INSIGHTS Stellungnahmen

Producing reliable environmental, social, and governance (ESG) data has become paramount for companies in the last few years. With it, they can demonstrate how they are reducing their carbon footprint, protecting their social capital, or complying with the booming disclosure landscape.

Reliable ESG data helps companies identify potential risks, manage resources, and remain compliant with regulation. But it can be much more than a backwards looking tool. The most ambitious companies that we work with at Arabesque are looking to transform ESG data into a competitive advantage, producing actionable business intelligence which will set them apart from their competitors.

The biggest hurdle to this is perhaps the most obvious. How can I ensure that I have access to reliable ESG data? What does it look like, and how can I gather it? These are the sort of questions which have, until recently, puzzled business leaders. They’re also the questions that we are answering at Arabesque.

Looking at the first frameworks to regulate ESG data disclosure is like looking at an early map of the first railways. A hodgepodge of private enterprises, many overlapping and intertwining, suffering from a lack of unification. Today, companies have a confusing mixture of compulsory and voluntary frameworks to report against. Even if they fulfil their obligations, most reporting companies do not disclose the same data in the same way. Some are simply unaware of their obligations.

Cutting through all this noise is crucial. Investors, underwriters, regulators (not to mention companies themselves) stand to benefit enormously from a market and supply chain greased with the oil of reliable data. But it is impossible for the vast majority of organisations to confidently gather the information required under their own steam.

This is why companies look to the likes of Arabesque to supply global markets with transparent, accessible and coherent ESG information; to help investors respond to customer values, enable corporates to meet a growing wave of disclosure requirements, and to provide the wider market with meaningful signals that enable an informed allocation of capital. 

Our team prioritises Artificial Intelligence to help achieve this. We gather a vast amount of data; from traditional, more structured data, to a wide range of alternative sources of information such as the press, social media, or NGO activity. AI allows us to make sense of this highly complex mix of disclosed information and short-term signals. It can rationalise thousands of competing and overlapping sustainability metrics into a high-quality picture of a company’s ESG credentials.

As the volume of sustainability data increases – in the next eighteen months we will see a slew of new regulatory requirements – it will become increasingly important for investors to work confidently with AI to make truly sustainable investment decisions.

Customisation is now the next stage of the journey. Being able to take a detailed look at the underlying information which companies disclose, and filter through the thousands of data points to reach the specific insight which a business requires is swiftly becoming not a ‘nice to have’, but a business necessity for organisations looking to balance consumer demand with maximising returns. Arabesque’s ‘Temperature Score’ is just one example of this.

Sustainability data will only become more important in years to come. The onus is now on companies to ready themselves with the tools needed to be leaders in using it.

To learn more about Arabesque’s customised data solutions and insights, register for the upcoming webinar ‘Using ESG and sustainability data in the cloud to drive business value’ hosted by our partners AWS Data Exchange.

Register here.

INSIGHTS Stellungnahmen

Beitrag von Julian Gaberle, 04/06/2021

Letzten Monat unterzeichnete die Biden-Administration eine Executive Order mit der Absicht, Risiken für die Finanzstabilität zu reduzieren und die Offenlegung von klimabezogenen Risiken zu verbessern. Ein ähnliches Mandat wurde in Großbritannien unterzeichnet, wo Umwelt- und Klimaziele nun ausdrücklich von der Bank of England als Teil der Geldpolitik berücksichtigt werden.

Der folgende Beitrag zeigt, dass Systeme der Künstlichen Intelligenz (KI) das Potenzial haben, das Wirtschaftswachstum von steigenden Kohlenstoffemissionen und Umweltzerstörung zu entkoppeln. Aber welche Auswirkungen haben die KI-Systeme selbst auf das Erreichen einer klimaneutralen Wirtschaft?

KI-Systeme wurden bereits auf verschiedene Weise eingesetzt, um den CO₂-Ausstoß zu reduzieren. Eine Methode ist der Einsatz von KI zur Ressourcenentkopplung (Verringerung des Ressourcenverbrauchs pro Einheit Wirtschaftsleistung), z. B. durch die Vorhersage von Ernteerträgen oder die Steuerung von Heizung und Kühlung der bebauten Umwelt. Zudem gibt es die Wirkungsentkopplung. Dabei werden wirtschaftlicher Output und Umweltbelastung durch den Einsatz intelligenterer Planungssysteme entkoppelt. Beispielsweise können KI-Systeme dazu beitragen, wirtschaftliche Emissionen zu reduzieren, indem sie den Energieverbrauch vorhersagen und so die Planung von erneuerbaren Energiequellen verbessern.

Abbildung 1: Veranschaulichung der Zunahme der Komplexität von KI-Modellen im Laufe der Zeit. (Quelle: https://openai.com/)

Trotz dieser Fortschritte haben KI-Anwendungsfälle für bahnbrechende Entwicklungen von „State of the Art“-Modellen erhebliche Berühmtheit erlangt, wie beispielsweise GPT-3, ein KI-Modell, das auf das Verstehen von Sprache trainiert wurde. Die für das Training eines einzelnen Modells benötigten Rechenressourcen sind in den letzten zehn Jahren exponentiell gestiegen (siehe Abb. 1). Eine einzige Trainingssitzung von GPT-3 verbraucht so viel Energie wie der Jahresverbrauch von 126 dänischen Haushalten.

Die Forschung und Entwicklung solcher Modelle über mehrere Architekturen und Hyperparameter steigert diese Kosten um ein Vielfaches. Die tatsächliche Zahl ist jedoch aufgrund mangelnder Offenlegung schwer zu schätzen. Darüber hinaus erfordern solche riesigen Modelle spezielle Datenspeicher und riesige Rechenanlagen, was den Zugang zu solchen Technologien auf wenige Technologieunternehmen beschränkt.

Gleichzeitig wird an effizienteren Modellen geforscht und bestehende Modelle werden kontinuierlich verbessert (siehe Abb. 2). Unter Verwendung bestehender Hardware können Verbesserungen bei der Datenverarbeitung, der Parallelverarbeitung und der Code-Effizienz erzielt werden. Aus der Hardware-Perspektive wird intensiv an kundenspezifischen Verarbeitungschips geforscht, wie z. B. die Wafer-Chips von Cerebras oder die TPUs von Google, die für bestimmte KI-Anwendungen optimiert sind. Sie können die für die Entwicklung und den Einsatz eines Modells erforderlichen Ressourcen reduzieren.

Abbildung 2: Modelleffizienz im Zeitverlauf. (Quelle: https://openai.com)

Mehrere Faktoren beeinflussen die Umweltauswirkungen von KI-Systemen: der Standort der für die Entwicklung verwendeten Rechenressourcen, die lokale Energieversorgung, die Größe des Datensatzes und die zum Trainieren der Modelle verwendete Hardware.

Noch vor 10 Jahren wurden 79 % der Rechenleistung in kleineren Rechenzentren und Unternehmensservern erbracht. Seitdem hat jedoch eine dramatische Verlagerung in die Cloud stattgefunden. 2018 schätzte ein Artikel in Science, dass 89 % der Rechenleistung in großen Rechenzentren erbracht wird. Diese großen Rechenzentren verwenden maßgeschneiderte Chips, Speicher mit hoher Dichte, sogenannte Virtual-Machine-Software, ultraschnelle Netzwerke und spezielle Belüftungssysteme. Außerdem können sie an idealeren Standorten für große Rechencluster gebaut werden, z. B. in der Nähe von Seen oder in kühleren Regionen für eine kostengünstigere, effizientere Kühlung.

Die beabsichtigten (Neben-)Effekte der Ablösung von kleinen Rechenzentren vor Ort („on-prem“) durch größere, effizientere, cloudbasierte Lösungen hatten bisher einen relativ geringen Netto-Effekt. Die Verfügbarkeit dieser Ressourcen hat mehr und komplexere Forschung ermöglicht und damit die Nachfrage erhöht. Wenn die aktuelle Entwicklung hin zu immer größeren KI-Modellen anhält, wird der Ressourcenverbrauch von KI-Systemen jeden Effizienzgewinn übersteigen.

Wie versuchen wir bei Arabesque AI, diese Probleme zu lösen? Einer unserer Grundwerte als Unternehmen ist Nachhaltigkeit. Das erstreckt sich auch auf unsere Modelle. Wir sind von einem früheren On-Prem-System zu unserem Cloud-Partner Google Cloud Platform umgezogen, um Effizienzvorteile zu erzielen. Wir arbeiten intensiv daran, die Effizienz unserer Modelle zu erhöhen. Für unsere Forschungs- und Entwicklungsteams ist dies ein wichtiges Ziel für 2021. Unsere Modelle sind zwar äußerst komplex, aber das wird auch so bleiben und wahrscheinlich sogar noch zunehmen. Wir sind der Meinung, dass wir noch mehr an der Effizienz der von uns genutzten Rechenprozesse arbeiten können. Das wird sowohl ökologische als auch offensichtliche ökonomische Vorteile mit sich bringen. Wir bestärken andere Unternehmen, die auf Machine Learning und KI angewiesen sind, sich ebenfalls auf diese Ziele zu konzentrieren.

INSIGHTS Stellungnahmen

By Julian Gaberle, 06/05/2021

Systeme mit künstlicher Intelligenz („KI“) sind weit verbreitet – von Empfehlungssystemen im Online-Handel bis hin zu intelligenter Navigation und Spielen. KI wird jedoch zunehmend auch in weniger transparenten Bereichen wie Verteidigung und Überwachung oder Finanzen und Bonitätsprüfung angewandt. Diese Anwendungen können zwar genaue Ergebnisse liefern, sind aber oft sehr komplex. Diese Komplexität hat Forscher:innen und politische Entscheidungsträger:innen zu der Frage veranlasst: Ist es möglich zu verstehen, wie KI funktioniert, oder ist KI eine „Black Box“?

Am 21. April veröffentlichte die Europäische Kommission den „Vorschlag für eine Verordnung zur Festlegung einheitlicher Regeln für künstliche Intelligenz“, auch „Artificial Intelligence Act“ (AIA) genannt. Der Vorschlag strebt die Schaffung eines regulatorischen Rahmens an, der KI-Innovationen ermöglicht und gleichzeitig die potenziell hohen Risiken im Zusammenhang mit KI-Anwendungen abmildert (siehe unseren früheren Blogbeitrag zur KI-Regulierung). Ein zentrales Thema des veröffentlichten Vorschlags konzentriert sich auf „[…] die Bewältigung der Undurchsichtigkeit, Komplexität, Voreingenommenheit […] bestimmter KI-Systeme“. In einem früheren Blog-Beitrag haben wir über Daten- und Modellverzerrungen geschrieben und hier zeigen wir, wie man die Modelltransparenz verbessern kann, um die „Erklärbarkeit“ von KI besser zu berücksichtigen.

Was bedeutet „Erklärbarkeit“ in diesem Zusammenhang? Die Royal Society hat fünf Schlüsseleigenschaften identifiziert, die beim Einsatz von KI-Systemen erwünscht sind:

• Interpretierbar: impliziert ein gewisses Verständnis dafür, wie die Technologie funktioniert.
• Erklärbar: bedeutet, dass ein breiterer Benutzerkreis verstehen kann, warum oder wie eine Schlussfolgerung erreicht wurde.
• Transparent: impliziert ein gewisses Maß an Zugänglichkeit zu den Daten oder dem Algorithmus.
• Vertretbar: impliziert, dass es ein Grundverständnis des Problems gibt, das für ein bestimmtes Ergebnis spricht.
• Anfechtbar: bedeutet, dass Benutzer die Informationen haben, die sie benötigen, um einer Entscheidung oder Klassifizierung zu widersprechen.

Warum ‚Erklärbare KI‘ (Explainable AI – XAI)?

Ein gewisses Maß an Erklärbarkeit oder Interpretierbarkeit ist notwendig, wenn man den Einsatz von KI-Systemen in Betracht zieht. Folgendes ist von Bedeutung:

• Den Nutzerinnen und Nutzern Vertrauen in die KI-Systeme geben. Eine weit verbreitete KI-Einführung erfordert Vertrauen, dass die Systeme gut und zum Nutzen ihrer Anwender:innen funktionieren.
• Verzerrungen überwachen, verwalten oder reduzieren. In fast allen KI-Anwendungen müssen Verzerrungen berücksichtigt werden, um sicherzustellen, dass das KI-System die beabsichtigte Leistung erbringt oder sich zumindest der zugrundeliegenden impliziten oder expliziten Verzerrungen bewusst ist. Beispielsweise beinhalten Texte, die zum Trainieren von natürlichsprachlichen Modellen verwendet werden, oft veraltete Geschlechterrollen.
• Regulatorische Standards oder politische Vorgaben einhalten. KI-Regulierungen wie etwa AIA werden die derzeitige weitreichende Freiheit der KI-Entwicklung einschränken. Sie müssen berücksichtigt werden.
• Schwachstellen absichern. Das Verständnis der Grenzen von KI-Systemen kann helfen, sich vor nachteiligen Entscheidungen zu schützen. Beispielsweise können gegnerische Angriffe auf Bildklassifizierungssysteme ein System dazu verleiten, ein willkürliches Ergebnis zu produzieren.

Die nächste Generation von KI-Systemen wird unserer Meinung nach in der Lage sein, ihr „Grundprinzip“ zu erklären, ihre Stärken und Schwächen zu charakterisieren und ein Verständnis dafür zu vermitteln, wie sie sich in Zukunft verhalten wird. Unsere Strategie, um dieses Ziel zu erreichen, ist die Entwicklung neuer oder modifizierter Machine-Learning-Techniken, die besser erklärbare Modelle hervorbringen.

Wir verfolgen eine Vielzahl von Techniken, um ein Portfolio an Methoden zu generieren, das eine Reihe von Designoptionen bietet, die den Handlungsrahmen zwischen Leistung und Erklärbarkeit abdecken, wie z. B. folgende Ansätze:

1. Störungs-Korrelationsanalyse

Für einen bestimmten Punkt von Interesse, z. B. die Preisvorhersage für eine einzelne Aktie zu einem bestimmten Datum, untersuchen wir die Auswirkungen kleiner Änderungen (Störungen) der Eingabemerkmale auf die Ausgabevorhersage des KI-Modells. Dies gibt einen Einblick in die Empfindlichkeit des Modells gegenüber Variationen in den Eingabedaten, die fehlende Werte, falsch gemeldete Fundamentalzahlen oder zuvor nicht beobachtete Marktbedingungen beinhalten können.

2. Lokales Surrogatmodell

Die Beziehung zwischen Eingängen und Ausgängen in KI-Modellen ist oft sehr komplex und nichtlinear. Wenn wir jedoch die Annahme treffen, dass in der Nähe eines bestimmten, interessierenden Punktes die Zuordnung zwischen Eingaben und Ausgaben durch ein lineares Modell vernünftig angenähert werden kann, dann können wir ein lineares Ersatzmodell anpassen, mit dem wir den Beitrag jedes Merkmals zur Ausgabe des Modells an diesem Punkt untersuchen können.

Während es für die Erklärbarkeit von KI-Modellen unerlässlich ist, die Grenzen von KI-Anwendungen zu verstehen und die daraus resultierenden Auswirkungen zu managen, ist es ebenso wichtig, eine sichere und stabile Leistung zu gewährleisten. Solche Systeme müssen die gesamte Prozesskette der KI-Entwicklung und -Implementierung berücksichtigen, einschließlich der Fragen, wie die Ziele für das System festgelegt werden, welche Daten zum Trainieren und Bewerten der Modelle verwendet werden und welche Auswirkungen dies auf den Endnutzer und die Gesellschaft im Allgemeinen hat.

Nur so kann unserer Meinung nach Vertrauen in autonome KI-Entscheidungsträger aufgebaut werden – ein entscheidender Schritt beim Aufbau nachhaltiger KI-Implementierungen.

INSIGHTS Stellungnahmen

By Matthias Baetens, 01/04/2021

In den letzten fünfzehn Jahren haben wir eine signifikante Einführung von Cloud-basierten Systemen durch Unternehmen erlebt. Im Folgenden stellen wir einige der Vorteile heraus, von denen die Finanzdienstleistungsbranche heute profitiert.

Eine Cloud ist im weitesten Sinne eine Gesamtheit von Computersystemen, die es ermöglicht, (potenziell gemeinsam genutzte) Ressourcen auf Abruf zu nutzen, die von Drittanbietern wie z. B. Google Cloud Platform, Microsoft Azure oder Amazon Web Services über das öffentliche Internet angeboten werden.

Das Bestreben, Rechenressourcen effizient gemeinsam zu nutzen, gibt es schon seit Jahrzehnten; Cloud Computing kann als seine neueste Version betrachtet werden. Die öffentliche Cloud, wie wir sie kennen, wurde bekannt, als Amazon vor etwa fünfzehn Jahren die Amazon Web Services gründete. Die Branche ist seither stetig gewachsen.

Die Ausgaben von Endnutzer-Unternehmen für Cloud-Ressourcen überschreiten laut Gartner im Jahr 2020 250 Milliarden US-Dollar. Für 2021 wird ein Wachstum von 18 % erwartet, wobei COVID-19 ein zusätzlicher Treiber für die Akzeptanz ist, da immer mehr Unternehmen Remote-Arbeitsplätze einrichten müssen.

Wie hat sich das Aufkommen von Cloud Computing auf die Finanzdienstleistungsbranche ausgewirkt?

Die anfängliche Akzeptanz in unserer Branche kam hauptsächlich von FinTech-Start-ups, die „Cloud-Native“ geboren wurden – also selbst keine informationstechnische Infrastruktur hatten. In den letzten Jahren haben jedoch größere, etablierte Unternehmen die Abhängigkeit von internen Computerressourcen verlagert und begonnen, die öffentliche Cloud zu übernehmen – so z. B. die Deutsche Bank, die mit Google Cloud zusammenarbeitet, und HSBC, die eine Multi-Cloud-Strategie mit den drei großen Cloud-Anbietern verfolgt.

Was sind einige der Anreize für Unternehmen, eine Cloud einzuführen?

• Erhöhte Zuverlässigkeit und Ausfallsicherheit: Durch mehrere geografisch verteilte Fail-Over-Rechenzentren bei Cloud-Anbietern entfällt die direkte Abhängigkeit von der lokalen Ausstattung eines Unternehmens. Es ermöglicht nahtlosere Disaster-Recovery-Prozesse. Unabhängig davon kann ein Unternehmen, das eine Cloud-Infrastruktur nutzt, auch eine zuverlässigere Plattform für seine eigenen Kunden anbieten.
• Kosteneffizienz: Die Cloud reduziert Vorabinvestitionen in physische Hardware und ermöglicht eine bedarfsorientierte Vertragsstruktur. Genauer gesagt, mussten Unternehmen in der Vergangenheit Nutzungsspitzen antizipieren und physische Hardware kaufen, um den erwarteten Bedarf zu decken (mit Personal zur Unterstützung). Bei einer Migration in die Cloud wird keine physische Hardware vor Ort mehr benötigt, da sie in entfernten Rechenzentren bei Cloud-Anbietern untergebracht ist. Ressourcennutzung kann nun in Echtzeit angepasst und mit flexibleren Preismodellen gekoppelt werden.
• Skalierbarkeit: Die Cloud ermöglicht erweiterte und schnellere Verarbeitungsmöglichkeiten und damit die Skalierung von Geschäftsfunktionen. Wie bereits erwähnt, ermöglichen die Cloud-Anbieter den Zugriff auf mehr Hardware. Dies wiederum erlaubt es beispielsweise einem Vermögensverwalter, mehr (detaillierte) Analysen von Portfolios in kürzerer Zeit durchzuführen. 
• Sicherheit: Cloud-Anbieter verpflichten sich zu extrem hohen Sicherheitsstandards. Rechenzentren, die von Public-Cloud-Anbietern unterhalten werden, verfügen über spezialisierte Teams, die die Anlagen gegen Eindringlinge sichern, und sind besser darauf ausgelegt, Naturgewalten zu widerstehen. Darüber hinaus verfügen sie über spezialisierte Teams, die aktiv nach Schwachstellen in ihrer Software und ihren Systemen suchen. Ein bemerkenswertes Beispiel ist die Meltdown-Schwachstelle, die von Googles Project Zero entdeckt wurde.

• Ermöglichung von Innovation und technologischer Transformation: Die Cloud bietet einen Weg für leichteres Experimentieren auf Basis neuester Technologien und eine nahtlosere (Daten-)Integration zwischen verschiedenen Geschäftsbereichen und Systemen.

Neben den vielen Vorteilen, die die Cloud bietet, gibt es auch Herausforderungen und Mängel bei dieser Technologie, die sich scheinbar täglich weiterentwickelt. Dazu gehören eine geringere Kontrolle, da diese Funktionen nun ausgelagert sind, hohe Wechselkosten zwischen Anbietern und eine geringere Anpassungsfähigkeit.

Angesichts der oben genannten Herausforderungen war die Einführung der Cloud für Arabesque in mehrfacher Hinsicht besonders hilfreich. Wir waren in der Lage, unser Aktien-Universum zu skalieren, die Ausgaben durch die Nutzung der Hardware von Cloud-Dienstleistern zu reduzieren und die Einstellung und den Trainingsprozess durch den Einsatz standardisierter „bekannter“ Toolsets zu optimieren.  Weitere Informationen darüber, wie wir die Cloud nutzen, finden Sie in einer gemeinsamen Fallstudie, die unser Arabesque AI-Forschungsteam mit unserem primären Cloud-Anbieter, Google Cloud, durchgeführt hat.

INSIGHTS Stellungnahmen

Auf dem Weg zu erfolgreichen KI-Anwendungen in der Finanzbranche

Stellungnahme

Auf dem Weg zu erfolgreichen KI-Anwendungen in der Finanzbranche

Die technologischen Fortschritte im Bereich der Künstlichen Intelligenz (KI) spielen weiterhin eine wichtige Rolle für die globale Wettbewerbsfähigkeit und Produktivität, da KI immer mehr zum Mainstream wird. Die Präsenz von KI bei drängenden globalen gesellschaftlichen Themen wie Datenschutzfragen und Covid-19-Tests hat zu einem verstärkten Interesse der politischen Entscheidungsträger und der Öffentlichkeit geführt. Beispiele hierfür sind:

• Die Europäische Union (EU) strebt einen Ruf für „vertrauenswürdige KI“ an, die „made in Europe“ ist und einen starken Fokus auf ethische und menschenfreundliche Ansätze legt, die sich an den Werten der Menschenrechte und demokratischen Prinzipien orientieren.
• Im Dezember 2020 forderte das britische House of Lords Liaison Committee die Regierung auf, ihre KI-Politik und die Nutzung von Daten und Technologie durch nationale und lokale Regierungen besser zu koordinieren.
• Die britischen Aufsichtsbehörden haben das erste Treffen des AI Public Private Forum ins Leben gerufen, um die Auswirkungen von KI auf Finanzdienstleistungen zu bewerten.
• Die EU hat im vergangenen September ein neues Gesetz für digitale Finanzen verabschiedet.
• Der Strategic Hub for Innovation and Financial Technology (FinHub) der SEC führt derzeit virtuelle Meetings mit Branchenvertretern durch, um besser zu verstehen, wie KI eingesetzt wird, um z. B. neue Produkte zu entwickeln, neue Dienstleistungen anzubieten, Effizienzen zu schaffen und die Einhaltung gesetzlicher Vorschriften zu verbessern.

Für eine erfolgreiche Anwendung von KI müssen aufgrund des selbstlernenden Charakters von KI Herausforderungen in Bezug auf die Erklärbarkeit von Modellen (d. h. die Fähigkeit, die Logik des Modells zu erkennen), die Datenintegrität und den Datenschutz angegangen werden. Arabesque AI stellt im Folgenden Lösungen zur Diskussion, um die Wissenslücke zwischen Praktikern, politischen Entscheidungsträgern und Öffentlichkeit zu schließen.

Erklärbarkeit von Modellen – Modellierung des Risikomanagements

Herausforderung: Die Erklärbarkeit von Modellen stellt eine besondere Herausforderung für KI-Anwendungen dar, insbesondere im Bereich des Deep Learning, wo nichtlineare Abhängigkeiten auftreten können. Bei komplexen Modellen fungieren solche Nichtlinearitäten als Black Boxes, die es schwierig machen, die Modellüberlegungen zu erklären.

Lösungsvorschlag: Unserer Meinung nach sollte sich ein umfassendes Risikomodell auf die Modellentwicklung, -evaluierung und -validierung sowie auf laufende Tests und Überwachung konzentrieren. Dies sollte mit der Transparenz der durchgeführten Forschung verbunden sein, um die Bedeutung der Erklärbarkeit zu berücksichtigen. KI-Modelle lernen die zugrundeliegende Verteilung aus den Daten, mit denen sie programmiert wurden. Daher sollte ein besonderer Fokus auf Tail-End-Ereignisse (z. B. noch nie dagewesene Marktbedingungen) gelegt werden, um zu beurteilen, wie gut diese Modelle auf Daten generalisierbar sind, die im Trainingsprozess nicht beobachtet wurden oder unterrepräsentiert sind.

Datenintegrität

Herausforderung: Im Newsletter Februar 2021 wurde auf die Problematik der Datenverzerrung für erfolgreiche KI-Anwendungen hingewiesen, die große Datenmengen zum Simulieren und Validieren benötigen.

Lösungsvorschlag: Wir sind der Ansicht, dass eine kontinuierliche Kontrolle und Bewertung der Eingabedaten unabdingbar sind. Der Aufbau von Modellen, die darauf programmiert sind, Datenverzerrungen oder abnormale Daten zu erkennen, kann beim Aufbau robusterer KI-Pipelines hilfreich sein. Darüber hinaus belegen aktuelle Studien, dass vielfältigere Forscherteams besser in der Lage sind, Datenverzerrungen zu erkennen, was die Notwendigkeit eines gewissen Maßes an menschlicher Kontrolle von KI-Anwendungen unterstreicht.

Derzeit beobachten wir einen Trend, alternative Datenquellen in KI-Pipelines einzubinden, z. B. soziale Medien, Nachrichten oder geo-räumliche Daten. Die Verifizierung der Datenquellen ist ein wichtiger Schritt in der Datenpipeline, um Zuverlässigkeit zu gewährleisten, zumal wir eine Zunahme an Medien-Manipulationskampagnen beobachten. Wir sind davon überzeugt, dass eine robuste Pipeline für die Datenaufnahme, -überprüfung und -speicherung dazu beiträgt, KI-Anwendungen zu sichern und zu robusteren KI-Implementierungen zu gelangen.

Datenschutz

Herausforderung: Jüngste Veröffentlichungen zeigen, wie KI Kundendaten, wie z. B. Kreditkartenabrechnungen, nutzen kann. Da solche Datenquellen in KI-Anwendungen integriert werden, müssen Datenschutz- und Sicherheitsaspekte berücksichtigt werden.

Lösungsvorschlag: Unserer Meinung nach ist der Schutz personenbezogener Daten eine zentrale Verpflichtung für KI-Anwender und von entscheidender Bedeutung, um Vertrauen in die Technologie aufzubauen. Es gibt verschiedene Techniken innerhalb der KI, personenbezogene Daten zu schützen. Dies sollte in allen Phasen der Modellentwicklung berücksichtigt werden, von der Ideenfindung bis zur Veröffentlichung des Produkts selbst. Zu den relevanten Gesetzen gehört die europäische Datenschutzgrundverordnung (GDPR), die strenge Bedingungen für die Verwendung personenbezogener Daten vorschreibt.

Während KI ein enormes Potenzial hat, die Finanzbranche radikal zu verändern, bringt sie auch einzigartige Herausforderungen, Risiken und regulatorische Überlegungen mit sich. Es ist unerlässlich, KI-Strategien sowohl auf Unternehmensebene als auch auf Branchen- und nationaler Ebene kontinuierlich zu bewerten. Nur durch den Aufbau von Vertrauen in robuste KI-Anwendungen kann die transformative Kraft von Künstlicher Intelligenz zum Guten genutzt werden.

INSIGHTS Stellungnahmen

Quantitative Strategien sind ein wesentlicher Bestandteil der Instrumentarien von Investoren. Dabei vermögen sie einige der fundamentalen Beschränkungen traditioneller Ansätze des Investierens zu überwinden.

Grundsätzlich involvieren traditionelle Ansätze des Investierens einen oder mehrere Finanzexperten*innen, zu deren Aufgaben die Analyse, Diskussion und letztlich Auswahl einer Gruppe von Vermögenswerten für ein Portfolio zählen. Ihre Entscheidungen basieren auf individuell gewonnenen und aggregierten Einschätzungen spezifischer Sektoren, Märkte oder Anlageklassen, was mitunter eine Begrenzung darstellen kann. Schließlich werden die Entscheidungen von Finanzexperten*innen, wie die Entscheidungen eines jeden von uns, von verschiedenen kognitiven Verzerrungen und Vorbehalten beeinflusst. Darüber hinaus ist es eine Herausforderung (wenn nicht sogar fast unmöglich), das Wissen eines Experten oder einer Expertin direkt auf mehrere Strategien und Anlageklassen zu übertragen.

Vor dem Hintergrund dieser Beschränkung traditioneller Ansätze ermöglichen es quantitative Strategien, Verzerrungen zu reduzieren, Skalierbarkeit zu gewährleisten und Transparenz entscheidend zu verbessern:

• Die Asset-Auswahl basiert dabei auf mathematischen Modellen und präzisen Regeln, wodurch bestimmte Verzerrungen von vornherein vermindert werden.
• Die Nutzung modularer Technologien zum Einspeisen und Interpretieren von Daten ermöglicht es, Anlageuniversen (und das Spektrum der Investmentprodukte) zu erweitern.
• Regelbasierte, quantitative Modelle sind klar strukturiert. So können getroffene Entscheidungen nicht nur einfacher erklärt werden, die klare Struktur bedeutet auch Konsistenz in vergleichbaren Szenarien.

Dennoch haben Quant Ansätze in ähnlicher Weise ihre Beschränkungen. Sie können immer noch bestimmten Vorurteilen unterliegen, da die bereits bestehenden Forschungs-, Theorie- und Marktparadigmen, aus denen sie stammen, möglicherweise nicht mit dem spezifischen Umfeld übereinstimmen, in dem die Investitionsentscheidungen getroffen werden. Darüber hinaus kann der Prozess der Anpassung eines quantitativen Ansatzes an neue Marktlagen oder Anlageklassen eine Herausforderung darstellen, wodurch die Skalierbarkeit eingeschränkt und die schnelle Integration neuer Datenquellen verhindert wird.

Als eine spezifische, quantitative Strategie ist Künstliche Intelligenz (KI) eine aufstrebende Technologie. KI-Methoden haben in den letzten Jahren enorme Fortschritte gemacht und in den verschiedensten Bereichen beachtliche Erfolge erzielt, darunter auch im Finanzsektor (siehe hier).

Anknüpfend an die vorangegangenen Ausführungen lässt sich in Bezug auf die Chancen von KI-Methoden als quantitative Investmentstrategie Folgendes feststellen:

• KI-Methoden sind von Natur aus datengesteuert. Dies kann Verzerrungen durch bereits bestehende Annahmen über den Markt reduzieren.
• Die gleichen Methoden können skalierbar über verschiedene Investitionshorizonte, Anlageklassen, geografische Regionen, Märkte und Datenquellen hinweg eingesetzt werden.
• Die Effektivität von KI-Methoden wächst mit der Menge der verfügbaren Daten.

Obwohl sich die Finanzdienstleistungsbranche noch in einem frühen Stadium der Anwendung von KI- und „Machine Learning“-Techniken auf Investitionsentscheidungen befindet, stellen wir fest, dass die Vorteile und Chancen dieser Technologie immens sind. Zentrale Herausforderungen bestehen in der Transparenz und der Möglichkeit, die Signale von KI-Algorithmen nachzuvollziehen, insbesondere weil die zugrundeliegenden Technologien stetig weiterentwickelt und die abgeleiteten Modelle immer komplexer werden.

Mit zunehmender Forschung glauben wir, dass KI-Anwendungen der Grundstein für eine neue Ära in der Finanzbranche sind, in welcher Verzerrungen weiter beseitigt werden und die Effektivität der Anwendungen im Laufe der Zeit immer weiter verbessert wird.

Arabesque AI

INSIGHTS Stellungnahmen

The palm oil industry has grown steadily over the last two decades, with demand consistently outstripping supply, to become the world’s most produced and most consumed vegetable oil.

However, what are the problems associated with palm oil, and is there an environmentally sustainable way to produce it? If so, can we identify sustainable palm oil and reliably avoid investment in palm oil that is unsustainable?

These are some of the questions Dr Roan du Feu explores is his new blog on the sustainability of the palm oil industry.

Can Palm Oil Become A Sustainable Investment? By Dr Roan du Feu

INSIGHTS Stellungnahmen

Künstliche Intelligenz (KI) beschränkte sich ursprünglich auf spezialisierte Anwendungen und Nischenmärkte. Jetzt beeinflusst sie unser tägliches Leben und zunehmend auch die Finanzdienstleistungen.

Der Finanzsektor hat den Anstieg der KI-Anwendungen aufmerksam beobachtet: Das Interesse in allen Bereichen wächst – von der Vermögensverwaltung und dem Quant Trading bis hin zur Betrugserkennung und dem Privatkundengeschäft.

Speziell im Asset Management zeigen sich die Stärken der Anwendung: Komplexe Daten werden schneller, effizienter und genauer analysiert. Dadurch verbessern sich Entscheidungsprozesse. Die Vorteile der Skalierung und Personalisierung stehen ebenfalls im Fokus.

Welche KI-Methoden werden bisher bei Investitionen eingesetzt?

Folgende KI-Methoden befinden sich zwar noch in einem frühen Stadium ihrer Anwendung, werden aber schon eingesetzt (Quelle: CFA Institute, 2019):

• Lineare Regression: Die Zahl der Befragten, die lineare Regression in Anlagestrategie und -prozess verwenden, übersteigt die Zahl derer, die KI/ML-Techniken einsetzen, um fast fünf zu eins.
• Spezielles KI-Team: Nur 3 % der Unternehmen haben ein Technologie-Team mit spezifischen KI/ML-Fähigkeiten initiiert.
• Maschinelles Lernen: Die Anzahl der Befragten, die bestimmte maschinelle Lernansätze (überwachtes und unüberwachtes Lernen oder Reinforcement Learning) und maschinelle Lernmodelle (Markov-Modelle, Deep-Learning-Modelle, Support-Vektor-Maschinen) verwenden, schwankt zwischen 6 % und 15 %.
• Nutzung KI-basierter Techniken: Obwohl die Nutzung von unstrukturierten Daten wie z. B. Nachrichten bei 44 % lag, war die Nutzung von KI-basierten Techniken zur Verarbeitung dieser Daten (wie z. B. natürliche Sprachverarbeitung oder Natural Language Processing ) gering: 10 %.

Was macht Arabesque AI genau?

Arabesque AI (Artificial Intelligenz bzw. Künstliche Intelligenz) forscht an transparenten, nachhaltigen und innovativen Finanzlösungen. Ende 2019 mit einer Minderheitsbeteiligung des Vermögensverwalters DWS gegründet, ist es Ziel von Arabesque AI, ein weltweit führendes, KI-getriebenes Investmenttechnologie-Unternehmen aufzubauen, um  leistungsstarke, effiziente und individuell anpassbare Anlagestrategien anzubieten.

Die Anlagephilosophie, die dem Einsatz von KI zugrunde liegt, ist, dass die erkennbare Struktur in den Finanzmärkten hochkomplex ist und sich über Zeit, Märkte und Anlageklassen hinweg verändert. Wir können mit Hilfe von KI daher Systeme aufbauen, die mit dieser Komplexität umgehen können. Sie ermöglicht die skalierbare Gestaltung von Investmentprozessen für eine Vielzahl von Anwendungsfällen, auf effiziente und kostengünstige Weise.

Entwicklung von KI im Asset Management

Entscheidend für den Erfolg der Anwendung von KI im Asset Management sind Daten. Unserer Ansicht nach harmonisieren KI-Methoden optimal mit großen Datenmengen. Da Daten exponentiell zunehmen, in öffentlichen Clouds verfügbar sind und in Echtzeit verarbeitet werden (siehe Abbildung A), ist zu erwarten, dass sich KI-Ansätze dadurch kontinuierlich verbessern werden.

Außerdem profitiert KI von dem zunehmend verfügbaren Zugang zu High Performance Computing (HPC)-Techniken wie dem Einsatz von Graphical Processing Units (GPU). Mit der kontinuierlichen Verbesserung der Hardware, einschließlich des Aufkommens von Quantencomputing (McKinsey & Company, 2020), werden sich die KI-Methoden mit der Zeit weiterentwickeln und verbessern.

Wir freuen uns darauf, weitere Entwicklungen und Forschungen unseres KI-Teams und deren Anwendungen für das Asset Management zu teilen.

Ihnen ein frohes neues Jahr und vielen Dank für Ihre anhaltende Unterstützung!
Arabesque AI

INSIGHTS Stellungnahmen

By Gabriel Karageorgiou and Dominic Selwood

Companies’ priorities are rooted in the culture of their times. The East India Company, for example, systematically asset-stripped the Indian subcontinent for more than 200 years — and was largely celebrated by its shareholders as a roaring success. Now we look back in horror at the bloodshed, slavery, drug money, corruption, and exploitation that were its daily currency, and we note that today’s leading companies (hopefully) have strikingly different definitions of success.

Today, most people would argue that successful companies are not just financially sound, but must also be socially responsible and environmentally sustainable, which can be assessed with various environmental, social, and governance (ESG) metrics. We propose, however, that ESG metrics are merely the observable result of a more fundamental set of values: a notion we call corporate philotimy.

Find a Greek friend and ask what philotimo (φιλότιμο) means. The reaction will probably be a starry-eyed smile from deep inside. Then ask for an English translation, and that smile will turn to a look of bewildered helplessness. While the word’s etymology is simple — philos, or friend/love, and timi, or honor — philotimo carries a universe of rich meanings. It is decency, dignity, honesty, altruism, and a dozen other ideals encapsulating what it means to live with integrity. It is greater than the individual, with a person’s act of philotimo reflecting positively on his or her family, community, organization, and society. It was first spoken of by the pagan poets of antiquity, and St. Paul — a native Greek speaker — included it in his letters numerous times, urging his readers in Thessaloniki to fill their lives with philotimo. It is a universal, transcendent good, an internal ethical compass of fairness, compassion, and justice.

In the context of an organization, corporate philotimy is the immutable DNA that determines how a company operates at the cellular level. It is the principle that guides a company’s sustainability behavior, which can then be quantified with ESG metrics.

Corporate Philotimy Creates Corporate Value

A recent PwC report identified investment in ESG as the “growth opportunity of the century.” Over the past 10 years, investment strategies focused on nonfinancial parameters (that is, strategies prioritizing companies with a strong sense of corporate philotimy) have exploded. And those strategies are paying off: Investors are finding that companies with a strong sense of philotimy consistently outperform less-virtuous companies. The reason is fourfold:

• Companies with a culture rooted in sincere empathy treat their employees well. They are therefore able to attract and retain the best human capital, which enables them to create the most-innovative products and services.
• These companies are mindful and respectful of the communities in which they operate. They acknowledge and address community concerns, increasing engagement and facilitating smooth interactions and collaborations.
• Compassion for all stakeholders inspires these companies to take care of the resources —  human, environmental, and others — on which they rely, making their success more sustainable.
• These companies are managed with transparency and accountability, so all stakeholders understand their processes and key competencies and are able to make better-informed decisions.

Ultimately, a culture of corporate philotimy enables companies to build trusted brands, leading to loyal customers, engaged employees, and supportive shareholders. As a result, many companies are experiencing increased pressure from regulators, asset owners, and society to improve their ESG profiles, spurring a race to better performance. In this new arena, some companies have been accused of “greenwashing” — that is, of publishing shiny corporate social responsibility reports without living the values behind them. But although ESG metrics can be padded, corporate purpose is much harder to fake. Corporate philotimy requires strong virtues to be held as an end in and of themselves, not merely invoked for a quick win.

Building Corporate Philotimy Starts with Hiring People with Philotimo

How do you build a company with a strong sense of corporate philotimy? It starts with people. The notion that aggressive employees drive success is long dead. Research has definitively shown that productive teams are the direct result of positive work cultures — of deeply held corporate philotimy. In such environments, individuals feel a moral responsibility not to let their teams down. When they see colleagues struggling, they react with compassion. They give credit for collective achievements and avoid blaming others for failures. As a team, they forge a strong “we are in this together” bond, focused not on the bare minimum they are asked to do but on anything and everything they can do to contribute to the team’s success.

Both academic and anecdotal evidence support this. In 2012 Google launched a now-famous project to understand what makes a perfect team. The study — dubbed Project Aristotle, in honor of the philosopher’s well-known dictum that the whole is greater than the sum of its parts — found that cultures of empathy and kindness give teams a psychological safety net. This structural reassurance translates into greater levels of trust, respect, and engagement, enabling individuals to take initiative and share new ideas without fear of judgment. Other research confirms these findings, showing that demonstrating strong ethics and providing a sense of safety are among the most important competencies for leaders looking to build positive, productive workplaces.

How, then, do you hire people who will bring a strong sense of philotimy to your team? Virtue can be tricky to assess, but there are tells: candidates who use “we” rather than “I,” who share credit, own errors, and enjoy contributing to collective success. There are no easy answers or foolproof recruiting practices, but prioritizing individual philotimy in your hiring process is central to building organizational integrity.

How Investors Can Identify Corporate Philotimy

There’s another piece of the puzzle: ensuring that companies that demonstrate philotimy get the support they need to grow. Investing in sustainable companies is a sensible strategy both financially and ethically, but how can investors identify those opportunities? It’s challenging, because ESG disclosure is not yet universal, and many companies don’t voluntarily disclose or self-regulate their behavior. Moreover, even when companies do share some metrics, it can be hard to tell the difference between genuine, values-driven performance and a marketing stunt. But understanding a company’s true culture is not impossible.

To start, ask the following questions: Is the company’s core business opportunistic, or does it serve a wider social purpose? Does it prioritize short-term benefits over long-term opportunities? Are management and shareholder interests aligned? And what is the company’s track record on employee, customer, and stakeholder loyalty? Evaluating performance in these areas will provide an indication of the ethics and priorities driving the company’s actions.

Societies increasingly expect companies to be genuinely sustainable. They expect the businesses they support to look after their customers, their employees, their communities, and the planet. These characteristics — the hallmarks of corporate philotimy — demand a deeply ingrained sense of individual and organizational responsibility, and they create a positive work culture that inevitably translates into higher productivity. Companies that embrace philotimy don’t promise more than they can deliver, and they deliver more than they promise. To paraphrase Socrates, an undying sense of philotimy is what inspires individuals and organizations to behave as they would wish to be remembered.

Tackling the world’s most-pressing social and environmental issues will take authentically self-motivated, purpose-driven organizations working together to build a global business culture of corporate philotimy. In a world where more often than not, politicians and regulators fail to address these vital issues, companies must act with philotimo, embracing their moral obligation to serve as a force for good in their local communities and around the globe.

---

Gabriel Karageorgiou is a Partner at Arabesque Asset Management Ltd.

---

Dominic Selwood, PhD is a journalist, historian, author, barrister, and a co-founder and Partner at Arabesque Asset Management Ltd.

INSIGHTS Stellungnahmen

Georg Kell is the founding Executive Director of the United Nations Global Compact, the world’s largest voluntary corporate sustainability initiative, and Chairman of Arabesque.

Kell, along with Herman Bril and Andreas Rasche, are the co-editors of ‘Sustainable Investing: A Path to a New Horizon’, a unique combination of perspectives from academics and practitioners on how corporate sustainability and sustainable investing are converging and driving change in markets.

In a discussion with Martin Reeves, Chairman of the BCG Henderson Institute, Kell discusses the role of the corporate world and finance in making progress on sustainability, and shares his thoughts on how COVID-19 has impacted how we think about long-term challenges and resilience.

Listen on Apple Podcasts

Listen on Spotify