XAIFi

Ausgangslage und Problemstellung

Die Modellierung von Risikoereignissen im Finanzsektor erfordert eine fundierte Analyse vergangener Ereignisse und zukünftiger Szenarien. Die Datenbasis für solche Modellierungen ist in den letzten Jahren erheblich gewachsen, ebenso wie die Zahl leistungsfähiger Methoden zur Verarbeitung großer Datenmengen. Dennoch bleibt die präzise Risikoabschätzung und -vorhersage eine zentrale Herausforderung. Besonders maschinelle Lernverfahren liefern oft schwer nachvollziehbare Ergebnisse, was im regulierten Umfeld des Finanzwesens problematisch ist. Entscheidungen müssen gegenüber Aufsichtsbehörden, Entscheidungsträgern und weiteren Stakeholdern transparent und erklärbar sein – eine Anforderung, die bislang nur unzureichend erfüllt wird.

Projektinhalte

Im Rahmen des Projekts wurden auf Grundlage bestehender Ansätze des erklärbaren Maschinellen Lernens (XAI) Verfahren entwickelt, die eine praktische Anwendung in Finanzkontexten ermöglichen. Ausgangspunkt war die Zusammenführung und strukturierte Analyse relevanter Datensätze, Datenformate und erklärender Merkmale. Darauf aufbauend wurden Muster und Zusammenhänge identifiziert, insbesondere durch Clustermodelle, die trennscharfe und erklärbare Datenbereiche sichtbar machen. Dies ermöglicht es, Modellvorhersagen gezielt anwendungsbezogen und nachvollziehbar zu gestalten. Ein besonderer Fokus lag auf der Auswahl und Generierung geeigneter Merkmale, um die Erklärbarkeit der Ergebnisse zu erhöhen. Im Finanzbereich ist hierbei besonders auf Diskriminierungsfreiheit und Datenschutz zu achten, da Variablen im Modell bestimmten regulatorischen und ethischen Anforderungen unterliegen.

Ergebnisse

Im Projektverlauf wurden zwei ML-Modelle entwickelt, die die Prinzipien erklärbarer KI exemplarisch umsetzen. Zum einen ein Modell zur Vorhersage französischer Immobilienpreise, das auf öffentlich zugänglichen Transaktionsdaten aus den Jahren 2014 bis 2023 basiert und um Geo-, makroökonomische, Klima- und Wetterdaten ergänzt wurde. Besonderer Wert wurde auf Transparenz gelegt, indem SHAP-Werte zur Erklärung der Modellentscheidungen eingesetzt und durch Bootstrapping um Konfidenzintervalle ergänzt wurden. Zusätzlich wurden Kausalanalysen zu den Auswirkungen von Extremwetterereignissen auf Immobilienpreise durchgeführt. Zum anderen entstand ein Prognosemodell für Aktientransaktionen, das Fractional-Trading-Anbieter beim Risikomanagement unterstützt. Es nutzt unter anderem Nachrichtenquellen zur Erkennung von Markttrends und leitet daraus potenzielle Handlungsoptionen ab.