Deep Learning im Finanzwesen 2016

Am vergangenen Freitag, den 23., war ich auf dem Deep Learning in Finance Summit in London.

Es war eine eintägige Konferenz mit drei Hauptthemenn:

• Finanzielle Prognosen;
• Virtuelle Assistenten (=Bots. Ich denke, das erste klingt freundlicher für die Älteren);
• Textanalyse für Risiko und Entscheidungsfindung.

Redner

Alle Vorträge waren auf zwanzig Minuten begrenzt (18 Minuten Vortrag + 2 Minuten Frage und Antwort), was eine gute Sache ist, aber viele waren ungeprobt. Als Konferenzorganisator und Redner weiß ich, wie schwierig das ist: Die Zeit aller ist begrenzt, und wenn Sie kein Naturtalent sind, brauchen Sie viel Zeit, um einen guten Vortrag zu halten. Erschwerend kam hinzu, dass es sich bei den meisten Rednern um Gründer, Mitbegründer und leitende Angestellte von meist kleinen Unternehmen handelte: fast keiner von ihnen war darin geübt, öffentlich zu sprechen¹.

Themen

Was die Themen anbelangt, so war die Finanzprognose bei weitem diejenige mit der größten Aufmerksamkeit und den meisten Gesprächen: Die Vorhersage des Aktienmarktes ist der heilige Gral der Finanzwelt. Da ich mich mit Datenwissenschaft auf den Finanzmärkten beschäftigt habe, kann ich sagen, dass es zwei wesentliche Dinge zu beachten gibt:

• Der Hochfrequenzhandel (HFT) funktioniert, und es geht dabei um die Leistung eines gut verstandenen Marktes mit klaren Regeln. Hier ist kein Deep Learning erforderlich;
• Die Händler sind sich nicht einig, welche Strategie die beste ist. Deep Learning ist sehr gut darin, Menschen bei Aufgaben zu übertreffen, bei denen Menschen gut sind, wie z.B. Bilderkennung, Spracherkennung usw. Daher ist es schwierig, ein Modell zu trainieren, das sagt: Das ist gut, das ist schlecht, jetzt geh und zaubere.².

Was nicht angesprochen wurde, sind langfristige Investitionen, d.h. Aktien zu kaufen und dann 20-30 Jahre lang am Markt zu bleiben. Dieser Bereich, in dem Sie spektakuläre Renditen erzielen können, erfordert oft eine profunde Kenntnis der betreffenden Unternehmen und der Märkte, in denen sie tätig sind. Sie müssen Dokumente lesen, sich das Management, die Wettbewerber usw. ansehen. Um systematisch an die Sache heranzugehen, müssen Sie tonnenweise unstrukturierte Daten und Feeds strukturieren, Vergleiche anstellen usw. Dies ist wahrscheinlich ein Bereich, in dem Deep Learning sehr fruchtbar sein kann. Ich vermute jedoch, dass der Aufwand für die Datenerfassung viel höher ist und die Stichprobe der Unternehmen, bei denen Sie diese Daten erhalten können, zu begrenzt ist, als dass ein Algorithmus Muster erkennen könnte.

Aber ich würde mich gerne irren.

Zum zweiten Thema, den Bots, gab es mehrere Vorträge, die aber eher wie Verkaufsgespräche wirkten.³. Wenn es eine Theorie gab, dann gab es keine definitiven Ergebnisse. Denken Sie daran, Leute: Wenn Sie keine Ergebnisse haben und wollen, dass ich bereits Geld investiere, dann bin ich für Sie als VC tätig und nicht als Kunde.

Das dritte Thema war halb Verkaufsgespräch, halb akademischer Vortrag, aber nichtsdestotrotz sehr interessant.

Botschaft zum Mitnehmen

Deep Learning hat sich in der Finanzbranche noch nicht so weit durchgesetzt wie in anderen Bereichen. Viele Leute sind noch am Anfang, um zu sehen, ob sie etwas damit anfangen können. Diejenigen, die es geschafft haben und bereits Ergebnisse vorweisen können, können es kaum erwarten, ihre Geschichten zu erzählen, auch wenn sie sich noch in einem sehr frühen Stadium befinden (ich glaube, nur Alpaca läuft derzeit in Produktion, mit echten Ergebnissen im Bereich der Prognosen). Die Vorträge waren also genau das Richtige für die meisten Zuhörer: Sie wollen wissen, wer ihnen einen Schritt voraus ist, um sich zu vergewissern, dass sie auf dem richtigen Weg sind.

Ein weiterer interessanter Punkt ist mir aufgefallen: Sie können einem Kunden keine Investition empfehlen, wenn Sie sie nicht erklären können. Deep Learning hat hier ein großes Problem, denn ein neuronales Netzwerk gehört nicht zu den Dingen, die sich am einfachsten erklären lassen.