Künstliche Intelligenz (KI) in der Finanzbranche: Was Berater wissen müssen

Seinen Lottogewinn verdankt der Thailänder Patthawikorn Boonrin der Künstlichen Intelligenz (KI, englisch: AI). Laut einem Bericht der Nachrichten-Website „Mashable“ hatte er das App ChatGPT mit Lottozahlen „gefüttert“, die in der Vergangenheit für einen Lottogewinn sorgten. ChatGPT lieferte ihm dann die Zahlenkombinationen, mit denen Boonrin tatsächlich gewann. Der Lottogewinn entsprach zwar umgerechnet nur 52 Euro, war aber immerhin deutlich höher als sein Einsatz.

Gewinne mit KI wie mit dem textbasierten Dialogsystem (Chatbot) ChatGPT versprechen sich auch Akteure der Finanzbranche und Investoren. Dabei beschränkt sich der Einsatz von KI nicht auf Chatbots. So spielen Suchalgorithmen sowie künstliche neuronale Netze wie Deep Learning eine zunehmende Rolle. Die Vorteile von KI sehen die Entscheidungsträger laut einer Umfrage von PwC (siehe Grafik unten) in der Effizienzsteigerung digitaler Prozesse (79 Prozent), der Kosteneinsparung (73 Prozent) sowie einer personalisierten Kundenansprache (55 Prozent). „KI wird einer der entscheidenden Wettbewerbsfaktoren für Finanzinstitute sein. Sie bietet aber auch Anwendungsmöglichkeiten weit über die Automatisierung von Prozessen hinaus“, so Michael Berns, Direktor AI & FinTech bei PwC Deutschland.

Chatbots: Digitale Finanzberater führen personalisierte Dialoge mit Kunden

Mit über 100 Millionen Nutzern in nur zwei Monaten ist die am 30. November 2022 freigegebene neue App ChatGPT die bislang am schnellsten wachsende Verbraucher-Anwendung. Mit ChatGPT erhalten die Nutzer auf ihre Fragen innerhalb von Sekundenbruchteilen natürliche und schlüssige Antworten, die auch von Menschen stammen können. Das App ist ein Chatbot das von Forschungsgruppe OpenAI entwickelt wurde – einem 2015 unter anderem von Elon Musk gegründeten Unternehmen für künstliche Intelligenz. Hauptgeldgeber von OpenAI ist mit einer Investition von elf Milliarden US-Dollar aktuell Microsoft. ChatGPT berücksichtigt in den Folgeantworten die zuvor gestellten Fragen und ermöglicht dadurch ein besseres Verständnis des Kontextes aus Sicht des Anwenders. Der Name ChatGPT leitet sich aus dem verwendeten Transformer-Modell (Generative Pre-trained Transformer – kurz: GPT) ab. GPT lernt die natürliche Sprache mit der Verarbeitung der Fragen und der Auswertung von Daten für die Antworten selbstständig. Deshalb benötigen Transformer-Modelle deutlich mehr Daten und eine höhere Rechenleistung als bisherige Chatbots, die als neuronale Systeme von Menschen mit ausgewählten Daten trainiert werden. Der KI-Investor Janus Henderson Investors sieht in der GPT-3-Technologie, auf die ChatGPT beruht, tiefgreifend Veränderungen in den Bereichen Programmierung und Softwareentwicklung, die Erkennung von Schwachstellen der Datensicherheit und das Verfassen von Texten. 

Interessant für Banken und Versicherungen ist vor allem das Einsatzgebiet des Kundendiensts und des Vertriebs. „Es besteht die Chance, Modelle für virtuelle Berater zu erweitern“, so Alison Porter, Portfoliomanagerin bei Janus Henderson Investors. Vor allem in den USA ist die digitale Beratung mit eigenen professionellen Chatbots auf dem Vormarsch. Laut der Nachrichtenagentur Bloomberg haben aber die Bank of America, Citigroup, Goldman Sachs und Wells Fargo aber intern ChatGPT verboten. In Deutschland versuchen Banken ihre Chatbooks intelligenter zu programmieren, nutzen aber auch vermehrt externe Lösungen. So setzten Commerzbank und die Deutsche Bank externe Chatbots ein. Stärken und Schwächen von ChatGPT bezüglich Finanzfragen zeigt ein Test des Youtoube-Kanals „Finanzfluss“ auf. Gefragt wurde beispielsweise „Womit soll ich anfangen, wenn ich mich zum ersten Mal um meine Finanzen kümmern möchte?“ oder „In welche Fonds soll ich investieren?“. Die Antworten zeigten schlüssige und nach Prioritäten geordnete Lösungen auf. Allerdings wurden die etwas allgemein gehaltene Antworten erst nach insistieren des Nutzers konkretisiert. Stattdessen verwies ChatGPT oft auf professionelle Finanzberater. Als Anlagen wurden auch Fonds genannt, die in Deutschland nicht erhältlich sind. Verwirrend ist, dass bei Wiederholung der Frage verschiedene Anlagen genannt wurden. ChatGPT ist daher als Anlageberater noch verbesserungsbedürftig. OpenAI wird jedoch die Schwachstellen zunehmend beseitigen. So soll noch in diesem Jahr die GPT-4 eingeführt werden, deren Leistung deutlich höher sein wird als die aktuelle Version GPT-3. Während GPT-2 bei seiner Einführung Ende 2019 auf einem neuronalen Netz mit nur 1,5 Milliarden Parametern basierte, wurde ChatGPT-3 mit 175 Milliarden Parametern trainiert. Es wird erwartet, dass dieses Volumen bei GPT-4 auf mehrere Billionen steigen wird. „Die mögliche Einführung von GPT-4 Ende 2023 wird wahrscheinlich zu weiteren Verbesserungen der Benutzererfahrung und der Schnittstelle führen“, so Alison Porter. Betroffen könnten daher nicht nur Bankmitarbeiter im Bereich Service und Marketing, sondern auch die Berater selbst sein.

Algorithmen: Helfer im Finanzhandel und bei Kreditratings

Im Zusammenhang mit dem Hype um ChatGPT wird aber auch bereits der Suchalgorithmus von Google als disruptives Geschäftsmodell diskutiert. Investoren und Nutzer fokussieren sich jedoch beim Thema KI keinesfalls auf Chatbots und sehen einen „Produktivitätsschubdurch künstliche Intelligenz“. Gemessen nach einer Auswertung von LinkedIn-Daten durch die OECD in der Studie „AI in Business and Finance“ sind KI-Spezialisten im Finanzbereich im Verhältnis zu dem Sektor besonders stark in den USA, aber auch in Indien, vertreten (siehe Grafik). Traditionell wird unter diesen Experten KI eher mit Algorithmen wie der von Google entwickelte PageRank verbunden. Im Gegensatz zu ChatGPT sind Suchalgorithmen permanent mit dem Internet verbunden und produzieren selbst keine neuen Inhalte. Ihr Ziel ist es, die wichtigsten verfügbaren Informationen zu finden. Aufgrund der Fähigkeit große Datenmengen innerhalb kürzester Zeit auszuwerten, werden solche Algorithmen laut der OECD-Studie aber vermehrt im „Backoffice“ der Banken und andere Finanzintermediäre beim Wertpapierhandel eingesetzt. AI kann dabei helfen die Handelsstrategien anderer Marktteilnehmer zu erkennen, eigene Handelsstrategien abzuleiten und Kauf- und Verkaufsentscheidungen auszuführen. Mit Hilfe der AI können Transaktionskosten gesenkt, die Liquidität besser kontrolliert und durch Erfassung von Risiken der Ausstieg aus bestimmten Anlagen schneller ausgeübt werden. Gute Ergebnisse zeigte der Einsatz von Algorithmen auch bei der Bonitätsanalyse und der Analyse der Ausfallwahrscheinlichkeit von Krediten und Anleihen im Fall begrenzt verfügbarer Informationen.

Neuronale Netze für Betrugsbekämpfung, Prognosen und Gesichtserkennung

Der Begriff neuronale Netze ist an die Funktionsweise des menschlichen Gehirns, wie wir sie heute verstehen, angelehnt. Im Bereich der KI sind neuronale Netze komplexe Computersysteme. Sie bestehen aus miteinander verbundenen Knoten, die ähnlich wie Neuronen im menschlichen Gehirn funktionieren. Mithilfe von Algorithmen erkennen sie verborgene Muster und Verbindungen in den Rohdaten, clustern und klassifizieren sie, und im Laufe der Zeit lernen sie ständig dazu und verbessern sich. Im Finanzbereich helfen neuronale Systeme bei der Betrugserkennung, wie etwa bei Kreditkartenbetrug. Die KI im Bereich der neuronalen Netze hilft allerdings auch bei der Erfassung und Auswertung von Bildern und Videos und wird beispielsweise bei der Krebserkennung eingesetzt. Sie kann aber auch bei der Auswertung von Bildern oder Videos etwa für die Gesichtserkennung genutzt werden. Mit Hilfe bestimmter Muster können neuronale Netze aber auch für Finanzprognosen für Aktienpreise, Währungen, Optionen, Termingeschäfte, Insolvenzen und Anleihenbewertungen eingesetzt werden.

KI im Bereich der Altersvorsorge

In der Studie „Künstliche Intelligenz – die großeRevolution auch in der Finanzbranche“ nennt Autor Sven Ebert vom Flossbach von Storch Research Institut auch Beispiele für den Einsatz von KI in der Altersvorsorge. So konnte ein türkischer Pensionsfonds mit Hilfe von Systemen maschinellen Lernens die Risikoneigung der Anleger besser erfassen als mit der bis dahin verwendeten herkömmlichen Fragebögen. Hierfür wurde von rund 80.000 Personen der vom Regulator vorgeschriebene Fragebogen zur Risikoneigung zusammen mit sozioökonomischen Faktoren mit der tatsächlichen Anlageentscheidung verglichen. Die Modelle, die auf maschinellem Lernen basieren, lieferten bessere Voraussagen über die tatsächliche Risikoneigung als der Fragebogen des Regulators. So wurde als wichtigster Faktor für die Risikoneigung das Alter der Anleger ermittelt.

Auch bei der Bewertung von Fonds liefert KI wichtige Erkenntnisse. So überprüft der japanische Government Pension Investment Fund (GPIF), weltweit größter Verwalter von Ersparnissen zur Altersvorsorge, die Anlageentscheidungen externer Fonds. Denn GPIF setzt bei der Anlage auf Outsourcing und überprüft daher zur Verbesserung der Renditen und der Objektivität dieser externen Fonds deren Entscheidungen. Traditionell war beim GPIF eine kleine Gruppe von Experten mit der Auswahl der externen Fonds und Fondmanager betraut – die Investmentergebnisse wurden jedoch als enttäuschend bewertet. GPIF kontrollierte die Transaktionen der Fonds deshalb mit einer „Explainable KI“, die meldete, wenn der Fonds seine Anlageentscheidung änderte. Dies betraf vor allem die Gewichtung bestimmter Branchen. Das System erkannte, dass eine Änderung der Anlagestrategie zeitlich mit dem Wechsel des Fondsmanagers zusammenfiel. „Die bestehenden Systeme unterstützen den Menschen bei der Lösung von Problemen, sie können vermutlich noch keine kognitiv aufwendigen Aufgaben selbstständig lösen“, so das Fazit von Ebert zur KI in der Finanzbranche.

Doch aufgrund hoher Investitionen der IT-Konzerne Microsoft, Alphabet (Google) und Amazon wird das Angebot und die Qualität verfügbarer Plattformen und Tools der KI stark ansteigen. Die größten Hürden bei der Anwendung der KI sehen die Entscheidungsträger der Finanzbranche dann auch laut der Umfrage von PwC im Mangel der für die KI verfügbaren Daten (69 Prozent), den begrenzten Budgets (67 Prozent), den fehlenden KI-Fähigkeiten ihrer Mitarbeiter (64 Prozent) sowie in den Bedenken hinsichtlich des Datenschutzes (63 Prozent).