Ex-Private-Banker verrät: Das machen Reiche im Crash

Wiedergabegeschwindigkeit

Post teilen

Post zum aktuellen Zeitpunkt teilen

Teilen von 0:00

0:00

Ex-Private-Banker verrät: Das machen Reiche im Crash

Wie Ultra-High-Net-Worth-Familien Krisen aushalten - und weshalb KI die nächste, reale Chance ist.

Juli 12, 2026

Crash‑Stimmung, Kriegsschlagzeilen, Kursstürze — und trotzdem: wer genau hinsieht, versteht, warum einige wenige Vermögen durch Krisen vermehren. Christoph Gum, Ex‑Credit‑Suisse, Gründer von Private Alpha und Betreiber eines der größten KI‑wikifolios Europas, erklärt, wie Reiche wirklich handeln — und wie KI heute die Entscheidungen vorbereitet, ohne Menschen zu ersetzen.

"Keine KI kennt die Zukunft. Kein Mensch weiß, was morgen passiert am Kapitalmarkt. Du hast immer nur eine Wahrscheinlichkeit."

► Ressourcen & Links:

📈 Alpha AI Leaders wikifolio

► Hier findest du Christoph:

Website · Instagram · LinkedIn

► Buchtipps von Christoph:

Christoph Gum Buchtipps

Die Podcast-Folge findest du auch hier:
Spotify · YouTube · Apple Podcasts
& überall, wo es Podcasts gibt

Keine Zeit? Hier ist die Essenz ↓

Im Gespräch mit Christoph Gum

00:00:00 - Einleitung: Christoph Gum — KI, Private Alpha & Trading‑Philosophie
00:00:06 - Von Bundesliga zum Kapitalmarkt: Disziplin, Mindset & Lernkurve
00:02:30 - Frühe Börsengeschichte & IPO‑Erfahrung: Dot‑com, Hypergrowth und Crash
00:11:00 - Lehrjahre: Wirtschaftsprüfung, Sarbanes‑Oxley & Lehren für Risiko‑Management
00:22:56 - Ultra‑High‑Net‑Worth: Anlageverhalten der Superreichen vs. Privatanleger
00:28:00 - Gründung Private Alpha: AlphaGo‑Moment, Team & Strategieaufbau ⚡
00:34:27 - CaesarDPT: Deep Pattern Transformer — Idee, Training & Zeitreihen‑Approach
00:37:00 - Mensch‑Maschine‑Symbiose: KI als Analyse‑Tool, Mensch bleibt im Driver‑Seat
00:52:48 - Use‑Cases im Terminal: Market‑Risk‑Reports, Drawdown‑Indikatoren & Fixed‑Income‑Modelle
00:56:50 - Backtests, Out‑of‑Sample‑Tests & Validierung von Modellen
01:03:00 - Daten, Edge & Wettbewerb: Warum proprietäres Training und Orchestrierung zählt
01:09:00 - Drei Wellen der KI‑Revolution: Euphorie, Data‑Center Build‑out, Effizienzwelle ⚡
01:20:00 - AI‑Leaders‑Index & wikifolio‑Strategie: Selektion, Gewichtung und Risikomanagement
01:26:00 - Positionsmanagement statt Stop‑Loss: Ernten von Gewinnen, Volatilität akzeptieren
01:53:36 - Abschluss‑Message: „Enjoy the ride“ — Mindset fürs Investieren

Aufnahmedatum: 16. Juni 2026

Kennst du jemanden, der das wissen muss?

Die Essenz der Folge

Menschen bleiben Entscheider — KI ist Tool, nicht Orakel.
- Perspektive: Wer KI als Wahrheit nimmt, wird enttäuscht. Erfolg kommt aus Orchestrierung: KI‑Vorschlag → menschliche Prüfung → Trade.
Ultra‑Reiche unterscheiden sich nicht mystisch — sie sind diszipliniert, haben Prozesse, Fokus‑Nischen und sehr gute Berater.
- Perspektive: Scale, nicht Zauberformel. Prozesse + Mut schlagen Emotion.
Timing ist selten perfekt — der Vorteil liegt darin, weniger Fehler zu machen und Positionsgrößen & Conviction diszipliniert zu managen.
- Perspektive: „Den perfekten Boden treffen“ ist Illusion; Drawdown‑Management & Geduld sind Alpha.
KI verändert das Research‑Levantieren radikal: Von hunderten Analysten auf einige Expertenteams, die Agenten und Modelle orches-trieren.
- Perspektive: Demokratisierung der Analyse — aber wer die besten Prompt‑/Agent‑Pipelines baut, hat Edge.
Edge entsteht nicht nur durch bessere Modelle, sondern durch proprietäres Training, Orchestrierung und proprietäre Indikatoren (z. B. DPT‑Training, Risk‑Scores).
- Perspektive: Public data + off‑the‑shelf models reichen oft nicht; das „How we train“ bleibt wertvoll.
Drei Wellen der AI‑Investments: Euphorie → Data centre / CapEx Buildout → Effizienz‑Welle (echter wirtschaftlicher Impact).
- Perspektive: Wir sind in Phase 2 mit klarer Überhitzung bei einigen Namen; Phase 3 (Breiteneffekte, Margen) entscheidet langfristig.
Krisen sind Chancen — aber nur, wenn man vorbereitet ist: Reiche halten oft Positionen, sind mutig beim Reinvestieren und haben Taktiken für Opportunitäten (z. B. teilweises Ernten bei übergroßen Gewinnern).
- Perspektive: Wer aus Angst an der Seitenlinie steht, verpasst die Rendite‑Tage.

Deine Gedanken machen den Podcast besser ↓

Einen Kommentar hinterlassen

Die Story hinter dem Gast

Christoph Gum wächst im Chiemgau in einer Försterfamilie auf, aber statt Holz und Wald zieht es ihn früh zum Sport und später in die Finanzwelt: Mit zwölf beginnt er Basketball, arbeitet sich innerhalb weniger Jahre von der Kreisliga bis in die Bundesliga und sammelt dort Disziplin, Ehrgeiz und Teammindset – Eigenschaften, die ihn später an den Kapitalmärkten begleiten. Parallel zu sportlichen Stationen interessiert ihn die Börse: Sein Vater schenkt ihm mit 14 die erste Aktie (E.ON), und er verdient als Jugendlicher durch Zeitungszustellung genug, um weiter in Aktien zu investieren. Nach dem Abi macht er eine Bankausbildung (Citybank/Targobank) und erlebt in der Praxis, wie Vertrieb, Produktwissen und Kundenkontakt funktionieren — Erfahrungen, die sein Verständnis von Kapitalmärkten prägen.

Ende der 1990er Jahre wird er Zeuge der Dotcom‑Welle: Praktika und Arbeit in einer frühen E‑Commerce‑Softwarefirma bringen ihm Einblick in Hypergrowth‑Dynamiken und den IPO‑Prozess; er organisiert sogar einen Börsengang im März 2000 — vier Tage nach dem Nasdaq‑Allzeithoch, kurz bevor die Blase platzte. Die anschließende Crash‑Erfahrung, das Verlieren von Gewinnen und das unmittelbare Miterleben, wie viele Firmen scheitern, beschreibt er als tief einprägenden Lehrmoment: solche Phasen bleiben „eingraviert“ und formen seine spätere Vorsicht und Lernbereitschaft.

Nach Stationen in Wirtschaftsprüfung und Unternehmensberatung kommt Gum 2004 zur Credit Suisse, wo er an großen Programmen (u. a. Sarbanes‑Oxley‑Projekten) arbeitet und schließlich im Private Banking für Ultra‑High‑Net‑Worth‑Kunden tätig ist. Dort lernt er, wie die reichsten Investoren denken — fokussiert, diszipliniert, mit spezialisierten Nischenstrategien — und baut wertvolle Netzwerke auf. Die Finanzkrise und ihre Folgen erlebt er in diesem Umfeld als prägende, „beste Jahre“: sie schärfen sein Verständnis für Risikomanagement, Bilanzanalyse und das Verhalten großer Investoren.

2017/2018 zieht es ihn wieder in die Gründerrolle. Getrieben von der Überzeugung, dass technische Durchbrüche – diesmal AI/Deep Learning nach AlphaGo – komplexe Finanzdaten besser auswerten können, gründet er Private Alpha. Sein Anspruch: die Alpha‑Suche aus dem Private‑Banking‑Gedanken mit KI zu unterstützen. Aus einem kleinen Gründerteam entsteht eine B2B‑Forschungs‑ und Produktplattform (u. a. DPT: Deep Pattern Transformer), die institutionelle Partner, Family Offices und Wealth Manager mit automatisierten Research‑ und Risikotools versorgt. Gum selbst sieht die Rolle der KI dabei pragmatisch: als mächtiges Analyse‑ und Orchestrierungsinstrument in einer Mensch‑Maschine‑Symbiose, nicht als Orakel — der Mensch bleibt „im Driver Seat“.

Seine Story ist deshalb eine von wiederholtem Bruch und Adaptation: Sportler‑Mindset, frühe Dotcom‑Euphorie und Crash, solide Ausbildung in Audit und Banking, Private‑Banking‑Erfahrung mit Ultra‑High‑Net‑Worth‑Klienten und schließlich der Sprung zurück ins Unternehmertum, diesmal mit KI als Hebel. Aus all dem zieht er ein klares Credo: Demut vor Marktunsicherheit, Lernen aus Niederlagen und die Verbindung von technischer Exzellenz mit praktischem Markt‑ und Kundenwissen. Sein Leitmotiv: „Enjoy the ride.“

Das System

Christoph Gum setzt auf eine klar strukturierte Mensch‑Maschine‑Symbiose: KI ist für ihn in erster Linie ein Analyse‑ und Orchestrierungs‑Tool, das große Datenmengen vorselektiert, Muster erkennt und Vorschläge liefert — die finale Investment‑Entscheidung bleibt jedoch beim Menschen. Sein Kernsystem heißt Cäsar / DPT (Deep Pattern Transformer) und ist eine eigens entwickelte Plattform, die Zeitreihen‑ und Marktmuster statt Text verarbeitet. Darauf aufbauend betreibt sein Team eine Research‑Plattform (vergleichbar einem kompakten Terminal) mit vordefinierten Use‑Cases: automatisierte Aktien‑ und Makro‑Analysen, ein Market‑Risk‑Indicator, Fixed‑Income‑Modelle (Duration, Credit Risk) und ein AI‑Leaders‑Universe mit rund 140 überwachten KI‑Firmen.

„Mensch wird nie verdrängt werden — Mensch ist immer im Driver Seat.“

Operational arbeitet Private Alpha eher als „slow trader“ mit taktischer Asset Allocation: Positionen werden über Wochen, Monate oder Jahre gehalten, nicht für High‑Frequency‑Trading. Die KI liefert automatisierte Scans, Risk‑Scores und Watchlists — viele Signale werden durch Agenten und Large‑Language‑Modelle vorverarbeitet — aber Mensch und Erfahrung prüfen Investmentcase, Bilanzkennzahlen und Managementqualität, bevor gehandelt wird. Stops benutzt das Team bewusst nicht; Verkäufe erfolgen, wenn die Investment‑Story oder fundamentale KPIs nicht mehr stimmen oder wenn Positionen im Portfolio kontextuell zu groß werden.
Die Engine‑Logik basiert auf drei Säulen: 1) automatisierte Vorselektion großer Datenmengen (Marktdaten, Bilanz‑KPIs, Sentiment), 2) modelliertes Training und strenge Backtests inklusive Out‑of‑Sample‑Walk‑forwards zur Validierung, 3) laufende Releases und Monitoring — DPT ist nach mehreren Iterationen in einer stabileren Version, liefert Risk‑Scores und tägliche Reports und wird in der Microsoft‑Cloud sicher betrieben. Gum betont die Grenzen der KI: sie liefert Wahrscheinlichkeiten, keine Gewissheiten; ungewöhnliche, nie dagewesene Muster (z. B. Corona‑Crash‑Tempo) bleiben eine Herausforderung. Deshalb kombiniert sein System maschinelle Effizienz mit humaner Urteilskraft: die KI erhöht Produktivität (früher brauchten hunderte Analysten, heute rund zehn Mitarbeiter dank Automatisierung), schafft Research‑Skalierung und eröffnet neue Use‑Cases — zugleich bleibt der Mensch im Driver‑Seat.
Schließlich ist das System als Boutique‑, B2B‑Ansatz gedacht: nicht der Anspruch, der nächste globale Asset‑Manager zu werden, sondern Institutionen, Family Offices und Vermögensverwalter mit einem hochwertigen, KI‑gestützten Research‑ und Trade‑Orchestrierungs‑Tool zu versorgen. Das erzeugt für Gum den praktischen Vorteil, Chancen schneller zu erkennen und in volatilen Phasen kontrolliert zu handeln — immer mit der Prämisse: KI unterstützt, entscheidet aber nicht allein.

Hier lernen & wachsen alle, die handeln:

Der Mensch

Christoph Gum ist kein abstrakter Systembauer, er ist ein Praktiker, bei dem persönliche Erfahrungen das Risiko‑ und Verhaltensmanagement geprägt haben. Die Disziplin aus dem Profisport, frühe Börsenerfahrungen durch das erste Depot mit 14 Jahren und die Arbeit im Private Banking formen seinen Blick: Er weiß, wie leicht gute Intentionen durch menschliche Fehler, Überheblichkeit oder Blindspots entgleisen können. Deshalb baut er sein Vorgehen um typische psychologische Fallen herum — kein Glücksspiel, keine übergroßen, binären Wetten, sondern klare Regeln, die auch in Stressphasen greifen und ihm erlauben, nachts ruhig zu bleiben.

Er trennt strikt Prozessfehler von unglücklichem Ausgang: Ein schlechter Trade kann passieren, aber wenn die Entscheidung auf einem sauberen, hinterfragten Prozess basierte, ist das akzeptabel; Fehler entstehen für ihn vor allem dann, wenn Kritik und Gegenargumente ignoriert werden. Genau deshalb ist die menschliche Komponente in seinem Setup nicht dekorativ, sondern zentral — Kollegen, Gegencheck und eine Kultur, die skeptische Perspektiven zulässt, fungieren als kostenloser Hedge gegen individuelle Blindspots. Kurz: Die Maschine liefert Muster und Vorschläge, aber die finale Verantwortung, das kritische Hinterfragen und die Entscheidung bleiben beim Menschen.