J.R.O. Osterrieder (Jörg)

Universitair hoofddocent
BMS-HBE-IEBIS

Ik werk al meer dan 15 jaar op het gebied van financiƫle statistieken, kwantitatieve financiƫn, algoritmische handel en de digitalisering van de financiƫle sector.

Joerg is de Action Chair van de Europese COST Action 19130 Fintech en Kunstmatige Intelligentie in Financiƫn, een interdisciplinair onderzoeksnetwerk dat meer dan 200 onderzoekers en 49 landen wereldwijd combineert.

Hij was studieleider voor een executive education cursus over "Big Data Analytics, Blockchain en Distributed Ledger" voor zes opeenvolgende cursussen, co-studieleider voor "Machine Learning en Deep Learning in Finance" en is sinds 2016 de hoofdorganisator van een jaarlijkse onderzoeksconferentie reeks over Kunstmatige Intelligentie in Industrie en Financiƫn.

Hij is een oprichtend associate editor van Digital Finance, een redacteur van Frontiers Kunstmatige Intelligentie in Financiƫn en een frequente recensent voor academische tijdschriften, waaronder het European Journal of Finance en het Journal of Investment Strategies.

Daarnaast fungeert hij als expertbeoordelaar voor de Europese Commissie voor de programma's "Executive Agency for Small & Medium-sized Enterprises" en de "European Innovation Council Accelerator Pilot".

Eerder werkte hij als uitvoerend directeur bij Goldman Sachs en Merrill Lynch, als kwantitatief analist bij AHL en als lid van het hoger management bij de Credit Suisse Group. Joerg is nu ook actief op het snijvlak van academie en industrie, met de focus op de overdracht van onderzoeksresultaten naar de financiƫle dienstensector om praktische oplossingen te implementeren.

Mijn opleiding:

Diploma in Bedrijfswiskunde, Universiteit van Ulm, Duitsland, 2002
Master of Science Wiskunde, Syracuse University, VS, 2002
PhD in FinanciĆ«le Wiskunde, ETH ZĆ¼rich, Zwitserland, 2007

Expertises

  • Economics, Econometrics and Finance

    • Volatility
    • Finance
    • Learning
    • Cryptocurrency
    • Bitcoin

  • Computer Science

    • Artificial Intelligence
    • Machine Learning

  • Social Sciences

    • Markets

Organisaties

Europese COST (Samenwerking in Wetenschap en Technologie) Actie 19130 Fintech en kunstmatige intelligentie in financiƫn

Ik ben de Action Chair van de COST Action Fintech en AI in Finance. Met een netwerk van 49 landen en 200+ onderzoekers werken we aan een aanzienlijk aantal onderzoeksthema's, waaronder, maar niet beperkt tot: Reinforcement learning for trading, Sentiment analysis for Finance, Machine learning for Finance, Fintech-toepassingen, Blockchain en Cryptocurrencies .

Wereldwijde onderzoekssamenwerkingen

Ik heb nauwe onderzoekssamenwerkingen met academici van over de hele wereld

  • Professor Ali Hirsa, Columbia University, VS, werkt samen aan synthetische datageneratie, versterkend leren voor financiĆ«n, verklaarbare kunstmatige intelligentie, co-supervisie van MSc- en PhD-studenten
  • Professor Stephan Sturm, Worcester Polytechnic Institute, VS, werkt aan financiĆ«le wiskunde, inclusief versterkend leren voor Finance, co-supervisie van MSc- en PhD-studenten
  • Dr. Alex Posth, ZĆ¼rich University of Applied Sciences, Zwitserland, werkt aan self-play-algoritmen voor Finance
  • Professor Stephen Chan, American University of Sharjah, VAE, werkt aan blockchain en cryptocurrencies
  • Professor Saralees Nadarajah, Universiteit van Manchester, VK, werkt aan statistische eigenschappen van cryptocurrencies
  • Professor Codruta Mare, Babes-Bolyai University, RoemeniĆ«, bezig met sentimentanalyse voor Finance
  • Professor Ioana-Florina Coita, Universiteit van Oradea, RoemeniĆ«, bezig met sentimentanalyse voor Finance
  • Professor Branka Hadji Misheva, Bern University of Applied Sciences, Zwitserland, werkt aan versterkend leren voor financiĆ«n en verklaarbare AI voor financiĆ«n
  • Professor Ronald Hochreiter, Universiteit voor Bedrijfskunde en Economie in Wenen, Oostenrijk, bezig met AI en financiĆ«le technologie

PhD Co-supervisie en PhD commissies

Ik ben betrokken bij de PhD Co-Supervision en PhD commissies van verschillende universiteiten in Europa en de VS.

  • Patchara Santawisook, augustus 2022, "Price Impact of VIX Futures and Two Order Book Mean-Field Games", lid van de PhD-commissie, hoofdpromotor: Prof. Dr. Stephan Sturm, Worcester Polytechnic University (WPI), VS. Dissertatiecommissie: Dr. Stephan Sturm, WPI (adviseur), Dr. Marcel Y. Blais, WPI, Dr. Jƶrg Osterrieder, Universiteit Twente, Dr. Andrew Papanicolaou, North Carolina State University, Dr. Qingshuo Song, WPI Dr. Frank Zou, WPI
  • Sebastian Singer, 2021 - 2025, co-adviseur en lid van de PhD-commissie, hoofdpromotor: Prof. Dr. Ronald Hochreiter, WU Wenen, Oostenrijk
  • Dr. Piotr Kotlarz, 2019 - 2023, lokaal adviseur, PhD aan de Universiteit van Liechtenstein
  • Dr. Branka Hadji Misheva, 2019 - 2023, lokaal adviseur, PhD aan de Universiteit van Pavia, ItaliĆ«
  • Dr. Rui Li, 2020, PhD-examinator, hoofdbegeleider: Saralees Nadarajah, Universiteit van Manchester, VK
  • Dr. Idika Okorie, 2019, PhD-examinator, hoofdbegeleider: Saralees Nadarajah, Universiteit van Manchester, VK
  • Dr. M. Weibel, 2019, PhD-examinator, hoofdbegeleider: Juri Hinz, University of Technology, Sydney, AustraliĆ«

ING Groep - Samenwerking Universiteit Twente - Universitair Hoofddocent Financiƫn en Kunstmatige Intelligentie

Ik werk samen met ING Groep, het Global Analytics-team, aan geavanceerde, kwantitatieve, datagestuurde onderzoeksprojecten die relevant zijn voor zowel de academische wereld als de industrie.

1. Toepassingen van synthetische gegevensgeneratie voor Finance

ā€¢De robuustheid van handelsstrategieĆ«n testen, portefeuilleconstructiemethoden vergelijken, het risico van een portefeuille of een strategie inschatten, alternatieve prijsstelling en hedging van opties en andere derivaten, handelssignalen genereren, afwijkingen in fundamentele gegevens detecteren, met bijzondere aandacht voor het gebruik van generatieve vijandige netwerken .

ā€¢Synthetische generator voor (arbitragevrije) vluchtigheidsoppervlakken

ā€¢Synthetische gegevensgeneratoren die verschillend privĆ© zijn, d.w.z. die geen informatie over de originele gegevens lekken en toch voldoende functies hebben

2. Onderzoek naar onderwerpen die verband houden met risicobeheer

3. Privacyverhogende technieken voor het opslaan en analyseren van vertrouwelijke gegevens

4. Federaal leren. Dit is een machine learning-techniek die een algoritme traint op meerdere servers die lokale gegevensmonsters bevatten, zonder ze uit te wisselen. Er is onderzoek nodig naar hoe dit kan worden gebruikt in Finance-toepassingen, met name die met vertrouwelijke gegevens.

5. Toepassingen van Reinforcement Learning in Finance. Bestaande toepassingen omvatten portfolio-optimalisatie en optimale uitvoering van transacties. Verder onderzoek is nodig om deze techniek uit te breiden naar andere financiƫle gebieden.

6. De waarde van innovatieprojecten in Finance. Innovatieve projecten hebben een hoog faalrisico en zijn vaak ook gericht op kostenreductie en verliesvermijding. Daarom is de impact op de P&L van het bedrijf niet meteen duidelijk. Het project moet manieren vinden om de kosten-batenverhouding te meten en een conceptuele benadering bieden.

7. Het gebruik van "meta labeling"-techniek (afgestemd op niet-HFT-strategieƫn). De aanpak bestaat uit het bouwen van een secundair ML-model dat leert hoe een primaire exog te gebruiken

Publicaties

Jump to: 2025 | 2024 | 2023 | 2022

2025

How can consumers without credit history benefit from the use of information processing and machine learning tools by financial institutions? (2025)Information processing & management, 62(2). Article 103972. van Braak, B., Osterrieder, J. R. & Machado, M. R.https://doi.org/10.1016/j.ipm.2024.103972Modeling commodity price co-movement: building on traditional time series models and exploring applications of machine learning algorithms (2025)Decisions in economics and finance. Article 109283 (E-pub ahead of print/First online). Kozian, L. L., Machado, M. R. & Osterrieder, J. R.https://doi.org/10.1007/s10203-025-00512-1Predicting retail customers' distress in the finance industry: An early warning system approach (2025)Journal of Retailing and Consumer Services, 82. Article 104101. Beltman, J., Machado, M. R. & Osterrieder, J. R.https://doi.org/10.1016/j.jretconser.2024.104101

2024

How can artificial intelligence help customer intelligence for credit portfolio management? A systematic literature review (2024)International Journal of Information Management Data Insights, 4(2). Article 100234. Amato, A., Osterrieder, J. R. & Machado, M. R.https://doi.org/10.1016/j.jjimei.2024.100234Stylized facts of metaverse non-fungible tokens (2024)Physica A, 653. Article 130103. Chan, S., Chandrashekhar, D., Almazloum, W., Zhang, Y., Lord, N., Osterrieder, J. & Chu, J.https://doi.org/10.1016/j.physa.2024.130103Leveraging network topology for credit risk assessment in P2P lending: A comparative study under the lens of machine learning (2024)Expert systems with applications, 252(Part B). Article 124100. Liu, Y., Baals, L. J., Osterrieder, J. & Hadji-Misheva, B.https://doi.org/10.1016/j.eswa.2024.124100Network centrality and credit risk: A comprehensive analysis of peer-to-peer lending dynamics (2024)Finance Research Letters, 63. Article 105308. Liu, Y., Baals, L. J., Osterrieder, J. & Hadji-Misheva, B.https://doi.org/10.1016/j.frl.2024.105308Towards a new PhD Curriculum for Digital Finance (2024)Open Research Europe, 4. Article 7. Baals, L. J., Osterrieder, J. R., Hadji-Misheva, B. & Liu, Y.https://doi.org/10.12688/openreseurope.16513.1AI 4 Crowdfunding: A hands-on roadmap to study and understand crowdfunding data using critical thinking AI (2024)[Working paper › Working paper]. Social Science Research Network (SSRN). Belbe, S., Gomez, L., Stanca, L., Wenzlaff, K., Mare, C., Elitzur, R., Bolesta, K., Huang, X., Yilmaz, G. N., Sinan Bernard, F., Osterrieder, J., Coita, I. F., Filipovska, O., Kristin Skaftadottir, H., van Teunenbroek, C., Pisoni, G. & Spaeth, S.https://doi.org/10.2139/ssrn.4941279SNSF Narrative Digital Finance: a tale of structural breaks, bubbles & market narratives (2024)[Other contribution › Other contribution]. Osterrieder, J. & Hopp, C.

2023

Modelling taxpayersā€™ behaviour based on prediction of trust using sentiment analysis (2023)Finance Research Letters, 58(Part C). Article 104549. Coita, I. F., Belbe, S. (., Mare, C. (., Osterrieder, J. & Hopp, C.https://doi.org/10.1016/j.frl.2023.104549Examining share repurchase executions: insights and synthesis from the existing literature (2023)Frontiers in Applied Mathematics and Statistics, 9. Article 1265254. Osterrieder, J. & Seigne, M.https://doi.org/10.3389/fams.2023.1265254Share buybacks: A theoretical exploration of genetic algorithms and mathematical optionality (2023)Frontiers in Artificial Intelligence, 6. Article 1276804. Osterrieder, J.https://doi.org/10.3389/frai.2023.1276804The Great Deception: A Comprehensive Study of Execution Strategies in Corporate Share Buy-Backs (2023)[Working paper › Preprint]. Seigne, M. & Osterrieder, J.Navigating the Environmental, Social, and Governance (ESG) landscape: constructing a robust and reliable scoring engine - insights into Data Source Selection, Indicator Determination, Weighting and Aggregation Techniques, and Validation Processes for Comprehensive ESG Scoring Systems (2023)Open Research Europe, 3. Article 119. Liu, Y., Osterrieder, J., Hadji Misheva, B., Koenigstein, N. & Baals, L.https://doi.org/10.12688/openreseurope.16278.1Preface (2023)In Enterprise Applications, Markets and Services in the Finance Industry: 11th International Workshop, FinanceCom 2022, Twente, The Netherlands, August 23ā€“24, 2022, Revised Selected Papers (pp. vii-viii) (Lecture notes in business information processing; Vol. 467). van Hillegersberg, J., Osterrieder, J., Rabhi, F., Abhishta, A., Marisetty, V. & Huang, X.https://doi.org/10.1007/978-3-031-31671-5Digital Finance: Reaching New Frontiers (2023)Open Research Europe, 3. Article 38. Osterrieder, J., Hadji Misheva, B. & Machado, M.https://doi.org/10.12688/openreseurope.15386.1

2022

Feature Selection via the Intervened Interpolative Decomposition and its Application in Diversifying Quantitative Strategies (2022)[Working paper › Preprint]. ArXiv.org. Lu, J. & Osterrieder, J.Editorial: Artificial intelligence in finance and industry: Highlights from 6 European COST conferences (2022)Frontiers in Artificial Intelligence, 5. Article 1007074. Henrici, A. & Osterrieder, J.https://doi.org/10.3389/frai.2022.1007074Discussion on: ā€œProgrammable money: next generation blockchain based conditional paymentsā€ by Ingo Weber and Mark Staples (2022)Digital Finance, 4(2-3), 137-138. Osterrieder, J.https://doi.org/10.1007/s42521-022-00063-9

Onderzoeksprofielen

Versterkend Leren voor Financiƫn (MSc)
Informatiesystemen voor de Financiƫle Dienstensector (MSc)
Toepassingen van Kunstmatige Intelligentie in Bedrijfsleven (MSc)
Voor studenten:

Ik heb verschillende afstudeerstages beschikbaar (MSc en BSc), in samenwerking met ING Groep, Amsterdam. Programmeerervaring vereist.
Als je geĆÆnteresseerd bent om je BSc of MSc scriptie met mij te schrijven, neem dan direct contact met mij op. Ik heb een substantieel aantal onderwerpen die geschikt zouden zijn voor een scriptie.
Algemene onderwerpen voor MSc en BSc scriptie:

Kwantitatieve Financiƫn
Kunstmatige Intelligentie en Machine Learning
Cryptocurrencies
Versterkend Leren
Andere onderwerpen mogelijk op aanvraag

Verbonden aan opleidingen

Vakken collegejaar 2024/2025

Vakken in het huidig collegejaar worden toegevoegd op het moment dat zij definitief zijn in het Osiris systeem. Daarom kan het zijn dat de lijst nog niet compleet is voor het gehele collegejaar.

Vakken collegejaar 2023/2024

Lopende projecten

Strategic Research fund within the BMS Research Theme Emerging Technologies & Societal Transformations “Digital Transformation of Finance and Society"

European Innovation Council Accelerator Pilot

Executive Agency for Small & Medium-sized Enterprises

Artificial Intelligence in Finance

COST Action Fintech and Artificial Intelligence in Finance

MSCA Industrial Doctoral Network on Digital Finance

Narrative Digital Finance: a tale of structural breaks, bubbles & market narratives

Anomaly and fraud detection in blockchain networks

Network-based credit risk models in P2P lending markets

Hybrid Approach for Robust Identification and Measurement of Investors Driving Corporate Sustainability and Innovation. Design of Policy Tools for Evaluating the Impact of Specific Investors and Assessing the Quality of Companies’ Investor Bases

Mathematics and Fintech - the next revolution in the digital transformation of the finance industry