Aufrufe
vor 3 Jahren

KINOTE 01.2020

Um einen Wandel der Finanzbranche erfolgreich zu meistern, müssen Kreditinstitute sowohl Chancen als auch Herausforderungen der Künstlichen Intelligenz (KI) erkennen. Unter der neuen Marke KINOTE der Bank-Verlag GmbH finden Sie Meldungen, Studien und Fachartikel zum Themenkomplex KI. Wir beantworten Ihre Fragen rund um KI. Wir berichten über Trends, neue Technologien, Forschungsergebnisse und daraus entstehende Möglichkeiten, die KI Ihrem Unternehmen bietet.

12 01 | 2020 Hedonische

12 01 | 2020 Hedonische Preisschemata für Immobilien Immobilien stellen einen besonders wichtigen Fall von nonbankable Assets dar. Traditionell werden in der Immobilienwirtschaft sogenannte hedonische Preismodelle verwendet, um einen Preis für so heterogene Produkte wie Häuser zu bestimmen. In hedonischen Preisbildungsmodellen wird der Vermögenswert durch eine spezifische Mischung von einerseits intrinsischen und andererseits lokalen bzw. umweltbezogenen Merkmalen beeinflusst. Hedonische Modelle dienen in diesem Kontext auch dazu, eine Immobilie trotz fehlender spezifischer Daten über Markttransaktionen zu bewerten, die Nachfrage nach bestimmten Wohnungsmerkmalen zu analysieren und die Wohnungsnachfrage im Allgemeinen zu untersuchen. Inhärente und umweltbezogene Merkmale In hedonischen Modellen finden Schätzungen oft mithilfe nichtlinearer Regression statt. Dabei geht man davon aus, dass Immobilien eine Vielzahl leicht messbarer, inhärenter Merkmale besitzen – wie Baujahr, Zimmerzahl, Wohnfläche, Vorhandensein von Kamin oder Swimmingpool usw. Darüber hinaus hängt der Immobilienwert auch von geografischen und umweltbezogenen Merkmalen ab, zum Beispiel von regionalen Lebenshaltungskosten und Steuern, der Attraktivität des Standorts usw. Ein vollständiges hedonisches Modell aufzubauen, ist wegen dessen hoher Datenanforderungen keine leichte Aufgabe – von der Aktualisierung all dieser Daten ganz zu schweigen. Vermutlich ist ein Vollzeitteam mit einem hohen Maß an Fachwissen in Sachen Immobilienbewertung nötig, um alle relevanten Daten zu sammeln und das richtige Preismodell zu erstellen. Dies gilt übrigens nicht nur für Immobilien, sondern ganz analog für alle nicht bankfähigen Vermögenswerte. Ein Bewertungsmodell für non-bankable Assets zu definieren, es anzuwenden und zu pflegen, ist nicht selten eine gewaltige Aufgabe, die oft weit vom Kerngeschäft traditioneller Finanzintermediäre wie Banken, Family Offices und Vermögensverwalter entfernt ist. Wie können Portfoliomanager also die Herausforderung meistern, solche Kapazitäten intern zu erwerben und zu pflegen? Lohnt es sich überhaupt, dies zu tun? Die Antwort darauf lautet eindeutig ja. Denn meist obliegt dem Portfoliomanager die Verantwortung dafür, einen fairen Preis für alle Vermögenswerte in einem Portfolio zu erzielen. Zudem ist es unbedingt empfehlenswert, in einem weitgehend deregulierten Markt wie dem der non-bankable Assets eine gewisse Unabhängigkeit von externen Dienstleistern und Marktmachern zu bewahren. Machine-Learning-Algorithmen zur hedonischen Preisbildung Die intrinsischen und die lokalen Merkmale sind beide in der hedonischen Preisbildungsfunktion P eingebettet. Bezeichnen wir die inhärenten Merkmale wie Baujahr und Zimmerzahl hier als (i1, i2,...) und die umweltbezogenen Merkmale als (I1, I2,...). Dann ließe sich die Preisbildungsfunktion notieren als P = F(i1, i2,...,l1, l2,...). Anders gesagt: Der hedonische Preis einer Immobilie ist nichts anderes als eine Funktion ihrer inneren und äußeren Eigenschaften – diese Eigenschaften beeinflussen den Wert. Deswegen lässt sich der hedonische Bewertungsansatz auch so leicht auf andere non-bankable Assets übertragen, ob dies Oldtimer, Kunstwerke oder andere wertvolle Sammlerstücke sind. Traditionell erfolgt die Schätzung von P, indem man die bereits erwähnten Machine-Learning-Algorithmen in der Reihenfolge ihrer Komplexität ausprobiert: Zunächst verwendet man lineare und polynomiale Regressionen und, falls erforderlich, allgemeine nicht-lineare Regressionen. Neuronale Netze versus hedonische Regression Leider gibt es noch vergleichsweise wenig Literatur über die Bewertung von Immobilien mithilfe neuronaler Netze. Dass den Spezialisten für Immobilienbewertung diese Technik noch weitgehend unbekannt ist, überrascht allerdings nicht – liegen neuronale Netze bislang doch außerhalb ihrer Expertise. Dennoch haben einige Veröffentlichungen der letzten Zeit verglichen, wie leistungsfähig künstliche neuronale Netze (KNN) einerseits und die traditionelle hedonische Regression andererseits sind, wenn es darum geht, die Transaktionspreise von Immobilien vorherzusagen. Eine peer-reviewte und inzwischen häufig zitierte Studie 1 hat den Vergleich anhand der Verkaufspreise von Häusern in der Türkei angestellt. Die Autoren kamen zu dem Schluss, dass in diesem spezifischen Anwendungsfall die Vorhersagekraft künstlicher neuronaler Netze der allgemeinen hedonischen Regression ebenbürtig, wenn nicht sogar überlegen ist. » 1 Rekurrente neuronale Netze eignen sich ideal Gegenüber traditioneller hedonischer Regression liegt der Hauptvorteil von künstlichen neuronalen Netzen in ihrer Flexibilität. Bei KNNs ist es nicht erforderlich, irgendeine Form der funktionalen Abhängigkeit zwischen den Prädiktoren (Asset-Eigenschaften) und dem Ziel (Asset-Preise) zu spezifizieren. Dies eliminiert das Risiko einer Fehlspezifizierung des

01 | 2020 13 Modells. Das neuronale Netzwerk kann stattdessen die optimale Preisfunktion lernen – also diejenige, die den Schätzfehler bei der Vorhersage minimiert. Die Voraussetzung dafür ist, dass über den Vermögensgegenstand und seine Umgebung genügend Daten verfügbar sind. Gegenüber vielen ökonometrischen Zeitreihen und anderen Machine-Learning-Modellen haben KNNs und besonders rekurrente neuronale Netze (RNNs) einen weiteren wichtigen Mehrwert. So können beispielsweise RNNs des Typs Long Short-Term Memory (LSTM) auch unregelmäßige und verstreute Daten, die nicht in einer bestimmten Frequenz anfallen, berücksichtigen. Die fortgeschrittenen Techniken des maschinellen Lernens begegnen also zwei großen Herausforderungen: der Datenknappheit (Data Scarcity, zu wenige Datenpunkte für das einzelne, konkrete Asset) und der Datensparsamkeit (Data Sparsity, Datenpunkte, die unregelmäßig über die Zeit verteilt sind). Und für viele non-bankable Assets ist es charakteristisch, dass sie nur unregelmäßig gehandelt werden. Rekurrente neuronale Netze unterstützen aber auch in solchen Fällen bei der Preisfindung und dabei, das zu erwartende Risiko und die Erträge zu schätzen. Fazit Der Einsatz neuronaler Netze und das Vorhandensein reichhaltiger Datensets sind zwei Faktoren, die Privatbanken und Wealth Managern dabei helfen, nicht bankfähige Vermögensgegenstände sinnvoll zu bewerten. Spezifisches Expertenwissen im Feld der jeweiligen nonbankable Assets bleibt dennoch unverzichtbar. Machine- Learning-Algorithmen allein sind kein valider Ersatz dafür. Was neuronale Netze allerdings leisten können, ist Finanzintermediären und Anlegern mehr Unabhängigkeit und Einsicht im Bereich der nicht bankfähigen Vermögenswerte zu verschaffen. Schließlich handelt es sich dabei um sehr vielversprechende alternative Investitionsvehikel – schon wegen ihrer besonderen Eignung zur Diversifizierung von Portfolios. Die Anstrengung, sich jetzt mit non-bankable Assets zu beschäftigen, lohnt in jedem Fall. Autoren David Morton de Lachapelle ist als Datenwissenschaftler und Experte für die Integration von nicht bankfähigen Vermögenswerten bei Avaloq tätig. Zuvor war er Product Owner für Digital Advisory bei der Credit Suisse, Chief Data Scientist bei TEND Technology und Head of Innovation bei Evooq. Gery Zollinger ist Head of Data Science & Analytics bei Avaloq mit umfassender Erfahrung im Bereich Analytics und quantitative Modellierung. Zuvor arbeitete er bei Credit Suisse im globalen Credit Risk Analytics Team, war für die Kreditrisikomodellierung im Private- und Investment Banking verantwortlich und leitete ein globales Data Scientist Team im Bereich Compliance Analytics. 1 Selim, Hasan. (2009). Determinants of house prices in Turkey: Hedonic regression versus artificial neural network. Expert Syst. Appl.. 36. 2843-2852. 10.1016/j.eswa.2008.01.044.

die bank