Investment per KI? CTO Andreas Schranzhofer (Scalable Capital) über AWS-Lambda, DynamoDB und SageMaker

Der Einblick in die Finanzwelt von morgen: Wie verwendet Scalable Capital künstliche Intelligenz, um Anlegern präzise Prognosen zu liefern? CTO Andreas Schranzhofer verrät, wie Technologie nicht nur Transparenz schafft, sondern auch Daten sicher hält.

Herr Schranzhofer, steigen wir gleich einmal voll ein: Wie wurde das zugrundeliegende Vorhersagemodell entwickelt und welche Art von historischen Daten und Variablen wurden verwendet, um eine solide Prognose zu erstellen?

Das zugrundeliegende Modell basiert auf Verfahren des Maschinellen Lernens. Es wurde anhand umfangreicher historischer Hochfrequenzdaten von gehandelten ETFs und Einzelaktien spezifiziert, trainiert und evaluiert, um fallspezifische Ausführungswahrscheinlichkeiten und deren Dynamiken abzuleiten. Dabei werden eine Vielzahl von Prädiktoren angewandt, die unter anderem die vorherrschenden Intraday-Saisonalitäten der Märkte berücksichtigen. Beispiele für relevante Variablen sind die Geld-Brief-Spanne und die Volatilität der Wertpapiere, die sensitiv auf die sich ändernden Marktbedingungen reagieren, sowie Öffnungs- und Schließzeiten großer Börsen. Zusätzlich kann das Modell die sogenannten Interaktionseffekte zwischen den unabhängigen Variablen sehr gut modellieren.

Welche Technologien und Plattformen nutzen Sie?

Alles basiert auf der Cloud-Computing-Plattform von Amazon Web Services (AWS).

Die wichtigsten Bausteine sind AWS-Lambda, Amazon DynamoDB und Amazon SageMaker.”

Die ersten beiden Services sind Auto-Skalierungstechnologien, die es uns erlauben, auch in Stresszeiten hochperformant zu bleiben. Der letzte Baustein ist sehr hilfreich beim Entwickeln von rechenintensiven ML-Modellen, ihrer kontinuierlichen Anpassung und ihrer produktiven Umsetzung.

Welche KI- und ML-Techniken kommen zum Einsatz, um die Genauigkeit der Vorhersage zu verbessern, und wie werden diese Techniken im Laufe der Zeit angepasst, um neue Informationen und Marktdynamiken zu berücksichtigen?

Das Modell enthält dynamische Komponenten, die die sich ändernden Marktbedingungen widerspiegeln. Außerdem haben wir sehr stabile und einflussreiche Intraday-Muster entdeckt, die signifikant zur Prognosefähigkeit des Modells beitragen. Unser Anspruch ist, das Modell laufend zu aktualisieren, um neue Erkenntnisse zu integrieren. Bei diesem Retraining werden die Modellparameter unter Einbeziehung aktueller Daten aktualisiert. Darüber hinaus hinterfragen wir das Modell von Zeit zu Zeit, um die Prognosegüte mit der von alternativen ML-Modellen zu vergleichen.

Wie werden potenzielle Risiken und Unwägbarkeiten in der Vorhersage kommuniziert? Wie stellt das Unternehmen sicher, dass Kunden die Grenzen und Unsicherheiten der Vorhersagen angemessen verstehen und interpretieren?

Um sicherzustellen, dass unsere Kundinnen und Kunden die Grenzen der Prognosen verstehen, werden mehrere Maßnahmen ergriffen. Zum einen ist das Feature übersichtlich gestaltet, damit es für alle unsere Kundengruppen, von Anfängerinnen und Anfängern bis zu erfahrenen Investorinnen und Investoren, verständlich ist.

Zum anderen zeigen wir nur eine Prognose an, wenn ein hohes Maß an Vertrauen in die Datengrundlage vorliegt (z. B. ausreichende Historie, aktuelle Kurse, keine Ausreißer). Durch diesen Ansatz können wir ihnen genaue und zuverlässige Informationen liefern, die leicht zu verstehen und zu interpretieren sind.”

Außerdem kommunizieren wir die potenziellen Risiken und Unwägbarkeiten unserer Prognosen, indem wir den Anlegern die Ergebnisse als Wahrscheinlichkeiten von 0-99% aufzeigen. Wir verzichten auch auf die Dezimalstellen, um nicht den Eindruck falscher Präzision zu erwecken.

Wie integriert diese neue Funktion in die bestehende Plattform, und welche Auswirkungen hat sie auf die Benutzererfahrung (UX) und das Nutzerinterface (UI)? Wurden Tests durchgeführt, um sicherzustellen, dass die Funktion sowohl benutzerfreundlich als auch verständlich ist?

Die Funktion ist nahtlos in die Orderaufgabe integriert. Sie ist nicht nur der wichtigste Flow, sondern auch einer der technisch komplexesten unserer Plattform.

Wir haben das Feature einfach und verständlich gestaltet, um sicherzugehen, dass es die Erfahrung der Nutzerinnen und Nutzer im Gesamten nicht negativ beeinträchtigt.”

Die Ausführungswahrscheinlichkeit der Smart Predict-Funktion wird bei jedem Preis-Tick live neu berechnet und in einem farbkodierten Kreis-Diagramm angezeigt. Darüber hinaus wird die Funktion nur angezeigt, wenn Benutzer einen Limit-/Stop-Preis eingeben.

Um sicherzustellen, dass die Funktion sowohl benutzerfreundlich als auch verständlich ist, wurden während der Konzeptphase kontinuierlich Tests durchgeführt. Hierfür wurden einige Varianten entworfen, High-Fidelity-Prototypen erstellt und mit verschiedenen Gruppen-Tests durchgeführt.

Wie stellt Scalable Capital sicher, dass die bereitgestellten Vorhersagen den geltenden regulatorischen Anforderungen entsprechen (Schutz von Kundendaten und Best-Execution-Standards)?

Das Smart-Predict-Modell ist so konzipiert, dass keine personenbezogenen Daten für die Berechnungen verwendet werden. Zudem ist die Funktion vollständig in der Cloud-Infrastruktur implementiert, weshalb keine Daten an externe Parteien weitergegeben werden. Darüber hinaus trägt Smart Predict zur Verbesserung der Auftragsausführung bei, indem es den Kundinnen und Kunden die Festlegung guter Limit-/Stop-Kurse erleichtert, ohne dass komplexe Berechnungen erforderlich sind. Dies verbessert die Qualität der Ausführung.

Herr Schranzhofer, vielen Dank für das spannende Interview.Andreas Schranzhofer, Scalable Capital