Data Science im Finanzwesen

Data Science heißt, Fragen mit Daten zu beantworten: sie sammeln, bereinigen, ein statistisches oder Machine-Learning-Modell daran testen und das Ergebnis den Entscheidern erklären. Im Finanzwesen sind die Daten Kreditakten, Karten- und Kontotransaktionen, Wertpapierkurse, Kundendaten und die Meldungen einer Bank an ihre Aufsicht. KI im Finanzwesen läuft auf denselben Daten, und viele KI-Projekte einer Bank beginnen als Data-Science-Projekt.

Typische Einsätze im Finanzwesen sind Bonitätsbewertung, Betrugswarnungen bei Kartenzahlungen, Geldwäsche-Screening, Liquiditätsprognosen, Preisbildung und Kundenabwanderung. Im Asset Management bauen Data Scientists Signale aus Marktdaten und aus alternativen Daten wie Nachrichtentexten. Data Analytics im Banking ist die ältere, beschreibende Hälfte der Arbeit: Berichte und Dashboards, die zeigen, was passiert ist. Data Science ergänzt Modelle, die schätzen, was als Nächstes passiert, etwa die Ausfallwahrscheinlichkeit eines Kreditnehmers, die Kernzahl des Kreditrisikos.

In einer Bank kostet Datenqualität einen Data Scientist viel Zeit, weil die Aufsicht sie prüft. Der Basler Ausschuss veröffentlichte seine Grundsätze für die effektive Aggregation von Risikodaten und die Risikoberichterstattung (auf Englisch), bekannt als BCBS 239, nachdem viele Banken in der Finanzkrise ihre Risikopositionen nicht schnell genug zusammenrechnen konnten. Die EZB legte mit ihrem Leitfaden zur Risikodatenaggregation und Risikoberichterstattung nach, der sagt, was sie von den beaufsichtigten Banken über BCBS 239 hinaus erwartet.

Zentralbanken erheben auch Daten auf Einzelkreditebene. AnaCredit, der analytische Kreditdatensatz der EZB, enthält Angaben zu einzelnen Krediten über 25.000 € an Unternehmen und andere juristische Personen im Euroraum, mit 94 Datenattributen und 7 Kennungen je Kredit. Kredite an private Haushalte sind nicht enthalten.

Für Modelle, die Entscheidungen treffen oder vorbereiten, veröffentlichte die BaFin Prinzipien für den Einsatz von Algorithmen in Entscheidungsprozessen. Sie teilt das Leben eines Modells in Entwicklung, in der es ausgewählt, kalibriert und validiert wird, und Anwendung, in der Menschen sein Ergebnis deuten, und verlangt für jedes Modell eine klare Verantwortung. Die KI-Verordnung bringt Pflichten für Hochrisiko-Systeme hinzu, darunter die Bonitätsbewertung von Verbrauchern.

Frankfurt ist Sitz der Europäischen Zentralbank, der Deutschen Bundesbank und der Gruppe Deutsche Börse, und Deutsche Bank und Commerzbank haben hier ihre Zentralen. Das Forschungsdatenzentrum der Bundesbank, das FDSZ, gibt Forschern Zugang zu anonymisierten Mikrodaten über Banken, Unternehmen, Wertpapiere, Investmentfonds und Haushalte, für unabhängige, nicht kommerzielle Projekte und unter strengen Auflagen.

Für einen Abschluss bietet die Frankfurt School of Finance & Management einen Master of Artificial Intelligence & Data Science: vier Semester und 120 ECTS-Punkte, mit Unterricht an zwei Wochentagen und samstags, damit Studierende nebenher arbeiten können. Firmenprojekte laufen mit Häusern wie der Gruppe Deutsche Börse und PwC. Praktiker treffen sich bei Frankfurt Data Science, einer Frankfurter Gruppe für angewandte Data Science und KI, deren Meetups kurze Vorträge mit Campfire-Runden verbinden, mehrere davon im TechQuartier.

Die Programme jüngerer KI-Events für die Finanzbranche zeigen, wo Datenteams ihre Zeit verbringen. Bei fAInance, der halbtägigen Konferenz von Sopra Steria und Fraunhofer IAIS für Beschäftigte von Finanzinstituten, ging es in den Demo-Bereichen um KI im Softwaretest, in Governance, Risiko und Compliance und gegen Finanzkriminalität. Das Meetup AI & Financial Market Data in Paris brachte Quant-Entwickler der Deutschen Bank mit Leuten von FactSet, Amundi und QuestDB zusammen, um zu vergleichen, wie sie Marktdaten für Modelle speichern und bereitstellen. In Hamburg setzte die KI Exchange souveräne KI-Infrastruktur, KI-Governance und DORA-Compliance auf ein Programm.

Der letzte Punkt betrifft jede Datenplattform. Eine Bank, die Daten und Modelle in der Cloud betreibt, fällt unter den Digital Operational Resilience Act, der ein Register aller IKT-Dienstleistungsverträge verlangt. Die Wahl eines Datenanbieters ist daher auch eine Frage für Risiko- und Auslagerungsteams.

Finance Loop ist der Treffpunkt für Menschen, die Daten- und KI-Modelle für Banken, Asset Manager, Versicherer und Fintechs bauen. Das Netzwerk verbindet die Finance-, IT- und KI-Communitys, mit Events in Frankfurt und auch in München, Berlin und Hamburg. Finance Loop hat eine Kooperation mit Frankfurt Data Science für gemeinsame Events und Wissensaustausch, mit KI-Governance und angewandten Einsätzen als Schwerpunkt. Zusammen mit Finteda und Frankfurt Data Science unterstützt es Claude Hacker House, eine Praxisreihe zum Bauen mit Claude für Business und Finanzen.

Finance Loop war Partner von AI in Finance Paris, veranstaltet von Finteda, und unterstützte das Meetup AI & Financial Market Data in Paris. Es organisiert das Frankfurt Quantum Finance Forum mit Frankfurt School, Deutscher Bundesbank, IBM und Finteda. Alle Termine stehen auf der Event-Seite.

Sie bauen und pflegen die Modelle hinter Kreditentscheidungen, Betrugswarnungen, Prognosen und Preisen. Ein großer Teil der Arbeit ist, Daten zu finden und zu bereinigen, ein Modell an vergangenen Fällen zu testen und aufzuschreiben, wie es funktioniert, denn ein Validierungsteam und später die Aufsicht lesen diese Dokumentation. Der Rest ist, Ergebnisse den Leuten in Risiko, Vertrieb oder Treasury zu erklären, die danach handeln.

In Deutschland taucht das Thema vor allem auf KI-Konferenzen für die Finanzbranche auf, etwa bei fAInance in Frankfurt, auf Deutsch und nur für Beschäftigte von Finanzinstituten, und bei der KI Exchange in Hamburg. Kleinere Meetups von Frankfurt Data Science und Finance Loop stehen im Kalender oben.

Für einen vollen Abschluss neben dem Beruf ist der Master der Frankfurt School mit Unterricht an zwei Wochentagen und samstags gemacht. Für einen ersten Schritt zeigt ein Praxisabend wie Claude Hacker House oder ein Meetup, wie die Arbeit aussieht, und der Wissensbereich von Finance Loop erklärt die Finanzseite, von Marktdaten bis Kreditrisiko, in einfachen Worten.