Überblick

Die Bewertung von Derivaten ist oftmals höchst komplex und kann zudem oft nur numerisch ausgeführt werden, was eine entsprechend hohe Rechenleistung erfordert. Außerdem erfordern Regulierungen zusätzliche Risikokalkulationen, was den Rechenaufwand nochmals beträchtlich erhöht.
Auf der anderen Seite ermöglichen Methoden aus dem Bereich Deep Learning / Künstliche Intelligenz einen höchst effizienten und robusten Ersatz komplexer Rechenoperationen, wie Monte-Carlo-Simulationen.
Wir bieten Methoden für die Replizierung finanzmathematischer Kalkulationen unter Verwendung von Deep Neural Networks (DNN), also neuronaler Netze mit mehreren Zwischenschichten, an. Diese ermöglichen extrem beschleunigte Berechnungsverfahren (in manchen Fällen von einem Faktor von einer Million) und entlasten die Systeme. Weitergehende Analysen und Szenario-Betrachtungen werden somit möglich.

Derivate- und Risikobewertungen sind rechenintensiv

Eine ausreichend präzise Bewertung und Risikoermittlung von Derivaten, wie sie bei Sicherungsgeschäften (Hedging) angewandt werden, ist selbst bei vermeintlich einfachen Fällen höchst anspruchsvoll. So können beispielsweise Optionen auf eine vorzeitige Kündigung nur auf Basis von Annahmen geschätzt werden.

Während die Preise einfacher Derivate noch analytisch berechnet werden können – etwa mithilfe des Black-Scholes-Modells im Falle Europäischer Optionen – erfordern bereits etwas kompliziertere Fälle (wie z.B. Amerikanische Optionen) numerische Methoden und Simulationen.
Analytische Risikoberechnungen sind generell sehr unpräzise und wurden daher durch rechnerisch komplexe Simulationsverfahren (historische oder Monte-Carlo-Simultationen) ersetzt. Insbesondere erfordern die verschiedenen Regulierungen weitere komplexe Berechnungen, wie z.B. den Potential Future Exposure / PFE innerhalb der SA-CCR-Regulierung. Risikoberechnungen verschärfen somit bei der Bewertung von Derivaten mögliche Engpässe bei der Rechenkapazität.

Besonders Banken mit komplexen Handelsbüchern stehen hinsichtlich der Rechenleistung vor großen Herausforderungen. In machen Fällen werden kostenintensive Hardware-Upgrades durchgeführt, um diese Herausforderungen zu meistern. Für eine einfachere Bewertung werden zudem werden oftmals Näherungslösungen gewählt.

Trotz der ausgewählten vereinfachten Lösungen wird der zur Verfügung stehende Zeitrahmen gänzlich ausgenutzt, insbesondere bei täglichen Berechnungen. Selbst kleinste technische Fehlfunktionen führen somit zu einer „Verzögerung“. Weitere Betrachtungen, wie die systematische Identifizierung relevanter Stresstest-Szenarien, sind kaum möglich.

Ersatz rechnerisch intensiver Verfahren durch Deep-Learning-Modelle

Der enorme Anstieg von verfügbaren Daten und Rechenleistung der letzten Jahre hat zu einer beträchtlichen Ausweitung der Möglichkeiten zur Datenanalyse unter Anwendung von Methoden aus dem Bereich Machine Learning / Künstliche Intelligenz geführt. Besonders große Fortschritte sind im Bereich Machine Learning erzielt worden. Hier werden vielschichtige („tiefe“) neuronale Netze (DNN) dazu „trainiert“, selbst komplizierte und unstrukturierte Daten zu analysieren und Muster zu erkennen.

Letztendlich sind neurale Netze Verfahren, die der hocheffizienten Regression multidimensionaler Daten dienen. Insofern sind KI-Prognosen Interpolationen, die auf aus Daten abgeleiteten Mustern basieren. Im Gegensatz zu konventionellen Regressionsmethoden können jedoch Nichtlinearitäten problemlos modelliert werden. Selbst kategoriale Daten oder andere Muster (z.B. Wochentage) werden erkannt und abgebildet. Abhängig von ihrer Architektur, eignen sich neuronale Netze in unterschiedlichem Maß für verschiedene Bedingungen.

Die Erstellung und Anwendung des Modells erfordert eine ausreichende Menge an Input- und Output-Daten. Erstere können Marktdaten (Zinsen, Volatilitäten etc.) oder Derivateparameter (Strike, Nominal etc.) sein. Bei letzteren handelt es sich zum Beispiel um Barwerte oder um Risikokennzahlen (VaR, PFE). Anschließend muss eine geeignete Architektur des zu verwendenden Neuronalen Netzes entworfen und das Training durchgeführt werden.
Sobald das trainierte Modell existiert, kann es angewandt werden, ohne dass die vorgenannten Schritte erneut ausgeführt werden müssen. Die Rechenleistung kann damit millionenfach gesteigert werden.

Gerne unterstützen wir Sie bei dieser und weiteren Fragestellungen.

Kontakt

Dr. Dimitrios Geromichalos
Founder / CEO
RiskDataScience GmbH
Nördliche Münchner Straße 47, 82031 Grünwald
E-Mail: riskdatascience@web.de
Telefon: +4989322096365