Portfolio · 2026
Projekt · Regulatorische Automatisierung

CI/CD-Pipeline für ein
Monte-Carlo-VaR-Modell

Automatisierte Deployment-Pipeline für ein regulatorisches Python-Risikomodell im Risk-Controlling-Umfeld — von manuellen 2 Stunden auf 15 Minuten, mit vollständiger Audit-Nachvollziehbarkeit gemäß BaFin-Anforderungen.

gitlab-ci · monte-carlo-var · pipeline #latest
LIVE
branch: main  ·  commit: ce88b77  ·  runner: shell-runner-var  ·  dauer: ~32s
✓
test
pytest · 4 passed
✓
deploy-staging
VaR-Modell ausgeführt
▶
deploy-prod
manuelle Freigabe
$ python3 -m pytest tests/ -v
PASSED tests/test_backtest.py::test_backtest_basic
PASSED tests/test_methods.py::test_monte_carlo_var
PASSED tests/test_risk.py::test_var_positive
PASSED tests/test_simulation.py::test_simulation_shape
$ mcvar --config data/sample_portfolio.json
→ Monte-Carlo-Simulation: 10.000 Szenarien · 99% VaR berechnet
→ Report gespeichert: outputs/report.html
deploy-staging abgeschlossen · deploy-prod wartet auf manuelle Freigabe
↗ GitLab-Pipeline ansehen ↗ VaR-Bericht öffnen
Ausgangssituation

Manuelles Deployment per SSH — 2 Stunden pro Update, keine Versionskontrolle. Ein Versionskonflikt führte zu inkonsistenten VaR-Zahlen zwischen Test- und Produktivumgebung, was im Model-Validation-Prozess auffiel.

Lösung

GitLab CI/CD mit Shell-Runner auf einer internen VM. Automatisierte Tests, Staging-Deployment und manuell freigegebenes Produktiv-Deployment. PyPI-Pakete über lokales Mirror-Verzeichnis im geschlossenen Intranet.

Ergebnis

Deployment-Zeit von 2 Stunden auf 15 Minuten reduziert. Jedes Deployment mit Timestamp, Committer und Commit-Hash protokolliert — erfüllt BaFin-Anforderungen an Modell-Änderungsdokumentation.

Kontext

IT-Abteilung einer Bank-Filiale

GitLab CE
GitLab Runner
Shell Executor
Python 3.12
pytest
Monte Carlo VaR
NumPy · SciPy
PyPI Mirror
Ubuntu 22.04
BaFin Compliance