Bleiben Sie auf dem Laufenden über aktuelle Entwicklungen, Forschungsergebnisse und praktische Anwendungen von maschinellem Lernen in der Finanzbranche
Die wichtigsten Ereignisse und Durchbrüche der letzten Monate im Überblick
Forschungsteams an mehreren europäischen Instituten haben gezeigt, dass neueste Transformer-Architekturen die Vorhersagegenauigkeit bei Kreditausfällen um durchschnittlich 12% verbessern können. Die Modelle analysieren nicht nur Finanzdaten, sondern auch Transaktionsmuster über längere Zeiträume.
Die BaFin hat zusammen mit anderen europäischen Aufsichtsbehörden konkrete Anforderungen an die Nachvollziehbarkeit von KI-gestützten Finanzentscheidungen formuliert. Banken müssen ab Herbst 2025 dokumentieren können, wie ihre Algorithmen zu Empfehlungen gelangen. Das betrifft besonders Kreditvergabe und Anlageberatung.
Eine Studie aus den Niederlanden zeigt vielversprechende Ergebnisse beim Einsatz von Graph Neural Networks zur Aufdeckung komplexer Betrugsmuster. Die Technologie erkennt verdächtige Netzwerke zwischen Konten und Transaktionen, die klassische Systeme übersehen würden.
Mehrere Asset-Management-Firmen haben Systeme vorgestellt, die ihre Anlageentscheidungen verständlich kommunizieren können. Statt einer Blackbox erhalten Kunden jetzt nachvollziehbare Begründungen, warum bestimmte Wertpapiere empfohlen werden. Das erhöht das Vertrauen merklich.
Diese Bereiche zeigen momentan besonders interessante Fortschritte. Manche sind schon im Einsatz, andere werden in den nächsten Jahren wichtiger.
Deep-Learning-Systeme verarbeiten Marktdaten inzwischen mit minimaler Verzögerung. Das erlaubt schnellere Reaktionen auf unerwartete Ereignisse. Allerdings braucht es auch bessere Hardware und durchdachte Datenarchitekturen.
Algorithmen lernen individuelle Verhaltensmuster und Präferenzen. Sie können Vorschläge machen, die zu konkreten Lebenssituationen passen – ohne dass jemand einen Fragebogen ausfüllen muss. Die Qualität hängt aber stark von der Datenmenge ab.
Neuronale Netze durchsuchen Verträge und Transaktionen nach regulatorischen Anforderungen. Das spart Zeit bei wiederkehrenden Prüfungen. Komplexe Sonderfälle müssen aber weiterhin manuell bewertet werden.
Die besten Algorithmen nützen wenig, wenn die Datenbasis fehlerhaft oder unvollständig ist. Viele Projekte scheitern nicht an der Modelltechnik, sondern an inkonsistenten Datenquellen oder mangelnder Vorverarbeitung.
Erfolgreiche Implementierungen beginnen meist mit monatelanger Datenaufbereitung. Das klingt unsexy, macht aber den Unterschied zwischen theoretischen Experimenten und produktiven Systemen.
Die meisten Finanzinstitute arbeiten mit gewachsenen IT-Landschaften. Deep-Learning-Lösungen müssen sich in diese Umgebungen einfügen, ohne alles umzukrempeln. Das erfordert durchdachte Schnittstellen und realistische Erwartungen.
Pilotprojekte starten oft isoliert. Die echte Herausforderung kommt bei der Skalierung – wenn hunderte Mitarbeiter täglich mit den Systemen arbeiten sollen.
„Wir sehen momentan einen Wandel bei den Erwartungen. Vor zwei Jahren wollten alle das perfekte Modell. Jetzt fragen Kunden eher: Wie bekommen wir etwas zum Laufen, das schrittweise besser wird?"
Veronika arbeitet seit 2019 an der Schnittstelle zwischen Forschung und praktischer Umsetzung. Ihr Fokus liegt auf Methoden, die auch mit begrenzten Rechenressourcen funktionieren – ein häufiges Problem bei mittelständischen Finanzdienstleistern.
Im Herbst 2025 finden mehrere Konferenzen statt, die sich speziell mit Anwendungsfällen in der Finanzbranche beschäftigen. Themen sind unter anderem föderated Learning für datenschutzkonforme Modelltrainings und Reinforcement Learning bei der Portfoliooptimierung.
Parallel dazu entwickeln sich die regulatorischen Rahmenbedingungen weiter. Die nächsten EU-Richtlinien werden voraussichtlich konkretere Vorgaben zur Modellvalidierung enthalten.