Retail- und Private-Banking

Robo-Advice-Empfehlung mit Backtest-Plausibilisierung

anymize pseudonymisiert Kunden-Portfolio-Daten, bevor die KI den Backtest-Bericht strukturiert. Performance-Kennzahlen kommen unverändert aus dem Quant-System — die KI übernimmt sie, ergänzt textuelle Einordnung und markiert Auffälligkeiten gegen die Zielmandanten-Geeignetheit. Mit Pflicht-Human-Override nach Art. 22 DSGVO und ESMA-AI-Statement.

Schwierigkeit: Spezialist · Datenklasse: Mandantendaten · Letztes Review:

Zur Orientierung gedacht. Die anwaltliche Würdigung im Einzelfall bleibt selbstverständlich bei Ihnen — KI-Outputs sind vor jeder Verwendung zu prüfen. Mehr dazu am Ende.

Sondergruppe

Art. 22 DSGVO — Human-Override Pflicht

Robo-Advice mit Beratercharakter ist eine automatisierte Entscheidung mit erheblicher Wirkung. Der Human-Override-Pfad muss dokumentiert sein; ESMA-AI-Statement (30.05.2024) verlangt proportionale Test-/Überwachungspflicht.

01

Anwendungsbereich

Worum geht es hier?

Retail- und Private-Banking-Beratung

Robo-Advice ist eine prägende KI-Anwendung im Retail-Banking; BaFin-Fachartikel zu Robo-Advice (2017) und ESMA-AI-Statement (30.05.2024) definieren den aufsichtsrechtlichen Rahmen. KI strukturiert den Backtest-Bericht; Kennzahlen kommen aus dem Quant-System — Halluzinationen sind hier besonders kritisch.

02

Für wen passt das?

Zielgruppe und Kontext

Rolle
Robo-Advice-Verantwortliche, Quant-Team, Beratungs-Compliance, Modell-Risiko-Management.
Seniorität
Fortgeschritten — Modellverständnis erforderlich.
Kanzleigröße
Privat-/Großbanken mit eigenem Robo-Advice (Direktbank-Niederlassungen), FinTechs (Scalable Capital Referenz, SRC-0197), Asset-Management-Töchter.
Spezifische Kontexte
Quartalsweises Modell-Review, vor Modell-Update-Release, bei Marktstress-Episoden.
03

Die Situation in der Kanzlei

So bringen Sie Tempo und Sorgfalt zusammen

Robo-Advice-Modelle treffen automatisierte oder semi-automatisierte Anlageempfehlungen. Art. 22 DSGVO verlangt, dass eine wesentliche Entscheidung nicht rein automatisiert getroffen wird — bei Robo-Advice mit Beratercharakter ist ein Human-Override-Pfad nötig. ESMA-AI-Statement (30.05.2024) verlangt proportionale Test-/Überwachungspflicht. Backtests gegen historische Marktphasen (Finanzkrise 2008, COVID 2020, Zinswende 2022) plausibilisieren das Modell. KI strukturiert den Bericht — die Modell-Freigabe bleibt beim Quant-Team und der Compliance. Halluzinierte Performance-Kennzahlen (Sharpe, Max-Drawdown) sind das kritischste Risiko (SRC-0158/SRC-0159) — Mitigation: KI nur als Text-Strukturierer; Zahlen direkt aus Quant-Output übernehmen.

04

Was Sie davon haben

Zeit, Wert, Vertraulichkeit

Zeit pro Modell-Backtest-Bericht

30–60 Min

Bei vierteljährlichem Review zusätzlich 1–2 h.

Konsistenz

berichts-strukturell

Konsistente Berichts-Struktur reduziert BaFin-Beanstandungen.

Erkennungsrate

>95 %

anymize erkennt Mandanten- und Portfolio-Bezüge in Echtdaten-Backtests.

Risiko-Mitigation

Halluzinations-Sperre

Prompt verbietet KI-generierte Kennzahlen — Zahlen kommen direkt aus dem Quant-System.

05

So gehen Sie vor

In 5 Schritten zum Antrag

1

Backtest-Output aus Quant-System (Performance-Kennzahlen, Drawdowns, Sharpe, Sortino) bereitstellen.

Sie + anymize

Modell-Risk-Management

2

Klassifikation: Klasse A bei Backtest mit echten Kunden-Portfolio-Daten; B bei rein synthetischen Daten.

Sie

§ 43 KWG (SRC-0109)

3

Pseudonymisierung (bei Klasse A) mit anymize.

Sie + KI

§ 25b KWG

4

KI-Entwurf des Backtest-Berichts: Strukturierte Auswertung Stress-Szenarien, Kennzahlen-Übersicht, Auffälligkeiten.

KI

Strukturierung

5

Quant-Team prüft Zahlen-Konsistenz gegen Original-Backtest-Output.

Sie

Halluzinations-Risiko

6

Compliance prüft Modell-Empfehlungen gegen Geeignetheitsprofile der Zielmandanten und ESMA-AI-Statement.

Sie

SRC-0131

7

Vorstands-/Modell-Komitee-Freigabe bei Modell-Updates.

Sie

§ 25a KWG

8

Veröffentlichung intern + Archivierung.

Sie

DORA Art. 28, MaRisk AT 9

06

Womit Sie arbeiten

So setzen Sie anymize konkret ein

Was anymize tut

  • Erkennt Mandanten-Portfolio-Bezüge in Backtest-Daten mit über 95 % Genauigkeit.
  • Ersetzt sie durch semantische Platzhalter vor dem KI-Aufruf.
  • Re-identifiziert in der Banking-Umgebung beim Empfang.
  • Verarbeitung in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO und § 25b KWG.

Was Sie als Quant-/Modell-Team tun

  • Backtest-Output aus Quant-System (Aladdin / SimCorp / Bloomberg PORT) vollständig bereitstellen.
  • Kennzahlen-Konsistenz prüfen: KI übernimmt unverändert, keine Neuberechnung.
  • Compliance-Check Zielmarkt-Match gegen Geeignetheits-Profile der Zielmandanten.
  • Vor Modell-Updates: Modell-Komitee-Freigabe einholen.

Daten-Input

Backtest-Output (Performance, Max Drawdown, Sharpe, Volatilität, Korrelation) aus hauseigenem Quant-System oder Aladdin / SimCorp / Bloomberg PORT; Zielmandanten-Profil; Stress-Szenarien.

Output-Kontrolle

Pseudonymisierte Daten gehen an die KI; re-identifizierter Backtest-Bericht (6 Sections: Modell, Zeitraum, Kennzahlen, Auffälligkeiten, Compliance-Check, Schlussfolgerung + Checkliste) kommt zurück.

Freigabeprozess

Quant-Team prüft Zahlen; Compliance prüft Zielmarkt-Match; Modell-Komitee freigibt. Archivierung mit Audit-Trail (DORA Art. 28, MaRisk AT 9).

07

Die KI-Anweisung

Prompt zum Kopieren

So nutzen Sie diesen Prompt:

1. Quant-Backtest-Output in anymize laden — pseudonymisierte Variante prüfen.

2. Prompt anhängen, Max-Modus wählen.

3. Quant-Team prüft: Zahlen unverändert übernommen?

4. Modell-Komitee freigibt vor Veröffentlichung.

Empfohlener Reasoning-Modus in anymize: Max — komplexe Strukturierung + Compliance-Querbezug.
# Context (C)
Rechtsstand: <heutiges Datum — bitte aktuell ermitteln und hier einsetzen>.
Du strukturierst einen Robo-Advice-Backtest-Bericht für eine deutsche Bank. Die
quantitativen Kennzahlen (Performance, Max Drawdown, Sharpe, Volatilität,
Korrelation) liefert das Quant-System — du übernimmst sie unverändert und
ergänzst die textuelle Einordnung. Du erfindest KEINE Kennzahlen.

# Role (R)
Du agierst als Modell-Risk-Reporting-Assistenz mit Kenntnis BaFin BDAI-Prinzipien
(2021), ESMA AI-Statement (30.05.2024), MaRisk BTR (Modellrisiko), DSGVO Art. 22,
Bundesbank Working Paper „Machine Learning Methods in Banking Supervision“.

# Action (A)
1. Strukturiere den Bericht in Sections: (1) Modell-Beschreibung,
   (2) Untersuchungs-Zeitraum + Stress-Szenarien, (3) Kennzahlen-Übersicht
   (vom Quant-Team übergeben), (4) Auffälligkeiten (Drawdown-Phasen,
   Korrelationsausreißer), (5) Compliance-Check gegen Zielmandanten-Geeignetheit,
   (6) Schlussfolgerung und Empfehlung.
2. Übernimm Kennzahlen aus dem Input — markiere ein Feld mit
   `[[FEHLT-IM-INPUT]]`, wenn die Zahl nicht vorliegt. Erfinde NIE Zahlen.
3. Markiere Auffälligkeiten sachlich (z.B. „Max Drawdown 2008 −38% liegt über der
   Verlusttragfähigkeit der Zielgruppe konservativ").
4. Verzichte auf Performance-Versprechen für die Zukunft („Wertentwicklung der
   Vergangenheit ist kein verlässlicher Indikator für die Zukunft").
5. Schließe mit Checkliste „Vor Freigabe durch Modell-Komitee“ (6 Items).

# Format (F)
- Markdown-H2-Sections für jede der 6 Bereiche.
- Kennzahlen-Tabelle mit Spalten | Kennzahl | Wert | Quelle (Backtest-Periode) |.
- Auffälligkeiten als Bullet-Liste.
- Checkliste als Markdown-Checkboxes.

# Target Audience (T)
Modell-Komitee, Beratungs-Compliance, BaFin-Stichprobe. Sachlicher Ton; keine
Marketing-Sprache; ESMA-konform.
08

So sieht der Sachverhalt aus

Pseudonymisierter Eingabetext

Quant-Backtest-Output nach anymize-Anonymisierung. Modell-Identifier ist Platzhalter; Kennzahlen bleiben sichtbar — sie müssen unverändert in den Bericht.
Robo-Advice-Modell [[ModellID-a1b2]] Backtest 2026-05
Strategien: konservativ / ausgewogen / wachstumsorientiert
Untersuchungs-Zeitraum: 2005-01 bis 2026-04
Quant-Kennzahlen (konservatives Profil, 20%/60%/20% Aktien/Anleihen/Cash-Mix):
- Annualisierte Rendite: 4,2% p.a.
- Volatilität (annualisiert): 6,8%
- Sharpe-Ratio: 0,42
- Max Drawdown 2008: −18,5%
- Max Drawdown COVID 2020: −12,1%
- Max Drawdown Zinswende 2022: −9,4%
- Korrelation Aktien-Anleihen 2022: +0,68 (untypisch)

Zielmandanten-Profil: Verlusttragfähigkeit max. 15%.
Compliance-Frage: Drawdown 2008 −18,5% übersteigt Verlusttragfähigkeit-Grenze.
09

So liefert anymize zurück

Der Antrags-Entwurf

KI-Output. Quant-Team prüft Zahlen-Konsistenz; Modell-Komitee entscheidet über Freigabe oder Anpassung.
## 1. Modell-Beschreibung
Robo-Advice-Modell [[ModellID-a1b2]] mit drei Zielstrategien (konservativ /
ausgewogen / wachstumsorientiert). Konservative Strategie: 20% Aktien / 60%
Anleihen / 20% Cash.

## 2. Untersuchungs-Zeitraum + Stress-Szenarien
Backtest 2005-01 bis 2026-04. Drei Stress-Phasen: Finanzkrise 2008,
COVID 2020, Zinswende 2022.

## 3. Kennzahlen-Übersicht (Quant-System)

| Kennzahl | Wert | Quelle |
|---|---|---|
| Annualisierte Rendite | 4,2% p.a. | 2005–2026 |
| Volatilität (annualisiert) | 6,8% | 2005–2026 |
| Sharpe-Ratio | 0,42 | 2005–2026 |
| Max Drawdown 2008 | −18,5% | 2008 |
| Max Drawdown COVID 2020 | −12,1% | 03/2020 |
| Max Drawdown Zinswende 2022 | −9,4% | 2022 |
| Korrelation Aktien-Anleihen 2022 | +0,68 | 2022 |

## 4. Auffälligkeiten
- Max Drawdown 2008 von −18,5% liegt OBERHALB der für die konservative
  Strategie definierten Verlusttragfähigkeits-Grenze von 15%.
- Korrelation Aktien-Anleihen 2022 +0,68 ist atypisch und reduziert
  Diversifikations-Wirkung der Anleihen-Komponente.

## 5. Compliance-Check gegen Zielmandanten-Geeignetheit
- Konservative Strategie ist für Mandanten mit max. 15% Verlusttragfähigkeit
  unter dem Aspekt 2008-Stress NICHT zielmarktkonform.
- Empfehlung: entweder Zielmarkt-Definition anpassen (Verlusttragfähigkeit ab
  20% statt 15%) oder Allokation defensiver gestalten (z.B. Aktien-Anteil 10%,
  Cash 30%).

## 6. Schlussfolgerung
Wertentwicklung der Vergangenheit ist kein verlässlicher Indikator für die
Zukunft. Modell bedarf Anpassung der Zielmarkt-Definition oder der
Allokations-Parametrisierung vor Freigabe der konservativen Strategie.

## Checkliste — Vor Freigabe durch Modell-Komitee
- [ ] Kennzahlen aus Quant-System unverändert übernommen.
- [ ] Zielmarkt-Definition mit Backtest-Verlust-Profil abgeglichen.
- [ ] DSGVO Art. 22: Human-Override-Pfad dokumentiert.
- [ ] ESMA-AI-Statement: Test- und Überwachungs-Plan dokumentiert.
- [ ] DPIA nach DSGVO Art. 35 aktualisiert.
- [ ] Modell-Risiko-Inventar (BaFin SRC-0119) aktualisiert.
10

Was das Berufsrecht verlangt

Pflichten — und wie anymize sie abdeckt

PF-FIN-RET-005-1 · DSGVO Art. 22 (SRC-0141)

Rein automatisierte Anlageempfehlung mit rechtlicher/erheblicher Wirkung = Art.-22-Fall; Human-Override Pflicht. Robo-Advice mit Beratercharakter erfordert dokumentierten Override-Pfad.

PF-FIN-RET-005-2 · Halluzinierte Kennzahlen (SRC-0158 / SRC-0159)

LLMs neigen zu plausibel klingenden, aber erfundenen Sharpe-/Drawdown-Werten. Mitigation: KI nur als Text-Strukturierer, Zahlen aus Quant-Output.

PF-FIN-RET-005-3 · ESMA AI-Statement (SRC-0131)

Proportionale Test-/Überwachungspflicht — Backtest-Bericht Pflicht-Output.

PF-FIN-RET-005-4 · BaFin BDAI-Prinzipien (SRC-0120)

Einfache Modelle bei vergleichbarem Ergebnis bevorzugen; KI-Komplexität rechtfertigungspflichtig.

PF-FIN-RET-005-5 · BaFin Orientierungshilfe IKT/KI (SRC-0119)

Modell-Risiko-Inventar Pflicht; Schatten-Robo-Advice verboten.

PF-FIN-RET-005-6 · MaRisk BTR Modellrisiko (SRC-0115)

Validierungs- und Anpassungspflicht; Modell-Komitee-Freigabe.

PF-FIN-RET-005-7 · § 64 WpHG Geeignetheit

Auch im Robo-Advice gilt die Geeignetheitspflicht. Zielmarkt-Definition muss zur Backtest-Verlustcharakteristik passen.

11

Datenschutz und Vertraulichkeit

So funktioniert das mit anymize

Robo-Advice mit Beratercharakter ist eine automatisierte Entscheidung mit erheblicher Wirkung — Art. 22 DSGVO verlangt einen dokumentierten Human-Override-Pfad. Bei Backtest mit echten Mandanten-Portfolio-Daten greift § 43 KWG (Bankgeheimnis); anymize pseudonymisiert. Rechtsgrundlage Art. 6 Abs. 1 lit. b DSGVO (Geschäftsbeziehung) + Art. 22 Abs. 2 lit. a DSGVO (Mandant willigt in automatisierte Entscheidung ein). DSGVO Art. 35 verlangt DPIA bei systematischer KI-Bewertung. ESMA-AI-Statement (30.05.2024) verlangt proportionale Test-/Überwachungspflicht. MaRisk BTR fordert Modellrisiko-Validierung; BaFin BDAI-Prinzipien fordern Einfachheits-Vorrang. Verarbeitung in deutschen Rechenzentren; AVV nach Art. 28 DSGVO und § 25b KWG.

Was anymize konkret leistet

  • Pseudonymisiert Mandanten-Portfolio-Bezüge in Backtest-Daten mit über 95 % Genauigkeit.
  • Ersetzt sie durch semantische Platzhalter vor dem KI-Aufruf.
  • Re-identifiziert in der Banking-Umgebung; Kennzahlen aus dem Quant-System werden unverändert übernommen.
  • Alternativen: Scalable Capital (DE-Referenz, SRC-0197), Aladdin/SimCorp (Backtest-Engines), Azure OpenAI Frankfurt, S-KIPilot.
12

Sicherheitscheck vor der Einreichung

Was anymize liefert — was Sie souverän entscheiden

Vor dem KI-Aufruf

  • Backtest-Output vollständig aus Quant-System?
  • Zielmandanten-Profil mit Verlusttragfähigkeits-Grenze definiert?
  • Stress-Szenarien (2008, COVID, Zinswende) im Sample?

Nach der KI-Antwort

  • Kennzahlen unverändert aus Quant-Output (kein KI-Halluzinations-Wert)?
  • Auffälligkeiten gegen Verlusttragfähigkeits-Grenze sachlich markiert?
  • Performance-Versprechen-Freiheit geprüft?

Vor Freigabe Modell-Komitee

  • DSGVO Art. 22 Human-Override-Pfad dokumentiert?
  • DPIA nach DSGVO Art. 35 aktualisiert?
  • ESMA-AI-Statement Test-/Überwachungs-Plan dokumentiert?
  • Modell-Risiko-Inventar (BaFin SRC-0119) aktualisiert?

Typische Fehlermuster — und wie anymize gegensteuert

  • KI erfindet Sharpe-Ratio oder Max-Drawdown („plausibel klingend“) — Prompt + Quant-Konsistenz-Check verhindert.
  • KI rundet Kennzahlen ungewollt — Prompt verlangt unveränderte Übernahme.
  • KI gibt Performance-Prognose für die Zukunft aus — Prompt verbietet, Compliance prüft.
  • KI markiert Drawdown-Überschreitung nicht als Compliance-Issue — Prompt erzwingt Soll-Ist-Check.
  • KI markiert Korrelations-Anomalie 2022 als „normal“ — Quant-Team korrigiert.
13

Rechtsgrundlagen

Normen, Urteile, Belege

Primärnormen

  • Wohlverhaltensregeln
  • Geeignetheit auch im Robo-Advice
  • Test-/Überwachungspflicht
  • Automatisierte Einzelfallentscheidung
  • DPIA bei systematischer KI-Bewertung
  • Modell-Inventar
  • Modellrisiko-Validierung
  • Einfachheits-Vorrang
  • AVV

Sekundärquellen

  • Banking-KI-Hebel
  • Cost-to-Serve −20–40%
  • Halluzinations-Risiko
  • DE-Robo-Advice-Referenz

Tools und Backtest-Engines

  • Integrierte Wealth- und Backtest-Plattform
  • Portfolio-Management mit Axyon AI
  • Backtest- und Portfolio-Analytics
  • BSI-C5-Testat-Cloud-LLM

Stand: · Nächste Überprüfung:

Hinweis zur Nutzung

Zur Orientierung — nicht als Mandatsersatz

Diese Anleitung beschreibt einen Arbeitsablauf, den Sie mit anymize umsetzen können. Sie ist zur Orientierung gedacht und ersetzt weder die anwaltliche Würdigung im Einzelfall noch eine fachanwaltliche Prüfung. Welche Rechtsprechung einschlägig ist, wie der Sachverhalt rechtlich zu bewerten ist, welche Anträge in Ihrem konkreten Mandat richtig sind — das bleibt selbstverständlich bei Ihnen.

KI-Outputs müssen vor jeder Verwendung anwaltlich geprüft werden. Insbesondere Urteils-Aktenzeichen, Norm-Verweise und Fristen sind gegen Primärquellen zu verifizieren. anymize gewährleistet die Vertraulichkeit der Mandantendaten gegenüber dem KI-Anbieter; die fachliche Richtigkeit des Outputs liegt in Ihrer Verantwortung.

Jetzt starten.
14 Tage kostenlos testen.

Alle Modelle. Alle Features. Keine Kreditkarte.

Wir sind überzeugt von anymize. Und wir wissen: Bei einem KI-Werkzeug, das Mandanten-, Patienten- oder Mitarbeiter-Daten berührt, reicht ein Demo-Video nicht. Deshalb 14 Tage voller Zugang – alle Modelle, alle Features, keine Kreditkarte. Genug Zeit, um sicher zu sein, bevor du uns vertraust.

Dein KI-Arbeitsplatz wartet.