Machine Learning in Finance

Die Finanzbranche ist ein äusserst spannendes und hochkomplexes Umfeld. Der geschickte Einsatz von Maschinellem Lernen ermöglicht Finanzinstituten, gute Entscheidungen zu treffen und Risiken optimal zu managen.

Schlüsseltechnologie des 21. Jahrhunderts

In den letzten Jahren hat sich «Machine Learning» als eine der bahnbrechenden Technologien etabliert, die fundamentale Veränderungen in unserem Verständnis von Lösungsansätzen für komplexe Herausforderungen herbeigeführt hat. Es gibt eine Vielzahl eindrücklicher Anwendungsbeispiele in der Sprachverarbeitung, in generativen Technologien (z.B. Bilder, Texte, Sprache), oder in bahnbrechenden Spielstrategien (z.B. Schach). Es gibt aber auch klassische mathematische Probleme in der Finanzwirtschaft, die plötzlich unter viel realistischeren Annahmen gelöst werden können.

In künstlichen Lernprozessen kommen oft «Neural Networks» zum Einsatz. Inspiriert von biologischen Modellen bestehen diese aus einer strukturierten Anordnung von Nervenzellen, die miteinander verbunden sind und gemäss gewählter Architektur Signale in Entscheidungen umwandeln. Die Stränge zwischen den Neuronen sind mit Gewichten ausgestattet; je grösser deren Wert, umso stärker das weitergeleitete Signal. Durch geeignete Impulse von aussen wird bewerkstelligt, die Gewichtungen laufend zu verbessern und für die spezifische Aufgabe in kürzester Zeit eine erstklassige Instanz zu trainieren.

Etablierte Anwendungsmöglichkeiten in der Finanzbranche

Optimierung von Geschäfts-, Investitions- und Absicherungs-Strategien («Hedging»)
«Asset-Liability-Management» (ALM) und quantitatives Risiko-Management
Bewertung von Derivaten
Szenariengenerierung
Technologie-Transformation (Automatisierung, Digitalisierung)
Prognosen (z.B. Kreditmigrationen und Ausfälle, Betrugserkennung, Marketing)
Ausnutzung von Schwarmintelligenz («Crowd Intelligence»)

Beispiel aus der Praxis - Deep Asset-Liability-Management

Das Herzstück unserer Innovationsprojekte beschäftigt sich mit dynamischen Entscheidungsproblemen entlang einer Zeitachse, in denen sich Rahmenbedingungen zufällig ändern und unsere Entscheidungen das System beeinflussen. Wir modellieren als Zustand die Bilanz eines Geschäftsmodells und optimieren dessen Abwicklung über die Zeit. Dabei müssen wir zusätzlich die Konformität mit einer Reihe von Spielregeln sicherstellen. In der Fachsprache analysieren wir hochdimensionale stochastische Optimierungsprobleme mit Nebenbedingungen und Friktionen. Der verwendete Lernprozess ist von «Reinforcement Learning» inspiriert. Es gibt kein Orakel, das die beste Lösung kennt. Wir alle sind aber in der Lage, einen Lösungsvorschlag unter Berücksichtigung der eingegangen Risiken zu bewerten. Dies genügt, um einen Lernprozess in Gang zu setzen und innert nützlicher Frist unter realistischen Bedingungen schlagkräftige Strategien zu entdecken. Die mit Abstand grösste Herausforderung dabei liegt in der Konstruktion adäquater Trainingsdaten. Ferner gilt es, das Modellrisiko unter Kontrolle zu behalten.

In den letzten Jahren durften wir erfolgreich verschiedene innovative Lösungen für Banken, Emittentinnen von Derivaten, Energie- und Handelskonzerne entwickeln und bis zum produktiven Einsatz begleiten. Unsere Optimierungsprojekte waren im Treasury von Banken, bei Handelsstrategien von Investmentfonds, bei der Absicherung von Derivaten, beim Produktionsplan von Wasserkraftwerken, bei der Energiespeicherung, und bei der Beschaffung und Lagerung von Rohstoffen («Inventory Management») angesiedelt.

Weiterführende Literatur

Deep Treasury Management for Banks. (2023).

Englisch, H., Krabichler, T., Müller, K. J., and Schwarz, M.
Frontiers in Artificial Intelligence. Vol. 6. https://doi.org/10.3389/frai.2023.1120297.

A Deep Learning Model for Gas Storage Optimization. (2021).

Curin, N., Kettler, M., Kleisinger-Yu, X., Komaric, V., Krabichler, T., Teichmann, J., and Wutte, H.
Decisions in Economics and Finance, Vol. 44, pp. 1021–1037. https://doi.org/10.1007/s10203-021-00363-6.

Hedging Goals. (2023, Preprint 2021).

Krabichler, T., and Wunsch, M.
Financial Markets and Portfolio Management. https://doi.org/10.1007/s11408-023-00437-y.

A Case Study for Unlocking the Potential of Deep Learning in Asset-Liability-Management. (2023, Preprint 2020).

Krabichler, T., and Teichmann, J.
Frontiers in Artificial Intelligence. Vol. 6. https://doi.org/10.3389/frai.2023.1177702.

Forschungsprojekt

Unternehmerische Resilienz zur Steigerung der Krisenfähigkeit

In Krisenzeiten zeigt sich, welche Unternehmen widerstandsfähig sind, die Krise überstehen oder sie sogar noch als Chance für Neues nutzen. Leider wird auch klar, dass dies vielen Unternehmen nicht gelingt. Es stellt sich die Frage, was erstere anders bzw. besser machen. Im Forschungsprojekt «Unternehmerische Resilienz» wurde genau…