Aufrufe
vor 4 Jahren

KINOTE 02.2019

  • Text
  • Zukunft
  • Deutlich
  • Deutsche
  • Insbesondere
  • Deutschland
  • Modell
  • Intelligenz
  • Banken
  • Einsatz
  • Unternehmen
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 02 | 2019

12 02 | 2019 Derivatebewertung 4.0 Deep Neural Networks als schnelle Pricer Künstliche Intelligenz (KI) gilt als Schlüsseltechnologie für die Industrie der Zukunft. Zurzeit werden Anwendungen von KI auch in der Finanzindustrie verstärkt untersucht; aktuelle Themen in diesem Zusammenhang sind u. a. die Beschleunigung der Bewertung von Derivaten 1, 2 das modellfreie Bewerten und Hedgen 3 und das Kalibrieren hochdimensionaler Bewertungsmodelle. 4 In diesem Beitrag diskutieren wir KI-Techniken zur Beschleunigung von aufwendigen und zeitkritischen Bewertungsprozessen. Anhand des konkreten Beispiels einer Bermudanischen Swaption erläutern wir insbesondere, wie sich Marktpreisrechnungen unter Zuhilfenahme neuronaler Netze bei hinreichender Genauigkeit signifikant beschleunigen lassen.

02 | 2019 13 Deep Neural Networks (DNNs) bilden aktuell die prominenteste Klasse von KI-Verfahren. Ausgehend von einer hinreichend großen Menge an Trainingsdaten sind sie in der Lage, nichtlineare funktionale Zusammenhänge zwischen hochdimensionalen Inputs und Outputs zu approximieren. Insbesondere gilt dies für den funktionalen Zusammenhang, der durch eine Bewertungsfunktion gegeben ist, die – basierend auf einem finanzmathematischen Modell sowie einem typischerweise rechenintensiven numerischen Verfahren – einen hochdimensionalen Markt- und Geschäftsdatenvektor in einen Barwert überführt. Ein trainiertes DNN liefert hierbei eine hoch performante Approximation der ursprünglichen Bewertungsfunktion; der numerische Aufwand, über das trainierte DNN einen approximativen Barwert zu ermitteln, ist gering und von der numerischen Komplexität der ursprünglichen Funktion unabhängig. Insofern kann es sinnvoll sein, für laufzeitkritische Anwendungen eine gegebene Bewertungsfunktion durch ein an diese Funktion trainiertes DNN zu ersetzen. Ein solcher Einsatz eines DNNs ist etwa im Rahmen von Marktrisikorechnungen oder Exposure-Simulationen sinnvoll, wo jedes einzelne Geschäft in Tausenden beziehungsweise Millionen von simulierten Marktszenarien zu bewerten ist: Eine schnelle DNN-Approximation erlaubt hier eine akkurate Near- Real-Time-Berechnung der relevanten Risikogrößen (wie etwa Value-at-Risk, XVA oder Auslastung der Kontrahentenrisiko­ Limits). Die Verwendung eines an einen Frontoffice Pricer trainierten DNNs bietet zudem den Vorteil der Konsistenz zwischen Frontoffice Pricing und Risikorechnung. Grundsätzlich erhöht ein solcher Einsatz eines DNNs das Modellrisiko: Zunächst ist zu beachten, dass das DNN alle Modellschwächen der ursprünglichen Bewertungsfunktion erbt. Ferner besteht das Risiko, dass das DNN auf Szenarien angewendet wird, die von den Trainings-Szenarien grundverschieden sind und in denen sich die ursprüngliche Bewertungsfunktion grundlegend anders verhält; beim Training des DNNs ist daher darauf zu achten, dass der Input-Raum dem jeweiligen

die bank