Künstliche Intelligenz: Anwendungsfälle in der Finanzwelt

von Prof. Dr. Martin Vogt, Inhaber der Professur für Business Intelligence, insbesondere Advanced Analytics an der Hochschule Trier, Berater und Independent Director.

Das Thema Künstliche Intelligenz beherrscht momentan die Schlagzeilen der Zeitungen. Auf der einen Seite steht dabei die Faszination gegenüber den neuen Möglichkeiten und auf der anderen Seite die Angst etwa vor Arbeitslosigkeit oder Überwachung. Der Titel der Süddeutschen Zeitung Online (08. Juli 2019) „Künstliche Intelligenz: Entlasten oder Entlassen?“ fasst diesen Tenor sehr gut zusammen. Obwohl viel über Künstliche Intelligenz geschrieben wird, bleiben die Hintergründe der neuen Technik oft im Dunklen.

Was ist Künstliche Intelligenz?

Die luxemburgische Finanzaufsichtsbehörde CSSF (Commission de Surveillance du Secteur Financier) definiert Künstliche Intelligenz in ihrem White Paper „Artificial Intelligence: Opportunities, Risks and Recommendations for the Financial Sector“ im Einklang mit dem Financial Stability Board: “The theory and development of computer systems able to perform tasks that traditionally have required human intelligence.” Die Grundidee Künstlicher Intelligenz nach dieser Definition ist also, die Intelligenz der Menschen mit Hilfe von Computern nachzubauen. Darunter werden etwa die folgenden Fähigkeiten verstanden (siehe Tabelle):

Bei der Einteilung der Künstlichen Intelligenz gibt es im Wesentlichen zwei große Bereiche: Machine Learning und Symbolic Learning. Symbolic Learning basiert auf einer formalen Beschreibung, etwa mit Hilfe von Formeln. So könnte ein Roboter die Programmierung erhalten, bei einem Hindernis umzudrehen. Im Unterschied hierzu verwendet Machine Learning große Datenmengen, um zu lernen. So können einige Tausend Kreditkartenrechnungen dabei helfen, ein Modell zu trainieren, um Unregelmäßigkeiten wie Betrug zu erkennen.

Wo kann Künstliche Intelligenz verwendet werden?

Es gibt zahlreiche Anwendungsfälle für Künstliche Intelligenz in der Finanzwelt. Die CSSF erwähnt einige davon in ihrem White Paper (siehe Tabelle).

Fallbeispiel: Twitter und Hauck & Aufhäuser

Im Folgenden wird exemplarisch skizziert, wie die Tweets von Hauck & Aufhäuser (Twitter-Account @Privatbank1796) analysiert werden können. Twitter bietet eine Schnittstelle, über die Daten heruntergeladen und analysiert werden können. Neben dem Text der Tweets beinhalten die Daten zahlreiche weitere Informationen, wie das Datum der Erstellung oder den Standort des Twitter-Nutzers. Für das Fallbeispiel wurden am 03.12.2019 alle 2464 Tweets des Accounts @Privatbank1796 der Hauck & Aufhäuser heruntergeladen und aufbereitet.

Anschließend wurden die Wortkorrelationen gebildet. Aus der Abbildung ist zu erkennen, dass etwa das Wort „schwächer“ häufig im Zusammenhang mit „Börsen“ und den „USA“ verwendet wurde.

Abb.: Wortzusammenhänge der Hauck & Aufhäuser Tweets

Solche Analysen können im Rahmen des Vertriebs dazu dienen, das eigene Produkt besser einschätzen zu können, Wettbewerber zu analysieren oder Reputationsrisiken zu erkennen und angemessen darauf zu reagieren. Zusätzlich können zahlreiche weitere tiefergehende Analysen durchgeführt werden, etwa über die Struktur der Follower oder die verwendeten Sentimente (Emotionen).

Der Text stammt von FondsTrends – Die Zukunft des Fondsgeschäftes, veröffentlicht am 10. Dezember 2019.


Prof. Dr. Martin Vogt

Prof. Dr. Martin Vogt ist Inhaber der Professur für Business Intelligence, insbesondere Advanced Analytics an der Hochschule Trier, Berater und Independent Director. In diesen Rollen untersucht er insbesondere die Themen Machine Learning und Data Science sowie deren Anwendungen in der (Finanz-)Wirtschaft. Zuvor war er viele Jahre in leitenden Funktionen in der Finanzbranche tätig. Prof. Vogt ist Certified Financial Risk Manager (FRM), Diplom-Mathematiker und hält einen Doktor in Statistik.