Künstliche Intelligenz im Finanzwesen

Vorwort

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Wird das Alpha für jede erdenkliche Anlagestrategie irgendwann auf Null sinken? Grundsätzlich stellt sich die Frage, ob der Tag näher rückt, an dem die Finanzmärkte dank vieler kluger Menschen und intelligenter Computer wirklich perfekt sind und wir uns entspannt zurücklehnen und davon ausgehen können, dass alle Vermögenswerte korrekt bewertet sind?

Robert Shiller (2015)

Künstliche Intelligenz (KI) ist in den 2010er Jahren zu einer Schlüsseltechnologie aufgestiegen und wird voraussichtlich in den 2020er Jahren die dominierende Technologie sein. Angespornt durch technologische Innovationen, algorithmische Durchbrüche, die Verfügbarkeit von Big Data und die ständig wachsende Rechenleistung, werden viele Branchen durch KI grundlegend verändert.

Während sich die Medien und die Öffentlichkeit meist auf Durchbrüche in Bereichen wie Gaming und selbstfahrende Autos konzentrieren, hat sich KI auch in der Finanzbranche zu einer wichtigen technologischen Kraft entwickelt. Man kann jedoch mit Sicherheit sagen, dass die KI in der Finanzbranche noch in den Kinderschuhen steckt - zum Beispiel im Vergleich zu Branchen wie der Websuche oder den sozialen Medien.

Dieses Buch behandelt eine Reihe von wichtigen Aspekten der KI im Finanzwesen. KI im Finanzwesen ist bereits ein umfangreiches Thema, und ein einziges Buch muss sich auf ausgewählte Aspekte konzentrieren. Deshalb behandelt dieses Buch zunächst die Grundlagen (siehe Teil I und Teil II). Anschließend geht es um die Entdeckung statistischer Ineffizienzen auf den Finanzmärkten durch den Einsatz von KI und insbesondere von neuronalen Netzen (siehe Teil III). Solche Ineffizienzen - verkörpert durch KI-Algorithmen, die erfolgreich zukünftige Marktbewegungen vorhersagen - sind eine Voraussetzung für die Ausnutzung wirtschaftlicher Ineffizienzen durch algorithmischen Handel (siehe Teil IV). Die systematische Ausnutzung statistischer und wirtschaftlicher Ineffizienzen würde einer der etablierten Theorien und Eckpfeiler der Finanzwelt widersprechen: der Effizienzmarkthypothese (EMH). Die Entwicklung eines erfolgreichen Handelsroboters kann als der heilige Gral im Finanzwesen angesehen werden, zu dem die KI den Weg weisen könnte. Das Buch schließt mit einer Diskussion über die Folgen der KI für die Finanzbranche und die Möglichkeit einer finanziellen Singularität (siehe Teil V). Außerdem gibt es einen technischen Anhang, der zeigt, wie man neuronale Netze von Grund auf mit einfachem Python-Code erstellt und zusätzliche Beispiele für ihre Anwendung liefert (siehe Teil VI).

Das Problem der Anwendung von KI im Finanzwesen ist dem Problem der Anwendung von KI in anderen Bereichen nicht allzu unähnlich. Einige wichtige Durchbrüche in der KI in den 2010er Jahren wurden durch die Anwendung von Reinforcement Learning (RL) auf Arcade-Spiele wie die von Atari aus den 1980er Jahren (siehe Mnih et al. 2013) und auf Brettspiele wie Schach oder Go (siehe Silver et al. 2016) ermöglicht. Die Lektionen, die aus der Anwendung von RL in Spielkontexten gelernt wurden, werden heute unter anderem auf so herausfordernde Probleme wie die Entwicklung und den Bau autonomer Fahrzeuge oder die Verbesserung der medizinischen Diagnostik angewendet. Tabelle P-1 vergleicht die Anwendung von KI und RL in verschiedenen Bereichen.

Tabelle P-1. Vergleich der KI in verschiedenen Domänen

Domain	Agent	Ziel	Annäherung	Belohnung	Hindernis	Risiken
Arcade Spiele	KI-Agent (Software)	Spielstand maximieren	RL in virtueller Spielumgebung	Punkte und Spielstände	Planung und verzögerte Belohnungen	Keine
Autonomes Fahren	Selbstfahrendes Auto (Software + Auto)	Sicheres Fahren von A nach B	RL in virtueller (Spiel-)Umgebung, Testfahrten in der realen Welt	Bestrafung für Fehler	Übergang von der virtuellen zur physischen Welt	Eigentum beschädigen, Menschen verletzen
Finanzhandel	Trading Bot (Software)	Maximierung der langfristigen Leistung	RL in virtueller Handelsumgebung	Finanzielle Erträge	Effiziente Märkte und Wettbewerb	Finanzielle Verluste

Das Schöne daran, KI-Agenten für Arcade-Spiele zu trainieren, ist die Verfügbarkeit einer perfekten virtuellen Lernumgebung¹ und die Abwesenheit jeglicher Art von Risiko. Bei autonomen Fahrzeugen entsteht das Hauptproblem beim Übergang von virtuellen Lernumgebungen - z. B. einem Computerspiel wie Grand Theft Auto - zurrealen Welt mit einem selbstfahrenden Auto, das auf realen Straßen mit anderen Autos und Menschen fährt. Dies führt zu ernsthaften Risiken, wie zum Beispiel, dass ein Auto Unfälle verursacht oder Menschen verletzt.

Für einen Trading-Bot kann RL auch vollständig virtuell sein, d.h. in einer simulierten Finanzmarktumgebung. Die größten Risiken, die sich aus schlecht funktionierenden Handelsrobotern ergeben, sind finanzielle Verluste und, auf einer aggregierten Ebene, potenzielle systematische Risiken aufgrund von Herdenbildung durch Handelsroboter. Insgesamt scheint der Finanzbereich jedoch ein idealer Ort zu sein, um KI-Algorithmen zu trainieren, zu testen und einzusetzen.

Angesichts der rasanten Entwicklungen in diesem Bereich sollte es sogar für einen interessierten und ehrgeizigen Schüler, der mit einem Notebook und Internetzugang ausgestattet ist, möglich sein, KI erfolgreich im Finanzhandel einzusetzen. Abgesehen von den Hardware- und Softwareverbesserungen der letzten Jahre ist dies vor allem auf den Aufstieg der Online-Broker zurückzuführen, diehistorische und Echtzeit-Finanzdaten liefern und die Ausführung von Finanzgeschäften über programmatische APIs ermöglichen.

Das Buch ist in die folgenden sechs Teile gegliedert.

Teil I

Im ersten Teil werden zentrale Begriffe und Algorithmen der KI im Allgemeinen erörtert, wie z. B. überwachtes Lernen und neuronale Netze (siehe Kapitel 1). Außerdem wird das Konzept der Superintelligenz erörtert, das sich auf einen KI-Agenten bezieht, der über eine Intelligenz auf menschlichem Niveau und in einigen Bereichen sogar auf übermenschlichem Niveau verfügt (siehe Kapitel 2). Nicht alle KI-Forscher/innen glauben, dass Superintelligenz in absehbarer Zeit möglich ist. Die Diskussion über diese Idee bietet jedoch einen wertvollen Rahmen für die Diskussion über KI im Allgemeinen und KI für das Finanzwesen im Besonderen.

Teil II

Der zweite Teil besteht aus vier Kapiteln und befasst sich mit der traditionellen, normativen Finanztheorie (siehe Kapitel 3) und damit, wie sich das Feld durch datengesteuerte Finanzwirtschaft (siehe Kapitel 4) und maschinelles Lernen (ML) (siehe Kapitel 5) verändert. Zusammengenommen führen datengesteuerte Finanzwirtschaft und maschinelles Lernen zu einem modellfreien, KI-gestützten Ansatz in der Finanzwirtschaft, wie in Kapitel 6 beschrieben.

Teil III

Im dritten Teil geht es um die Entdeckung statistischer Ineffizienzen auf den Finanzmärkten durch die Anwendung von Deep Learning, neuronalen Netzen und Reinforcement Learning. Dieser Teil befasst sich mit dichten neuronalen Netzen (DNNs, siehe Kapitel 7), rekurrenten neuronalen Netzen (RNNs, siehe Kapitel 8) und Algorithmen des Verstärkungslernens (RL, siehe Kapitel 9), die ihrerseits oft auf DNNs zurückgreifen, um die optimale Strategie des KI-Agenten darzustellen und anzunähern.

Teil IV

Im vierten Teil geht es darum, wie man statistische Ineffizienzen durch algorithmischen Handel ausnutzen kann. Themen sind vektorisiertes Backtesting (siehe Kapitel 10), ereignisbasiertes Backtesting und Risikomanagement (siehe Kapitel 11) sowie Ausführung und Einsatz von KI-gestützten algorithmischen Handelsstrategien (siehe Kapitel 12).

Teil V

Im fünften Teil geht es um die Folgen, die sich aus dem KI-basierten Wettbewerb in der Finanzbranche ergeben (siehe Kapitel 13). Außerdem wird die Möglichkeit einer finanziellen Singularität erörtert, ein Zeitpunkt, an dem KI-Agenten alle Aspekte des Finanzwesens, wie wir es kennen, dominieren würden. Die Diskussion in diesem Zusammenhang konzentriert sich auf künstliche Finanzintelligenzen als Handelsroboter, die beständig Handelsgewinne erzielen, die über jedem menschlichen oder institutionellen Vergleichswert liegen (siehe Kapitel 14).

Teil VI

Der Anhang enthält Python-Code für das interaktive Training neuronaler Netze (siehe Anhang A), Klassen für einfache und flache neuronale Netze, die von Grund auf mit einfachem Python-Code implementiert werden (siehe Anhang B), und ein Beispiel für die Verwendung von Faltungsneuronalen Netzen (CNNs) für die Vorhersage von Finanzzeitreihen (siehe Anhang C).

Anmerkung des Autors

Die Anwendung von KI auf den Finanzhandel steckt noch in den Kinderschuhen, auch wenn zum Zeitpunkt des Verfassens dieses Artikels bereits eine Reihe von Büchern verfügbar ist, die dieses Thema in gewissem Umfang behandeln. Viele dieser Veröffentlichungen schlagen jedoch fehl, um zu zeigen, was es bedeutet, statistische Ineffizienzen wirtschaftlich auszunutzen.

Einige Hedgefonds behaupten bereits, dass sie sich bei der Verwaltung des Kapitals ihrer Anleger ausschließlich auf maschinelles Lernen verlassen. Ein prominentes Beispiel ist The Voleon Group, ein Hedgefonds, der Ende 2019 ein verwaltetes Vermögen von mehr als 6 Mrd. USD aufwies (siehe Lee und Karsh 2020). Die Schwierigkeit, sich auf maschinelles Lernen zu verlassen, um die Finanzmärkte zu überlisten, zeigt sich in der Wertentwicklung des Fonds von 7 % im Jahr 2019, einem Jahr, in dem der S&P 500 Aktienindex um fast 30 % gestiegen ist.

Dieses Buch basiert auf jahrelanger praktischer Erfahrung mit der Entwicklung, dem Backtesting und dem Einsatz von KI-gestützten algorithmischen Handelsstrategien. Die vorgestellten Ansätze und Beispiele beruhen größtenteils auf meiner eigenen Forschung, da das Feld nicht nur im Entstehen begriffen, sondern auch ziemlich geheimnisvoll ist. Die Ausführungen und der Stil in diesem Buch sind unerbittlich praktisch, und in vielen Fällen fehlt es den konkreten Beispielen an angemessener theoretischer Untermauerung und/oder umfassenden empirischen Beweisen. In diesem Buch werden sogar einige Anwendungen und Beispiele vorgestellt, die von Experten für Finanzen und/oder maschinelles Lernen heftig kritisiert werden könnten.

Einige Experten für maschinelles und tiefes Lernen, wie François Chollet (2017), bezweifeln zum Beispiel, dass Vorhersagen auf den Finanzmärkten überhaupt möglich sind. Einige Finanzexperten, wie Robert Shiller (2015), bezweifeln, dass es jemals so etwas wie eine finanzielle Singularität geben wird. Andere, die an der Schnittstelle der beiden Bereiche tätig sind, wie Marcos López de Prado (2018), argumentieren, dass der Einsatz von maschinellem Lernen für den Finanzhandel und die Geldanlage einen groß angelegten Einsatz mit großen Teams und riesigen Budgets erfordert.

Dieses Buch erhebt nicht den Anspruch, eine ausgewogene Sichtweise oder ein umfassendes Nachschlagewerk für alle behandelten Themen zu bieten. Die Darstellung ist geprägt von den persönlichen Meinungen und Erfahrungen des Autors sowie von praktischen Überlegungen bei der Bereitstellung konkreter Beispiele und Python-Code. Viele der Beispiele sind außerdem so gewählt und optimiert, dass sie bestimmte Punkte verdeutlichen oder ermutigende Ergebnisse zeigen. Daher kann man durchaus argumentieren, dass die Ergebnisse vieler im Buch vorgestellter Beispiele unter Datenschnüffelei und Überanpassung leiden (für eine Diskussion dieser Themen siehe Hilpisch 2020, Kap. 4).

Das Hauptziel dieses Buches ist es, den Leser zu befähigen, die Codebeispiele im Buch als Rahmen zu nutzen, um den spannenden Bereich der KI für den Finanzhandel zu erkunden. Um dieses Ziel zu erreichen, stützt sich das Buch durchgängig auf eine Reihe vereinfachender Annahmen und vor allem auf finanzielle Zeitreihendaten und direkt aus diesen Daten abgeleitete Merkmale. In der Praxis ist eine Beschränkung auf finanzielle Zeitreihendaten natürlich nicht notwendig - eine Vielzahl anderer Datentypen und Datenquellen kann ebenfalls verwendet werden. Der Ansatz dieses Buches zur Ableitung von Merkmalen geht implizit davon aus, dass Finanzzeitreihen und daraus abgeleitete Merkmale Muster aufweisen, die zumindest bis zu einem gewissen Grad im Laufe der Zeit bestehen bleiben und zur Vorhersage der Richtung zukünftiger Preisbewegungen genutzt werden können.

Vor diesem Hintergrund sind alle in diesem Buch vorgestellten Beispiele und Codes technischer und illustrativer Natur und stellen keine Empfehlung oder Anlageberatung dar.

Für diejenigen, die die in diesem Buch vorgestellten Ansätze und algorithmischen Handelsstrategien anwenden wollen, bietet mein Buch Python for Algorithmic Trading: From Idea to Cloud Deployment (O'Reilly) liefert mehr prozessorientierte und technische Details. Die beiden Bücher ergänzen sich in vielerlei Hinsicht. Für Leserinnen und Leser, die gerade erst mit Python für das Finanzwesen beginnen oder ein Auffrischungs- und Nachschlagewerk suchen, ist mein Buch Python for Finance: Mastering Data-Driven Finance (O'Reilly) deckt eine umfassende Reihe wichtiger Themen und grundlegender Fähigkeiten in Python ab, die auf den Finanzbereich angewendet werden.

Referenzen

Im Vorwort zitierte Artikel und Bücher:

• Chollet, François. 2017. Deep Learning mit Python. Shelter Island: Manning.

• Hilpisch, Yves. 2018. Python for Finance: Mastering Data-Driven Finance. 2nd ed. Sebastopol: O'Reilly.

• ⸻. 2020. Python for Algorithmic Trading: From Idea to Cloud Deployment. Sebastopol: O'Reilly.

• Lee, Justina und Melissa Karsh. 2020. "Machine-Learning Hedge Fund Voleon Group Returns 7% in 2019." Bloomberg, 21. Januar 2020. https://oreil.ly/TOQiv.

• López de Prado, Marcos. 2018. Advances in Financial Machine Learning. Hoboken, NJ: John Wiley & Sons.

• Mnih, Volodymyr et al. 2013. "Playing Atari with Deep Reinforcement Learning". arXiv. 19. Dezember. https://oreil.ly/-pW-1.

• Shiller, Robert. 2015. "Das Trugbild der finanziellen Singularität". Yale Insights. 16. Juli. https://oreil.ly/VRkP3.

• Silver, David et al. 2016. "Das Go-Spiel mit tiefen neuronalen Netzen und Baumsuche meistern". Nature 529 (Januar): 484-489.

In diesem Buch verwendete Konventionen

In diesem Buch werden die folgenden typografischen Konventionen verwendet:

Kursiv

Weist auf neue Begriffe, URLs, E-Mail-Adressen, Dateinamen und Dateierweiterungen hin.

Constant width

Wird für Programmlistings sowie innerhalb von Absätzen verwendet, um auf Programmelemente wie Variablen- oder Funktionsnamen, Datenbanken, Datentypen, Umgebungsvariablen, Anweisungen und Schlüsselwörter hinzuweisen.

Constant width bold

Zeigt Befehle oder anderen Text an, der vom Benutzer wortwörtlich eingetippt werden sollte.

Constant width italic

Zeigt Text an, der durch vom Benutzer eingegebene Werte oder durch kontextabhängige Werte ersetzt werden soll.

Tipp

Dieses Element steht für einen Tipp oder eine Anregung.

Hinweis

Dieses Element steht für einen allgemeinen Hinweis.

Wichtig

Dieses Element zeigt wichtige Informationen an.

Warnung

Dieses Element weist auf eine Warnung oder einen Warnhinweis hin.

Code-Beispiele verwenden

Du kannst den Code, der dem Buch beiliegt, auf der Quant-Plattform unter https://aiif.pqp.io aufrufen und ausführen , wofür nur eine kostenlose Registrierung erforderlich ist.

Wenn du eine technische Frage oder ein Problem mit den Codebeispielen hast, schicke bitte eine E-Mail an [e-mail].

Dieses Buch soll dir helfen, deine Arbeit zu erledigen. Wenn in diesem Buch Beispielcode angeboten wird, darfst du ihn in deinen Programmen und deiner Dokumentation verwenden. Du musst uns nicht um Erlaubnis fragen, es sei denn, du reproduzierst einen großen Teil des Codes. Wenn du zum Beispiel ein Programm schreibst, das mehrere Teile des Codes aus diesem Buch verwendet, brauchst du keine Erlaubnis. Der Verkauf oder die Verbreitung von Beispielen aus O'Reilly-Büchern erfordert jedoch eine Genehmigung. Die Beantwortung einer Frage mit einem Zitat aus diesem Buch und einem Beispielcode erfordert keine Genehmigung. Wenn du einen großen Teil des Beispielcodes aus diesem Buch in die Dokumentation deines Produkts aufnimmst, ist eine Genehmigung erforderlich.

Wir freuen uns über eine Namensnennung, verlangen sie aber in der Regel nicht. Eine Quellenangabe umfasst normalerweise den Titel, den Autor, den Verlag und die ISBN. Dieses Buch kann zum Beispiel wie folgt benannt werden: "Artificial Intelligence in Finance " von Yves Hilpisch (O'Reilly). Copyright 2021 Yves Hilpisch, 978-1-492-05543-3."

Wenn du der Meinung bist, dass die Verwendung von Code-Beispielen nicht unter die Fair-Use-Regelung oder die oben genannte Erlaubnis fällt, kannst du uns gerne unter [e-mail] kontaktieren .

O'Reilly Online Learning

Hinweis

Seit mehr als 40 Jahren bietet O'Reilly Media Schulungen, Wissen und Einblicke in Technologie und Wirtschaft, um Unternehmen zum Erfolg zu verhelfen.

Unser einzigartiges Netzwerk von Experten und Innovatoren teilt sein Wissen und seine Erfahrung durch Bücher, Artikel und unsere Online-Lernplattform. Die Online-Lernplattform von O'Reilly bietet dir On-Demand-Zugang zu Live-Trainingskursen, ausführlichen Lernpfaden, interaktiven Programmierumgebungen und einer umfangreichen Text- und Videosammlung von O'Reilly und über 200 anderen Verlagen. Weitere Informationen erhältst du unter http://oreilly.com.

Wie du uns kontaktierst

Bitte richte Kommentare und Fragen zu diesem Buch an den Verlag:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Nord
• Sebastopol, CA 95472
• 800-998-9938 (in den Vereinigten Staaten oder Kanada)
• 707-829-0515 (international oder lokal)
• 707-829-0104 (Fax)

Wir haben eine Webseite für dieses Buch, auf der wir Errata, Beispiele und zusätzliche Informationen auflisten. Du kannst diese Seite unter https://oreil.ly/ai-in-finance aufrufen .

Schreib eine E-Mail an [e-mail], um Kommentare oder technische Fragen zu diesem Buch zu stellen.

Neuigkeiten und Informationen über unsere Bücher und Kurse findest du unter http://oreilly.com.

Finde uns auf Facebook: http://facebook.com/oreilly

Folge uns auf Twitter: http://twitter.com/oreillymedia

Schau uns auf YouTube: http://www.youtube.com/oreillymedia

Danksagungen

Ich möchte mich bei den technischen Prüfern Margaret Maynard-Reid, Dr. Tim Nugent und Dr. Abdullah Karasan bedanken, die mir sehr geholfen haben, den Inhalt des Buches zu verbessern.

Auch die Teilnehmer der Zertifikatsprogramme in Python for Computational Finance und Algorithmic Trading haben zur Verbesserung dieses Buches beigetragen. Ihr ständiges Feedback hat es mir ermöglicht, Fehler und Irrtümer auszumerzen und den Code und die Notizbücher zu verfeinern, die in unseren Online-Schulungen und nun endlich auch in diesem Buch verwendet werden.

Das Gleiche gilt für die Teammitglieder von The Python Quants und The AI Machine. Vor allem Michael Schwed, Ramanathan Ramakrishnamoorthy und Prem Jebaseelan unterstützen mich auf vielfältige Weise. Sie sind diejenigen, die mir bei den schwierigen technischen Problemen helfen, die beim Schreiben eines Buches wie diesem auftreten.

Ich möchte auch dem gesamten Team von O'Reilly Media - insbesondere Michelle Smith, Corbin Collins, Victoria DeRose und Danny Elfanbaum - dafür danken, dass sie alles möglich gemacht und mir geholfen haben, das Buch auf so viele Arten zu verbessern.

Natürlich sind alle verbleibenden Fehler allein meine.

Außerdem möchte ich dem Team von Refinitiv - insbesondere Jason Ramchandani - für die kontinuierliche Unterstützung und den Zugang zu Finanzdaten danken. Die wichtigsten Daten, die in diesem Buch verwendet und den Lesern zur Verfügung gestellt werden, stammen auf die eine oder andere Weise aus den Daten-APIs von Refinitiv.

Natürlich profitiert jeder, der heute künstliche Intelligenz und maschinelles Lernen einsetzt, von den Errungenschaften und Beiträgen so vieler anderer. Deshalb sollten wir uns immer daran erinnern, was Sir Isaac Newton 1675 schrieb: "Wenn ich weiter gesehen habe, dann nur, weil ich auf den Schultern von Giganten stand." In diesem Sinne ein großes Dankeschön an alle Forscher/innen und Open-Source-Betreuer/innen, die zu diesem Bereich beitragen.

Ein besonderer Dank geht schließlich an meine Familie, die mich das ganze Jahr über bei meinen geschäftlichen und buchschreiberischen Aktivitäten unterstützt. Insbesondere danke ich meiner Frau Sandra, die sich unermüdlich um uns alle kümmert und uns ein Zuhause und eine Umgebung bietet, die wir alle so sehr lieben. Ich widme dieses Buch meiner lieben Frau Sandra und meinem wunderbaren Sohn Henry.

¹ Siehe die Arcade-Lernumgebung.