Überspringen zu Hauptinhalt

Machine Learning, KI und Network Science: Die Trends in der Investment-Branche

Machine Learning, KI Und Network Science: Die Trends In Der Investment-Branche

Heute stehen viele Unternehmen vor der Frage wie sie mit riesigen Datenmengen umgehen sollen. In einem Interview erzählt uns Herr Dr. Papenbrock mehr über komplexe Finanztransaktionsdaten in der Investment-Branche. Zusätzlich erläutert er was unter Network Science und Network Analyses zu verstehen ist.

Dr. Jochen Papenbrock ist ein deutscher B2B-FinTech-Unternehmer (Gründer und Geschäftsführer der Firamis GmbH) für Künstliche Intelligenz (KI) und auch als Wissenschaftler und Programmierer auf diesem Gebiet involviert. Er hat einen Abschluss als Diplom-Wirtschaftsingenieur und hat am Karlsruher Institut für Technologie (KIT) über den Einsatz von KI-Methoden im Finanzwesen promoviert.

Er hat mehr als 10 Jahre Erfahrung in der Management- und Technologieberatung sowie in der quantitativen Modellierung und dem Risiko-Management in der Finanzindustrie. Bevor er Firamis gründete, arbeitete er für verschiedene Beratungsunternehmen, wobei der Fokus darauf lag, Finanzdaten mit neuen Technologien zu analysieren und Finanzdienstleister mit regulatorischen Vorgaben in Einklang zu bringen. In diesem Zusammenhang hat er mehrere innovative Finanztechnologien erfunden, weiterentwickelt und operationalisiert.

Jochen Papenbrock

Dr. Jochen Papenbrock

Neue Methoden in der Investment-Branche

Das Erfassen von Marktdynamiken ist durch große Datenmengen schwierig. Wie bewerten Sie lineare Modelle im Vergleich zu Machine Learning?

Künstliche IntelligenzDie Investment-Branche setzt sich derzeit mit neuen Methoden der künstlichen Intelligenz auseinander, um aus den riesigen Datenmengen, die uns heute zur Verfügung stehen, entscheidende Informationen für den Anlageprozess zu gewinnen. Dies sind zum Beispiel Tweet-Auswertungen, die man zur Sentiment-Prognose nutzen will oder Satellitenbilder, anhand derer man Lieferketten oder Kundenfrequenzen von Firmen analysieren will. Aber auch herkömmliche Daten wie Kurszeitreihen werden nun mit den neuen Methoden durchleuchtet, um das Zusammenwirken der Märkte und Assetklassen besser zu verstehen. Bei diesen Zeitreihenanalysen kann man nicht unbedingt von Big Data im Sinne Ihrer Datenmenge sprechen, zum Begriff Big Data gehört aber eben auch deren Komplexität und Dynamik und die steht bei der Analyse von Kurszeitreihen in Portfolios im

Finanzmarktdynamiken kann man getrost als äußerst komplexe Systeme auffassen, die Eigenschaften wie Emergenz, Selbst-Organisation und adaptive Dynamiken aufweisen, wie man sie in komplexen Systemen der Natur oft beobachtet. Es werden aber strenge Gleichgewichtsmodelle und lineare Methoden in unseren Standardtheorien im Finanzwesen verwendet. Da fragt man sich schon, wie hiermit gut funktionierende Modelle für die Praxis gebaut werden sollen. Das Machine Learning kann dabei helfen, die komplexen Finanzmarktdynamiken besser zu verstehen und diese Erkenntnisse in den Anlageprozess zu integrieren. Dies kann aber auch bedeuten, dass die Anlageprozesse transformiert und umgestellt werden müssen.

Vor- und Nachteile von Machine Learning

Digitalisierung in BankenMit dem Einsatz von Machine Learning können jedoch auch neue Probleme hinzukommen. Einige der Verfahren sind sehr intransparent und es lässt sich kaum nachvollziehen, was die Maschine genau gelernt hat und ob dies überhaupt sinnvoll ist. Es besteht die latente Gefahr des Overfitting, also quasi ein Auswendiglernen der Trainingsdaten. Sobald dem System neue Daten präsentiert werden, können daraus mitunter fehlerhafte Entscheidungen resultieren, da das System verzerrt ist. Das System hat somit nicht das zugrundliegende Konzept erfasst, sondern nur die Besonderheiten der Trainingsdaten. Hier beobachten wir das typische Bild: der Backtest sieht gut aus, aber die Performance knickt ein, sobald das Modell live geht.

Hier gibt es aber wiederum besondere Trainingsverfahren, die dies verhindern. Dabei werden die Daten in Trainings- und Testdatensätze unterteilt, so dass die gelernten Ergebnisse validiert werden können. Die Teilung der Datensätze kann nach einem bestimmten Schema erfolgen, das die Aufteilung immer wieder von Neuem vornimmt, so dass das System robuster wird gegenüber der Art der Aufteilung. Dies schafft eine höhere Generalisierungsfähigkeit der gelernten Zusammenhänge. Die Aufteilung der Daten in Training und Test verringert jedoch auch wieder das zum Lernen zur Verfügung stehende Datenmaterial. Besonders schwierig wird die Aufteilung der Daten bei Zeitreihen, denn die beinhalten eine natürliche Ordnung, die man durch Zerlegung möglicherweise zerstört. Es gibt aber Techniken, die genau dies berücksichtigen. Das Machine Learning bringt also viele Vorteile gegenüber den traditionellen Methoden – man muss aber genau wissen, was man tut.

Begriffe Network Science und Network Analysis

Was verstehen Sie unter Network Science bzw. Network Analysis? 

Das Forschungsfeld Econophysics hat uns Werkzeuge an die Hand gegeben, die man aus der Analyse natürlicher komplexer Systeme in der Biologie und Physik kennt und die auf Problemstellungen der Ökonomie und insbesondere der komplexen Marktzusammenhänge transformiert werden. Dieses Forschungsfeld ist nun schon mehrere Jahrzehnte alt und trägt langsam Früchte in der Investment-Praxis.

Die Netzwerkanalyse ist ein solches Werkzeug und sie fokussiert sich weniger auf ein einzelnes Analyseobjekt, wie z. B. einen bestimmten Markt, sondern eher auf das komplexe Zusammenwirken der Märkte („connecting the dots“).

Datengiganten wie Google machen sich diese Werkzeuge schon lange zu Eigen: Relevante Webseiten in der Suchmaschine werden im Kontext der anderen Webseiten gefunden, wenn besonders viele Verknüpfungen bestehen. In der Finanzwirtschaft entwickelt sich diese Art der Analyse gerade zur Geheimwaffe. Bei Zentralbanken wird es auch weiterhin um die Analyse gehen „too big to fail“, um systemkritische Institute zu finden. Es geht seit Lehman aber auch um „too interconnected to fail“, wobei man systemisches Risiko mit Netzwerkanalysen untersucht.

Netzwerkanalyse in Banken

Banken haben Unmengen an Daten über Risiken, Märkte und Kunden, die man auf ähnliche Weise mit der Netzwerkanalyse untersuchen kann. Dazu zählen Ansteckungseffekte im Kreditbuch oder komplexe Betrugsmuster. Auch Finanzmärkte sind in komplexen Strukturen miteinander verwoben und diese legt man am besten mit der Netzwerkanalytik offen. Dabei kommt man mit relativ wenig restriktiven oder potenziell fehlerhaften Annahmen aus. Es geht um eine datenbasierte Landkarte der Finanzmarktdynamiken. Diese Karten ändern sich im Zeitablauf und beschreiben die Veränderung der Marktzusammenhänge. Dies lässt sich hervorragend mit Machine Learning Methoden kombinieren, um zu ganz neuartigen Prognosen zu gelangen. Damit werden Workflows ermöglicht, die endlich der Komplexität der Marktdynamik zumindest annähernd Rechnung tragen. Zudem lassen sich alle verwendeten Netzwerkdynamiken anschaulich visualisieren. Damit kann der Entscheider, Kunde oder Regulator intuitiv verstehen, was die Maschine dort eigentlich lernt und ob dies sinnvoll ist.

Potential von KI-Modellen

Wie können mithilfe von KI bessere Anlageentscheidungen getroffen werden?

Der Einsatz von KI in der Anlageentscheidung ist nur mit großer Vorsicht und mit viel Fachwissen über die Funktionsweise nützlich. KI ist heute jedem in Form von Open Source Code zugänglich. Jeder kann sich ein paar Tools runterladen und behaupten, dass die Anlageentscheidung mithilfe von KI getroffen wird und deshalb besonders toll ist. Aber das Potenzial von KI für bessere Anlageentscheidungen ist gleichzeitig enorm. Endlich sind wir in der Lage mit weniger Annahmen und zweifelhaften Modell-Korsetten auszukommen und stattdessen die Daten sprechen lassen. Der Computer hilft uns dabei, unsere weit über hundert menschlichen Defizite in der Informationsverarbeitung (Bias) und robuste, intelligente Entscheidungen zu überwinden sowie Entscheidungen zu treffen.

Wir sind jedoch erst am Anfang dieser Entwicklung. Zudem sind unsere heutigen KI-Methoden immer noch recht einfach und wir stehen alle erst am Anfang der Entwicklung. Von der „Financial Singularity“ (der Computer versteht die Märkte komplett) sind wir noch weit weg und es gibt verschiedene Gründe, warum sie wohl nie eintreten wird. Risiken bilden sich auch, wenn viele Akteure ähnliche Modelle verwenden, wodurch gefährliche Gleichschaltungseffekte auftreten. Monokultur hat noch nie gut getan – ob in der Natur oder an den Finanzmärkten.

Eines steht fest: Banken müssen umdenken!

Keine andere Branche ist solchen massiven Veränderungen ausgesetzt wie die Finanzbranche. Bleiben Sie in dieser bewegten Zeit up-to-date und treffen Sie auf der Konferenz Zukunft Banken wichtige Akteure und Gestalter der zukünftigen Bankenwelt.
KI in der Finanzbranche

Rückblick: Künstliche Intelligenz in der Finanzbranche

Die Finanzbranche befindet sich im Umbruch und hat mit der Künstlichen Intelligenz ein neues Anwendungsfeld im Bereich der digitalen Transformation geschaffen. Welche Methoden können bei der Optimierung von Geschäftsprozessen helfen? Und was kommt in den kommenden Jahren noch auf die Branche zu?
Jetzt kostenlos herunterladen!

Martina Große Bley

Ich bin bei Management Circle Teamleiterin für das Content Marketing und unter anderem für die Themen-Blogs Soft Skills, Projektmanagement und Handel verantwortlich. Mit abwechslungsreichen Artikeln, Interviews und Gastbeiträgen unserer Referenten informiere ich Sie über die neusten Entwicklungen und gebe Ihnen Tipps, um die eigenen Kompetenzen verbessern zu können. Ich freue mich auf den Wissensaustausch mit Ihnen!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

An den Anfang scrollen

Künstliche Intelligenz in der Finanzbranche - wie gelingt das?

Die Finanzbranche befindet sich im Umbruch und hat mit der Künstlichen Intelligenz ein neues Anwendungsfeld im Bereich der digitalen Transformation geschaffen. Wie können Sie Ihre Geschäftsprozesse optimieren?

Jetzt herunterladen!

Download: Künstliche Intelligenz in der Finanzbranche - wie gelingt das?

Künstliche Intelligenz: Mythen, Daten & Fakten

Welche KI-Mythen sind wahr? Lernen Sie beim Lesen oder Filmeschauen die neusten Debatten zur Künstlichen Intelligenz kennen und erweitern Sie Ihren Horizont!

Jetzt mehr erfahren!

Download: KI kann auch unterhaltsam sein!