Aufrufe
vor 10 Monaten

RISIKO MANAGER 03.2019

  • Text
  • Risiikomanager
  • Rabbi
  • Teilen
  • Talmud
  • Konzept
  • Diversifizierung
  • Ventures
  • Antoratur
  • Diversifizierte
  • Barreserven
  • Klassischen
RISIKO MANAGER ist das führende Medium für alle Experten des Financial Risk Managements in Banken, Sparkassen und Versicherungen. Mit Themen aus den Bereichen Kreditrisiko, Marktrisiko, OpRisk, ERM und Regulierung vermittelt RISIKO MANAGER seinen Lesern hochkarätige Einschätzungen und umfassendes Wissen für fortschrittliches Risikomanagement.

26

26 RISIKO MANAGER 03|2019 Abb. 03 Besitzt einen Fond nein nein nein nein nein nein nein Einsatz von KI im Provisionsgeschäft Fondsaffinität fristig erfolgreicher gegenüber ihren Mitbewerbern agieren. Auch hat sich mittlerweile ein eigenständiger Begriff – Financial Artificial Intelligence (FAI) – etabliert. FAI ist im Grunde nichts Anderes als die Übersetzung von bankbetriebswirtschaftlichen Fragestellungen in datengetriebene Fragestellungen. Dies ermöglicht nicht nur die Erweiterung bestehender Geschäftsmodelle, sondern begünstigt auch die Entstehung neuer Geschäftsmodelle. Artificial Intelligence grenzt sich zu klassischen regelbasierten Ansätzen ab ( Abb. 01). Während bei regelbasierten Ansätzen sämtliche Varianten einer zu automatisierenden Aufgabenstellung vorab (ex ante) programmiert werden, lernt die künstliche Intelligenz in Form eines Machine-Learning-Verfahrens induktiv durch Trainingsdaten [Vgl. BaFin 2018b, S. 19]. Dies hat eine gewisse Analogie zum menschlichen Lernen. Zwei weitere interessante Studien zu Big Data und künstlicher Intelligenz wurden vom Fraunhofer Institut [vgl. Fraunhofer 2017] und der Bundesregierung [vgl. Bundesregierung 2018] veröffentlicht. Während die BaFin-Studie den Fokus auf die Finanzbranche setzt, ist die Bundesregierung entschlossen „[…] sowohl Forschung und Entwicklung als auch Anwendung von KI in Deutschland und Europa auf ein weltweit führendes Niveau zu bringen und dort zu halten.“ [vgl. Bundesregierung 2018, S. 8] ja ja ja ja ja ja ja Der Durchbruch von Financial Artificial Intelligence basiert im Wesentlichen auf drei Säulen: » Big Data; » Maschinellem Lernverfahren; » Rechenleistung. Big Data Das Archivieren von großen Datenmengen ist mittlerweile relativ kostengünstig. Aus diesem Grund können sehr große Datenmengen von vielen Unternehmen gespeichert werden. Zudem werden durch die voranschreitende Digitalisierung an sich immer mehr Daten generiert. Die stetig anwachsenden Datenberge können durch den Menschen allein oft nicht mehr effizient ausgewertet werden. Maschinelles Lernen Im Bereich des maschinellen Lernens gibt es eine Vielzahl von Algorithmen. Um die prinzipielle Kategorisierung der Algorithmen vorzunehmen, werden diese im Allgemeinen in vier Bereiche eingeteilt. (Abb. 02) » Überwachtes Lernen – Supervised Learning: Beim überwachten Lernen werden gelabelte („etikettierte“) Datensätze benötigt. Auf deren Basis werden die Algorithmen darauf trainiert, Klassenbezeichnungen, oder numerische Werte vorherzusagen. Die beiden Untergruppen des überwachten Lernens sind: » Klassifikationen (bei diskreten Labels – also vorgegebenen Klassenzugehörigkeiten) » Regressionen (bei stetigen Labels – also vorgegebenen numerischen Zahlenwerten) » Unüberwachtes Lernen – Unsupervised Learning: Im Gegensatz zum überwachten Lernen werden hier keine gelabelten Datensätze benötigt. Beim unüberwachten Lernen wird nach verborgenen Strukturen in den Daten gesucht. Weitverbreitet sind hier Clusterungen und Verfahren zur Datenkomprimierung wie beispielsweise der Komponentenanalyse (PCA) » Deep Learning: Bei dieser Art von maschinellem Lernen handelt es sich um künstliche neuronale Netze. Der Begriff bezieht sich auf die vielen Zwischenschichten (Hidden Layers) bei neuronalen Netzen. Das Deep Learning ist eines der populärsten Machine-Learning-Verfahren. Weiter unten wird die grundlegende Funktionsweise an einem einfachen Beispiel erläutert. » Verstärkendes Lernen (Reinforcement Learning): Beim verstärkenden Lernen wird ein KI-System entwickelt, das seine Leistung durch Interaktion mit der Umgebung verbessert. In diesem Fall werden keine Daten vorab benötigt. Diese werden von der künstlichen Intelligenz durch Interaktion (Aktion und Feedback) mit dem System selbst generiert. Ein Beispiel dafür ist das von Google entwickelte AlphaGo. (https://de.wikipedia.org/wiki/AlphaGo). Die KI beherrscht das Brettspiel Go und war nach einer kurzen Lernphase in der Lage, die weltweit besten Go-Spieler zu schlagen. Rechenleistung Die Algorithmen wiederum, die die Datenbestände auswerten, benötigen eine entsprechende Rechenpower. Obwohl einige Methoden des maschinellen Lernens

ERM 27 Abb. 04 Data Science – Prozessablauf Festlegung der bankbetriebswirtschaftlichen Fragestellung Betriebswirtschaftliche Fragestellung Datengetriebene Fragestellung Datenextraktion (ETL) Datenaggregation Datenanalyse Operativsysteme Tabellen Datensammlung Visualisierung Datenbanken Internet Textdokumente Kennzahlen Vorverarbeitung Kategorielle Daten Datenskalierung Ausreißerbehandlung Dimensionsreduktion Datensplitting Trainingsdaten Testdaten Clustering Regression Klassifizierung Modellauswahl GoLive forecasting detection scoring Performance Konvergenz Metriken Modellvalidierung Modelltraining schon relativ alt sind, scheiterte deren Praxiseinsatz zur Auswertung großer Datenmengen meist an der zur Verfügung stehenden Rechenleistung. Durch die heutigen Rechnerleistungen und die Möglichkeit der Parallelisierung (beispielsweise mithilfe von Grafikkarten, sog. Data-Science-Prozessablauf) können selbst große Datenmengen in relativ kurzer Zeit ausgewertet werden. Einsatz von KI im Provisionsgeschäft Ein einfaches Beispiel für die Anwendung von KI illustriert folgender Use Case aus dem Provisionsgeschäft: Viele Kreditinstitute versuchen sinkende Erträge aus dem Kredit- und Einlagengeschäft durch Ertragssteigerungen im Provisionsgeschäft zu kompensieren. Dabei wäre es nun von sehr großem Vorteil zu wissen, welche Kunden für bestimmte Finanzprodukte besonders affin sind. Würde man beispielsweise die Bestandskunden, bei denen ein Verkauf eines Abb. 05 1. Iteration 2. Iteration 3. Iteration k. Iteration k-fache Kreuzvalidierung Trainingsdaten Trainingsdaten Fonds eine höhere Abschlusswahrscheinlichkeit mit sich bringt, vor einer Kampagne identifizieren, so würde man durch gezielte Ansprachen Ressourcen einsparen. Zudem bräuchten sich die Kundenbe- Trainingsdaten Validierungsdaten Fehler 1 Fehler 2 Fehler 3 Fehler k Fehler = Fehler i

RISIKO MANAGER

RISIKO MANAGER 01.2019
RISIKO MANAGER 02.2019
RISIKO MANAGER 03.2019
RISIKOMANAGER_04.2019
RISIKO MANAGER 05.2019
RISIKO MANAGER 06.2019
RISIKO MANAGER_07.2019
RISIKO MANAGER 08.2019
RISIKO MANAGER 09.2019
RISIKO MANAGER 01.2018
RISIKO MANAGER 02.2018
RISIKO MANAGER 03.2018
RISIKO MANAGER 04.2018
RISIKO MANAGER 05.2018
RISIKO MANAGER 06.2018
RISIKO MANAGER 07.2018
RISIKO MANAGER 08.2018
RISIKO MANAGER 09.2018
RISIKO MANAGER 10.2018
RISIKO MANAGER 01.2017
RISIKO MANAGER 02.2017
RISIKO MANAGER 03.2017
RISIKO MANAGER 04.2017
RISIKO MANAGER 05.2017
RISIKO MANAGER 06.2017
RISIKO MANAGER 07.2017
RISIKO MANAGER 08.2017
RISIKO MANAGER 09.2017
RISIKO MANAGER 10.2017
RISIKO MANAGER 01.2016
RISIKO MANAGER 02.2016
RISIKO MANAGER 03.2016
RISIKO MANAGER 04.2016
RISIKO MANAGER 05.2016
RISIKO MANAGER 06.2016
RISIKO MANAGER 07.2016
RISIKO MANAGER 08.2016
RISIKO MANAGER 09.2016
RISIKO MANAGER 10.2016
RISIKO MANAGER 01.2015
RISIKO MANAGER 02.2015
RISIKO MANAGER 03.2015
RISIKO MANAGER 04.2015
RISIKO MANAGER 05.2015
RISIKO MANAGER 06.2015
RISIKO MANAGER 07.2015
RISIKO MANAGER 08.2015
RISIKO MANAGER 09.2015
RISIKO MANAGER 10.2015
RISIKO MANAGER 11.2015
RISIKO MANAGER 12.2015
RISIKO MANAGER 13.2015
RISIKO MANAGER 15-16.2015
RISIKO MANAGER 17.2015
RISIKO MANAGER 18.2015
RISIKO MANAGER 19.2015
RISIKO MANAGER 20.2015
RISIKO MANAGER 21.2015
RISIKO MANAGER 22.2015
RISIKO MANAGER 23.2015
RISIKO MANAGER 24.2015
RISIKO MANAGER 25-26.2015
 

Copyright Risiko Manager © 2004-2017. All Rights Reserved.