Die Grundidee künstlicher neuronaler Netze (KNN) ist die Simulation des menschlichen Gehirns. Wie das Gehirn, bestehen KNNs aus Neuronen, die über Synapsen miteinander verbunden sind. Stark vereinfacht gesagt werden dem Computer dazu in einer Art Trainingsphase zunächst verschiedene Inputfaktoren, wie z.B. historische Daten und Handlungsoptionen sowie die entsprechenden Ergebnisse vorgegeben. Das neuronale Netz hat nun die Aufgabe, selbstständig einen Algorithmus zu entwickeln, durch den der Input möglichst exakt in die Ausgangsdaten (Output) überführt werden kann. Anfangs wird der künstlich erstellte Lösungsweg noch stark von der letztendlich gesuchten Formel abweichen. An die Neuronen wird ein Fehlsignal gesendet und die Stärke ihrer Verbindungen (Synapsenstärke) wird angepasst. Auf diese Weise kann die Fehleramplitude zwischen den künstlich erstellten und den vorgegebenen Ergebnissen immer weiter minimiert werden. Am Ende ist die Abweichung so gering, dass die Trainingsphase des künstlichen neuronalen Netzes abgeschlossen werden kann.
In einem zweiten Schritt werden aus den unzähligen gefundenen Formeln dann diejenigen ausgewählt, mit denen sich hinsichtlich der gewünschten Ziele in der Vergangenheit die besten Ergebnisse hätten erzielen lassen. Dieser Prozess ist niemals abgeschlossen, sondern es können mit Hilfe des antrainierten neuronalen Netzes nun immer neue Formeln und Regelwerke erstellt werden.
Finanzdienstleistungen als prädestiniertes Einsatzgebiet
Aus verschiedenen Gründen ist die Finanzdienstleistungsbranche für den Einsatz künstlicher Intelligenz besonders geeignet und auch empfänglich. So führten Veränderungen, beispielsweise auf der Zinsseite sowie im regulativen Bereich, zu einem disruptiven Umbruch innerhalb der Branche. Gleichzeitig hat der Wettbewerbsdruck durch junge innovative Finanztechnologieunternehmen, welche auf die veränderten Kundenerwartungen mit einer höheren Flexibilität als klassische Kreditinstitute reagieren können, stark zugenommen. Auf der anderen Seite basiert die Wertschöpfungskette von Kreditinstituten in hohem Maße auf zahlengestützten Prozessen, welche bereits seit vielen Jahren technologisiert ablaufen und eine Vielzahl von Daten zur Verfügung stellen. Zudem lassen sich gewinnbringende und verlustbehaftete Geschäfte anhand vordefinierter kritischer Erfolgsfaktoren (sog. Key Performance Indicators) differenzieren und entsprechende Zukunftsprognosen erstellen.
Für Banken und andere Finanzdienstleister ergeben sich durch die Entwicklung technologischer Anwendungen die auf künstlicher Intelligenz beruhen, weitreichende Möglichkeiten, ihre Effizienz zu steigern, Kosten einzusparen und auch in Zeiten enormen Margendrucks Wachstumspotenziale zu nutzen. Beispiele hierfür lassen sich diverse finden. So können Privatkunden, die einen Kredit benötigen, ihre Dokumente inzwischen über die Webseite der anbietenden Bank hochladen und sich mit Hilfe des Video-Identifikationsverfahrens ausweisen. Sekundenschnell erfolgt dann anschließend die Auswertung der Kreditunterlagen sowie die Zu- oder Absage an den Kunden.
Seit Lancierung des AI Libero Ende 2017 ist es sehr vereinfacht gesagt nun die Aufgabe des Computers bzw. des zugrundeliegenden Programms, die Volatilität und die Preise der an der Eurex gehandelten Verkaufsoptionen auf den Euro Stoxx 50 mit denen der Vergangenheit zu vergleichen und bestimmte Muster zu identifizieren. Auf die erkannten Muster werden dann die mittels künstlicher Intelligenz optimierten Investitionsregeln angewendet und auf diese Weise die verschiedenen Fondsparameter gesteuert. Dazu zählen insbesondere der Investitionsgrad des Fonds sowie die Strike-Preise der verkauften Put-Optionen und ihre Laufzeiten. Dabei werden die jeweils erzielten Anlageergebnisse übrigens wiederum dazu verwendet, das Regelwerk weiter zu optimieren.
Autor: Stefan Wallrich, Vorstand Wallrich Asset Management AG
Foto: © Wallrich Asset Management
