Künstliche Intelligenz in der Behavioral Finance
Künstliche Intelligenz wird zwar bereits vielfach im Finanzbereich eingesetzt, etwa zur Bewertung von Kreditrisiken oder zur Prognose von Versicherungsansprüchen, die Nutzung zur Analyse des Verhaltens von Finanzmarktteilnehmern ist noch wenig verbreitet. Amundi hat daher untersucht, wie KI, insbesondere Machine Learning (ML) und Large Language Models (LLM), im Bereich Behavioral Finance eingesetzt werden kann, um Investorenverhalten zu analysieren, personalisierte Empfehlungen zu entwickeln und Verhaltenscoaching zu ermöglichen.
Clustering-Algorithmen ermöglichen die Gruppierung von Investoren ohne vorgegebene Labels. Klassische Vulnerabilitätsmaße (z.B. Debt-to-Income) werden durch mehrdimensionale Clusteranalysen ergänzt, etwa nach Einkommen, Vermögen, Transaktionsdaten oder Nachhaltigkeitspräferenzen. ML kann zur Prognose individuellen Entscheidungsverhaltens eingesetzt werden. Im Finanzkontext kann dies zum Verhaltenscoaching genutzt werden. Ein Beispiel ist die Analyse von Beraternotizen, um Anlegerbedenken zu quantifizieren und in Kombination mit Transaktions- und Aktivitätsdaten das Liquidationsverhalten von Investoren vorherzusagen. Im Anschluss beschreiben die Autorinnen ML-basierte Empfehlungsalgorithmen zur personalisierten Empfehlung von Finanzprodukten und zeigen, dass unterschiedliche Ansätze eingesetzt werden, um Anlegerpräferenzen systematisch abzuleiten.
LLMs werden zunehmend in der Kundenbetreuung eingesetzt, etwa durch Chatbots. Dabei sind die Anwendungen in der Regel auf vordefinierte Standardfälle beschränkt, etwa die Vergabe neuer Passwörter. Möglich sind weitergehende Anwendungen wie Präferenzen erkennen, personalisierte Empfehlungen generieren und Diversifikationsentscheidungen unterstützen. Problematisch ist, dass oftmals generische Antworten geliefert werden, diese Verzerrungen aufweisen und Risiken wie Ungenauigkeiten, Halluzinationen sowie fehlende regulatorische Verantwortung mit sich bringen. Ihr derzeit größtes Potenzial liegt daher in der Finanzbildung.
Weitere Herausforderungen sind begrenzter Zugang zu sensiblen Investorendaten, was die Modellqualität einschränken kann, während Verzerrungen in Trainingsdaten, mangelnde Aktualisierung, fehlende Diversifikationslogik und intransparente „Black-Box“-Modelle zu Fehlentscheidungen und Vertrauensverlust führen können; insbesondere LLMs weisen Risiken wie Halluzinationen, inkonsistentes ökonomisches Verhalten und fehlende rechtliche Verantwortlichkeit auf. Hinzu kommen hohe finanzielle und ökologische Kosten des Trainings und Betriebs großer Modelle sowie regulatorische Anforderungen, insbesondere durch den EU AI Act.
Absolut Research unterstützt institutionelle Investoren bei der Bewertung von Mandaten und der Selektion neuer Asset Manager mit der monatlich erscheinenden Publikationsreihe Absolut|ranking und den 360°-Analysen (Peer-/ Benchmark-/ Factor-/ Asset-Flow-/ Persistence-Analysen). Insgesamt analysiert Absolut|ranking mehr als 16.000 aktive und passive Strategien von 2.000 Asset Managern, aufgeteilt auf 34 Assetklassen und Marktsegmente sowie mehr als 200 Universen. Individuelle Mandate und Spezialfonds können ebenfalls untersucht werden.
