Das maschinelle Lernen

Maschinelles Lernen hat Bilderkennung und Übersetzung verwandelt. In der Finanzwelt sind seine Erfolge ungleicher, als man glaubt.

Es gibt vier Felder. Preise vorhersagen, Orders ausführen, Betrug erkennen und anstelle eines Menschen entscheiden.

Erstes Feld, die Preisvorhersage. Das ist der Traum. Und es ist das enttäuschendste Feld.

Ein Katzenfoto bleibt ein Katzenfoto. Ein Markt ändert sich, sobald man seine Regel gefunden hat, denn andere nutzen sie sofort aus.

Das Signal ist schwach, die Geschichte kurz, und die Vergangenheit wiederholt sich nicht. Ein mächtiges Modell lernt dort vor allem das Rauschen.

Zweites Feld, die Ausführung von Orders. Weniger glänzend, aber viel rentabler.

Eine Million Aktien auf einmal zu kaufen, treibt den Preis gegen einen selbst. Man muss die Order aufteilen, im richtigen Rhythmus.

Für das Beispiel: bei einer Order über hundert Millionen Euro ein Zehntelprozent Kosten zu sparen, sind hunderttausend Euro.

Jeden Tag bei Tausenden Orders wiederholt, ist das ein Vermögen. Und hier hat das Modell Millionen Beispiele zum Lernen.

In der App ist dieses Kapitel animiert und erzählt, Karte für Karte. Kostenlos testen starten.

Laden imApp Store

Drittes Feld, die Betrugserkennung. Wo es wirklich funktioniert.

Jede Kartenzahlung wird in Sekundenbruchteilen bewertet. Ort, Betrag, Uhrzeit, Gewohnheiten: alles wird verglichen.

Klassische Falle: sagen wir ein Betrug auf tausend Zahlungen. Ein Modell, das immer „kein Betrug“ sagt, liegt neunundneunzig Komma neun Prozent der Zeit richtig.

Und es nützt nichts. Was zählt, ist, wie viele Betrugsfälle es erwischt und wie viele ehrliche Kunden es blockiert.

Für das Beispiel: eine Million Zahlungen, tausend Betrugsfälle. Das Modell erwischt neunhundert und irrt sich bei null Komma fünf Prozent der ehrlichen Zahlungen.

Das macht viertausendneunhundertfünfundneunzig Fehlalarme. Kaum einer von sechs Alarmen ist echter Betrug.

Viertes Feld, die Blackbox. Ein Modell lehnt einen Kredit ab. Warum? Oft können es nicht einmal seine Schöpfer einfach sagen.

Dabei verlangt das Gesetz in vielen Ländern, eine Kreditablehnung erklären zu können. Und eine Aufsicht will eine Entscheidung verstehen, bevor sie sie akzeptiert.

Ein Modell kann auch die Verzerrungen seiner Daten wiederholen. Lernt es aus ungerechten Entscheidungen, wiederholt es sie, in hohem Tempo.

Also wägen die Banken ab: ein etwas weniger genaues Modell, das man erklären kann, statt eines stummen Orakels.

Merken Sie sich: die Maschine glänzt, wo es viele Beispiele und stabile Regeln gibt. Sie enttäuscht, wo die Zukunft der Vergangenheit nicht ähnelt.

Misstrauen Sie also jeder künstlichen Intelligenz, die verspricht, die Börse vorherzusagen. Genau dort glänzt sie am wenigsten.