Künstliche Intelligenz – die Finanzbranche ist beim Thema AI sehr spät dran


Bei Thema AI (Künstliche Intelligenz) ist die Finanzbranche im Vergleich zu den Webgiganten sehr spät dran. Die Finanzindustrie sitzt derzeit auf einem riesen Berg vernetzter Finanzdaten, die systematische Analyse wird jedoch gerade erst begonnen. Dr. Jochen Papenbrock, CEO bei Firamis, erklärt in diesem Interview die Hauptanwendungsgebiete und Nutzen von AI in der Finanzbranche.

Banken-Technologie 2017 – jetzt anmelden!

Dr. Papenbrock, Sie sprechen im Rahmen des AI-Workshops auf der Handelsblatt-Jahrestagung Banken-Technologie u.a. über Maschinelle Intelligenz zur Verarbeitung komplexer Finanzdaten. Was hat es damit auf sich?

Viele Finanzdaten reflektieren die digitalen Interaktionen an Märkten oder auf Transaktions-Plattformen sowie innerhalb von Kundenportfolios, z.B. im Investment- oder Kreditbereich. Diese Daten sind hochkomplex, denn sie beinhalten das Zusammenwirken und die Verbindungen der einzelnen Datenpunkte. Daraus ergeben sich Dynamiken und Organisationsprinzipien, die sehr aufschlussreich sind. Im Wissenschaftssektor sowie in anderen Branchen werden schon seit Jahren erfolgreich Methoden verwendet, um ähnliche Komplexität in den Daten zu entschlüsseln. Die Rede ist von Graph Theorie, Netzwerkanalyse Clustering und verwandter Maschineller Intelligenz. Diese Methoden entdecken vernetzte (Verhaltens-)Muster, Formen und Strukturen, die das Verhalten ganzer Systeme bestimmen und daher höchst relevant sind. Webgiganten wie Google, Apple, Amazon und Facebook nutzen heute gigantische, hochperformante Analysesysteme, um die Netzwerkbeziehungen in ihren Daten zu verstehen. Die Google-Suchmaschine etwa beruht auf einem solchen Netzwerkansatz zum Auffinden relevanter Dokumente. Die Finanzindustrie sitzt derzeit auf einem riesen Berg ähnlich vernetzter Finanzdaten, die systematische Analyse wird gedoch gerade erst begonnen im Rahmen der AI-, Big Data- und Digitalisierungsinitiativen. Die Branche ist im Vergleich sehr spät dran. Eine tiefere Auseinandersetzung mit dieser Technologie ist allein deshalb schon indiziert, um Non-Financial-Service-Industrien aus dem Technologiebereich am Eindringen in die Finanzbranche zu hindern. Dazu muss man aber erstmal „mit deren Waffen kämpfen lernen“. Unsere Beobachtung ist, dass sich die Finanzbranche derzeit noch sehr schwer tut mit neuer bahnbrechender Hochtechnologie.

Wo sehen Sie derzeit die Hauptanwendungsgebiete dieser neuen Technologie?

Bei Banken sehe ich großes Potenzial im Bereich des Risikomanagement und der Fraud Detection/Prevention. Compliance-Richtlinien und Regulierungsvorgaben können mit diesen Technologien adressiert werden im Rahmen von RegTech-Lösungen. Nehmen wir z.B. den Zahlungsverkehr einer Großbank. Die systematische Netzwerkanalyse auf dem gesamten Transaktionsnetzwerk fördert Anomalien, Ausreisser und Besonderheiten zu Tage, die klar auf kriminelle Handlungen wie Betrug und Geldwäsche hindeuten. Alle herkömmlichen Methoden versagen hier, denn sie haben keine Kenntnis über die vernetzte Organisation von Betrug. Ähnlich sieht es im Bereich Cybercrime/Malware sowie Blockchain aus.
Auch im Investmentbereich haben wir es mit vernetzten Daten zu tun. Insiderhandel etwa erfolgt oft über Netzwerke. Nachhaltigkeitskriterien im Bereich ESG-Investments können mit der Netzwerkanalyse überprüft werden. Im Bereich Asset- und Wealth-Management haben wir es mit Kurszeitreihen an den internationalen Finanzmärkten zu tun. Auch hier gibt es Vernetzungsmuster, die die Diversifikation von Anlageportfolios stark beeinflussen. Hier gibt es bereits eine wissenschaftlich fundierte, datengetriebene Diversifikation: die Rede ist von Markowitz „moderner Portfoliotheorie“ aus den 1960ern. Diese kann jedoch per Design keine Vernetzungsmuster erkennen. Es ist höchste Zeit, moderne AI-Methoden hierfür zum Einsatz zu bringen.

Derzeit wird viel über den Nutzen von Deep Learning diskutiert. Was halten Sie davon?

Wir erleben derzeit eine echte Revolution. Es gab ja schon in den letzten Jahrzehnten mehrere Anläufe, aber diesmal haben wir den echten Durchbruch, denn es kommen nun alle notwendigen Zutaten zusammen: unzählige Daten sowie Maschinen und AI-Algorithmen, die diese prozessieren können. Entsprechende Stichworte sind High-Performance Computing, Parallel (GPU-)Computing und In-Memory-Technologien. Das Deep Learning, also mehrschichtige Neuronale Netzwerkarchitekturen, sind dabei Schlüsseltechnologien, insbesondere wenn es um die Verarbeitung von Text, Sprache und Bildern in quasi Echtzeit geht. Dies ist jedoch nur ein Teilausschnitt der Daten, die in der Finanzindustrie mit AI-Ansätzen verarbeitet werden können. Ein großer Bereich sind die vernetzten, komplexen Daten, die oben angesprochen wurden. Diese sind eher mit Netzwerkanalysen und ähnlichen Methoden zugänglich zumal sie auch immer die Möglichkeit der Visualisierung bieten, um dem Nutzer ein besseres Verständnis der Daten zu ermöglichen und die Komplexität zu reduzieren. Die Netzwerkanalyseansätze lassen sich aber mit Verfahren des Deep Learning geschickt kombinieren. So entstehen ganz neue Möglichkeiten des überwachten und unüberwachten Lernens.

Banken-Technologie 2017 – jetzt anmelden!

Über Dr. Jochen Papenbrock

AI Jochen PapenbrockDr. Jochen Papenbrock ist ein FinTech-Unternehmer und FinTech-Ecosystem-Shaper mit Fokus auf Data Science, AI und quantitativer Modellierung von komplexen Finanzdaten. Er ist CEO der Firma Firamis, die InvestTech, WealthTech, RiskTech und RegTech Lösungen auf Basis einer proprietären AI-Software-Plattform anbietet. Zu den Kunden zählen Asset Manager, Banken und Versicherungskonzerne. Er studierte/promovierte am KIT, wo die wissenschaftliche Fundierung der Ansätze erfolgte.
Twitter: @FiramisCompany