Ein neues Paper auf arXiv (2604.14206) macht etwas Radikales mit einem Werkzeug, das tödlich langweilig klingt. Es nimmt einen Conditional Value-at-Risk (CVaR)-Optimierer – den konvexen Solver, der entscheidet, wie sich ein Portfolio auf seine schlimmsten Tage vorbereiten soll – und trainiert ein neuronales Netz, um seine Entscheidungen zu kopieren. Der interessante Teil ist nicht das Finanzielle; es ist das Datenbudget. Die Autoren hatten gerade 104 echte etikettierte Beobachtungen, erweitert mit synthetischen Stichproben aus einem Faktor-Modell mit t-Copula-Residuen. Vier Student-Modelle, ein 3×5-Seed-Gitter und ein Rolling-Protokoll, das ein gefrorenes Modell auf neuen Daten feinabstimmt, dann auf Basis zurückgesetzt wird. Ihre Hauptbehauptung: Die Studenten erreichen oder schlagen den Lehrer bei Regime-Shifts mit niedrigerer Fluktuation.

Entfernen Sie die Marktsprache und ein Architekt erkennt die Form des Problems sofort. Seltene Labels, verschiebende Regime. Eine Praxis hat Dutzende bis einige hundert abgeschlossener Projekte – nicht Millionen von Zeilen. Bedingungen verschieben sich: Codes ändern sich, ein Wettbewerb belohnt etwas Neues, ein Material wird eingeschränkt, das Klima, das ein Gebäude überstehen muss, passt nicht mehr zum Referenzjahr. Dies ist die 104-Beobachtungs-Welt, und die meisten Machine-Learning-Ratschläge, die dafür geschrieben sind, nehmen stillschweigend einen Datensee an, den das Studio niemals besitzen wird.

Der Mechanismus ist Distillation – der Trick aus der Hinton-Ära 2015, ein kleines schnelles Modell zu trainieren, um ein grosses langsames nachzuahmen – aber auf einen Optimierer abzielt, nicht auf ein anderes Netz. Der Lehrer hier ist keine Black Box; es ist ein bekannter, überprüfbarer Solver. Das zählt aus einem Grund, den jeder Schweizer Leser in den Knochen spürt: CVaR ist die Metrik des Regulators. Basels Fundamental Review of the Trading Book ersetzte die 99%-Value-at-Risk durch 97,5%-Expected Shortfall – dieselbe Grösse wie CVaR, der durchschnittliche Verlust im Tail jenseits des Grenzwerts – als Kapitalmass für Marktrisiko, schrittweise in der EU und UK ab 2025 eingeführt. FINMA wendet es an; UBS lebt darunter. Das Paper unterrichtet im Grunde ein neuronales Netz, das Gesetz nachzuahmen.

Eine Designwahl verdient Respekt, weil sie ehrlich ist. Synthetische Daten werden normalerweise mit VAEs oder GANs generiert, die dazu neigen, Extreme zu glätten – genau der Teil, den Risikoarbeit nicht verlieren kann. Ein t-Copula zu wählen, ist eine Wette auf Tail-Treue über Generator-Glanz: t-Copulas bewahren gemeinsame Crashs, die Abhängigkeit, die Gaussian-Copulas von 2008 vortäuschten. Wie die Banken jetzt zugeben – Proactive Investors formulierte es diesen Monat deutlich, Volatilität “ist zur Bedingung selbst geworden” – die Ruhe zu modellieren und zu hoffen, dass Stürme selten bleiben, ist kein Plan mehr.

←HEUTE: Seit 2025 ist Basels 97,5%-Expected Shortfall die Live-Kapitalmetrik über EU- und UK-Banken; dieses Paper trainiert ein Netz, um es aus 104 Stichproben zu reproduzieren. →3012: Im Zürich von 3012 wird jedes Designtool mit seinem Tail-Risk-Lehrer ausgeliefert – Surrogate, die den schlimmsten Fall speichern, nicht den Durchschnitt. Fulcrum: Das Datenmangel-, Regime-Shift-Problem, das ein Handelsmodell bricht, ist dasselbe, das das Energiemodell eines Studios bricht – und derselbe Teacher-Student-Fix repariert beide.

Atelier: Lesen Sie “CVaR-Optimierer” als “Ihren langsamen FEA-, CFD- oder Tageslicht-Simulator” und “Student” als den schnellen neuronalen Surrogate, der einem Designer nahezu sofortiges Feedback in der ersten Stunde eines Entwurfs gibt – trainiert auf Ihrer Handvoll abgeschlossener Projekte, erweitert, sodass die seltenen Fehlerfälle (Überhitzung, Auslenkung, Kostenüberschuss) überleben, statt aus der Existenz herausmittelt zu werden.

Hack: Dieser Hack lehrt Sie, den Tail zu messen, nicht den Durchschnitt – die FRTB-Art – auf einer Stichprobe, die Sie bereits haben. Das Medium sind fünf Zeilen Python; die Domäne ist die Mathematik von Expected Shortfall. Richten Sie es auf simulierte Kostenüberschüsse, Sommerüberhitzungsstunden oder Spitzenauslenkungen über Ihre Designvarianten, und es gibt den Durchschnitt der schlimmsten 2,5% zurück – die Zahl, die ein Tail-aware-Design tatsächlich überstehen muss.

import numpy as np
losses = np.loadtxt("variant_overruns.csv")   # ein Wert pro Designvariante
alpha  = 0.975                                  # FRTB Expected Shortfall Niveau
var    = np.quantile(losses, alpha)             # der Grenzwert (VaR)
cvar   = losses[losses >= var].mean()           # durchschnittlicher Verlust im Tail
print(f"VaR={var:,.0f}  CVaR/ES={cvar:,.0f}")

Das übertragbare Vermögen ist die Methode, nicht das Geld. Wenn Ihre Firma starke Simulation betreibt, ist das Teacher-Student-Muster heute in einem Framework wie COMPAS aufbaubar, dem Python-Computational-AEC-Toolkit auf PAZs Referenzregal: den langsamen Solver einmal destillieren, dann den Studenten tausendmal in einer Charrette abfragen. Und die Beschaffungsfrage schreibt sich selbst – wenn Ihr Studio oder Ihre Gemeinde als nächstes ein Simulations- oder AI-Tool kauft, fragen Sie, ob es den Tail oder den Durchschnitt modelliert. Die Praktiken, die die Regime-Shifts intakt durchkamen, waren die, die gegen die schlimmsten 2,5% entworfen haben und den Satz vor der Unterzeichnung lasen. Bauen Sie dieses Quartal einen kleinen Surrogate auf Ihre eigenen abgeschlossenen Projekte auf, und beurteilen Sie ihn auf seinen schlimmsten Fall, bevor Sie jemals seinem Durchschnitt vertrauen.

Quellen & Weiterführendes

• Primär: arXiv:2604.14206 — Portfolio Optimization Proxies under Label Scarcity and Regime Shifts
• Vertiefung: Proactive Investors — When uncertainty becomes the norm