Die Kernidee des Forschungskooperationsprojektes “Risk Management 4.0” ist die explorative Analyse hinsichtlich der Möglichkeit des maschinellen Lernens zur vorausschauenden kausalen Analyse von Risikofaktoren über Investmentportfolien hinweg. Solche automatisierten vorausschauenden Risikoanalysen fragt auch die Bundesanstalt für Finanzdienstleistungen (BaFin) in ihrem Konsultationspapier vom 16.07.2018 nach. Die Regulatorik auf der Ebene der EU und der BRD zur Anwendung des maschinellen Lernens von Finanzinstituten zielt darauf diese Anwendungen transparent und nachvollziehbar zu gestalten. Folglich sind die wissenschaftlichen Erkenntnisse der Erklärbarkeit der Kausalität des maschinellen Lernens mit Produktionsdaten eines Finanzinstituts von übergeordnetem Interesse für das Finanzsystem. Die Forschungskooperation beinhaltet neben der explorativen Testphase zur deskriptiven Analyse der Risikodaten und der Potentialanalyse darauf aufbauend mehrere Teilprojekte. Insbesondere werden folgenden Punkte unter dem Thema „Risk Identification, Warning and Data Optimization“, das unter anderem aus den zukünftigen regulatorischen Notwendigkeiten abgeleitet ist, im Rahmen des SDI-C Projekts untersucht: die ex-ante Analyse der kausalen Zusammenhänge und darauf basierenden Vorhersage von Risikotreibern von Fonds und Wertpapieren, sowie der ex-post Analyse der Risikotreiber, die zu Risikogrenzüberschreitungen führten.
Ziel ist es ein automatisiertes Frühwarnsystem zur Identifikation wesentlicher Risikofaktoren und der kausalen Analyse ihrer Auswirkungen über mehrere Wertpapiere und Investmentvermögen hinweg zu entwickeln. Dieses Frühwarnsystem soll Risikomanager bei der täglichen Detailanalyse und Kommunikation der Risikotreiber mit den Portfoliomanagern, Kunden und dem Regulator unterstützen.
Der wissenschaftliche Beitrag ist die Erklärbarkeit der Kausalität zwischen Risikofaktoren, die die Risiken in Investmentvermögen treiben. Aufgrund der zukünftigen regulatorischen Anforderungen sind diese Erkenntnisse für das Finanzsystem von übergeordneter Bedeutung. Zudem unterscheiden sich strukturierte Finanzdaten erheblich von den Produktionsdaten der Industrie, so dass die Erklärbarkeit der Kausalität die wesentliche Herausforderung zur Schaffung von regulatorisch notwendiger Transparenz ist. Vorgelagert ist die Erforschung der automatisierten Optimierung der großen Datenmengen in der Finanzindustrie
Die Daten umfassen für die erste Phase der explorativen Datenanalyse für die Machbarkeitsstudie, die dem eigentlichen Forschungsvorhaben vorgeschaltet ist, 167 tägliche Risikokennzahlen von 50 Investmentvermögen im Zeitraum Januar 2017 bis September 2018. Diese Daten sollen mit weiteren Investmentvermögen über einen längeren Zeitraum schrittweise erweitert werden. Zudem werden die Risikokennzahlen mit den Marktdaten der in den Investmentvermögen enthaltenen Wertpapieren von Thomson Reuters ergänzt. Die schrittweise Ergänzung der Daten dient der Erweiterung der Cluster-Analysen und des Trainierens des maschinellen Lernens. Auch werden in der Praxis weitere Datenquellen angebunden und verknüpft, weil dies aufgrund der regulatorischen Vorschriften, wie BCBS 239, für Finanzdienstleister verpflichtend ist.
Der Verwertungsplan sieht vor, dass das KIT und die DWS Investment GmbH die Forschungsergebnisse für erste Anwendungen teilen und sowohl gemeinsame, als auch individuell intern, weiterentwickeln für darauf aufbauenden Anwendungen die die Erklärbarkeit der Kausalität zwischen Risikotreibern in Finanzdaten bedingen. Gemeinsame wissenschaftliche Publikationen sind vorgesehen.
Projektzeitraum
01.11.2019 – 30.04.2020
Ansprechpartner
Ployplearn Ravivanpong, Karlsruher Institut für Technologie (ployplearn.ravivanpong@kit.edu), KIT
Dr. Till Riedel, Karlsruhe Institut für Technologie (till.riedel@kit.edu), KIT
Dr. Pascal Stock (pascal.stock@dws.com), DWS Investment GmbH
