KI IN DER
KI IN DER KREDITWIRTSCHAFT Zur Prognosefähigkeit langfristiger Aktienmarktrenditen mit neuronalen Netzen 44 03 | 2023
DIGITALISIERUNG Banken stehen vor einem revolutionären Wandel durch die dramatisch zunehmenden Möglichkeiten, die der Einsatz von Künstlicher Intelligenz (KI) bietet. Die Anwendungsbereiche für KI-Technologien sind vielfältig. Sie automatisieren Prozesse, minimieren Risiken und verbessern die Entscheidungsfindung. Die Autoren zeigen auf, dass einfache Künstliche Neuronale Netze (KNNs) Aktienmarktrenditen besser als tradierte Regressionsanalysen prognostizieren können. Die Technologien der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML) verbessern die Effizienz. Sie sind ein wichtiger Faktor für die Wettbewerbsfähigkeit von Banken. KI/ML-Technologien ermöglichen die künstliche Generierung von Wissen aus Erfahrung und eine computergestützte Entscheidungsfindung zur Lösung menschenähnlicher Aufgaben. Banken können ihre Effizienz durch derartige Anwendungen verbessern, weil automatisierte Prozesse und Entscheidungen beschleunigt und menschliche Fehler minimiert werden. Eine Strategie der verbesserten und erweiterten Implementierung von KI/ML- Technologien führt zu geringeren Kosten. KI/ML-Technologien optimieren die geschäftlichen Aktivitäten einer Bank, indem potenzielle Risiken frühzeitig erkannt, Finanztransaktionen überwacht oder Kundenerlebnisse verbessert werden. Im Risikomanagement können potenzielle Risiken durch quantitative Analysen, datengesteuerte und automatisierte Kreditprüfungsverfahren sowie die technisch unterstützte Generierung und Aggregation von Daten für einen Ad-hoc- Stresstest besser abgeschätzt werden. KI kann auch Finanztransaktionen automatisch überwachen, um Geldwäsche oder andere illegale Aktivitäten zu erkennen. Im Kundenmanagement kann durch KI die Interaktionen mit dem Kunden personalisiert werden, um das Kundenerlebnis positiv zu beeinflussen und die Kundenbindung zu stärken. Deep Learning (DL) als Teilbereich des Maschinellen Lernens ist eine der wichtigsten Informationsverarbeitungs-Technologien bei großen Datenmengen. Das „tiefgehende Lernen“ basiert auf bestimmten Optimierungsmethoden von neuronalen Netzen, die mehrschichtiges Lernen zur Lösung von komplexen Aufgaben ermöglichen. Beispiele sind die Verarbeitung natürlicher Sprache und die Erkennung von Bildern. Deep Learning ist eine Schlüsseltechnologie für die Entwicklung von KI-Systemen, die eine computergestützte fundierte Entscheidungsfindung ermöglichen. Es hat die Entwicklung von DL-Algorithmen massiv begünstigt. DL-Algorithmen werden im Vergleich zu den klassischen Methoden zur Analyse von Preisbewegungen von börsengehandelten Wertpapieren und Indexen immer häufiger eingesetzt. Die Beobachtung von historischen Wertpapier-Kursbewegungen und Indexständen ist für Banken von großer Bedeutung. Sie benutzen derartige Analysen, um Risiken zu bewerten und Entscheidungen zu treffen. Zur Prognose von Preisbewegungen wurden bislang regelmäßig klassische statistische Methoden verwendet. Erst in jüngerer Zeit werden vermehrt DL-Methoden zur Analyse von Preisbewegungen eingesetzt. Der vorliegende Beitrag stellt DL als Methode zur Prognose von langfristigen Aktienindexrenditen vor und zeigt konkrete praktische Handlungsempfehlungen auf. Banken erstellen regelmäßig Prognosen von langfristigen Aktienindexrenditen, um ihre Finanzentscheidungen und -strategien zu untermauern. Interessant in diesem Zusammenhang ist einerseits die Architektur der verwendeten neuronalen Netzwerke und andererseits die Performance von Deep-Learning-Algorithmen im Vergleich zu den tradierten Regressionsanalysen. Erste Ansätze zu den weiteren Überlegungen finden sich bereits bei Herdt und Schulte-Mattler (2022). 1 Effizienzhypothese Die zentrale Frage lautet, ob die Prognostizierbarkeit von Aktienindexrenditen mit der Markteffizienzhypothese vereinbar ist. Diese Hypothese von Fama (1970) besagt, dass alle 03 | 2023 45
