Programmierung von Risikomodellen mit generativer KI

Risikomanager befassen sich tagtäglich mit den Möglichkeiten der Abweichungen von Plan- oder Zielwerten in Unternehmen. Gerade in den Enterprise Risk Management Teams großer Industrieunternehmen fanden zuletzt quantitative Methoden zur Bewertung von Risiken Anklang. Qualitative Methoden haben weitestgehend ausgedient.

Der Einsatz quantitativer Methoden bringt jedoch auch Herausforderungen mit sich: Risikomanager müssen ein erweitertes Skillset mitbringen, das über die Nutzung klassischer Tabellenkalkulationssoftware hinausgeht.

In diesem Gastbeitrag erklärt Florian Worm, wie quantitative Methoden und moderne Programmierung mit Python und R das Risikomanagement revolutionieren, welche Rolle Künstliche Intelligenz dabei spielt und welche Vorteile generative KI-Modelle bieten können.

Top-Tipp: Mehr zum Thema erfahren Sie von Florian Worm live auf unserer Konferenz KI im Risikomanagement am 04.11.2024 in Frankfurt am Main. Vertiefen Sie Ihr Wissen rund um die Nutzung von generativer KI bei der quantitativen Risikoanalyse. Anhand einfacher Beispiele wird gezeigt, warum der Einsatz gar nicht so schwer ist, welcher Mehrwert generiert werden kann und auf welche Fallstricke zu achten ist.

Quantitative Risikomodelle bestehen zumeist aus einer oder der Kombination mehrerer Zufallsvariablen, Prämissen und Zusammenhängen. Diese Modelle können entweder über dafür geeignete Drittsoftware entwickelt, oder vom Risikomanager selbst programmiert werden.

Die Programmierung erfolgt dabei in der Sprache der Wahl, jedoch bieten sich heutzutage vor allem Python oder R an, da diese Sprachen wesentliche Erleichterungen für stochastische Modelle mit sich bringen. Gerade R wurde ursprünglich zum Zwecke wissenschaftlicher Programmierung entworfen, aber auch in Python bestehen spätestens seit der intensiven Nutzung im Data Science Bereich zahlreiche Vereinfachungen für die Entwicklung quantitativer Risikomodelle.

Das größte Potential der eigenen Programmierung von Risikomodellen liegt dabei in der Flexibilität und der Simulationsgeschwindigkeit. Einmal entwickelte Risikomodelle werden anschließend per Monte Carlo Simulation beispielsweise 100.000x simuliert, welche innerhalb von R oder Python lediglich wenige Millisekunden dauert. Somit wird die Risikosimulation, die früher noch einige Zeit gedauert hat, auch zu einem Live-Instrument für das Risikomanagement.

Viele Risikomanager haben keinen originären Hintergrund im Bereich der Wahrscheinlichkeitstheorie und der Programmierung stochastischer Risikomodelle. Aufgrund dessen sind die Hürden häufig groß, sich mit der eigenen Entwicklung von Risikomodellen auseinanderzusetzen. Lieber wird auf traditionelle Software von Drittanbietern zurückgegriffen, bei welchen die Risikosimulation ein Mausklick ist, ohne dabei die genauen (wahrscheinlichkeitstheoretischen und technischen) Hintergründe zu verstehen. An dieser Stelle hat die Veröffentlichung von generativen Sprachmodellen der Künstlichen Intelligenz (beispielsweise ChatGPT) eine große Veränderung gebracht. Jeder beliebige bestehende Programmcode kann nun durch Künstliche Intelligenz einfach erklärt und in nachvollziehbare Schritte zerlegt werden. Dabei ist die Programmiersprache egal. Gleichzeitig kann, von der anderen Seite kommend, auch jedes beliebige Risikomodell durch einfache Erklärung der Zusammenhänge in einen simulierfähigen Programmcode der Sprache der Wahl übersetzt werden.

Für die Risikomanager bedeutet dies ein Quantensprung in den zur Verfügung stehenden Methoden, denn die ersten Schritte können problemlos mit Hilfe künstlicher Intelligenz durchgeführt werden. ChatGPT Prompts wie „Schreibe mir R-Code für ein Risikomodell mit einer Kombination aus einem Bernoulli-Experiment und einer Normalverteilung“ generierten innerhalb weniger Sekunden einsatzfähigen Code, der bei Bedarf auch noch mehrfach im Nachgang erläutert wird.

Wie es sich in den vergangenen Monaten etabliert hat, darf jedoch auch hierbei nicht vergessen werden, dass es mögliche Halluzinationsprobleme und weitere Herausforderungen bei der Nutzung generativer Künstlicher Intelligenz gibt. Vorsicht und Überprüfung ist angebracht, nachdem die künstliche Intelligenz einen Modellcode generiert hat. Keinesfalls sollte dieser ohne Überprüfung und Nachvollziehbarkeit produktiv eingesetzt werden. Doch auch dies birgt wieder Vorteile für den Risikomanager, denn es steigert das Verständnis der Programmierung und stellt sicher, dass man es in der Zukunft einfacher hat.