KI in der Finanzbranche

Seitdem ChatGPT nahezu in aller Munde ist, gibt es kaum mehr einen Sektor, der zukünftig nicht vom Einsatz Künstlicher Intelligenz (KI) profitieren könnte. Laut einer Studie des Forschungsinstituts IW Consult könnte die Bruttowertschöpfung alleine im verarbeitenden Gewerbe in Deutschland um bis zu 7,8% erhöht werden (entspricht etwa 56 Mrd. EUR). Der Hype um KI und alles, was damit verbunden ist, hat offenbar erhebliches Potential, um für die nächsten Generationen komplett neue Techniklandschaften entstehen zu lassen.

So kommt der KI auch im Finanzwesen eine enorme Bedeutung zu – die Einsatzbereiche hier sind vielfältig: maßgeschneiderte Datenanalyse, Prognosen, Risikomanagement, individueller Kundenservice, Anlagemanagement mit innovativen Produkten und Dienstleistungen sowie Prävention von Betrug und Geldwäsche sind nur einige Bereiche, in denen KI revolutionär im Finanzwesen einwirken soll. Derzeit planen etwa 80% der Finanzinstitute KI innerhalb der nächsten ein bis zwei Jahre zur Verbesserung des Kundenservice einzusetzen. Allerdings setzt weniger als die Hälfte KI momentan in diesem Bereich überhaupt ein. Noch geringer ist die derzeitige Verbreitung von KI, z.B. im Risikomanagement, was sicherlich auch großen Herausforderungen hinsichtlich regulatorischer Rahmenbedingungen geschuldet ist.

Im Bereich Handel und Anlageberatung wird dem Einsatz von Algorithmen und Maschinellem Lernen (ML) ebenfalls hohe Bedeutung beigemessen. Der Einsatz von Handelsalgorithmen kann Unmengen an historischen Datenreihen auswerten und beispielhaft hieraus Markttrends ableiten.

„Die zweite Kerze umhüllt nicht nur den Körper der ersten Kerze, sondern die gesamte Kerze“.

Dies ist nicht die interne Beschreibung des Produktionsablaufes einer Kerzenmanufaktur, sondern die technische Definition von der „Engulfing Pattern Strategy“ – einer Trading Handelsstrategie. Diese Art und Weise der Mustererkennung durch „Machine Learning“ Anwendungen gibt es bereits schon seit langer Zeit, weit vor ChatGPT.

Die neuartige Vorgehensweise beim Maschinellen Lernen hingegen besteht darin, dass Computersysteme nun selbstständig und bestens strukturiert auf die Suche nach Mustern in großen Mengen an Datensätzen gehen, diese umfangreich auswerten und darauf aufbauend zielgerichtete und zukunftsweisende (Anlage-) Entscheidungen vorschlagen. Die Maschine kann sich dabei an vorgegebenen Kriterien, den Instruktionen des Datenhaushaltes und Beschaffenheit der Daten orientieren. Am Beispiel eines Roboters wird ihm lediglich die Aufgabe zugetragen, Objekte von A nach B zu bringen. Die ideale Technik aber, wie er die Objekte zu greifen hat, eignet er sich durch wiederkehrendes Erproben selbst an – so das geplante theoretische Modell.

ML im Bereich von Trading und Portfolio-Optimierung überwacht die Finanzmärkte in Echtzeit mit der finalen Konsequenz, zukünftige Preisentwicklungen vorherzusagen, Handelssignale unter Gesichtspunkten von Risikoprofil und Ertragsanspruch zu generieren und somit Portfolien effizienter aufzustellen.

Zu Beginn einer solchen Analyse gilt es, umfangreiche Dateninformationen zu sammeln, die aus unterschiedlichsten Quellen (nicht nur aus Unternehmens- und Finanzmarktkennzahlen) und Bereichen (z.B. Textfassungen, Zahlenwerk, Präsentationen, Videos) stammen. Mit Hilfe von ML sollen die Daten so analysiert und Muster erkannt werden, dass hier Zusammenhänge sichtbar werden. Weiter könnte die Anleitung im Findungsprozess so ausschauen, dass auch der Faktor Mensch als Art „Stratege“ erweiternd eine Rolle einnimmt. Als solcher gilt es Aufgaben und Aktionen zu beschreiben, nach denen die Muster analysiert werden sollen (Stichwort „Robo-Advisor“). Es können hierbei z.B. Thesen bei den zu identifizierenden Mustern hinsichtlich ökonomischer Vorgänge aufgestellt werden. Somit ließe sich das Auftreten vom Faktor „Zufall“ bzw. nicht vorhandener kausaler Zusammenhänge minimieren.

Andererseits klingt auch der Ansatz plausibel, den Menschen als Input-Geber in erster Linie außen vor zu lassen. Losgelöst von der klassischen Kapitalmarkttheorie nach Markowitz und anderer bekannter Ansätze können die Computersysteme durchaus ernstzunehmende Abhängigkeiten und Korrelationen entdecken, die aufgrund der hohen Komplexität ggf. vom Menschen bislang überhaupt nicht berücksichtigt wurden.

Ungeachtet, ob nur Mensch oder nur Maschine am Werk sind – in beiden Fällen kann es bei Fehlinterpretationen von Daten und vermeintlichen Zusammenhängen zu systemischen Risiken kommen, wenn sich etwa selbstverstärkende Prozesse und Annahmen in Gang setzen. Und wer entscheidet dann, ob das Ganze in eine Sackgasse führt?

Gerade die Geldanlage ist geprägt von Vertrauen und zwar zwischen den Anlegern und unterschiedlichen Instituten. Bestenfalls gilt es für beide, die zweifelsfrei vorhandenen Vorteile beim Einsatz von KI zu erkennen, ebenso aber auch die Grenzen und mitunter Scheinsicherheiten, denen zum jetzigen Stand auch KI-Systeme ausgesetzt sind. Sicherlich wird man einen Pfad hochtechnisierter Weiterentwicklung im Bereich der künstlichen Anwendungsbereiche beschreiten, aber auch dort wird es Ertragsgenerierung nach gelieferten Investitionsideen nicht ohne jegliches Risiko geben. Das Einverständnis und die Bereitschaft hierfür müssen erstmal weiterhin noch von einem Individuum erteilt werden.

Autor: Christian Panosch – Senior Consultant taktisches Treasury (christian.panosch@kcrisk.de; 0911-235556-48)