Künstliche Intelligenz in der Finanzbranche „KI ist enorm leistungsstark, aber keine Magie“

Ein KI-Modell kann sich viel schneller an veränderte Bedingungen im Markt anpassen als herkömmliche Modelle. Das macht die Strategieentwicklung und die Alpha-Suche deutlich effizienter. Oder nehmen Sie den Bereich Regulierungstechnologie. Mit Hilfe von KI lassen sich beispielsweise Was-wäre-wenn-Analysen durchführen. Und Sie können Compliance auch in sehr komplexen Umfeldern vereinfachen und damit die jeweiligen Regeln kohärenter gestalten.

Noch deutlicher wird es im Bereich Finanz-Research & -analyse. Hier können generative KI-Modelle Teile der Fundamentalanalyse ergänzen oder sogar vollständig automatisieren. Weitere potenzielle Anwendungsbereiche sind Stresstests, Risikoanalysen und die strategische Planung mithilfe von Simulationen.

Gibt es Eigenheiten des Finanzmarkts beim KI-Einsatz?

Kazantsev: Die Herausforderungen der Finanzbranche an KI-Systeme sind in ihrer Kombination einzigartig. Im Gegensatz zu vielen anderen einfacheren Sektoren sind Finanzmärkte gleichzeitig dynamisch, hochkomplex und strategisch anspruchsvoll. Denn: Einerseits müssen Sie Entscheidungen sehr schnell und trotz erheblicher Unsicherheiten treffen. Andererseits können Fehler äußerst kostspielig sein.

Ein Teil dieser Unsicherheiten ist das sogenannte „komplexe nicht-gaußsche Rauschen“. Darunter versteht man in der Mathematik schwer vorhersehbare Störfaktoren, die sich nicht statistisch „normal“ verhalten. Wenn Sie Ihre Strategie allerdings zu stark an Ihre Erfahrungen mit diesen Faktoren anpassen, können Sie nicht mehr so gut auf neue Faktoren reagieren. Hier spricht man von „Überanpassung“.

Trotzdem müssen Sie Ihre Strategien fortlaufend anpassen, weil Ihre Konkurrenten ihre Strategien ebenfalls anpassen. Denn: aus spieltheoretischer Perspektive ist der Finanzmarkt „gegnerisch“. Es kann kein stabiles Gleichgewicht geben, weil nicht alle Marktteilnehmer gleichzeitig gewinnen können und deswegen miteinander im Wettbewerb stehen. Diese Anpassung wird aber zusätzlich durch die Art der Daten der Finanzbranche erschwert.

Was folgt daraus? 

Kazantsev: Auf Basis von sogenannten „nicht-stationären Mustern“, wie zum Beispiel historische Aktienkurse, lassen sich keine verlässlichen Schlüsse auf künftige Entwicklungen ziehen, weil die zugrunde liegenden Prozesse instabil sind und sich die Parameter im Zeitverlauf verändern. Bei langfristigen Investitionen kommt noch erschwerend hinzu, dass viele Daten unvollständig sind oder von Störungen beeinflusst werden können. Insbesondere für einfache KI-Modelle stellen die Interaktionen im Finanzmarkt die größte Herausforderung dar.

Weil diese Interaktionen oft nicht linear sind, können die Modelle wichtige Zusammenhänge häufig nicht abbilden. Hinzu kommen strenge regulatorische Anforderungen an KI-Modelle und deren Einsatz, insbesondere hinsichtlich der Erklärbarkeit der Ergebnisse. Lassen Sie es mich so zusammenfassen: KI ist eine enorm leistungsstarke Technologie, aber (leider) keine Magie. Am Ende braucht es Fachwissen und die Technologie muss an den konkreten Anwendungsfall angepasst werden.

Worauf müssen Anwender von KI-Lösungen im Finanzbereich besonders achten, um sowohl die Chancen zu nutzen als auch potenzielle Risiken zu minimieren?

Kazantsev: Ich kann das natürlich nicht pauschal beantworten, aber ich glaube, es gibt ein paar Punkte, die vor allem für Finanzprofis immer wichtig sind. Zum Beispiel beim Thema Nachvollziehbarkeit. In vielen Fällen sind Anwender verpflichtet, sicherzustellen, dass die Ergebnisse ihrer Modelle anhand von Quellen nachvollziehbar und überprüfbar sind – vor allem wenn es um Themen wie Risikobewertung oder Compliance geht.

Außerdem muss gewährleistet werden, dass KI-Modelle auch dann zuverlässig bleiben, wenn sich die Datenlage ändert. Dafür gibt es bspw. spezielle Testverfahren wie „Adversarial Testing“ oder eine sogenannte „Kausalmodellierung“.  Gerade bei solchen Tests ist es zudem ratsam, die Modelle nicht nur mit alten Daten zu testen, sondern auch zu prüfen, wie sie sich in Extremsituationen oder unter veränderten Rahmenbedingungen verhalten.

Und als letzter Punkt, klare Regeln und Abläufe. Dadurch wird sichergestellt, dass der Mensch jederzeit die Kontrolle behält und Entscheidungen fair getroffen werden und treuhänderische Pflichten erfüllt werden.

Welche Rolle spielt die Integration von KI etwa in das Bloomberg Terminal, und welche besonderen Herausforderungen haben Sie dabei zu berücksichtigen?

Kazantsev: Die Integration von KI in bestehende Finanzinfrastrukturen ist eine besonders effektive Möglichkeit, Arbeitsabläufe zu optimieren, die Produktivität zu steigern und Analysen insgesamt zu verbessern. Vor diesem Hintergrund haben wir KI auf dem Bloomberg Terminal in eine Vielzahl von Funktionen integriert. Nutzer können beispielsweise  Suchen in natürlicher Sprache durchführen und der KI Ihre Fragen stellen und sich komplexe Inhalte zusammenfassen lassen.

Darüber hinaus kann die KI sie auch bei Themen wie Preisgestaltung oder prädiktiver Finanzanalyse unterstützen oder dabei helfen, Anomalien in Daten zu erkennen. Die Anforderungen, die diese Anwendungen an die Systeme stellen, sind sehr komplex. Die KI muss in großem Maßstab mit extrem geringer Latenz und sehr zuverlässig arbeiten. Für das KI-System heißt das, dass es die Daten über alle Quellen hinweg zuverlässig, qualitativ hochwertig und im richtigen Zusammenhang verwenden muss.

Es muss beispielsweise jederzeit transparent nachvollziehbar sein, aus welchen vertrauenswürdigen Dokumenten die Antworten stammen. Gleichzeitig muss bei automatisierten Entscheidungen jederzeit eine Balance zwischen maschineller Verarbeitung und menschlicher Kontrolle bestehen, insbesondere wenn erfahrene Nutzer eingebunden sind.

Welche Fähigkeiten werden für Finanzexperten in den kommenden Jahren am wichtigsten sein, um in einer zunehmend KI-gestützten Finanzwelt erfolgreich zu bleiben?

Anzeige

%subtitle%

%title%

Jetzt lesen

Kazantsev: Ich denke, Datenkompetenz wird in den kommenden Jahren eine der wichtigsten Fähigkeiten für Finanzexperten sein – besonders was den Umgang mit KI-Modellen angeht. Finanzexperten müssen verstehen, wie sie KI-Modelle dazu bringen, das zu tun, was sie wollen, was bedeutet, dass sie mit Techniken wie Prompt Engineering vertraut sein und in der Lage sein müssen, Modelle zu validieren und ihre Grenzen zu verstehen.

So wie bei Excel in den 1990er-Jahren könnte diese Kompetenz zu einer Grundvoraussetzung werden. Dabei wird es auch immer wichtiger werden, kritisch mit KI-Governance-Fragen umgehen zu können, besonders was regulatorische und ethische Aspekte betrifft. Kenntnisse in Programmiersprachen wie Python werden auch immer wichtiger werden, vor allem weil Data Science zunehmend zum Alltag in der Finanzbranche gehört.

Anzeige

%subtitle%

%title%

Jetzt lesen

Inwieweit wird sich das Anforderungsprofil an Finanzprofis durch den fortschreitenden Einsatz von KI in der Branche verändern, und welche klassischen Rollen könnten am stärksten betroffen sein?

Kazantsev: Das lässt sich natürlich kaum vorhersagen. Grundsätzlich ist es aber wahrscheinlich, dass sich solche Jobs, die sich mit sich wiederholenden, regelbasierten Aufgaben befassen, grundlegend verändern werden. Im Gegensatz dazu werden Profile, in denen es auf Urteilsvermögen, strategisches Denken und zwischenmenschliche Fähigkeiten ankommt, eher durch KI ergänzt werden.

Ich glaube, dass KI-gestützte Entscheidungsfindung die wichtigste Veränderung darstellen wird. Denn: Hier kommt es sowohl auf kritisches Denken als auch auf technische Kenntnisse an. Die Finanzprofis der Zukunft müssen in der Lage sein, KI-generierte Erkenntnisse zu nutzen und gleichzeitig deren Grenzen verstehen.

Welche ethischen und regulatorischen Überlegungen müssen beim Einsatz von KI in hochsensiblen Bereichen der Finanzmärkte besonders beachtet werden?

Kazantsev: Die Antwort auf diese Frage könnte ein ganzes Buch füllen, aber ich glaube, so viel Platz haben wir nicht. Aus meiner Sicht sind Transparenz, Erklärbarkeit, Fairness, Verantwortlichkeit und Robustheit die wichtigsten Aspekte, wenn es um einen ethischen Einsatz von KI geht.  Indem wir Transparenz herstellen und sicherstellen, dass Anlageentscheidungen erklärbar sind, vermeiden wir, dass die KI eine „Blackbox“ ist.

Besonders bei Themen wie Underwriting, Krediten oder Risikoanalysen müssen wir außerdem auf Fairness achten und mögliche Vorurteile oder Voreingenommenheiten minimieren. Sobald KI von Menschen genutzt wird, müssen die Verantwortlichkeiten klar definiert sein, sodass sich jederzeit zuordnen lässt, was von der Maschine und was vom Menschen kommt.

Gerade mit Blick auf potenzielle Manipulationen – bei der Eingabe in das Modell und bei der Ausgabe von Ergebnissen – müssen wir sicherstellen, dass die KI-Modelle robust genug sind, um selbst feindseligen Bedingungen widerstehen zu können. Da sich Regulierungsbehörden weltweit zunehmend mit diesen Themen beschäftigen, wird die KI-Governance künftig noch wichtiger werden.

Wo sehen Sie die größten ungenutzten Potenziale von Künstlicher Intelligenz und in welchen Bereichen erwarten Sie hier die nächsten großen Durchbrüche?

Kazantsev: Die nächsten Durchbrüche werden wahrscheinlich dort stattfinden, wo tiefes Fachwissen auf Spitzenforschung im Bereich KI trifft – insbesondere bei Themen wie Optimierung, simulationsbasierten Finanzdienstleistungen und Entscheidungsfindung unter Unsicherheit. Lassen Sie mich Ihnen das anhand von ein paar Beispielen erklären. Denken Sie etwa an das enorme Potenzial von KI-Agenten, wenn Sie diese für die Alpha-Modellierung oder zur Simulation systemischer Risiken und politischer Veränderungen einsetzen.

Ein weiterer spannender Fall ist der Einsatz von KI für kausale Inferenz, um besser zu verstehen, welche Eingaben zu welchen Ergebnissen führen, anstatt nur Korrelationen festzustellen. Besonders mit Blick auf die Vielzahl an verschiedenen Daten in der Finanzbranche gibt es, glaube ich, enormes Potenzial bei multimodalen Analysen, sodass sich in Echtzeit Text, strukturierte Daten und Marktsignale in einem einheitlichen Rahmen integrieren lassen.

Inwiefern kann KI dazu beitragen, die Stabilität und Transparenz der Finanzmärkte zu erhöhen, oder birgt sie hier auch neue Risiken, die es zu managen gilt?

Kazantsev: Ich glaube, dass beides der Fall ist. Ja, KI kann einen wichtigen Beitrag zur Stabilität und Transparenz von Finanzmärkten leisten. Mit Hilfe von KI können Sie zum Beispiel Risiken in Echtzeit überwachen oder Unregelmäßigkeiten und Betrugsversuche schneller erkennen. Ebenso kann KI auch die Prozesse zur Preisfindung oder zur Bereitstellung von Liquidität effizienter gestalten. Von der höheren Transparenz profitieren dann natürlich auch die Aufsichtsbehörden, was wiederum die Stabilität erhöht.

Nichtsdestotrotz gibt es aber auch einige neue Herausforderungen. Ein aus meiner Sicht zentrales Risiko besteht darin, dass viele Marktteilnehmer auf ähnliche Modelle und Algorithmen setzen, was im Extremfall zu einem Herdenverhalten und damit zu enormer Instabilität führen kann. Hinzu kommt, dass viele gängige KI-Modelle immer noch „Blackboxes“ sind, sodass sich Entscheidungen und Wechselwirkungen kaum nachvollziehen lassen.

Damit würde die Transparenz sogar sinken. Und nicht zuletzt steigt auch die Gefahr von Cyberangriffen oder gezielten Manipulationen, wenn sich Schwachstellen in den KI-Modellen ausnutzen lassen. Es braucht aus meiner Sicht eine Mischung aus technischen Sicherheitsmaßnahmen, einer Vielfalt an Modellen und klaren Regeln für den Einsatz von KI im Finanzbereich. Nur so lassen sich die Chancen optimal nutzen, ohne die Stabilität und Transparenz der Märkte zu gefährden.

Über den Interviewten:

Gary Kazantsev leitet die Abteilung Quant Technology Strategy bei Bloomberg. Bevor er diese Position übernahm, gründete und führte er die Machine-Learning-Engineering-Gruppe des Unternehmens. Kazantsev leitete Projekte an der Schnittstelle von Computerlinguistik, maschinellem Lernen und Finanzen, darunter Stimmungsanalysen von Finanznachrichten, Marktwirkungsindikatoren, statistische Textklassifizierung, Social-Media-Analysen, Frage-Antwort-Systeme und prädiktive Modellierung von Finanzmärkten.

Kazantsev hält regelmäßig Vorträge auf Branchen- und Wissenschaftsveranstaltungen weltweit, ist Mitglied des Programmkomitees des KDD Data Science + Journalism Workshops sowie des Beirats der Konferenzreihe „AI & Data Science in Trading“. Darüber hinaus ist er außerordentlicher Professor an der Columbia University und dort Mitorganisator der jährlichen Konferenz „Machine Learning in Finance“.