Die Projektarbeit hatte zum Ziel, ein auf künstlicher Intelligenz basierendes Vorschlagssystem («Recommendersystem») für Anlage-Spezialisten zu konzipieren und dieses prototypisch zu implementieren.
Bisher wurden Anlageentscheide durch die Anlage-Spezialisten ohne weitergehende Informatikunterstützung vorgenommen. Die Anlage-Spezialisten mussten stets sehr aufwändig alle rund 600 zur Verfügung stehenden Fonds hinsichtlich deren Eignung für die Kunden-Anlagestrategie (Markt, Währung, Themenbereich, Risiko, etc.) überprüfen. Nun sollte ein «intelligentes» Recommendersystem konzipiert werden, welches den Anlage-Spezialisten eine stark reduzierte, aber dennoch optimale Vorauswahl möglicher Fonds zur Auswahl unterbreitet. Im Vordergrund stand eine unterstützende Lösung, welche den endgültigen Anlageentscheid weiterhin bei den Anlage-Spezialisten belässt.
Das Recommendersystem sollte mit Hilfe eines neuronalen Netzwerkes realisiert werden. Neuronale Netzwerke lernen, in Analogie zu lebenden Organismen, auf dem Prinzip von «Trial and Error». Mit jedem Versuch wird das neuronale Netzwerk so angepasst und optimiert, dass der nächste Versuch ein Stück weit besser ausfallen wird. Hierzu ist regelmässig eine grosse Anzahl von Trainingsdaten notwendig. Als Trainingsdaten dienten in diesem Projekt die in grosser Anzahl verfügbaren Anlageentscheide der vergangenen Jahre. So lagen rund 50'000 Kombinationen aus Kundenstrategien und tatsächlich vorgenommenen Fondsallokationen vor. Es war also bekannt, welche Fonds in der Vergangenheit bei einer vorliegenden Kundenstrategie bevorzugt wurden.
Für die Implementation wurden die Softwarepakete Tensorflow und Keras verwendet. Da Keras als high-level Schnittstelle für neuronale Netzwerke viele Konfigurationsmöglichkeiten bietet, wurden über 50 verschiedene Konfigurationen mittels Lernkurven miteinander verglichen. Beispiele dafür sind das Variieren der Netzwerktopologie (Anzahl der Neuronen) oder die Methode der Initialisierung der Gewichte des neuronalen Netzes.
Im Endresultat lagen sehr gute Ergebnisse vor: das neuronale Netzwerk unterbreitet eine Liste mit 20 Vorschlägen. Diese Liste enthält mit über 90 Prozent Wahrscheinlichkeit jenen Anlagevorschlag, welcher vom Anlage-Spezialisten tatsächlich ausgewählt wurde. Damit lässt sich also die Auswahlmenge an Fonds von 600 auf rund 20 Fonds beschränken.
Projektinformationen
Auftraggeber: Investment Advisor für Private Equity Anlagefonds
Absolvent: Manuel Bachler
Betreuung: Prof. Dr. Adrian Specker, Hochschule für Technik FHNW
Studiengang: Wirtschaftsingenieurwesen, Vertiefung: Digital Engineering