Inhouse-Seminar · KU Eichstätt-Ingolstadt
Lernen Sie, wie führende Faktor-, Liquiditäts- und KI-Strategien im Leveraged-Loan-Markt praktisch implementiert werden — direkt aus sechs peer-reviewed Forschungsarbeiten, mit Python/Jupyter-Fallstudien und reproduzierbarem Code.
Seminaranfrage stellen
Prof. Dr. Thomas Mählmann
Dekan der Wirtschaftswissenschaftlichen Fakultät Lehrstuhlinhaber ABWL, Finanzierung & Banken KU Eichstätt-Ingolstadt
„Der Leveraged-Loan-Markt ist einer der spannendsten und am wenigsten verstandenen Kreditmärkte weltweit. Dieses Seminar gibt Ihnen das Framework, um ihn systematisch zu erschließen — entwickelt aus über einem Jahrzehnt eigener Forschung, direkt übersetzt in die Praxis."
Für wen ist dieses Seminar?
Warum Asset Manager dieses Seminar buchen
Systematische Faktorstrategien (Value, Momentum u.a.) verbessern die Titelauswahl im Leveraged-Loan-Portfolio — empirisch belegt, nach Transaktionskosten.
Verstehen Sie die tatsächlichen Handelskosten im OTC-Markt und vermeiden Sie Adverse-Selection-Fallen — entscheidend für aktives Loan-Management.
Erfahren Sie, welche Modelle im Private-Debt-Markt echten Mehrwert liefern — mit Explainability für Modell-Governance und Aufsichtsanforderungen.
Nutzen Sie Momentum- und Value-Signale auf Indexebene für taktische Allokationsentscheidungen — ohne auf Einzelloan-Liquidität angewiesen zu sein.
Verstehen Sie, wie Loanpreise Aktienrenditen vorhersagen — und was das für Cross-Asset-Strategien bedeutet.
Zwei Python/Jupyter-Notebooks — direkt in den eigenen Investmentprozess integrierbar, mit eigenen Daten weiternutzbar.
Faktorinvesting · Liquiditätssteuerung · Kreditmarktmikrostruktur · ML-Methoden · Konditionen & Buchung
Was Sie mitnehmen
Handelskosten im OTC-Loan-Markt messen, Adverse Selection von Inventory Costs trennen und den Breakeven-Turnover für jede Strategie berechnen.
Credit Excess Returns berechnen, Value-/Momentum- (+ weitere) Faktoren auf Einzel- und Indexebene anwenden und Alpha nach Transaktionskosten validieren — inkl. Jupyter Notebook.
GBRT, Neural Networks und Ensemble-Modelle auf Private-Debt-Daten anwenden, Variable Importance interpretieren und als Pre-Screening-Tool im eigenen Prozess verankern.
Tagesagenda
| Zeit | Modul | Themenschwerpunkte |
|---|---|---|
| 09:00–09:30 | Einführung | Marktstruktur, OTC-Handel, CLO-Dominanz, US vs. Europa, Vergleich mit High-Yield Bonds, Quellen der Marktineffizienz |
| 09:30–10:30 |
Modul 1: Handelskosten & Liquidität
Keßler & Mählmann, Journal of Financial Markets 2021
|
Effective vs. Quoted Spread, Adverse Selection (PPI) vs. Inventory Costs (TPI), Asymmetrie im Marktstress |
| 10:30–11:30 |
Modul 2: Faktorinvesting (Einzelloan) 📓 Jupyter
Mählmann & Sukonnik, Financial Analysts Journal 2022 · Mählmann & Reck, Journal of Portfolio Management 2024
|
Credit Excess Returns, 7 Faktoren (Value, Momentum u.a.), Portfoliokonstruktion 1M/12M, Liquiditätsstruktur der Faktoren, Transaktionskosten vs. Alpha, Python-Workshop |
| 11:45–12:30 |
Modul 3: Faktorinvesting (Industrie & Länder)
Mählmann, Journal of Fixed Income 2022
|
Industrie- & Länder-Rotation, US BB/B & EU-Panels, 6-Monats-Horizont, Ausfallrisiko-Kontrolle, Implementierungsstrategie |
| 13:15–14:30 |
Modul 4: Informationsübertragung Loans → Aktien
Reck, Journal of Private Markets Investing 2026
|
Lender-Informationsvorteil, Lead-Lag-Effekt, Loan Events als Signale, Out-of-Sample bis 9% Alpha p.a. |
| 14:30–15:30 |
Modul 5: AI/ML in Private Debt AI/ML 📓 Jupyter
Mählmann & Reck, Working Paper 2026
|
GBRT, Random Forest, Neural Networks, LSTM & Ensemble, Out-of-Sample R², SHAP-Explainability, 5,7% Alpha, Pre-Screening-Tool, Case Study |
| 15:45–17:00 | Modul 6: Implementierung & Q&A | Signalkombination, Datenbeschaffung, Build vs. Buy, AI/ML-Governance, offene Diskussion |
Teilnehmer erhalten reproduzierbaren Python-Code, der direkt mit eigenen Daten weitergenutzt werden kann.
Forschungsbasis
Referenzen & Auszeichnungen
„Nicht nur funktionieren die Faktoren — HIGH-Portfolios erzielen Sharpe Ratios über 1,4 und signifikante Alphas selbst bei 12-Monats-Haltedauer. Die HIGH-Portfolios sind günstiger zu handeln als die LOW-Portfolios."Dr. Galina SukonnikPortfolio Managerin, DWS International GmbH · Co-Autorin FAJ 2022
„Das Seminar schließt eine echte Lücke: Systematische, empirisch fundierte Investmentframeworks für den Leveraged-Loan-Markt sind rar — und hier bekommt man sie direkt von den Forschern, die sie entwickelt haben."TeilnehmerfeedbackInstitutioneller Investor · Pilot-Session 2025
„Der ML-Teil ist besonders wertvoll: Endlich systematische Evidenz, welche Modelle auf OTC-Kreditdaten wirklich funktionieren — mit Explainability für Modell-Governance."TeilnehmerfeedbackQuantitativer Analyst · Asset Management
Auszeichnungen & Netzwerkpartner
🏆 Preisauszeichnungen
Netzwerkpartner & Journale
Ihre Trainer
Lehrstuhlinhaber · Haupttrainer
Inhaber des Lehrstuhls für ABWL, Finanzierung und Banken an der KU Eichstätt-Ingolstadt. Autor bzw. Co-Autor aller sechs Seminarpublikationen. Forschungsschwerpunkte: Private Debt, Kreditmarktmikrostruktur und systematisches Investieren.
Wissenschaftlicher Mitarbeiter · Co-Trainer
Promovierte 2026 an der KU Eichstätt-Ingolstadt mit der Dissertation „The Science of Debt Investing — Three Essays on Leveraged Loans". Spezialist für Faktorinvesting, Cross-Market-Strategien und AI/ML-Anwendungen in Private Debt. Verantwortlich für Module 4 und 5.
Anwendungsfälle & Zielgruppe
Konditionen
Quant Portfolio Management mit Python · Zweitägiges Inhouse-Seminar
Für Teams, die die im Private-Debt-Seminar vorgestellten Faktor-, Portfolio- und Machine-Learning-Ansätze vertiefen möchten: Portfoliooptimierung, Black-Litterman, Risk Parity und Index Tracking — vollständig in Python implementiert.
Wir freuen uns auf Ihre Anfrage. Schreiben Sie uns direkt — wir melden uns innerhalb von 48 Stunden und besprechen gerne Termin, Format und individuelle Anpassungen.
Prof. Dr. Thomas Mählmann · KU Eichstätt-Ingolstadt
thomas.maehlmann@ku.de