Kürzlich sprachen Dr. Hugo Bowne-Anderson (DataCamp) und Dr. Yves Hilpisch (The Python Quants) darüber, wie sich KI im Finanzbereich einsetzen lässt, wie sie sich von klassischen Ansätzen unterscheidet und warum Data Scientists heute Schlüsselfiguren in den Finanzmärkten sind. Außerdem ging es um Unsicherheit und Risiko – und darum, wie hilfreich KI und Machine Learning in Marktcrashs, bei Black-Swan-Ereignissen und in volatilen Phasen sein können. Sieh dir das Webinar on-demand an oder lies hier die wichtigsten Erkenntnisse.
Was ist KI und welche Folgen hat sie?
Yves definiert Künstliche Intelligenz als das gesamte Spektrum an Disziplinen, die versuchen, menschliche Fähigkeiten nachzubilden und zu übertreffen. So versucht KI im Schach, besser als Menschen zu spielen, und KI in der Finanzwelt kann bedeuten, Bots zu entwickeln und zu trainieren, die besser handeln als Menschen.
"KI ist dort, wo Software etwas erreicht, das wir als intelligenten Akt ansehen. Und Intelligenz lässt sich als die Fähigkeit definieren, ein bestimmtes Ziel zu erreichen." —Dr. Yves Hilpisch
Maschinen können die wissenschaftliche Methode deutlich effizienter anwenden als Menschen. Sie werten Daten aus und erkennen reale Präferenzen, indem sie beobachten, was Menschen tatsächlich tun. Daraus leiten sie Erkenntnisse ab. Sie nutzen Millionen von Datenpunkten, um diese Einsichten zu formen – und sind damit oft weitaus präziser als theoretische Modelle.
Was genau ist die wissenschaftliche Methode?
"Du setzt ein Experiment auf, sammelst Daten und versuchst dann, eine Hypothese zu stützen – oder findest vielleicht Daten, die ihr widersprechen. Im nächsten Schritt passt du deine Hypothese oder Annahmen an oder verwirfst sie ganz. Diesen Prozess kann eine Maschine millionenfach in Sekunden replizieren." —Dr. Yves Hilpisch
KI hat in den letzten 20 Jahren einen massiven Wettbewerbsvorteil gebracht
KI verfolgt im Finanzbereich dasselbe Ziel wie in anderen Feldern: einen Wettbewerbsvorteil zu schaffen. Ihren Anfang nahm sie in den 1950ern, als Markowitz mit dem ersten quantitativen Finanzmodell voranging. Es war das erste Modell der Varianzportfoliotheorie, das breite Akzeptanz fand. Bis heute werden damit Billionen verwaltet. Allerdings handelt es sich um eine normative Theorie, die verschiedene mögliche Wertpapierportfolios analysiert – sie ist nicht präskriptiv, weil sie keinen konkreten Handlungsplan vorgibt. Sie basiert also nicht auf Daten im engeren Sinne, sondern eher auf Verhaltens- oder Marktdaten.
In den vergangenen 20 Jahren sind Daten so verfügbar wie nie zuvor – entscheidend ist der richtige Einsatz. Gregory Zuckermans The Man Who Solved the Market beschreibt, wie der Hedgefonds Renaissance Technologies beim Datensammeln für finanzielle Vorteile vorangegangen ist. Heute hat nahezu jede Branche diese Strategie übernommen: mathematische Modelle entwickeln, Daten auswerten – und dadurch bessere Entscheidungen treffen.
Moderne Use Cases und Best Practices für Quant-Finance
Die Rolle der KI an den Finanzmärkten hat sich rasant entwickelt. Mit den heute verfügbaren Datenbergen können etwa Supervised-Learning-Modelle das Verhalten von Kreditgebern oder Konsumenten mit hoher Genauigkeit vorhersagen. Im algorithmischen Handel kommt zudem Reinforcement Learning zum Einsatz, das Handelsbots je nach Gewinn oder Verlust belohnt oder bestraft.
"Wir verfügen heute über Millionen und Abermillionen an Datenpunkten, mit denen wir das Verhalten von Menschen analysieren können. Und mit den neuen Technologien sind Banken und Institutionen wie Fintech-Startups zehn-, hundertmal besser darin, Konsumenten- oder Kreditverhalten vorherzusagen als jede Theorie, die je von Finanzprofessoren entwickelt wurde." —Dr. Yves Hilpisch
In Zeiten hoher Marktvolatilität zeigt sich jedoch klar: KI im Finanzbereich braucht Sicherheitsmechanismen. Supervised Learning stützt sich auf historische Daten und unterstellt, dass die Vergangenheit die Zukunft abbildet. Diese Logik greift in volatilen Märkten zu kurz. Daher brauchst du Regeln, die schlechte Handelsentscheidungen verhindern – etwa Stop-Loss-Orders, die einen Kurs festlegen, zu dem ein Wertpapier oder Rohstoff verkauft wird. So lassen sich Verluste begrenzen, ähnlich wie Sicherheitsmechanismen bei selbstfahrenden Autos verhindern, dass sie auf dem Gehweg Fußgänger gefährden. KI ist hilfreich, um Risiken aus aktuellen Ereignissen und deren Marktauswirkungen zu reduzieren. Bei Black-Swan-Ereignissen müssen Supervised-Learning-Strategien eng überwacht werden, und Reinforcement Learning kann Modelle an neue Marktbedingungen anpassen. Menschliches Eingreifen und sorgfältiges Monitoring produktiver Algorithmen bleiben auf absehbare Zeit unverzichtbar.
Der Bedarf an einfachen, reproduzierbaren, skalierbaren Tools
In der Computational Finance verfolgt die Monte-Carlo-Simulation einen vorausschauenden Ansatz: Sie startet zu einem Zeitpunkt und simuliert die Zukunft. Python ist dafür ein hervorragendes Werkzeug. Der heutige Python-Data-Stack ist ein Set interoperabler Pakete, mit denen du Daten einliest, mit pandas transformierst, statistische Modelle erstellst und Machine-Learning-Algorithmen entwickelst. Python ermöglicht all das im großen Maßstab. Algorithmischer Handel ist heute ohne das richtige Tooling kaum denkbar. Und wer in diesem Bereich arbeiten will, braucht entsprechende Tool-Kompetenz – vor allem in Python und R. Das Python-Paket pandas und Frameworks wie TensorFlow und Keras haben vielen ermöglicht, was früher undenkbar war.
Hürden abbauen
Diese Tools zu beherrschen ist eine große Investition – und mehr Unternehmen und Einzelpersonen tätigen sie denn je. Bildungsangebote wie DataCamp und The Python Quants demokratisieren das Lernen. Lernende machen sich mit Data-Science- und Machine-Learning-Konzepten vertraut und entwickeln eigenständig Algorithmen in einer Coding-Umgebung. Außerdem lernen sie, wie man eine geeignete Umgebung und Toolchain auf dem Server einrichtet – und sind so in der Lage, Algorithmen in der Cloud zu deployen.
