Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:
| Theorie
twitterlinkedInXING

Textdaten-Analyse: So können Investoren von KI-Software profitieren

Künstliche Intelligenz (KI) ist keine Science-Fiction mehr. Profianleger setzen zunehmend Natural Language Processing (NLP) ein. Denn damit können sie textbasierte Daten schneller und effizienter verarbeiten als je zuvor.

adobestock_39187904.jpg
© Goss Vitalij / stock.adobe.com

Vor dem Hintergrund der zunehmenden Datenflut erörtern Günter Jäger (Bild links), CEO von Plexus Investments, und Martin Vogt (Bild rechts), Professor für Advanced Analytics an der Hochschule Trier und Scientific Advisor CURE Intelligence, wie institutionelle Investoren und vor allem die von ihnen mandatierten Asset Manager KI-Software zur Analyse von Texten und anderen Informationsquellen einsetzen können.  

Wortzusammenhänge und Negationen erkennen
Die maschinelle Verarbeitung sei oft (noch) schwierig, weil Datenstandards fehlen. Hier setzt laut Jäger und Vogt Natural Language Processing (NLP) an: Der NLP-Einsatz hat zum Ziel, schriftliche und gesprochene Inhalte mit Hilfe von Computern automatisiert zu verarbeiten und zu analysieren. Eine Grundvoraussetzung dafür ist allerdings, dass Text- und Sprachdateien für NLP geeignet aufbereitet sind. Dabei helfen bereits einfache Ansätze für Zusammenfassungen von Texten, die erste Eindrücke über deren Inhalte vermitteln.

Darüber hinaus gibt es in der Praxis zahlreiche weitere Fragestellungen, berichten Jäger und Vogt: So können häufige Wiederholungen – hier beispielhaft des Wortes Ende – auf ein positiv zu interpretierendes Ende der Verlustphase hindeuten. Aber womöglich eben auch auf ein wohl eher negativ zu interpretierendes Ende der Geschäftsbeziehung. Damit NLP in solchen Fällen die richtigen Schlüsse zieht, muss die Software auch Wortzusammenhänge und Negationen wie nicht beenden unterscheiden können.

Wörter im richtigen Kontext miteinander verbinden
Eine weitere Schwierigkeit bei der NLP-Anwendung sind Wörter, die in verschiedenen Kontexten verschiedene Bedeutung haben. So kann das Wort Bank theoretisch unter anderem ein Finanzinstitut oder eine Sitzbank bezeichnen. Oder ein anderes Beispiel: Der Kommentar Sehr gut gemacht! Vielen Dank! in einem Kundenportal: Dieser kann positiv anerkennend oder negativ ironisch gemeint sein. Um mit verschiedenen Sprachvarianten korrekt umzugehen, kommen bestimmte KI- bzw. Machine Learning-Verfahren zum Einsatz – beispielsweise Worteinbettungen und neuronale Netze.

Worteinbettungen kodieren Wörter mittels Vektoren (Zahlen). Dadurch können Zusammenhänge elegant dargestellt und sogar berechnet werden. Ein Beispiel hierfür ist der Zusammenhang zwischen den Hauptstädten Rom und Berlin: Berlin minus Deutschland plus Italien = Rom. Allerdings wird auch bei dieser Methode der Kontext noch nicht zwangsläufig betrachtet. Das ändert sich allerdings mit dem Einsatz neuronaler Netze. Diese müssen mittels Daten so trainiert sein, dass sie aus einem Wort in einem Text das nächste Wort im richtigen Kontext vorhersagen können. Um dabei wirklich den gesamten Kontext – und eben nicht nur ein einzelnes Wort – zu berücksichtigen, sind spezielle neuronale Netze mit „Gedächtnis“ notwendig: nämlich rekurrente neuronale Netze.

Hervorgehoben sei hier laut Jäger und Vogt insbesondere das kürzlich durch Google AI vorgestellte (Sentence-) BERT Modell, ein Deep Learning-Modell für Sprachrepräsentationen, das als Pretraining-Ansatz für verschiedene NLP-Probleme gilt. Es wurde bereits mit großen Datenmengen wie Wikipedia-Einträgen und Buchinhalten trainiert.

Gewinnbringend in Kommunikations- und Investmentprozessen
Vermögensverwalter können Jäger und Vogt zufolge mit solchen modernen Technologien und Methoden echte Effizienzgewinne für ihre Investoren generieren, die in kapitalvermehrende Wertentwicklungen von Finanzprodukten münden. Eine bereits praxisbewährte Anwendung ist das Filtern der täglichen E-Mail-Flut in für den Empfänger relevante und nichtrelevante Inhalte.

Im Asset Management kann ein NLP-System aber auch Newsletter, Quartalsberichte oder Medienartikel zusammenfassen – und den Researchern lediglich jene Inhalte präsentieren, die für vorab definierte Investitionsmöglichkeiten relevant sind.

Eine weitere Anwendung bezieht sogar alle in der Medienwelt verfügbaren Informationen ein, Media-Kanäle wie Facebook, Twitter und Co eingeschlossen. Ein mit NLP trainierter News Alert-Filter kann automatisiert zu einem hocheffizienten Research-Prozess beitragen. So aggregiert er unter anderem Informationen aus Online-Medien, um spezifische Nachrichten und andere Erwähnungen zu finden, die Asset Managern aktuelle und potenzielle Investmentchancen offenbaren. Dabei kann auch die Sentimentanalyse eine große Rolle spielen, bei der NLP-Nutzer versuchen, die Stimmungen von Autoren zu erkennen.

Das Fazit von Jäger und Vogt lautet: Künstliche Intelligenz – und hier insbesondere NLP – kann Asset Managern zu messbaren Wettbewerbsvorteilen verhelfen. Sie werden in Investmentprozessen von der Ideengenerierung über die Investmentumsetzung bis hin zum Monitoring von bestehenden und künftigen Investitionen immer wichtiger. (aa)

 

twitterlinkedInXING

News

 Schliessen

Mit der Nutzung dieser Website stimmen Sie der Verwendung von Cookies und unserer Datenschutzerklärung zu. Mehr erfahren