Wie Big Data und Deep Learning den Finanzhandel revolutionieren

Das Spektrum der Technologien, die mit Big Data in Zusammenhang gebracht werden, wird immer größer. Viele Banken und Finanzdienstleister nutzen sie bereits. Besonders Techniken der Künstlichen Intelligenz wie Machine Learning, Clusteranalyse oder Deep Learning mit künstlich, neuronalen Netzen revolutionieren die Auswertung von Finanzdaten. Hinzu kommen neue Visualisierungstechniken, die den Blick auf die Börsenkurse vertiefen und intuitiv zugänglich machen.

Banken füttern ihre Scoring-Modelle mit Informationen aus sozialen Netzwerken, erfolgten Zahlungen, aus der Suchhistorie und anderen Daten zum Kundenverhalten. Längst liefern Big-Data-Lösungen wie Analyse-, Business-Intelligence- oder Testing-Software exakte Informationen zur Zielgruppenansprache. Finanzinstitute haben es leichter, personalisierte Angebote, gezielte Cross-Sales-Aktionen und einen verbesserten Kundenservice anzubieten. Doch es geht noch viel weiter: Die einst passiven, ergänzenden Technologien haben sich zu den Deep-Learning-Methoden weiterentwickelt, wie wir sie heute kennen. Sie können Entscheidungen treffen und Aktionen durchführen.

Deep Learning basiert auf der Analyse von großen Datenmengen (Big Data) aus mehreren Kanälen, ist eine besonders effiziente Methode des maschinellen Lernens und die bedeutendste Zukunftstechnologie innerhalb der Künstlichen Intelligenz (KI). Deep Learning eignet sich überall dort gut, wo sich große Datenmengen nach Trends, Mustern und Modellen untersuchen lassen. Die Technologie nutzt künstliche neuronale Netze, die im Rahmen des Lernprozesses immer wieder neu verknüpft werden und dem menschlichen Lernverhalten ähneln. Während beim Maschine Learning der Mensch die Maschine mit vordefinierten Algorithmen trainiert und in den Entscheidungsprozess eingreift, sorgt er beim Deep Learning nur dafür, dass die Informationen für das Lernen bereitstehen. Anders ausgedrückt: Deep Learning lehrt Maschinen zu lernen. Sie werden in die Lage versetzt, selbstständig und ohne menschliche Unterstützung ihre Fähigkeiten auszubauen. Die eigentliche Analyse und das Ableiten von Prognosen oder Entscheidungen übernimmt die Maschine selbst.

Mithilfe künstlicher Intelligenz Betrüger aufdecken und Compliance-Anforderungen erfüllen

Dank der neuen Technologien haben Finanzinstitute die Möglichkeit, viel komplexere Probleme auf internationaler Ebene anzugehen, beispielsweise die Betrugserkennung, die Einhaltung von Verfahren und die Befolgung gesetzlicher Vorschriften. Sie können Mikrostrukturanalysen von Marktdaten durchführen, um Probleme wie Insiderhandel, schädliche Algorithmen und Marktmanipulation zu erkennen und zu verhindern.

Mit ihren aktuellen Algorithmen werden riesige Mengen an Datenschichten analysiert. Dies betrifft beispielsweise Kreditkarten- und Banktransaktionen, Orderbuch-Rohdaten mit genauen Informationen zu den Marktteilnehmern und ihrer Trading-Historie, Standortinformationen aus Funknetzen/WLAN-Hotspots, Keyword- und Satzerkennung für Messagingdienste, Spracherkennungsdaten für die Telefonie, Traffic- und andere statistische Verhaltenswerte aus sozialen Netzwerken.

Bei der Unterbindung von Betrügereien können beispielsweise im Wertpapierhandel mit Big-Data-Analysen kriminelle Muster erkannt werden. Zunächst wird anhand bestimmter Kriterien ein breites Spektrum an Orders identifiziert, die unlautere Handelspraktiken beinhalten können. Diese Aufgabe übernehmen Überwachungssysteme, also Rechner. Anschließend führt das Überwachungspersonal – in diesem Fall Menschen – Voruntersuchungen durch, mit denen die Trading-Bedingungen, unter denen diese Orders erfolgt sind, analysiert werden. Erkennt die Maschine ein verdächtiges Muster, greift der Mensch ein und forscht nach.

Auch beim Befolgen von gesetzlichen Vorschriften, etwa im Fall von neuen Compliance-Anforderungen, überwachen Big-Data-Analyseplattformen die Genauigkeit der Einhaltung: Vorschriften (insbesondere von europäischen Behörden) zwingen Banken und andere Finanzinstitute dazu, große Datenmengen zu speichern und zu verwalten, beispielsweise Referenz-, Transaktions-, Sicherheits- und operative Daten. Diese unterscheiden sich stark hinsichtlich ihres Umfangs, ihres Formats und der Häufigkeit ihrer Änderung. Mit jeder neuen Regelung müssen Banken gegebenenfalls neue Analysen und Berichte für spezifische Datensätze erstellen. Deshalb werden Big-Data-Analyseplattformen eingesetzt, um ein exaktes Reporting zur Einhaltung dieser Vorschriften zu gewährleisten.

weiter auf Seite 2