Digitalisierungs-Experte Evgeny Kuznetsov Wie Big Data und Deep Learning den Finanzhandel revolutionieren
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.
Wichtigste Zukunftstechnolgie
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.
1.200% Rendite in 20 Jahren?
Betrüger aufdecken und Compliance 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 Messagingdienste, Spracherkennungsdaten für die Telefonie, Traffic- und andere statistische Verhaltenswerte aus sozialen Netzwerken.