Machine Learning im Finanzwesen

KI für den Handel, für Betrugserkennung, Versicherungen und personalisiertes Banking nutzen

image

Es gibt viel zu gewinnen für Finanzunternehmen durch die Anwendung von KI. Tatsächlich tun dies heute schon sehr viele, und das mit Erfolg. Um Ihnen einen Eindruck zu vermitteln, geben wir Ihnen einen Überblick zu den wichtigsten Anwendungen von KI im Finanzbereich.

KI für den Handel

Wir können nicht das Machine Learning im Finanzwesen behandeln, ohne auch über Machine Learning für den Handel zu sprechen. Tatsächlich gibt es so viel zu besprechen, dass wir dem Thema Machine Learning für den Handel einen eigenen Artikel gewidmet haben.

Die wichtigsten Punkte fasse ich noch einmal zusammen:

KI ersetzt die Händler nicht - sie hilft ihnen

Händler müssen eine große Menge an Informationen verarbeiten, um auf dem Laufenden zu bleiben und gut informierte Vermutungen darüber zu entwickeln, wie die Trends sich entwickeln.

Sie führen außerdem strenge statistische Analysen durch, um die Details von Ineffizienzen in kleinen Märkten zu entschlüsseln.

All dies braucht Zeit - und da es im Handel um Wettbewerb geht, müssen Sie schnell sein, um so viel wie möglich vom Kuchen abzubekommen.

AI hilft Händlern, ihre Analysen schneller und präziser zu gestalten, indem sie Nachrichten zusammenfassen (z.B. mit Stimmungsanalysen), Vorhersagen verbessern von externen Faktoren (z.B. Niederschlägen, Rohstoffliefermengen oder Wahlergebnissen) und die Feinabstimmung von Hochfrequenz-Handelsmaschinen automatisieren.

Automatisierter und profitabler KI-Handel ist im Grunde eine Schnapsidee

KI ist immer noch viel schwächer als das menschliche Gehirn, wenn es darum geht, Entscheidungen in komplexen Systemen zu treffen, in denen man mit anderen Menschen konkurriert - wie zum Beispiel an den Aktienmärkten. Vorsicht ist also geboten gegenüber jedem, der Gewinne auf der Basis reiner KI-Systeme verspricht.

Es gibt viele einfache Fehler, die es so aussehen lassen, als wäre so ein Gewinn möglich - obwohl das in Wirklichkeit nicht der Fall ist.

Warum das so ist, und wie Sie KI stattdessen verwenden können, können Sie in unserem ausführlichen Artikel zu Machine Learning für den Handel nachlesen.

Portfoliomanagement besser und billiger machen

Portfoliomanager sagen Ihnen, wo Sie Ihr Geld anlegen sollten - abhängig von Ihren finanziellen Zielen und den Marktschwankungen, die Sie abfedern können (Ihre Risikobereitschaft).

Sie wählen verschiedene Arten von Investitionen und legen ein Portfolio an (eine Liste von Vermögenswerten plus den Prozentsatz Ihres Geldes, der in jeden einzelnen Vermögenswert investiert werden kann). Wenn sich der Markt verändert - was er ständig tut - muss dieses Portfolio neu kalibriert werden, indem Sie Ihr Geld zwischen den Vermögenswerten hin und her schieben.

Für einen Menschen ist dies ein zeitintensiver Prozess - daher berechnen Banken viel für diesen Service und bieten ihn nur ihren vermögenden Kunden an. Aber eine gute Anlageberatung hilft jedem, egal wie groß Ihre Ersparnisse sind.

Deshalb ist die Zahl der “Robo-Berater” rapide angestiegen. Sie sind nicht nur sehr billig, sondern erledigen ihre Arbeit sogar besser als teurere, menschliche Portfoliomanager.

Warum? Weil viele menschliche Berater es sich nicht verkneifen können, ihren Kunden mit “Geheimtipps” hohe Renditen zu versprechen - was in einem effizienten Markt immer eine Illusion und damit eine schlechte Idee ist. Letzten Endes erhöhen diese “Tipps” das Risiko für Ihr Portfolio und können einen großen Teil Ihrer Ersparnisse vernichten. (Ich habe das schon ein paar Mal gesehen - sehr unschön!)

Das Geheimnis, warum KI im Portfoliomanagement so nützlich ist, besteht darin, dass es sich fast ausschließlich um einen statistischen Prozess handelt. Jeder Faktor, der in die Definition Ihres idealen Vermögensmixes (Portfolio) einfließt, kann leicht in Zahlen ausgedrückt werden: Ihr Alter, Einkommen, Familienstand, der Zeitpunkt, wann Sie Geld benötigen (für ein Haus, für Kinder, Bildung usw.), ebenso wie Ihre Risikobereitschaft - das alles kann man ganz einfach als Zahlen in eine Datenbank eingeben.

Auf der Grundlage dieser Daten kann KI Ihre Präferenzen vorhersagen (z.B. wann Sie wahrscheinlich wie viel Geld benötigst). Sobald Sie diese Informationen haben, ist die richtige Investition Ihres Geldes schlichtweg eine Frage der Lösung einer mathematischen Formel - eine einfache Aufgabe für jeden Computer.

Möchten Sie mehr über die Theorie der statistischen Asset Allocation erfahren? Dann schauen Sie sich den Artikel Moderne Portfoliotheorie an.

Verbesserung der Betrugserkennung

Mit dem zunehmenden digitalen Handel (über Kreditkarten und Online-Zahlungen) steigt auch der Anreiz für Betrug.

Traditionelle Betrugsmodelle beruhen auf einfachen Regelsystemen: Checklisten, um Betrüger zu fangen. Der größte Nachteil dieser einfachen Mittel zur Betrugserkennung liegt darin, dass sie viele Fehlalarme erzeugen. Und das bedeutet, dass legitimen Kunden Kauftransaktionen verweigert werden - diese Kunden sind dann zu Recht verärgert und werden ihre nächsten Einfäufe woanders tätigen.

Machine Learning kann genauere Checklisten zur Betrugserkennung erstellen und gleichzeitig Fehlalarme reduzieren. Warum sind KI-Modelle besser? Dies sind die 3 wichtigsten Gründe:

  • Datengestützt: Machine Learning-Modelle gehen alle Beispiele für betrügerische Käufe durch und finden - frei von menschlichen Vorurteilen - exakt die Muster, die Betrüger von normalen Kunden unterscheiden.
  • Komplexer: Machine Learning-Modelle können problemlos Tausende von kleinen Mustern erfassen und diese zur Überprüfung einer Transaktion verwenden - etwas, das für eine handgeschriebene Checklist nicht realistisch ist. Deshalb sind die Modelle genauer und erzeugen weniger Fehlalarme.
  • Ständige Aktualisierung: Betrüger sind erfinderisch und probieren immer neue Dinge, um das System auszutricksen. Sobald Sie einen Betrug entdecken, den Ihr System noch nicht erkannt hat, dauert es nur ein paar Minuten, um das Modell zu aktualisieren, damit es lernt, wie man den neuen Trick von nun an erkennt. Das Tolle daran ist: Es spielt keine Rolle, ob Sie es mit einem einzigen erfinderischen Betrüger oder mit tausenden aufnehmen - ein KI-System kann alle seine Muster gleichzeitig erlernen, ohne Abkürzungen oder Verallgemeinerungen.

Betrugssysteme sind in der Regel Hilfsmittel, ähnlich wie Algorithmen im Handel: Ein Mensch muss noch immer die Endkontrolle aller als Betrug gekennzeichneten Transaktionen durchführen. Warum? Weil Menschen einfach besser sind beim Interpretieren des Verhaltens anderer Menschen - Machine Learning erleichtert uns lediglich die Arbeit.

Möchten Sie mehr erfahren? Schauen Sie sich dann unseren Artikel Mobile Klickbetrugserkennung mit KI verbessern an.

Versicherungsverträge präziser und persönlicher gestalten

Ähnlich wie beim Portfoliomanagement (s.o.) ist Versicherungsvertretung eine Aufgabe mit einem klaren Set von quantifizierten Faktoren (Inputs), quantifizierten Zielen und festen Outputs: dem Preis der Versicherung und ihren Prämien im zeitlichen Ablauf.

Dies ist die ideale Umgebung für automatisierte statistische Entscheidungen - und das heißt: Machine Learning.

Bereits seit Jahren nutzen Versicherer einfachere statistische Modelle, um versicherungstechnische Risiken abzuschätzen und über die richtigen Prämien zu entscheiden.

Machine Learning-Modelle können noch weiter gehen und fast den gesamten Versicherungsabschluss kostengünstig und skalierbar machen. Den Schlüssel dazu bieten die Daten des Versicherungsunternehmens: Die Tausenden von Verträgen, die das Unternehmen bereits abgeschlossen hat - mit menschlichem Input - bilden die ideale Grundlage für die Entwicklung eines Machine Learning-Modells, das schließlich lernt, selbst Verträge zu schreiben.

Solche Machine-Learning-Modelle ebnen den Weg zu kostengünstigen und individualisierten Versicherungsabschlüssen, was besonders im B2C-Bereich (z.B. Lebensversicherung) hilfreich ist.

Aber das ist erst der Anfang - das Versicherungsgeschäft ist durch und durch statistisch, und daher gibt es noch viele weitere KI-Anwendungen. Hier sind zwei Beispiele:

Gute Fahrer zahlen weniger für eine Autoversicherung

Einige Versicherer prognostizieren Ihr Unfallrisiko bereits anhand Ihrer Fahrweise (deiner Telematiksignatur). Sie nutzen Algorithmen, um herauszufinden, welches Fahrverhalten ein Zeichen für einen sicheren Fahrer ist - und dann bieten sie diesen Fahrern günstigere Tarife.

Das hebt die Versicherungsgesellschaften von der Konkurrenz ab und zieht sichere Fahrer an, die nicht für die Fehler risikoreicherer Fahrer bezahlen wollen.

Vorhersagen, für welche Versicherung Sie sich entscheiden

Eine weitere Möglichkeit, das Leben von Versicherungsunternehmen zu erleichtern, besteht darin, die genaue Versicherungsoption vorherzusagen, für die Sie sich letzten Endes entscheiden werden. Das erleichtert die Arbeit des Beraters erheblich, da er Ihnen direkt die Optionen vorschlagen kann, die für Sie auch am sinnvollsten sind.

Und das ist nur die Spitze des Eisberges

Es gibt viele weitere Anwendungen, wie z.B. die Prognose, ob Sie ein treuer Kunde sind oder ob Sie in Zukunft in Zahlungsverzug geraten oder einen Schaden melden werden.

Gezielter Verkauf von Bankdienstleistungen

Banken haben viele wertvolle Daten über Sie - sie kennen nicht nur Ihr Alter, Ihr Einkommen und Ihren Wohnort, sondern auch Ihr genaues Ausgabeverhalten. Um es vorsichtig auszudrücken, das verrät viel über Sie. Vielleicht sogar mehr als Ihr Browserverhalten im Internet.

Wenn eine Bank alle in diesen Daten versteckten Informationen nutzen würde, könnte sie eine Menge über Sie erfahren - einschließlich der Dienstleistungen, an denen Sie gerade interessiert sind.

Banken stellen Berater ein, um Kunden persönlich zu beraten - doch die Berater haben nur Zeit für die großen Kunden, und zudem braucht ein Berater viel Erfahrung, um Signale richtig zu deuten.

Machine Learning kann die relevanten Informationen in Ihren Daten finden und vorhersagen, welche Bankprodukte Ihren aktuellen Interessen entsprechen:

  • Eine neue Kreditkarte oder ein höheres Kreditlimit?
  • Ein Kurzzeitdarlehen?
  • Oder vielleicht eine Hypothek, weil Sie sich wie jemand verhalten, der bald ein Haus kaufen will?

Nicht nur das, die Banken können auch Machine Learning verwenden, um die Wahrscheinlichkeit vorherzusagen, dass Sie den Kredit, das Darlehen oder die Hypothek zurückzahlen - und damit den Zinssatz, den sie Ihnen anbieten können.

Dies wird zunehmend zu einer proaktiven Kreditvergabe führen. Statt darauf zu warten, dass Sie einen Kredit beantragen, bieten die Banken Ihnen - und Millionen anderer Kunden - einen maßgeschneiderten Kredit an.

Churn Prediction - Vorhersagen, ob Sie die Bank wechseln werden

Wenn Sie sich entscheiden, die Bank zu wechseln und Ihren Berater darüber informieren, ist es in der Regel zu spät, um Sie davon zu überzeugen, doch zu bleiben. Es wäre viel besser, wenn die Bank die Warnsignale früher erkennen würde und eine Chance hätte, etwas für Sie zu tun, bevor Sie sich entscheiden, zu gehen.

Banken können die gleichen Profile wie oben verwenden - basierend auf Ihren Daten und Ihrer Transaktionsvergangenheit - um die Wahrscheinlichkeit vorherzusagen, dass Sie zu einer anderen Bank wechseln. Dies gibt den Beratern eine Frühwarnung, auf wen sie sich konzentrieren sollten, und es hilft der Bank, viele Kunden zu halten, die sie ansonsten verlieren würde.

Warum ist KI also im Finanzwesen so nützlich?

Einfach ausgedrückt, weil Finanzen ein Spiel mit Daten und Statistiken sind. Finanzprodukte sind meist mathematische Wetten: statistische Gleichungen, die - im Durchschnittsfall - einen Gewinn erzielen sollten.

In den einfacheren und sich immer wiederholenden Teilen dieses Spiels können wir menschliche Intelligenz durch Machine Learning ersetzen und viele Entscheidungen automatisieren.

Das gilt zumindest, solange wir nicht direkt mit anderen Menschen konkurrieren - wie im Handel oder bei der Betrugserkennung, wo menschlicher Wettbewerb das Spiel viel komplizierter macht. In diesen Fällen sind wir besser dran, wenn wir unsere stärkste Waffe benutzen: unser eigenes Gehirn.

Brauchen Sie Hilfe bei einem Machine Learning Projekt?

Telefontermin buchen

ODER sende mir eine Beschreibung an: m.schmitt@datarevenue.de