Die transformative Kraft von GenAI: Asset Management im Wandel

Aktuell prüft wohl jede Branche, inwiefern generative künstliche Intelligenz (GenAI) Vorteile für das eigene Geschäft mit sich bringen kann. So auch das Asset Management. Trotz starker Regulierung ist es undenkbar, dass diese neue Technologie dort nicht einziehen wird. Im Gegensatz zur traditionellen AI, ihrem Vorgänger, der eine spezifische Aufgabe gemäß vordefinierten Regeln ausführt, schafft GenAI eine neue Realität. In diesem Beitrag beleuchten wir, wie diese Realität im Asset Management aussehen kann.

Was bedeutet GenAI für die Finanzindustrie und insbesondere für das Asset Management?

Eine aktuelle Studie von Gartner zeigt, dass mehr als 80 Prozent der befragten Unternehmen planen, GenAI und GenAI-fähige Anwendungen bis zum Jahre 2026 zu implementieren. GenAI hat bereits sein Multitalent in der Praxis unter Beweis gestellt und verändert beispielsweise im Marketing, Personalwesen und Rechtswesen die Arbeitsweise.

Auch das Asset Management hat das enorme Potenzial erkannt – die Einstiegs- und Umsetzungsphase hat begonnen. So wird GenAI bereits von 77% der Finanzunternehmen als eine der führenden Zukunftstechnologien zur Bewältigung der langjährigen Herausforderungen, wie die Integration von disruptiven Technologien, nachhaltigem Investieren, sich stetig verändernden regulatorischen Anforderungen sowie steigendem Kostendruck, angesehen.

Denn, dieses Potenzial ist groß: Die Integration von GenAI in bestehende Prozesse verbessert beispielsweise die Automatisierung und Bereitstellung von vielen Dienstleistungen wie Kundeninteraktionen inkl. Onboarding im Front-Office als auch Auftragsausführung im Middle-Office und administrative Back-Office Operationen. Effizienz? Check! Kundenzufriedenheit? Check! Umsatzwachstum? Check! Kostenoptimierung? Check!

So setzt auch BlackRock, einer der weltweit führenden Asset Manager, auf die Integration von GenAI in ihrem begehrten Datenanalysesystem Aladdin. Dadurch werden die Datenprozesse optimiert und die Qualitätssicherung auf ein neues Niveau gehoben. BlackRock ebnet damit den Weg für eine effizientere, datengesteuerte und flexible Asset Management Landschaft.

Steht das Asset Management vor einer GenAI Evolution oder Revolution? 

Die Studien und Zahlen zeigen es: Es steht außer Frage, dass die GenAI-Technologie aufgrund ihrer Fähigkeit, neuartige Ausgaben zu generieren, aktuell die gesamte Marktaufmerksamkeit auf sich zieht. Interessant hingegen ist die Frage, ob wir eine Revolution oder eine Evolution durchleben.

Der revolutionäre Aspekt von GenAI spiegelt sich im disruptiven Charakter der Technologie und in steigender Effizienz als Ergebnis wider, um zunehmend von Menschen unabhängige Ansätze zu implementieren. Der evolutionäre Einsatz von GenAI wird jedoch durch die jahrelangen, kontinuierlichen Verbesserungen in der Finanztechnologie reflektiert. Die bestehenden Front-to-Back Prozesse im Asset Management werden durch die Integration von GenAI nicht ersetzt – sie werden auf ein ganz neues Level gehoben. Dank ihres vielfältigen Potenzials, entwickelt sich GenAI zu einem Katalysator für den Wandel.

Die Entscheidungsfindung im Asset Management wird von intelligenten Erkenntnissen und einer Auswertung von großen Inputdaten in kurzen Zeiten geprägt sein. Richtig eingesetzt, kann beispielsweise …

·       … das Reporting präziser und zeitnaher

·       … die Fondsbuchhaltung nahtloser und effizienter

·       … die Risikoberechnungen genauer

·       … die Preisabstimmungen schneller

werden.

Doch wie schafft GenAI diese neue Realität?

GenAI verwendet fortschrittliche Techniken des Machine Learning und des Deep Learning, insbesondere Transformer-Modelle. Durch den Einsatz neuronaler Netze werden Kontext und Beziehungen innerhalb der Daten, wie z. B. die Verbindungen zwischen einzelnen Wörtern, verstanden und verarbeitet. Diese Transformer bilden das Herzstück vieler GenAI-Modelle, einschließlich des großen Sprachmodell-Chatbots ChatGPT.

Die zukünftige Entwicklung von GenAI basiert auf seiner Fähigkeit, kontinuierlich aus einer zunehmenden Datenmenge zu lernen. Dadurch können diese Modelle die Vorhersage und Generierung von Informationen auf eine Weise, die der menschlichen Entscheidungsfindung ähnelt, optimieren. Dieser kontinuierliche Lernprozess wird nachfolgend anhand eines Anwendungsfalls aus dem Asset Management dargestellt.

GenAI Lernprozess im Überblick

Die alte Börsenweisheit "Der Markt wird von Angst und Gier getrieben" muss heutzutage nicht mehr gelten. GenAI ermöglicht es Finanzberatern, datenbasierte Entscheidungen zu treffen. Dabei werden emotionsfreie Datenanalysen durchgeführt und durch Integration qualitativer Daten vervollständigt. Das Resultat? Finanzentscheidungen, die nicht von Impulsivität geprägt sind, sondern von rationalen, datengesteuerten Strategien. Wie macht GenAI aus "Angst und Gier" ein "Daten und Logik“?

Datensammlung

Der Kreislauf beginnt mit der Datensammlung. Diese umfasst eine breite Palette von Finanzdaten wie Datenbanken, Datenanbietern, Unternehmensberichten und öffentlich zugänglichen Quellen. Durch die Integration von qualitativen Daten aus Nachrichten und sozialen Medien erfasst das Modell die aktuelle Marktstimmung. Dieser Ansatz gewährleistet eine solide Grundlage für objektive Anlageentscheidungen.

Vorverarbeitung

Die Vorverarbeitung von gesammelten Daten ist der nächste entscheidende Schritt, um eine standardisierte Datenstruktur für das Modell zu schaffen. Darüber hinaus ist die Identifikation von Ausreißern oder fehlerhaften Werten notwendig. Es müssen geeignete Maßnahmen zur Bereinigung der Daten ergriffen werden, wie etwa die Korrektur oder das Ergänzen fehlender Werte.

Modelltraining

So bildet sich die Datengrundlage für das initiale Modelltraining. GenAI verwendet neuronale Netze, um potenzielle Risiken und Trends im Trainingsdatensatz zu erlernen. Zwischen den Neuronen bestehen Verknüpfungen, die sogenannten Gewichtungen. Diese Gewichtungen beeinflussen, inwieweit der Dateninput eines Neurons die Aktivierung des nächsten Neurons bestimmt. Dadurch wird sichergestellt, dass sich eine effektive Mustererkennung ergibt. So werden beispielsweise menschliche Emotionen in Finanznachrichten erkannt und entfernt.

Feinabstimmung

Nach dem initialen Training wird das Modell durch Feinabstimmung unter Berücksichtigung von Nutzerfeedback optimiert. Dieser Schritt stellt sicher, dass das Modell besser auf die spezifischen Anforderungen und Muster reagiert. Die Anpassung des Modells kann auf verschiedene Arten erfolgen, z. B. durch die Modifizierung der Gewichtungen bestimmter Risikoindikatoren.

Ausgabenerzeugung

Im Anschluss schafft das Modell die Erzeugung von ersten Ausgaben. Auf der Grundlage der erlernten Muster, können diese Ergebnisse in verschiedenen Formaten präsentiert werden, sei es in Form von strukturierten Berichten, Grafiken oder klaren Anweisungen. Ausgehend von qualitativen Daten erstellt das Modell objektive Anlageempfehlungen.

Feedback-Loop

Um die Ausgabenerzeugung besser an die gewünschten Erwartungen anzupassen, ist vorgesehen, dass das Modell kontinuierlich aus dem Nutzerfeedback lernt. Das Feedback, ob in Form von Bestätigungen, Ablehnungen oder Anpassungswünschen wird systematisch gesammelt, um das Modell zu optimieren.

Integration neuer Daten

Die Integration neuer Daten ermöglich nicht nur einen kontinuierlichen Lernprozess, sondern schafft auch einen umfassenden Überblick über historische und aktuelle Informationen. Durch flexible Anpassung der Gewichte zwischen den Neuronen kann dieser Prozess sich an wechselnde Trends und Muster anpassen.

Re-Training

Das Modell wird erneut mit dem kombinierten Datensatz trainiert, um aktuelle Informationen zu integrieren und die Mustererkennung zu verfeinern. Durch einen erneuten Trainingsprozess passt sich das erweiterte Modell an neue Muster an.

Validierung und Test

Nach dem erneuten Training wird das Modell validiert und getestet, um sicherzustellen, dass es weiterhin genaue und zuverlässige Ergebnisse liefert. Dazu gehört der Vergleich der Vorhersagen mit den tatsächlichen Ergebnissen und das Testen unter verschiedenen Szenarien, um konsistente Empfehlungen zu gewährleisten.

Bereitstellung

Der Kreislauf schließt sich, indem das GenAI-Modell bereitgestellt wird und als integriertes Analysewerkzeug für Asset Manager über die zentrale Datenbank zugänglich ist.

Dieser fortlaufende Prozess benötigt eine ständige Überwachung, bei der Nutzerfeedback und auftretende Probleme berücksichtigt werden. Auf Basis dieser Erkenntnisse wird der Prozess zurück zur Trainingsphase geführt, wo Lernerfahrungen und neue Daten integriert werden. Durch die Berücksichtigung dieser Schritte können GenAI-Modelle kontinuierlich sich weiterentwickeln, um in dynamischen Umgebungen weiterhin relevant und effektiv bleiben.

Bremsen Datenschutzbedenken den Einsatz von GenAI?

Kaum eine Branche ist so stark reguliert wie die Finanzindustrie. Natürlich verlangsamen in einem hochregulierten Umfeld, Bedenken in Bezug auf Datenschutz und Transparenz die Einführung dieser Veränderungen. Dennoch machen sie die Einführung nicht unmöglich.

Spannend wird sein, die Auswirkung der aufkommenden Regulierungen für AI in der Europäischen Union zu beobachten, welches als das weltweit erste umfassende AI-Gesetz gilt. Dadurch müssen folgende zusätzliche Transparenzanforderungen erfüllt werden (Link):

•      Offenlegung, dass der Inhalt durch AI generiert wurde;

•      Gestaltung des Modells, um zu verhindern, dass es illegale Inhalte erzeugt;

•      Veröffentlichung von Zusammenfassungen urheberrechtlich geschützter Daten, die für das Training verwendet wurden.

Was bringt die Zukunft von GenAI für die Arbeitswelt im Asset Management?

Neben kurzfristigen Auswirkungen wie die Prozessoptimierung und Produktivitätssteigerung hat die Integration von GenAI auch langfristige Effekte auf Organisationen und Teams. Durch die Befreiung der Mitarbeiter von wiederkehrenden Tätigkeiten erfolgt eine Neudefinition von Rollen und Zuständigkeiten. Darüber hinaus fördert der Einsatz von GenAI den Wissensaustausch und verwandelt Teams in kollaborative und agile Einheiten. Besonders in einem dynamischen Umfeld wie dem Asset Management ist präziser Austausch von Wissen maßgeblich. Entscheidend ist, dass GenAI durch die komplementäre Partnerschaft den Menschen nicht ersetzt, sondern seine Fähigkeiten ergänzt.

Die zahlreichen Vorteile von GenAI im Asset Management sind beeindruckend. Angesichts des immensen Potenzials ist es von entscheidender Bedeutung, die Unterschiede zu verstehen, um durch optimales Zusammenspiel noch leistungsfähigere Lösungen zu erzielen. Den höchsten Nutzen schöpfen die Unternehmen, die das Potenzial dieser Technologien richtig nutzen. Beide Technologien, sowohl die traditionelle AI als auch GenAI schließen sich gegenseitig nicht aus und spielen bei der Gestaltung unserer Zukunft eine wichtige Rolle und eröffnen jeweils einzigartige Möglichkeiten. 

Fazit

GenAI stellt einen bedeutenden Fortschritt für das Asset Management und die gesamte Finanzindustrie dar. Während die typische Reaktion auf neue Technologietrends eine abwartende Haltung ist, sind wir überzeugt, dass Abwarten nicht länger eine Option ist, da sich GenAI rasch ausbreitet und weiterhin wachsen wird. In der Asset Management Industrie wird eine AI-Vision zugrunde gelegt, die genauso dynamisch ist wie der Markt selbst. Dieser proaktive Ansatz ermöglicht es aufgrund der zurzeit niedrigen Einstiegshürde als Pionier einen Wettbewerbsvorteil zu generieren.

Die Frage, inwieweit die Entwicklung von GenAI als "Revolution" oder als "Evolution" betrachtet werden kann, ist eine Frage der Perspektive und des zeitlichen Horizonts. Realität ist: AI- und GenAI-Technologien werden erhebliche Veränderungen für die Branche mit sich bringen, welche jedoch oft in bestehende Strukturen integriert werden, und ihr volles Potenzial erst im Laufe der Zeit realisieren.

Mit dem gemeinsam aufgebauten Verständnis kann man nur gespannt bleiben, wie sich GenAI im Asset Management etablieren wird. Die Reise verspricht aufregend und dynamisch zu werden, und wir von Exxeta werden sie mit Euch teilen. Bleibt also dran für weitere faszinierende Einblicke in die Welt von GenAI im Asset Management.