Large Language Model (LLM) im Finanzwesen

Bedeutung

Ein Large Language Model verarbeitet und erstellt Texte auf Grundlage von Mustern, die es während des Trainings gelernt hat. Im Finanzwesen kann es dabei helfen, Kommentare zu Unternehmensergebnissen zu ordnen, Marktbegriffe zu erklären, Nachrichten zusammenzufassen oder Analysen verständlich auszudrücken. Es weiß nicht eigenständig, ob eine Aussage aktuell oder korrekt ist. Eine flüssig formulierte Antwort kann Fakten erfinden, Einschränkungen auslassen oder Zahlen falsch interpretieren.

Ein LLM unterscheidet sich von einem Marktdaten-Feed, einer deterministischen Risikoberechnung und einem Orderausführungssystem. Wie nützlich es ist, hängt von der Aufgabe, den bereitgestellten Informationen und der Überprüfung seiner Ausgaben ab. Bei Finanzentscheidungen müssen außerdem Preise, Stückzahlen, Handelskosten und Risiken berücksichtigt werden – nicht nur eine plausibel klingende Erklärung.

Berechnung

Es gibt keine einzelne Finanzformel für ein LLM. Bei der Texterstellung weist es möglichen nächsten Token – also Texteinheiten – Wahrscheinlichkeiten zu. Diese hängen von der Eingabe und dem bereits generierten Text ab. Eine vereinfachte Darstellung lautet: P(t_next | prompt, t_previous; model). Dabei steht P für die vom Modell zugewiesene Wahrscheinlichkeit, t_next für ein mögliches nächstes Token, prompt für die bereitgestellte Frage oder den Kontext, t_previous für bereits generierte Token und model für die erlernten Parameter des Modells. Dies ist eine Wahrscheinlichkeit für Text, keine Wahrscheinlichkeit für einen erfolgreichen Trade und keine Renditeprognose.

Eine Finanzanwendung kann Spannen, Volatilität oder andere Kennzahlen separat mithilfe expliziter Formeln berechnen und die Ergebnisse anschließend einem LLM zur Interpretation übermitteln. Diese Unterscheidung ist wichtig: Die Texterstellung überprüft die zugrunde liegende Berechnung nicht.

Rechenbeispiel

Angenommen, eine Anlegerin oder ein Anleger erwägt hypothetisch einen Korb mit 100 Aktien von Unternehmen A zu je 50 US-Dollar und 50 Aktien von Unternehmen B zu je 100 US-Dollar. Die Positionswerte betragen 100 × 50 US-Dollar = 5.000 US-Dollar und 50 × 100 US-Dollar = 5.000 US-Dollar. Damit ergibt sich vor Handelskosten ein Korbwert von 10.000 US-Dollar.

1. Eine separate Berechnung ergibt, dass jede Position 50 % des Korbs ausmacht: 5.000 US-Dollar / 10.000 US-Dollar = 0,50.
2. Ein LLM erhält diese Zahlen und eine bereitgestellte Nachrichtenzusammenfassung. Es erklärt, dass beide Positionen gleich gewichtet sind, und fasst die Nachricht in verständlicher Sprache zusammen.
3. Die Erklärung wird mit den berechneten Gewichten und dem bereitgestellten Text abgeglichen. Bezeichnet das LLM Unternehmen A als Position mit 60 % Gewicht, ist diese Aussage falsch – auch wenn der Rest überzeugend klingt.

Die Zahlen und Aktien dienen nur der Veranschaulichung. Das Beispiel belegt weder, dass eine der Aktien geeignet ist, noch, dass ein bestimmter Trade erfolgreich sein wird.

Bedeutung vor dem Handel

Vor einer Order muss eine Anlegerin oder ein Anleger gegebenenfalls verschiedene Informationen miteinander abgleichen: Ordergröße, Liquidität, geschätzte Ausführungskosten, Volatilität, Konzentration und aktuelle Unternehmensnachrichten. Ein LLM kann solche Informationen leichter verständlich machen, doch eine Formulierung ist nicht mit einer Messung gleichzusetzen. Prüfen Sie, ob eine Zahlenangabe auf klar definierten Eingaben und einer nachvollziehbaren Berechnung beruht, ob eine Nachrichtenaussage mit ihrer Quelle übereinstimmt und ob die Analyse die vorgesehene Order sowie die Ausführungsbedingungen berücksichtigt.

Eine selbstbewusst klingende Formulierung des Modells ist kein Beleg für Genauigkeit. Insbesondere braucht eine einem Analyseurteil zugeordnete Wahrscheinlichkeit eine eigene Definition. Sie lässt sich nicht aus der Wahrscheinlichkeit ableiten, die das LLM seinen nächsten Wörtern zuweist.

Einsatz bei PreTrAIde

PreTrAIde ist eine KI-Plattform zur Pre-Trade-Analyse von Aktienkörben. Nutzerinnen und Nutzer geben eine oder mehrere Aktien an – jeweils mit Kauf- oder Verkaufsseite, Stückzahl und Ausführungsbedingungen. Die deterministische quantitative Ebene schätzt unter anderem Geld-Brief-Spanne, Marktbeeinflussung und Tagesvolatilität und ermittelt Liquiditäts-, Volatilitäts- und Ausführungsscores von 0 bis 100. Anschließend analysieren KI-Agenten jede Aktie und den gesamten Korb. Dabei stützen sie sich auf diese Scores, Nachrichten und Analystenbewertungen und liefern eine Begründung in verständlicher Sprache.

PreTrAIde gibt ein Urteil aus: GO, NO-GO oder MODIFY. Dazu kommen eine Risikoeinschätzung, eine vorgeschlagene Ausführungsstrategie und eine vom Modell geschätzte Erfolgswahrscheinlichkeit zwischen 5 % und 95 %. Diese Wahrscheinlichkeit ist weder eine Garantie noch eine Renditeprognose. Schutzmechanismen korrigieren bestimmte Widersprüche: Eine ausgesetzte Aktie wird beispielsweise auf NO-GO gesetzt; ein GO wird herabgestuft, wenn die geschätzte Erfolgswahrscheinlichkeit unter 50 % liegt. Die Schutzmechanismen verändern Urteile ausschließlich in eine vorsichtigere Richtung. PreTrAIde empfängt, übermittelt oder führt keine Orders aus. Die Urteile dienen der Entscheidungsunterstützung und sind keine Empfehlungen.

Häufige Fehler

• Flüssig formulierten Text für überprüfte Daten halten. Gleichen Sie Zahlen und Tatsachenbehauptungen mit den zugrunde liegenden Eingaben ab.
• Token-Wahrscheinlichkeiten mit Trade-Wahrscheinlichkeiten verwechseln. Sie beschreiben unterschiedliche Sachverhalte.
• Davon ausgehen, dass das LLM eine Risikokennzahl berechnet hat. Prüfen Sie, ob eine separate, klar definierte Berechnung zugrunde liegt.
• Fehlenden Kontext übersehen. Eine Erklärung kann sich ändern, wenn sich Stückzahl, Ausführungsbedingungen oder Nachrichteneingaben ändern.
• Ein KI-Urteil als Anweisung auffassen. Analysesoftware ersetzt weder die eigene Entscheidung noch die Beratung durch einen Broker.