In den letzten Jahren hat Reinforcement Learning (RL) als Rahmenwerk zum Erlernen optimaler Entscheidungen auch in komplexen Umgebungen erhebliche Aufmerksamkeit erlangt. Darüber hinaus gilt RL derzeit als eines der vielversprechendsten Forschungsgebiete im Bereich des maschinellen Lernens und hat bereits ein immenses Potenzial für die Lösung anspruchsvoller Probleme in der realen Welt bewiesen, z. B. in der Robotik, im Ressourcenmanagement oder im Gesundheitswesen.Kürzlich wurde diese Methodik erfolgreich bei JP Morgan im Rahmen ihres Multi-Milliarden-USD-Derivatehandels eingeführt. Es wird erwartet, dass RL-Algorithmen das Potenzial haben, die Finanzdienstleistungsbranche erheblich zu stören und die Entwicklung neuer Finanzmarktprodukte zu revolutionieren.Doch trotz aller großen akademischen Durchbrüche fehlt es derzeit an einem breiteren Einsatz von RL in Finanzanwendungen, und praktische Implementierungen bleiben meist als geistiges Eigentum nur der größten Global Player verborgen. Ein wesentlicher Grund dafür sind die erheblichen Hürden, denen sich Praktiker beim Aufbau solcher Modelle in der realen Welt noch gegenübersehen.Unser Ziel ist es, diese Hürden zu überwinden, indem wir herausragende praktische Herausforderungen bei der Anwendung von RL identifizieren und adressieren und beispielhafte und offen zugängliche Anwendungsfälle erstellen, die das enorme Potenzial von RL-Anwendungen im Finanzbereich aufzeigen.Diese Implementierungen werden als Ausgangspunkt für die weitere Entwicklung kontextspezifischer Anwendungen und neuer Finanzprodukte dienen. Unser Ziel ist es, dieses spannende Feld auch für KMUs in der Schweiz zugänglich zu machen und damit eine signifikante Kostenreduktion für Unternehmen zu ermöglichen, die RL-Lösungen in ihren aktuellen Geschäftsmodellen einsetzen wollen. Um im harten globalen Wettbewerb nicht den Anschluss zu verlieren, müssen Schweizer Finanz-KMUs einen leichteren Zugang zu disruptiven RL-Anwendungen erhalten.