Hallo, ich bin Daniel. Ich bin promovierter Physiker und komme ursprünglich aus der Experimentalphysik. Nach meiner Zeit in der universitären Forschung habe ich beim Deutschen Wetterdienst an KI-basierten Verfahren zur automatisierten Analyse von Wettervorhersagedaten gearbeitet, bevor ich als Data Scientist zur Bundesbank gewechselt bin.

Und ich bin Alexander. Ich habe Mathematik an der Goethe-Universität Frankfurt studiert, mit Schwerpunkten in Statistik, Numerik und Machine Learning. Schon im Studium hat mich interessiert, wie sich mathematische Modelle und datengetriebene Methoden auf reale Problemstellungen anwenden lassen. Wenige Monate nach meinem Abschluss bin ich zur Bundesbank gekommen.

Warum wir hier sind und woran wir arbeiten

Was uns beide zur Bundesbank geführt hat, war die Verbindung aus moderner Methodik, gesellschaftlicher Relevanz und einer außergewöhnlichen Datenbasis. Im Mittelpunkt steht die Securities Holdings Statistics Database, kurz SHSDB. Sie zeigt, welche Wertpapiere von welchen Anlegergruppen gehalten werden, und liefert damit ein detailliertes Bild der Wertpapierbestände. Die SHSDB ist eine Datenbank des Europäischen Systems der Zentralbanken, kurz ESZB. Gemeinsam mit der Europäischen Zentralbank betreibt die Deutsche Bundesbank sie als Service Provider für das gesamte ESZB. Dadurch ist unsere Arbeit europäisch eingebettet und von regelmäßigem internationalem Austausch geprägt.

Unsere Arbeit: zwischen Daten, Modellen und Realität

Die Anforderungen an statistische Systeme steigen: Daten werden granularer, Meldezyklen kürzer, Datenmengen größer. Gleichzeitig wachsen Erwartungen an Qualität, Nachvollziehbarkeit und Geschwindigkeit. Hier setzen wir mit Machine Learning an. Wir prüfen, wie sich große Datenmengen effizienter analysieren, Auffälligkeiten schneller erkennen und fachliche Prüfprozesse gezielter unterstützen lassen.

Viele Use Cases lassen sich als Klassifikations- oder Regressionsproblem formulieren und mit Verfahren wie Gradient Boosting oder autoregressiven Zeitreihenmodellen bearbeiten. Explainability spielt dabei eine zentrale Rolle: Gerade im ESZB reicht es nicht, dass ein Modell gute Vorhersagen trifft; es muss auch nachvollziehbar sein, wie diese zustande kommen.

Ein Beispiel ist ein gemeinsam entwickelter Proof of Concept, mit dem Auffälligkeiten in Meldedaten priorisiert und Prüfbedarfe schneller sichtbar gemacht werden konnten. Besonders motivierend war das Vertrauen, das uns früh entgegengebracht wurde: Trotz unserer noch kurzen Zeit bei der Bundesbank durften wir unsere Ergebnisse regelmäßig in ESZB-Arbeitsgruppen vorstellen.

Warum das Ganze relevant ist

Die Daten aus der SHSDB fließen in Analysen ein, die geldpolitische Entscheidungen unterstützen und zur Bewertung von Fragen der Finanzstabilität beitragen. Sie helfen, Entwicklungen an den Finanzmärkten besser einzuordnen: Wer hält welche Wertpapiere? Wie verändern sich Bestände? Wie reagieren Anlegergruppen auf Marktveränderungen? Unsere Arbeit trägt dazu bei, Qualität und Aktualität dieser Datenbasis zu sichern und weiterzuentwickeln.

Wie wir arbeiten und wachsen

Wir schätzen die Mischung aus Eigenverantwortung und Teamarbeit. In unserem jungen, dynamischen Team ist der Austausch offen und unkompliziert; neue methodische oder technische Themen greifen wir regelmäßig gemeinsam auf. Auch generell erleben wir die Bundesbank als technologieoffen: Machine Learning und KI werden nicht nur diskutiert, sondern gezielt eingesetzt.

Besonders wichtig sind uns außerdem die umfangreichen Weiterbildungsmöglichkeiten, etwa interne Schulungen, internationale Machine-Learning-Summer-Schools oder Konferenzen wie die EuroPython.

Und was bleibt?

Wenn wir auf unsere Arbeit schauen, sehen wir mehr als Code, Modelle und Datenpipelines. Wir sehen ein Umfeld, in dem wir gestalten können, in dem Ideen gehört und moderne Technologien konkret angewendet werden. Genau das macht die Arbeit besonders: Wir sind die Brückenbauer zwischen Machine Learning und realen fachlichen Herausforderungen und entwickeln Lösungen, die technisch komplex, fachlich relevant und praktisch nutzbar sind.