Wie Big Data und Deep Learning den Finanzhandel revolutioniert: Von Anti-Fraud bis Hochfrequenzhandel

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.  Was können neuronale Systeme schon heute?

von Evgeny Kuznetsov, Director of Product Management, Market Data bei Devexperts

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 Messaging-Dienste, 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 enthalten 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.”

Hochfrequenzhandel durch künstliche neuronale Netze

Quant-Hedgefonds nutzen Big Data und Deep Learning schon seit Jahrzehnten. Sie arbeiten an künstlichen neuronalen Netzen, um prädiktive Investmentmodelle zu erstellen und die rentabelsten Algorithmen zu ermitteln. Wie oben beschrieben, handelt es sich bei künstlichen neuronalen Netzen um Algorithmen, die ständig dazulernen – wie das menschliche Gehirn. Sie treffen auf Basis historischer Daten Prognosen für die Zukunft.

Laut der Finanznachrichtenagentur Bloomberg hat das Big-Data-gestützte elektronische Trading in den letzten zehn Jahren erheblich zugenommen: Nach Schätzungen von Bloomberg beträgt sein Anteil auf dem europäischen Aktienmarkt etwa 40 Prozent und auf dem US-amerikanischen Aktienmarkt circa 55 Prozent des Trading-Volumens. Auf den Terminmärkten ist das Volumen des elektronischen Handels mit Devisen-Futures auf etwa 80 Prozent gestiegen. Trading-Unternehmen, die mit Hochfrequenzhandel-Algorithmen arbeiten, dominieren seit einigen Jahren den US-amerikanischen Aktienhandel.

Beim Hochfrequenzhandel handelt es sich um einen computerbasierten Handel mit Wertpapieren, der kurze Haltefristen und hohe Umsätze aufweist. Dabei kommen Supercomputer zum Einsatz, mit denen man in Sekundenbruchteilen Gewinne auf Dutzenden von elektronischen Märkten erzielen kann. Mittlerweile wird diesen Firmen vorgeworfen, das System auf Kosten anderer auszunutzen.

Große Erfolge des datengestützten Tradings rufen Großinvestoren auf den Plan

Unternehmen wie Renaissance Technologies analysieren für ihren Medallion Fund mithilfe von Algorithmen Unmengen von Daten. Ihr Ziel besteht darin, Hinweise aufzuspüren, die im Trubel der Finanzmärkte untergehen, und Änderungen der Future-, Aktien- und Währungskurse vorherzusagen. Allein dieser Fonds erzielte zwei Jahrzehnte lang (1994–2014) enorme Jahresgewinne, durchschnittlich mehr als 70 Prozent (vor Steuer). Dies entspricht mehr als dem Siebenfachen des durchschnittlichen Jahresgewinns des S&P-500-Indexes. Beim S&P 500 (Standard & Poor’s 500) handelt es sich um einen Aktienindex, der die Aktien von 500 der größten börsennotierten US-amerikanischen Unternehmen beinhaltet.

Dieser Erfolg hat in den letzten zehn Jahren die Aufmerksamkeit von Großinvestoren erregt und eine neue Welle von Investitionen ausgelöst, die auf Rechnerleistung setzen.”

Er ist aber auch einer der Gründe dafür, dass die Rentabilität quantitativer Fonds langsam abnimmt. 2017 sanken vieler dieser Fonds sogar unter den S&P-Wachstumswert.

Nachteil des Deep Learning: Es gibt keine schlechten Pokerspieler mehr

Die Ursache liegt auf der Hand: Je mehr Marktteilnehmer mit den Trading-Algorithmen arbeiten, desto ineffektiver werden diese. Um das zu veranschaulichen, sollte man sich mehrere KI-gestützte Systeme vorstellen, die an einem Pokertisch sitzen und versuchen, die anderen zu schlagen.

Doch es gibt keine schlechten Pokerspieler mehr.”

Ähnlich wie beim Poker wurde das „dumme“ Geld bereits vom Markt abgezogen. Um den anderen Spielern gegenüber im Vorteil zu sein, müssen möglichst viele Daten berücksichtigt werden. Und je präziser die Daten, desto größer die Chance, die anderen zu schlagen. Bezogen auf eine Trading-Software heißt das: Nur jene Systeme, die aus ihren Informationsquellen lernen und schneller als andere auf Daten zugreifen, können die Partie gewinnen.

Visualisierung: Augmented Reality und Heatmaps für tiefe Finanzeinblicke

Doch es geht nicht nur um die Auswertung der Daten, sondern auch um deren Visualisierung: Die Unterstützung von Trading- und Datenanalyseplattformen durch Augmented Reality, Heatmaps oder Zoom-Oberflächen ermöglicht Händlern und Investoren die Überwachung und Visualisierung der Finanzmärkte mit einer enormen Informationstiefe.

Beim Tragen eines AR-Headsets werden hoch entwickelte holografische Darstellungen der Finanzdaten und -Feeds in das reale Gesichtsfeld des Nutzers eingeblendet. Hierbei gewinnen Trader vollkommen neue Einblicke, was mit 2D-Visualisierungssoftware bislang nicht möglich war.”

So lassen sich beispielsweise Geschäftschancen und hochaktuelle Entwicklungen auf einer intuitiven Oberfläche deutlicher hervorheben, was es Tradern ermöglicht, schneller zu agieren.

Wenn wir beim Bild der Pokerrunde bleiben, heißt das: Es geht nicht nur um die Analyse der Kartenkombination im eigenen Pokerblatt, sondern den besonderen Blick auf alle sich im Spiel befindlichen Karten.aj