Künstliche Intelligenz - Big Data und KI - Notenbanken wollen Datenschatz heben

Daten, Daten, Daten: In dieser von Technologiekonzernen wie Google und Facebook entdeckten Goldgrube schürfen nun auch Notenbanken wie die Europäische Zentralbank.
16.05.2021 08:15
Big Data bezeichnet Datenmengen, welche zu gross und komplex sind, um sie mit manuellen und herkömmlichen Methoden der Datenverarbeitung auszuwerten.
Big Data bezeichnet Datenmengen, welche zu gross und komplex sind, um sie mit manuellen und herkömmlichen Methoden der Datenverarbeitung auszuwerten.
Bild: pixabay.com

Die automatische Verarbeitung grosser und komplexer Datensätze hält damit auch in der Geldpolitik Einzug. Der Frankfurter Finanzwissenschaftler Sascha Steffen geht in einem Forschungsprojekt der Frage nach, wie Methoden der künstlichen Intelligenz (KI) die Arbeit der Währungshüter voranbringen können: etwa bei Prognosen zur Inflation oder zum Bruttoinlandsprodukt oder auch bei der Bewertung der Wirksamkeit ihrer Geldspritzen für den Bankensektor.

Die EZB sitzt auf einem Datenschatz, den es mittels KI zu heben gilt. Denn die Zentralbank verfügt über sehr viele Markt- und Bilanzzahlen sowie Daten über Haushalte, Firmen und Banken: "Das sind Millionen an Datensätzen", erläutert Steffen von der Frankfurt School of Finance & Management.

"Wir stehen erst am Anfang", sagt er über das Forschungsvorhaben, das bis 2023 laufen soll. Es ist Teil eines Förderprojekts des Bundeswirtschaftsministeriums und trägt den Titel "KI-basierte Geldpolitik". Auch die Bundesbank ist beteiligt, die zum Europäischen System der Zentralbanken (ESZB) gehört.

Algorithmen fahnden nach Mustern

KI ist die Schlüsseltechnologie, um die riesigen Speichermengen jenseits des von Gigabyte (GB) erfassten Bereichs zu erschliessen, der in Terabyte gemessen wird. Ein Terabyte entspricht 1000 GB. Für die weltgrösste Bibliothek, die Library of Congress in Washington, wurde einmal geschätzt, dass 15,3 Millionen online gestellte digitale Objekte einer Datenmenge von 74 Terabyte entsprechen.

Mit maschinellem Lernen bauen Algorithmen ein statistisches Modell auf, das Muster und Gesetzmässigkeiten in den Zahlenkolonnen erkennt. Diese sollen Rückschlüsse über Trends und Entwicklungen zulassen. Doch Daten sind nicht gleich Daten: Sogenannte hochfrequente Daten geben möglichst zeitnah Aufschluss über die Entwicklung. So wird beispielsweise das Bruttoinlandsprodukt auf Basis der traditionellen Datenerhebung vierteljährlich erst mit einiger Verzögerung nach Ende eines Quartals veröffentlicht.

Hochfrequente Daten, etwa auf wöchentlicher oder täglicher Basis, können den Ökonomen helfen, die Entwicklung weit schneller zu erfassen. Dazu können eine ganze Reihe von Daten herangezogen werden - etwa zur Lkw-Fahrleistung, zum Container-Umschlag, zum Stromverbrauch, zu Kreditkarten-Transaktionen oder auch Internet-Suchanfragen und Google-Daten zur Mobilität.

Die EZB nutzt solche hochfrequenten Daten bereits in grösserem Umfang, so auch im Rahmen ihrer wirtschaftlichen Analyse. Denn indem sie solche Informationsquellen anzapft, können annähernd Echtzeit-Aufnahmen zur Lage der Wirtschaft erstellt werden. EZB-Chefin Christine Lagarde erwähnte diese nach der Zinssitzung im April als einen der Indikatoren, die darauf hindeuteten, dass die Euro-Zone im zweiten Quartal wieder auf Wachstumskurs gegangen ist.

Digitale Trüffelsuche

Die EZB verwendet unter anderem täglich Daten von MTS Markets, einer digitalen Plattform für Staatsanleihen zur Erstellung von Renditekurven. Auch Google-Daten werden genutzt. Die EZB betreibt zudem auch ein "Nowcasting". Darunter ist die Erfassung des laufenden Geschehens zu verstehen im Unterschied zu klassischen Prognosen, den "Forecasts". Zudem gibt es Text-Mining-Projekte mit der Medien-Plattform Factiva, wie der EZB-Berater Per Nymand-Andersen in der Fachpublikation "Central Banking" erläutert.

Auch bei der Bankenaufsicht der EZB spielen neue Analysemethoden eine wichtige Rolle. So haben die Bankenwächter ein Werkzeug entwickelt, das sie "Truffle Analytics" (Trüffel-Analytik) getauft haben. Dieses basiert auf maschinellem Lernen und wird bei der jährlichen Bankenprüfung eingesetzt, dem sogenannten SREP-Prozess. Mit diesem Werkzeug lassen sich unter anderem SREP-Verfahren und -Entscheidungen analysieren. Die Kontrolleure können damit beispielsweise Ähnlichkeiten zwischen Banken erkennen und auch Trends identifizieren. Ohne ein solches Instrument wäre es den Kontrolleuren schwer möglich, tausende Seiten an strukturierten Textdokumenten zu durchleuchten, die in einem Überprüfungszyklus anfallen.

Laut Finanzexperte Steffen geht es auch darum, mit Hilfe der KI "quasi Indikatoren zu bauen", die helfen, das BIP vorherzusagen, oder Wirtschaftszyklen zu prognostizieren: "Dann, würde ich sagen, ist das ein sehr wertvoller Beitrag", so das Fazit des Experten, der als Berater für Banken, Zentralbanken und Vermögensverwalter tätig ist. Doch sei der mit KI betriebene Aufwand nicht in jedem Fall gerechtfertigt: "Wir sind gerade dabei, das Forecasting von Inflation zu analysieren. Im Prinzip sieht es eigentlich so aus, dass wir mit acht Makroindikatoren die Inflation sehr genau prognostizieren können." Daher stelle sich die Frage: "Muss man noch kreativer werden, wenn die zusätzliche Erklärungsgüte, die übrig bleibt, eigentlich relativ klein ist."

(Reuters)

 
Aktuell+/-%
Alphabet-A Rg2'415.45-0.53%
Facebook-A Rg331.08-1.68%

Investment ideas