine gute Anpassung in der Vergangenheit zu liefern. Ich prüfe, wie stabil das Signal in verschiedenen Marktphasen bleibt und wo es anfällig für Datenrevisionen ist. Wo die Grenzen des Modells erreicht sind, kennzeichne ich das ausdrücklich. Die Ergebnisse sind für analytische Reviews und persönliche Konsultationen gedacht, nicht als automatische Entscheidungsvorgabe. Ich gebe keine individuellen Anlageempfehlungen und übernehme keine Verantwortung für Entscheidungen, die ausschließlich auf Basis der dargestellten Signale getroffen werden. Past performance doesn't guarantee future results, und Ergebnisse können variieren, wenn sich Rahmenbedingungen ändern.