Quo vadis Finance? - slg.co.at · Die Folien sind nur zum persönlichen Gebrauch der Zuhörer/innen...
Transcript of Quo vadis Finance? - slg.co.at · Die Folien sind nur zum persönlichen Gebrauch der Zuhörer/innen...
Die Folien sind nur zum persönlichen Gebrauch der Zuhörer/innen dieser Veranstaltung.
Prof. Dr. Peter N Posch
Quo vadis Finance? Entwicklungen angesichts Digitalisierung und Künstlicher Intelligenz.
FCM Düsseldorf25.09.2018
AgendaNeuere Entwicklungen im Bereich
Blockchain
(Big) Data und
Künstlicher Intelligenz
und deren Einfluss auf das Treasury und die Finanzwirtschaft
# 2
Trends im FinTech Sektor Automatisierte Plattformen stellen neue Form der Finanzberatung dar Roboadvisor, KI vs. NI
Differenzierung durch neue Funktionen, wie z.B. Vergleiche mit Freunden und Social Media Anwendungen
Neue Technologien (Big Data Analytics) ermöglichen Trendprognosen in Echtzeit und Ansprache eines größeren Kundenkreises
Blockchain und Kryptowährungen– Ermöglichen sichere Peer-to-Peer Transaktionen – Minimierung Anzahl an Intermediären– Ziel: Transaktionen effizienter, günstiger und „demokratischer“ machen
# 3
Klassisches Finanzgeschäft
# 4
Investor Kreditor
€ Von An Datum100 I B 1.1
-108 B K 1.2.
112 K B 1.3-102 B I 1.4
P2P Person to Person Kreditgeschäft
# 5
Investor Kreditor
€ Von An Datum
-100 I K 1.1
+101 K I 1.2
€ Von An Datum
+100 I K 1.1
-101 K I 1.2
Sicherheit durch einen Zertifizierungsintermediär
# 6
Investor Kreditor
€ Von An Datum
-100 I K 1.1
+101 K I 1.2
Warum sollten wir uns damit beschäftigen?
# 7
$141.061.565.984 Cryptowährungen Market Cap
2.184%Durchsch. Wachstum p.a. (2013-heute)
Dezentrale Organisation D(A)O
Dezentrale ApplicationSmart Contracts
Satoshi Revolution
China verbietet Bitcoin (Sept 17)Japan macht Bitcoin zur akzeptierten Währung (Sept 17)
Die Blockchain
# 8
€ Von An Datum
-100 I K 1.1
+101 K I 1.2
€ Von An Datum
+230 I K 1.3
-241 K I 1.4
Pre
02b71c376deb2e2cffefecfe8d5d139dd298659b37c7b5344dc70d94232a161b
1
2
dd56be600963061d5e09819309c64882100caa5ccb2f7f5ea5792a62880e22b3
02b71c376deb2e2cffefecfe8d5d139dd298659b37c7b5344dc70d94232a161b
VerteilenDistributed ledger
Anwendungen der Blockchain
# 9
Cryptocurrencies „Bitcoin“
Kosten für das Hashing (Mining)
Dezentrale Authentifizierung
Nicht notwendigerweise Anonym
Smartcontracts „Ethereum“
1.300+ CryptowährungenMarketCap $49(!) - $67 Mrd.
BAI – Blockchain Assets IndexIndexfamilie zur Abbildung der Blockchain Assets, seit 2015
BAI Main: Marketcap Index
𝑑𝑑𝐼𝐼𝑡𝑡 = �𝑖𝑖=1
𝑁𝑁
ln𝑃𝑃𝑖𝑖,𝑡𝑡𝑃𝑃𝑖𝑖−1,𝑡𝑡
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑝𝑝𝑖𝑖,𝑡𝑡∑𝑖𝑖=1𝑁𝑁 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑝𝑝𝑖𝑖,𝑡𝑡
BAI FastMover: Höchster relativer Zuwachs
BAI Value: Stabilste Blockchain Assets nach
Vola-Schätzer
𝜎𝜎𝑡𝑡 =𝑁𝑁𝑛𝑛⋅�𝑖𝑖=1
𝑁𝑁12⋅ log
𝐻𝐻𝑖𝑖𝐿𝐿𝑖𝑖
2
− 2 ⋅ log 2 − 1 ⋅ log𝐶𝐶𝑖𝑖𝑂𝑂𝑖𝑖
2
Datenverfügbarkeit durch „Crawling“ von 1.300+ Cryptos und 100+ „Exchanges“
http://bai.firrm.de
# 10
Big Data ist mehr als viele Daten!
# 11
€500: Preis für eine Festplatte für alle Musik der Welt
5 Mrd: Anzahl Mobiltelefone
30 Mrd: Geteilte Info auf Facebook p.m.
1,8 Zetabyte Daten (2013) 40 Zetabyte (2020)
40%: Wachstum p.a. der Datenmenge
5%: Wachstum p.a. IT Ausgaben
82.19
1.00 7.00 10.00
0
20
40
60
80
100
Cern* NYSE Twitter Facebook
Terrabyte pro Tag
*nur 0,0005% werden gespeichert
Big Data Eigenschaften: die 3 Vs
# 12
•Terabytes•Dateien•Transaktionen
•Strukturiert•Unstrukturiert•Semi-Strukturiert
•Near-time•Real-Time•Batch•Stream
VolumenMenge
VarietyVielfalt
VelocityGeschwindigkeit
Big Data – Management Sicht Daten können wertvolle Informationen enthalten und zu Wettbewerbsvorteilen
führen
Wenn es gelingt diese Erkenntnisse zu extrahieren können Unternehmen bessere Entscheidungen und Prognosen treffen
# 14
Wie nutzt die Branche Big Data?
Customer-centric
outcomes; 55%
Operational optimization; 4%
Risk/financial management;
23%
New business model; 15%
Employee colaboration;
2%
# 15
Pilot & implementation
of big data activities; 27%
Have not begun big data activities; 26%
Planning big data activities;
47%
Wo wird das Potential in Big Data gesehen? Wie ist der Projektstatus?
Quelle: IBM, Euroforum
Herausforderungen und Grenzen von Big Data Datenschutzrechtliche Herausforderungen
Steigende Komplexität bei Datenkombinationen
Aufzeigen von Korrelation, nicht aber Beurteilung von Kausalität– Heutige Algorithmen weisen lediglich Zusammenhänge in Daten auf, nicht
warum es diese Zusammenhänge gibt– Menschlicher Verstand, Erfahrung und Intuition immer noch notwendig
Fragwürdige Datensätze– Fake Accounts in Sozialen Netzwerken– Manipulierte Informationen
# 16
Data Mining, Analytics und Machine Learning Klassische (statistisch-mathematische) Verfahren und IT Infrastruktur unzureichend
# 17
Quelle: Riedel, 2015
Ausgewählte Algorithmus-Typen Prognose
– Vorhersage einer Variablen basierend auf einem Datensatz
Clusteranalyse– Unterteilung von Datensätze in Gruppen basierend auf Ähnlichkeitskriterien
Klassifikation– Einteilung von Objekten oder Situationen in Klassen
Assoziationsanalyse– Erkennen von Zusammenhängen zwischen gemeinsam auftretenden Dingen
# 18
Anwendungsbeispiele im Finance Kundensegmentierung
– Kategorisierung von Kunden in Gruppen mit ähnlichen Charakteristika– Individuelle(re) Produkt- und Serviceangebote („Amazon“), z.B.
automatisierte Erstellung von „tailored portfolios“
Bewertung– Verbesserung der Bewertung von illiquiden Vermögenswerten, oft nur
wenige traditionell relevante Datenpunkte
Risikoanalyse– Zusätzliche Daten ermöglichen schnellere und genauere Evaluierung z.B.
Konsumverhalten, Facebook Freundeskreis– Konkretes Beispiel: FiRRMs InternetScoring
# 19
Herausforderungen für traditionelles Finance FinTech durchdringt alle Geschäftsbereiche (Retail Banking, Private Banking,
Investment Banking, Asset Management, Firmenkunden) “unbundling of traditional banks“
Verschiebung der Gestaltungsmacht hin zu den Konsumenten
„Banking is no longer somewhere you go, but something you do.“
Nicht-physische Produktion (das Kerngeschäftsmodell der traditionellen Banken) bietet idealen Ansatz für digitale Strategien
Innovationen bei Banken bislang meist auf Finanzinstrumente beschränkt
# 20
FazitHerausforderung
Disruption klassischer Industrien durch neue Verfahren
Große Unternehmen erleben De-bundeling der Geschäftsbereiche durch Startups
Ist-Zustand
Finanzwelt und DE mit Rückstand in Digitalisierung und Nutzung der Technologie
Segmentierung der Geschäftsbereiche
To-Dos
Sinnvolle Ergänzung der bestehenden Verfahren
Fokussierung auf Kernkompetenz und Ausbau dieser mit modernen Methoden
# 22
Kontakt
Disclaimer: Dieses Dokument dient der Information. Er ist kein Verkaufsprospekt und enthält kein Angebot zum Kauf oder eine Aufforderung zur Abgabe einesKaufangebots für das vorgestellte Produkt und darf nicht zum Zwecke eines Angebots oder einer Kaufaufforderung verwendet werden. In die Zukunft gerichteteAngaben basieren auf Annahmen. Da sämtliche Annahmen, Voraussagen und Angaben nur die derzeitige Auffassung über künftige Ereignisse wiedergeben,enthalten sie natürlich Risiken und Unsicherheiten. Entsprechend sollte auf sie nicht im Sinne eines Versprechens oder einer Garantie über die zukünftigePerformance vertraut werden. Investoren sollten sich bewusst sein, dass die tatsächliche Performance erheblich von vergangenen Ergebnissen abweichen kann.Insofern kann die zukünftige Performance der Anlagealternativen nicht zugesichert werden.
Tel. +49 - (0)231 755 3273
Fax. +49 - (0)231 755 8197
http://www.firrm.de
Professorship Finance
Centre of Risk & Resource Management
Technical University of Dortmund
Otto-Hahn-Str. 6
DE- 44227 Dortmund