Warum generative KI bestehende Prognosemodelle nicht ersetzt – aber dennoch eine wichtige Rolle spielen könnte!
Der aktuelle Boom generativer Künstlicher Intelligenz hat in vielen Branchen eine Welle neuer Erwartungen ausgelöst. Seit dem Durchbruch großer Sprachmodelle wird zunehmend diskutiert, ob diese Systeme klassische Analyse- und Prognoseverfahren ersetzen könnten. Auch im Finanzsektor taucht diese Frage immer häufiger auf. Wenn ein Modell in der Lage ist, riesige Mengen an Informationen zu verarbeiten, Texte zu analysieren und komplexe Zusammenhänge zu erkennen, liegt der Gedanke nahe, dass es auch Marktbewegungen vorhersagen kann.
Auf den ersten Blick erscheint diese Annahme plausibel. Finanzmärkte sind stark informationsgetrieben. Nachrichten, Researchberichte, politische Ereignisse oder makroökonomische Entwicklungen können erhebliche Auswirkungen auf Preise und Volatilitäten haben. Ein System, das große Informationsräume analysieren kann, müsste daher eigentlich auch in der Lage sein, daraus Prognosen abzuleiten.
Bei genauerer Betrachtung zeigt sich jedoch, dass diese Erwartung nur begrenzt zutrifft. Der Grund liegt weniger in den Fähigkeiten der neuen Modelle als vielmehr in der besonderen Struktur des Finanzsektors. Denn Finanzmärkte arbeiten bereits seit Jahrzehnten mit hochentwickelten quantitativen Prognosesystemen.¹
Finanzmärkte arbeiten seit Jahrzehnten mit spezialisierten Prognosemodellen
Der Einsatz datengetriebener Modelle ist im Finanzsektor keineswegs ein neues Phänomen. Bereits seit den 1980er- und 1990er-Jahren spielen quantitative Verfahren eine zentrale Rolle in Bereichen wie Handel, Risikoanalyse und Portfoliooptimierung. Viele Investmentbanken, Hedgefonds und Asset Manager verfügen heute über umfangreiche Modelllandschaften, die kontinuierlich weiterentwickelt werden.¹
Diese Modelle verfolgen ein klar definiertes Ziel: Sie sollen numerische Marktgrößen möglichst präzise prognostizieren oder Risiken quantifizieren. Typische Zielgrößen sind beispielsweise Preisbewegungen, Volatilitäten, Renditeverteilungen oder spezifische Risikoindikatoren. Entsprechend konzentrieren sich die Modellansätze auf statistische Verfahren, die genau für diese Aufgaben entwickelt wurden.¹
Zu den häufig eingesetzten Modellklassen gehören etwa Zeitreihenmodelle, neuronale Netze oder verschiedene Ensembleverfahren. Diese Modelle werden gezielt auf historische Marktdaten trainiert und darauf optimiert, bestimmte Muster oder Korrelationen zu erkennen. Entscheidend ist dabei nicht nur die Prognosefähigkeit, sondern auch die methodische Nachvollziehbarkeit.
In regulierten Finanzsystemen müssen Modelle in der Regel umfangreiche Validierungsprozesse durchlaufen. Sie werden backgetestet, statistisch überprüft und regulatorisch dokumentiert. Banken und andere Finanzinstitutionen müssen nachvollziehbar darlegen können, wie ihre Modelle funktionieren und welche Annahmen ihnen zugrunde liegen. Reproduzierbarkeit und Transparenz sind daher zentrale Anforderungen.²
Vor diesem Hintergrund stellt sich die Frage, ob Large Language Models tatsächlich geeignet sind, diese Rolle zu übernehmen. Eine nähere Betrachtung zeigt, dass sie einer grundsätzlich anderen Modelllogik folgen.
Large Language Models folgen einer anderen Modelllogik
Large Language Models sind keine klassischen Prognosemodelle im statistischen Sinne. Ihr grundlegendes Ziel besteht nicht darin, numerische Zeitreihen zu prognostizieren, sondern Sprachstrukturen zu modellieren.³
Technisch gesehen werden solche Modelle auf riesigen Textkorpora trainiert. Während des Trainings lernen sie, die Wahrscheinlichkeit bestimmter Wortfolgen vorherzusagen. Aus dieser Fähigkeit entsteht ihre bemerkenswerte Kompetenz, Texte zu generieren, Fragen zu beantworten oder komplexe Inhalte zusammenzufassen.³ ⁴
Diese Funktionsweise unterscheidet sich fundamental von der Logik quantitativer Finanzmodelle. Während klassische Prognosemodelle auf klar definierte numerische Zielgrößen optimiert werden, arbeiten Large Language Models mit probabilistischen Sprachmustern. Sie erzeugen Inhalte generativ und probabilistisch, statt deterministische oder statistisch kalibrierte Vorhersagen für konkrete Marktvariablen zu liefern.³
Für viele Anwendungen ist diese Fähigkeit außerordentlich wertvoll. In Bereichen wie Wissensmanagement, Softwareentwicklung oder Kundenkommunikation haben generative Modelle bereits erhebliche Produktivitätsgewinne ermöglicht. Für präzise numerische Marktprognosen sind sie jedoch nicht primär konzipiert worden.⁴
Hinzu kommt ein weiterer wichtiger Aspekt: die Reproduzierbarkeit. In regulierten Finanzsystemen müssen Modelle in der Regel stabil und nachvollziehbar arbeiten. Ergebnisse müssen unter vergleichbaren Bedingungen reproduzierbar sein. Generative Sprachmodelle erzeugen jedoch häufig leicht unterschiedliche Antworten auf ähnliche Eingaben. Diese Eigenschaft ist für viele Anwendungen unproblematisch, kann jedoch bei regulatorisch relevanten Modellentscheidungen zu Herausforderungen führen.⁴
All dies bedeutet jedoch nicht, dass Large Language Models für Finanzmärkte irrelevant wären. Im Gegenteil: Ihr eigentlicher Mehrwert liegt vermutlich in einem ganz anderen Bereich.
Der eigentliche Mehrwert von LLMs liegt in der Analyse komplexer Informationsräume
Finanzmärkte werden nicht ausschließlich durch strukturierte Daten bestimmt. Ein erheblicher Teil der marktrelevanten Informationen liegt in unstrukturierter Form vor. Nachrichtenmeldungen, Analystenberichte, politische Entwicklungen oder geopolitische Ereignisse können erhebliche Auswirkungen auf Marktbewegungen haben.
Für klassische quantitative Modelle sind solche Informationsquellen oft nur schwer zugänglich. Zwar existieren Ansätze zur Sentimentanalyse oder zur automatisierten Auswertung von Nachrichtenströmen, doch die Interpretation komplexer Texte bleibt eine anspruchsvolle Aufgabe.
Hier entfalten Large Language Models ihre besondere Stärke. Sie können große Mengen an Textinformationen analysieren, Inhalte zusammenfassen und unterschiedliche Informationsquellen miteinander verknüpfen. Dadurch entstehen neue Möglichkeiten, komplexe Informationsräume systematisch auszuwerten.⁴
Ein Beispiel dafür ist die Analyse von Marktnarrativen. Finanzmärkte reagieren häufig nicht nur auf einzelne Fakten, sondern auch auf die dominierenden Interpretationen wirtschaftlicher Entwicklungen. Narrative über Inflation, Zinspolitik oder geopolitische Risiken können das Verhalten von Marktteilnehmern stark beeinflussen. Large Language Models sind besonders gut geeignet, solche Narrative zu erkennen und in größeren Informationskontexten zu analysieren.⁴
Darüber hinaus können sie verschiedene Informationsquellen miteinander verbinden. Researchberichte, Unternehmensmeldungen, politische Ereignisse oder makroökonomische Daten lassen sich gemeinsam betrachten und in einen interpretativen Zusammenhang stellen. Auf diese Weise entstehen neue Perspektiven auf Marktgeschehen, die über rein numerische Analysen hinausgehen.⁴
In diesem Sinne fungieren Large Language Models weniger als klassische Prognoseinstrumente, sondern eher als Analyse- und Interpretationswerkzeuge.⁴
Die Zukunft liegt wahrscheinlich in der Kombination beider Systeme
Vor diesem Hintergrund erscheint ein anderer Einsatz generativer KI deutlich plausibler: nicht der Ersatz bestehender Prognosesysteme, sondern ihre Ergänzung.
Quantitative Modelle werden weiterhin eine zentrale Rolle im Finanzsektor spielen. Sie bleiben das Rückgrat vieler Anwendungen, etwa bei Preisprognosen, Risikomodellen oder der Portfoliooptimierung. Ihre Stärke liegt in der präzisen Analyse strukturierter Daten und in der statistischen Modellierung klar definierter Zielgrößen.¹ ²
Large Language Models können darüber jedoch eine zusätzliche Ebene bilden. Man kann sie sich als eine Art Meta-Layer vorstellen, der über bestehenden quantitativen Systemen liegt. Auf dieser Ebene könnten generative Modelle verschiedene Funktionen übernehmen.⁴
Eine Möglichkeit besteht darin, Modellresultate zu interpretieren und in größere Informationskontexte einzuordnen. Ein LLM könnte beispielsweise analysieren, welche makroökonomischen Narrative mit bestimmten Marktbewegungen zusammenfallen oder welche politischen Entwicklungen potenziell relevante Risiken darstellen.⁴
Eine weitere Rolle könnte in der Integration externer Informationsquellen liegen. Nachrichten, Researchberichte oder geopolitische Ereignisse lassen sich systematisch in die Analyse einbeziehen und mit quantitativen Ergebnissen verbinden.⁴
Schließlich könnten Large Language Models auch bei der Hypothesengenerierung helfen. Sie können große Informationsräume durchsuchen und mögliche Zusammenhänge identifizieren, die anschließend durch quantitative Modelle überprüft werden.⁴
Der eigentliche Fortschritt entsteht damit nicht durch den Ersatz bestehender Modelle, sondern durch die Kombination unterschiedlicher Modelltypen. Quantitative Systeme liefern präzise numerische Analysen, während generative Modelle komplexe Informationsräume interpretieren.¹ ⁴
Key Takeaways
- Finanzmärkte nutzen seit Jahrzehnten spezialisierte quantitative Prognosemodelle.¹
- Diese Modelle sind auf klar definierte Zielgrößen optimiert und lassen sich statistisch validieren sowie regulatorisch dokumentieren.²
- Large Language Models verfolgen eine andere Modelllogik und sind primär für Sprachverarbeitung entwickelt worden.³ ⁴
- Ihr größter Mehrwert im Finanzsektor liegt daher weniger in der Marktprognose als in der Analyse komplexer Informationsräume.⁴
- Der größte Fortschritt dürfte durch die Kombination quantitativer Modelle mit generativer KI entstehen.¹ ⁴
Fußnoten
- Hull, John C.: Options, Futures, and Other Derivatives. Pearson, 2018.
- Jorion, Philippe: Value at Risk – The New Benchmark for Managing Financial Risk. 3rd Edition, McGraw-Hill, 2006/2007.
- Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N.; Kaiser, Łukasz; Polosukhin, Illia: Attention Is All You Need. In: Advances in Neural Information Processing Systems (NeurIPS), 2017.
- Bommasani, Rishi et al.: On the Opportunities and Risks of Foundation Models. Stanford Center for Research on Foundation Models (CRFM), 2021.