Finanzdaten sind heute schnell, strukturiert und werden zunehmend maschinell verarbeitet. APIs liefern Millionen von Datenpunkten in Millisekunden. Bewertungs-Dashboards werden automatisch aktualisiert. KI-Systeme fragen Kennzahlen direkt ab und nutzen sie für Screening-Engines, Risikomodelle und Portfoliokonstruktion.
Und dennoch scheint in vielen Finanzdatensystemen nach wie vor eine strukturelle Schwäche zu bestehen.
Zahlen werden ohne ausreichende wirtschaftliche Validierung und ohne transparente Herkunft geliefert. Dies wird in der Regel erst sichtbar, wenn man genau hinschaut.
Kürzlich hat ein Kunde im Rahmen routinemäßiger Validierungsprüfungen einen Teil der Finanzkennzahlen eingehend überprüft. Dabei fiel ihm auf, dass bestimmte Kennzahlen, wie die Eigenkapitalrendite und die Kapitalrendite, sich in einer Weise verhielten, die wirtschaftlich schwer zu rechtfertigen war. Insbesondere Fälle mit negativem Eigenkapital oder einer Kapitalbasis nahe Null ergaben Werte, die mathematisch korrekt, aber wirtschaftlich fragwürdig waren.
Seine Frage war direkt.
Was bedeutet die Eigenkapitalrendite, wenn das Eigenkapital negativ ist?
Sollte eine extreme Eigenkapitalrendite veröffentlicht werden, wenn sich das Eigenkapital der Null nähert?
Wenn sowohl das Eigenkapital als auch der Gewinn negativ sind und sich daraus eine positive Eigenkapitalrendite ergibt, ist das dann aussagekräftig?
Und wer ist dafür verantwortlich, diese Sonderfälle korrekt zu behandeln?
Diese Fragen gehen zum Kern dessen, wie eine Finanzdateninfrastruktur aufgebaut sein sollte und wie wir bei Bavest Probleme angehen: Wir versuchen, eine echte Infrastruktur zu schaffen, die für Sie „denkt“, und nicht nur einfache, rohe, „dumme“ Datenfeeds.
Kennzahlen wie ROE, ROIC, EV über EBITDA oder P/E werden oft als standardisiert und universell definiert behandelt. In Wirklichkeit handelt es sich jedoch um konstruierte Kennzahlen, die auf mehreren Annahmen beruhen.
Nehmen wir ROE als einfaches Beispiel.
ROE entspricht dem Nettogewinn geteilt durch das durchschnittliche Eigenkapital.
Auf den ersten Blick scheint das eindeutig zu sein. In der Praxis ist dies jedoch nicht der Fall.
Eigenkapital kann auf verschiedene Weise definiert werden. Es kann Minderheitsanteile einschließen oder ausschließen. Es kann sich auf das Gesamtkapital oder das Stammkapital beziehen. Es kann Periodenendwerte oder gleitende Durchschnitte verwenden. Die Bilanzierung unterscheidet sich je nach Rechtsordnung und Standards. Selbst der Zeitpunkt von Anpassungen kann den Nenner beeinflussen.
Zwei Systeme können den ROE unter Verwendung leicht unterschiedlicher Annahmen berechnen und beide mathematisch korrekt sein. Die Abweichung ist nicht unbedingt ein Rechenfehler. Sie ist das Ergebnis eingebetteter politischer Entscheidungen. Ohne Herkunft bleiben diese Entscheidungen unsichtbar.
Das Problem wird noch grundlegender, wenn das Eigenkapital negativ wird.
Betrachten wir die ROE-Formel:
ROE = Nettogewinn / durchschnittliches Eigenkapital
Mathematisch gesehen ist die Division durch eine negative Zahl völlig zulässig. Die Formel liefert ein Ergebnis. Wirtschaftlich gesehen wird die Interpretation jedoch unzuverlässig.
Wenn das Eigenkapital negativ und der Nettogewinn positiv ist, wird der ROE negativ. Was bedeutet „Rendite auf negatives Kapital” in diesem Zusammenhang? Das Konzept des Kapitals als Grundlage für die Erzielung von Renditen bricht zusammen.
Wenn sowohl das Eigenkapital als auch der Nettogewinn negativ sind, wird die Eigenkapitalrendite positiv. Die Rechnung ist korrekt. Das wirtschaftliche Signal ist jedoch irreführend. Eine positive Kennzahl deutet auf Rentabilität hin, aber in Wirklichkeit heben sich zwei negative Werte gegenseitig auf.
Dies ist kein Rechenfehler. Es handelt sich um eine mangelnde Unterscheidung zwischen mathematischer Machbarkeit und wirtschaftlicher Bedeutung.
Um diese Probleme angemessen anzugehen, ist eine konzeptionelle Trennung erforderlich. Die mathematische Gültigkeit beantwortet eine Frage: Kann die Berechnung ohne Rechenfehler durchgeführt werden? Die wirtschaftliche Gültigkeit beantwortet eine andere Frage: Stellt der resultierende Wert etwas Bedeutendes innerhalb der Finanzanalyse dar?
Ein Verhältnis kann die erste Bedingung erfüllen, während es die zweite nicht erfüllt. In Fällen mit negativem Eigenkapital kann die Formel berechnet werden. Aber die wirtschaftliche Bedeutung ist nicht mehr gegeben. In Fällen mit einem Nenner nahe Null funktioniert die Berechnung. Aber das Ergebnis wird instabil und irreführend. Diese Unterscheidung zu erkennen, ist in modernen Finanzdatensystemen von entscheidender Bedeutung.
Bei Bavest haben wir die wirtschaftliche Validierung als erstklassige Ebene in der API formalisiert. Für jede abgeleitete Kennzahl bewerten wir nicht nur, ob die Formel berechnet werden kann, sondern auch, ob das Ergebnis unter definierten Richtlinien wirtschaftlich interpretierbar ist.
Betrachten wir zum Beispiel die Eigenkapitalrendite (ROE).
Wenn das Eigenkapital negativ ist, wird die Kennzahl als wirtschaftlich ungültig markiert und nicht stillschweigend veröffentlicht.
if equity < 0:
return {
"valid": False,
"reason": "EconomicallyInvalid",
"details": "DenominatorNegative"
}
Wenn das Eigenkapital positiv ist, aber unter einer definierten Wesentlichkeitsschwelle liegt, wird die Kennzahl aufgrund von Instabilität unterdrückt.
if abs(equity) < epsilon:
return {
"valid": False,
"reason": "EconomicallyInvalid",
"details": "DenominatorNearZero"
}
Sind sowohl Zähler als auch Nenner negativ, wird das Verhältnis ebenfalls unterdrückt, da das resultierende Vorzeichen wirtschaftlich irreführend wäre.
if equity < 0 and net_income < 0:
return {
"valid": False,
"reason": "EconomicallyInvalid",
"details": "NumeratorAndDenominatorNegative"
}
Diese Regeln sind deterministisch, dokumentiert und maschinenlesbar. Sie stellen sicher, dass wirtschaftlich instabile Ergebnisse nicht unbemerkt in nachgelagerte Systeme gelangen.
Der Kunde, der die ursprüngliche Bedenken geäußert hatte, wies auf eine praktische Auswirkung hin. Wenn verzerrte Kennzahlen in Bewertungsmodelle einfließen, können die Ergebnisse der Unternehmensbewertung unzuverlässig werden.
Screening-Systeme können Unternehmen falsch einstufen. Bei der automatisierten Portfoliozusammensetzung können Unternehmen aufgrund instabiler Kapital-Effizienz-Signale übergewichtet werden. Risikomodelle können sich anhand verzerrter Eingaben neu kalibrieren.
In der Vergangenheit hätte ein menschlicher Analyst Anomalien möglicherweise bemerkt und die Interpretation manuell angepasst. KI-Systeme und automatisierte Agenten wenden keine Intuition an. Sie gehen davon aus, dass strukturierte Daten, die über eine API geliefert werden, aussagekräftig sind. Die wirtschaftliche Validierung auf der Datenebene reduziert die versteckte Fragilität des Modells.
Sie schafft einen Vertrag zwischen Anbieter und Verbraucher: Wenn eine Kennzahl wirtschaftlich unsolide ist, wird sie ausdrücklich als solche gekennzeichnet.
Die wirtschaftliche Validierung befasst sich mit der Frage, ob ein Wert veröffentlicht werden sollte. Die Datenherkunft befasst sich damit, wie er zustande gekommen ist.
Wenn ein Verhältnis unterdrückt oder markiert wird, kann das System erklären, warum.
Beispielsweise sollte ein Investitionsausschuss, der eine vierteljährliche Verschiebung der Kennzahlen überprüft, sehen können, dass die Eigenkapitalrendite als ungültig markiert wurde, weil das Eigenkapital in diesem Zeitraum negativ war. Diese Erklärung sollte reproduzierbar und konsistent sein. Lineage wandelt Daten aus undurchsichtigen Ausgaben in eine nachvollziehbare Infrastruktur um.
Finanzdatensysteme werden zunehmend nicht mehr direkt von menschlichen Analysten genutzt, sondern von automatisierten Systemen. In diesem Umfeld werden stillschweigende Annahmen zu strukturellen Risiken. Die Finanzinfrastruktur der nächsten Generation muss nicht nur hinsichtlich Geschwindigkeit und Abdeckung optimiert werden, sondern auch hinsichtlich Transparenz, Determinismus und Erklärbarkeit.
Kennzahlen sind keine atomaren Wahrheiten. Es handelt sich um Abstraktionen, die auf Nennern basieren, die sich verschieben, zusammenbrechen oder umkehren können. In diesem Fall darf die Datenschicht nicht einfach nur berechnen und veröffentlichen. Sie muss bewerten und entscheiden.
Wirtschaftliche Gültigkeit und Herkunft sind keine kosmetischen Merkmale. Sie sind architektonische Anforderungen für zuverlässige Finanzsysteme. Wenn eine Kennzahl sich nicht selbst erklären kann, sollte sie keine Entscheidungen beeinflussen.
In einem Umfeld, in dem KI zunehmend direkt mit Finanz-APIs interagiert, ist Transparenz keine Option. Sie ist grundlegend.
Bei Bavest betrachten wir Finanzdaten nicht als eine Ansammlung von Zahlen. Wir betrachten sie als Infrastruktur.
Infrastruktur bedeutet Verantwortung. Sie bedeutet Determinismus. Sie bedeutet, dass nachgelagerte Systeme, seien es menschliche Analysten, Fintech-Plattformen oder autonome KI-Agenten, sich auf vorhersehbares Verhalten verlassen können. Wenn eine Kennzahl wirtschaftlich bedeutungslos wird, ist ihre stillschweigende Veröffentlichung keine Neutralität. Es ist eine Entscheidung. Und diese Entscheidung überträgt das Risiko auf den Kunden.
Wir haben uns für einen anderen Ansatz entschieden.
Wir haben wirtschaftliche Validitätsprüfungen direkt in die API-Schicht integriert. Jede abgeleitete Kennzahl wird nicht nur auf ihre rechnerische Machbarkeit, sondern auch auf ihre wirtschaftliche Interpretierbarkeit hin überprüft. Wenn ein Nenner negativ wird, wenn eine Basis gegen Null tendiert, wenn ein Bewertungsmultiplikator aufgrund nicht positiver Erträge seine Bedeutung verliert, berechnet das System den Wert nicht einfach und gibt ihn weiter. Es markiert ihn explizit und deterministisch.
Diese Designentscheidung spiegelt eine umfassendere Philosophie wider.
Wir glauben, dass die Finanzinfrastruktur folgende Eigenschaften haben sollte:
In der Praxis bedeutet dies, dass ein Kunde keine defensive Logik für jeden möglichen Randfall entwickeln muss. Die Logik ist vorgelagert eingebettet. Wenn eine Kennzahl wirtschaftlich ungültig ist, wird dies deutlich signalisiert. Wenn sich ein Wert ändert, erklärt die Herkunft, warum. Wenn Annahmen angewendet werden, sind diese transparent und konsistent. Was Bavest auszeichnet, ist nicht nur die Abdeckung oder Latenz. Es ist die Tatsache, dass wir abgeleitete Finanzkennzahlen als strukturierte wirtschaftliche Konstrukte behandeln und nicht als mechanische Unterteilungen. Wir trennen mathematische Möglichkeiten von wirtschaftlicher Bedeutung. Und wir kodieren diese Unterscheidung in die Daten selbst.
Da Finanzsysteme zunehmend automatisiert und KI-basiert sind, steigen die Kosten stillschweigender Annahmen. Eine verzerrte Kennzahl führt nicht mehr nur einen einzelnen Analysten in die Irre. Sie kann sich über Screening-Systeme, Allokations-Engines und autonome Agenten verbreiten.
Genau aus diesem Grund haben wir wirtschaftliche Validität und Herkunft in die Grundlage unserer Plattform integriert.
Denn in der modernen Finanzinfrastruktur ist Transparenz keine Besonderheit. Sie ist die Grundvoraussetzung.
Und wenn eine Kennzahl sich nicht selbst erklären kann, hat sie in Produktionssystemen nichts zu suchen.
blog