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 - Die Sicht des Fahrers…

# 13

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

Wer innoviert in dem Bereich? FinTech Marktsegmente

# 21

FinTechSector Map

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

info@firrm.de

http://www.firrm.de

Professorship Finance

Centre of Risk & Resource Management

Technical University of Dortmund

Otto-Hahn-Str. 6

DE- 44227 Dortmund