München, Starnberg, 10. Juli 2020 - Wenn gängige Machine-Learning-Modelle versagen. Wie sollten Finanzinstitute vorgehen? Ein Fachbeitrag mit Hinweisen von Cloudera...
Zum Hintergrund: Für das Hochfahren der Wirtschaft nach der Pandemie wird der Finanzsektor in der EU nach Ansicht von Experten eine entscheidende Rolle spielen. Dieser muss jedoch für die derzeit unsicheren Geschäftsprognosen zusätzlich noch den Brexit einkalkulieren. Die Überlagerung von Corona- und dem drohenden „harten“ Brexit macht es komplex, mögliche Maßnahmen abzuleiten, die der wirtschaftlichen Unsicherheit entgegenwirken. Für diesen Prognose-Part drängt sich Machine Learning (ML) auf. Dabei stellen sich die Fragen: Unter welchen Voraussetzungen können ML-Modelle genau vorhersagen, wie sich die EU trotz Brexit-Faktor im Vergleich zu anderen Wirtschaftsregionen erholen wird? Und welche Konsequenzen sollten Banken und andere Unternehmen daraus ziehen?
Deutsche und europäischen Finanzaufsichtsbehörden vergrößerten in der Hochphase der Corona-Pandemie die Spielräume, damit Banken leichter Kredite vergeben und so die Wirtschaft ankurbeln. Fintechs machen ihnen vor, wie eine schnellere und bessere Kreditwürdigkeitsprüfung funktioniert, die auf einer breiten Datenbasis einschließlich Kundenfeedback und Transaktionshistorie von Online-Marktplätzen basiert. Zugleich treibt die gesamte Finanzbranche um, wie viele ausgefallen Kredite die Bilanzen womöglich bis 2023 belasten könnten. Zumindest entlastet es die kleinen deutschen Geldhäuser, dass ihr Stresstest erst 2022 stattfinden sollen. Auch die Überprüfung der großen Banken in Europa wurde um ein Jahr auf 2021 verschoben.
Warum gängige Machine-Learning-Modelle versagen wenn es darum geht, die komplexe Überlagerung von Corona- und Brexit-Effekten abzubilden, kommentiert Richard Harmon, Managing Director – Financial Services bei Cloudera - im Folgenden genauer. Der IT- und Finanzexperte (1) zeigt für Sie ferner auf, wie Finanzinstitute und -dienstleister laut seiner Sicht strategisch vorgehen sollten, um ihre Modelle methodisch und technologisch so anzupassen bzw. weiterzuentwickeln, dass sie für das „new normal“ und den Brexit besser gewappnet sein können.
Vier Techniken, mit denen Finanzinstitute Krisenprävention betreiben können - Trail Risk oder Strukturwandel modellieren?
"Gängige ML-Modelle verwenden Big Data, was auch eine tiefe Historie granularer Daten beinhaltet. Es wird einige Zeit dauern, sie dem „new normal“ anzupassen. Entscheidend für das Training ist, welche Grundannahme getroffen wird: Entweder wird die Corona-Krise als Tail Risk, also ein einmaliges Ereignis, oder als tiefgreifender Strukturwandel betrachtet. Beim Tail-Risk-Ansatz funktionieren die Märkte und Unternehmen wie vor Corona, weshalb der Kriseneinschlag die Modelle nicht verzerren darf. Setzt hingegen mit Corona und der Zeit danach ein Strukturwandel ein, lässt sich nur mit völlig neuen ML-Modellen das wirtschaftliche Umfeld abbilden und vorhersagen. Das setzt eine drastisch erweiterte Datenbasis voraus. In der Modell-Erstellung liegt für Finanzinstitute nun die Chance, strategisch Krisenprävention zu betreiben, die im Wesentlichen vier Schritte umfasst.
1. Modifizieren bestehender Modelle
- Die Nutzung neuester Datenelemente sowie szenariobasierter Projektionen verändert die Modelle so, dass sich etwaige Verzerrungen über mehrere Ebenen anpassen lassen. Methodisch eignet sich unter anderem der Bayes-Ansatz. Dieser kann beispielsweise auch Expertenurteile in die Modelle integrieren, da er den Blick auf die Schlussfolgerung aus der Statistik heraus weitet. Das unterscheidet ihn vom so genannten frequentistischen Ansatz, der Wahrscheinlichkeiten als Ergebnisse unendlich oft wiederholbarer Zufallsexperimente betrachtet.
2. Stresstests
- Stresstests legen verborgene Schwachstellen offen und machen sie verständlich. Dies gilt insbesondere für unbekannte Modellungenauigkeiten. Chief Risk Officers sollten grundsätzlich Stresstests in allen Geschäftsbereichen etablieren und die statischen Szenarien für ein System vorbereiten, das Hunderte von dynamischen Stresstestszenarien automatisiert durchführt. Für diese Verbesserung schafft die „präskriptive Analyse“ den Rahmen, der zur nächsten Generation von Stresstest-Plattformen führen wird. Präskriptive Analytik definiert hierbei die nötigen Maßnahmen, um die vorhergesagten Ergebnisse zu erzielen. Sie beschreibt, wie sich jede Entscheidung auswirkt, und bietet die Option, die Entscheidungsfindung zu automatisieren.
3. Industrialisierung von ML
- Jetzt ist der ideale Zeitpunkt, um in den Aufbau einer Plattform zu investieren. Diese muss den gesamten Machine-Learning-Lebenszyklus unterstützten und so die Industrialisierung von ML ermöglichen. Dieses Anforderungsprofil geht über den Modellentwicklungs-Workflow hinaus, da eine solche Plattform eine vollständige unternehmensweite ML-Operationsschicht umfassen muss. Viele Institutionen sind bereits dabei, diese Fähigkeiten zu entwickeln. Bei der Suche nach einer Plattform sollten Unternehmen darauf achten, dass sie eine konsistente Modellverwaltung, Sicherheit und Governance über hybride, Multi-Cloud- und on-premises unterstützte Umgebungen hinweg bietet, um eine ganzheitliche Unternehmenssicht auf ihre ML-Modelllandschaft zu erhalten. Dies beschleunigt die Einführung von ML-gesteuerten Lösungen und unterstützt letztendlich alle Aspekte des Geschäfts eines Unternehmens.
4. Präskriptive Analytik und agentenbasierte Modellierung
-
Die so genannte präskriptive Analytik, die durch Simulationsfähigkeiten angetrieben wird, ergänzt bestehende ML-Modelle im Entscheidungsprozess. Ein neuer Simulationsansatz, der sich in der Finanzdienstleistungsbranche – insbesondere während der aktuellen Krise – durchzusetzen beginnt, ist die agentenbasierte Modellerstellung (ABM). Ein Agent kann eine Person, ein Produkt, eine Institution, ein Marktplatz oder die Wirtschaft sein. Hier liegt der Fokus auf der einzigartigen Zusammensetzung und komplexen Beziehungen einzelner Einheiten, die sich als Menge interagierender Objekte verstehen lässt.
-
Während das Agentenverhalten und die Entscheidungspunkte anhand historischer Daten kalibriert werden, kann der ABM-Ansatz die Projektion von Tausenden von Zukunftsszenarien unterstützen, die nicht von historischen Datenbeschränkungen abhängig sind – wie bei ML. Entscheidungsträger sind so in der Lage, die Auswirkungen verschiedener Schocks, Rückkopplungseffekte, alternativer Geschäftsstrategien und regulatorischer Änderungen zu bewerten. Dies führt zu einer ganzheitlichen Sichtweise auf mögliche künftige Ergebnisse und die Faktoren, die jedes Ergebnis beeinflussen. Methodisch schafft ABM die Basis, sehr effizient eine weitgehend automatisierte dynamische Modell-Stresstestumgebung aufzubauen.
Fazit von Richard Harmon: Auf den doppelten Schockwelleneffekt vorbereiten
Finanzinstitute benötigen eine IT-Umgebung, mit der sie alle ihre Modelle im gesamten Unternehmen aufbauen, validieren, produzieren, verwalten und überwachen können. Diesen Anspruch erfüllt beispielsweise die Cloudera Data Platform (CDP). Als Enterprise-Data-Cloud-Plattform bietet sie laut Entwickler eine konsistente Modellverwaltung, Sicherheit und Governance über hybride, Multi-Cloud- und lokale Umgebungen hinweg. Anwendern kann sie zu einer ganzheitliche Unternehmenssicht auf ihre ML-Modelllandschaft verhelfen, in der sich ABM als komplementäre, entscheidende Instrumente integriert lassen. Diese Tools unterstützen Banken darin, die optimale Strategie zu finden, welche der vielen „new normal“-Ergebnisse sie verfolgen sollten. Auf diese Fähigkeit wird es im Finanzsektor in der EU ankommen, sobald sich die Schockwellen von Corona und Breit überlagern.“
(1) Das Bild zeigt Richard Harmon, Managing Director, Financial Services bei Cloudera (Quelle: Cloudera)
Querverweise:
-
Unser Beitrag > Künstliche Intelligenz ist mit 15% Wachstum ein Spiegel deutscher Innovationskraft
-
Unser Beitrag > Künstliche Intelligenz benötigt neben mehr Rechenleistung vor allem Energieeffizienz
-
Technische Aspekte zu KI und Storage im Kontext der Entwicklung von Speichernetzwerken > Blogpost zu NVMeoF und FC SANs (part2)