Junior Aktuar bei Marsh Re,
fünf Jahre Modelle in Produktion.
Statistik und Ökonometrie, angewandt. Ich arbeite in der Analytik im globalen Rückversicherungsmaklergeschäft bei Marsh Re in München — nach fünf Jahren Bidding- und Prognosesystemen bei Holidu (rund 100.000 € Werbebudget pro Tag, 24 Märkte) und einem Jahr Gebührenstudien und Finanzprognosen für kommunale Wasser- und Abwasserbetriebe. Zwei eigene probabilistische Prognosemodelle liefen öffentlich und wurden am Marktkonsens gemessen. München · Ausbildung zum Aktuar DAV · zweisprachig Deutsch und Englisch.
Vier Projekte. Methode, Ergebnis und Rolle für jedes.
Zwei bei Holidu, eines für kommunale Wasser- und Abwasserbetriebe, eines aus dem Studium.
Zwei Prognosesysteme, öffentlich betrieben und am Markt gemessen.
Von Anfang bis Ende selbst gebaut und betrieben — Datenpipeline, Modell, geplanter Agent und Dashboard. Jede Prognose wurde vor dem Ereignis protokolliert und danach gegen den Marktkonsens bewertet. Beide Dashboards sind weiterhin online, mit der vollständigen Bilanz.
Prognosemodell zur Weltmeisterschaft 2026.
Prognose für alle 100 Turnierspiele, jede vor dem Anpfiff protokolliert und danach bewertet: Log-Loss 1,003, besser als eine Elo-Baseline auf Nationalmannschaftsebene (1,010) und deutlich besser als der Münzwurf (1,099) — der margenbereinigte Markt lag mit 0,854–0,889 jedoch vorn und gewann 64 der 100 direkten Vergleiche, in der K.-o.-Phase stand es gleich. Spielerstärken wurden zu Mannschaftswerten aggregiert, eine Monte-Carlo-Simulation mit 10.000 Durchläufen rechnete jedes Spiel und den kompletten Turnierbaum, und ein Spieltags-Agent konditionierte jede Prognose auf die bestätigten Aufstellungen zum Anpfiff. Pipeline, Modell, Agent und Dashboard liefen eigenständig; die Seite ist heute ein Rückblick auf die vollständige Bilanz.
Prognosemodell für das March-Madness-Turnier.
Out-of-Sample bewertet auf 11.170 Spielen aus zwei vollständigen Saisons: 71,6 % Trefferquote, Brier 0,183, AUC 0,772. Auf den 4.240 Spielen, für die auch Marktquoten vorlagen, blieb der Markt knapp vorn (71,8 % und Brier 0,183 gegenüber 70,2 % und 0,192) — konkurrenzfähig, aber nicht besser als der Markt, und das Dashboard sagt das auch so. Darunter: ein XGBoost-Modell für Siegwahrscheinlichkeiten über 16.691 Spiele der NCAA Division I, mit leckagefreiem Feature-Engineering, Walk-Forward-Validierung, Kalibrierung in 10 Bins und SHAP-Attribution, dazu ein dreistufiges System für die Spielerverfügbarkeit und ein Monte-Carlo-Simulator mit 100.000 Durchläufen für den Turnierbaum.
Wie ich arbeite.
Mein Hintergrund ist Statistik und Ökonometrie; ich liefere das Modell als Software, die das Team betreibt.
Die Methode folgt der Fragestellung, nicht dem Lebenslauf: meistens GLMs, Verteilungsanpassung und Bootstrap, wenn die Unsicherheit die eigentliche Antwort ist, Zeitreihen- und baumbasierte Modelle, wenn die Daten danach verlangen.
Ich habe dort gearbeitet, wo zwischen einer guten Prognose und real ausgegebenem Geld wenig liegt — Performance-Marketing, Kommunalfinanzen, Rückversicherung sowie Prognosesysteme, die ich selbst gebaut und betrieben habe, teils allein, teils im Team. Die Modelle werden so gebaut, dass sie sich der Person erklären, deren Entscheidung sie stützen, und die Handarbeit drumherum wird automatisiert: bei Holidu halbierte das die wöchentliche Routine Markt für Markt in etwa.
Ich bin zweisprachig in Deutsch und Englisch, lebe in München und arbeite in der Analytik im globalen Rückversicherungsmaklergeschäft bei Marsh Re. Daneben absolviere ich die Ausbildung zum Aktuar DAV — Pricing, Reservierung und die Statistik dahinter.
Berufserfahrung & Ausbildung.
Die Kurzfassung — Stationen, Ausbildung und woran ich gerade arbeite.