Im alten Rom untersuchten angesehene Priester, die in der Kunst der Wahrsagerei bewandert und als Haruspices bekannt waren, die Eingeweide von geopferten Tieren, um die Zukunft vorherzusagen. Heutzutage, nachdem man erkannt hat, dass diese altmodischen Methoden eher unwirksam (und außerdem ziemlich gruselig) sind, verlassen sich die Anleger auf moderne, KI-gestützte Orakel, die in der Lage sind, mit Hilfe von Computeralgorithmen in riesige Datensätze zu blicken, um die kommenden Börsentrends vorherzusagen.
Trotz der Bedeutung der künstlichen Intelligenz als Ganzes ist der absolute Protagonist dieses neuen Ansatzes zur Aktienvorhersage und -auswahl, der unsere Art des Handels umgestalten könnte, einer ihrer neuesten Unterzweige, nämlich das maschinelle Lernen (ML).
Lassen Sie uns die Geheimnisse dieser Technologie ergründen und versuchen Sie zu verstehen, ob das Vertrauen der Händler in die algorithmengesteuerte Aktienauswahl und Maschinenlernberatung gut angelegt ist.
Maschinelles Lernen in der Aktienvorhersage: das Wichtigste
Maschinelles Lernen für Börsenprognosen beinhaltet die Anwendung selbstverbessernder Algorithmen, um den zukünftigen Wert einer Aktie oder eines anderen Finanzinstruments zu prognostizieren und Einblicke in den Aktienhandel und Anlagemöglichkeiten zu geben:
Handel:Durch die Kombination von Data Mining und ML-Algorithmen ist es möglich, eine Aktienhandelssoftware zu erstellen, die Kursschwankungen, Volatilität und Risiken vorhersagt, um die vielversprechendsten Strategien zur Aktienauswahl zu empfehlen. Solche Kursprognosen beruhen auf der Analyse zahlreicher Faktoren, darunter globale Finanztrends, Unternehmensgewinne und die Stimmung der Anleger in KI-gestützten sozialen Medien. |
Portfoliomanagement:Der gleiche, auf Algorithmen basierende Ansatz stellt einen Wendepunkt bei der Auswahl der besten Anlageoptionen dar. ML-gestützte Plattformen und Tools für die KI-gestützte Vermögensverwaltung können riesige Informationsmengen verarbeiten, potenzielle Vermögensallokationen bewerten und Anlegern dabei helfen, ein ausgewogenes Portfolio aufzubauen, das wahrscheinlich an Wert gewinnt (eine ähnliche Rolle spielt das Maschinelle Lernen bei Immobilien). |
Wie maschinelles Lernen bei der Aktienvorhersage funktioniert
Maschinelles Lernen konzentriert sich auf die Entwicklung von Computeralgorithmen, die ihre Leistung durch Erfahrung automatisch verbessern können. Insbesondere können ML-Algorithmen Muster und Beziehungen zwischen den Daten, mit denen sie trainiert wurden, erkennen, mathematische Modelle zu diesen Mustern erstellen und diese Modelle verwenden, um Vorhersagen zu treffen oder Entscheidungen zu treffen, ohne dass sie explizit dafür programmiert wurden.
Je mehr Informationen ML-basierte Systeme verarbeiten können, desto mehr Muster werden erkannt und die oben genannten Modelle werden ausgefeilter, so dass die Algorithmen ihre Analyse- und Prognoseleistung verbessern können.
Solche Fähigkeiten sind für Finanzunternehmen von unschätzbarem Wert. Indem sie in die Tiefen von Big Data (einschließlich Aktientrends, Unternehmensperformance, Finanznachrichten, Anlegerverhalten und Informationen aus den sozialen Medien) eintauchen, können diese modernen "Kristallkugeln" die subtilsten, nichtlinearen Beziehungen zwischen all diesen Variablen aufzeigen. Auf der Grundlage dieser Erkenntnisse können sie realistische Aktienkursprognosen erstellen und den Marktteilnehmern nützliche Einblicke und Empfehlungen für künftige Wirtschaftstendenzen geben.
Suchen Sie einen zuverlässigen ML-Beratungspartner?
Lassen Sie uns gemeinsam ein Projekt starten
Die besten ML-Algorithmen zur Vorhersage von Aktienkursen
Die Bewertung von Algorithmen des maschinellen Lernens für Aktienmarktprognosen ist eine Aufgabe, die aus zwei guten Gründen mit der gebotenen Vorsicht angegangen werden sollte. Erstens ist die Forschung noch im Gange und weit davon entfernt, allgemeingültige Ergebnisse zu erzielen, da die Palette der für diesen Zweck geeigneten Algorithmen recht groß ist und die Bewertung ihrer Genauigkeit in einer Vielzahl unterschiedlicher Szenarien recht schwierig sein kann.
Zweitens geben FinTech-Unternehmen und Wertpapierfirmen ihre Trümpfe in der Regel nur ungern preis, um sich einen Wettbewerbsvorteil zu sichern, wie der OECD-Bericht Künstliche Intelligenz, maschinelles Lernen und Big Data im Finanzwesen aus dem Jahr 2021 zeigt. Das bedeutet, dass die meisten Leistungsdaten zu verschiedenen ML-basierten Aktienkursprognosemethoden sowie Informationen über ihre tatsächliche Einsatzreife bei selbsternannten KI-gesteuerten Privatunternehmen von unabhängigen Forschern nicht beachtet werden.
Allerdings können wir uns aus akademischen Studien und Berichten von Fachgesellschaften einen Überblick über die Fortschritte bei der Entwicklung und Implementierung von Algorithmen verschaffen. Der Artikel Machine Learning Approaches in Stock Price Prediction aus dem Jahr 2022, der vom britischen Institute of Physics (IOP) veröffentlicht wurde, gibt beispielsweise einen Überblick über mehrere Forschungsarbeiten, die sich mit verschiedenen Techniken zur Aktienvorhersage befassen:
- Traditionelles maschinelles Lernen, das Algorithmen wie Random Forest, Naive Bayesian, Support Vector Machine und K-Nearest Neighbour sowie ML-basierte Zeitreihenanalyse über die ARIMA-Technik umfasst.
- Tiefes Lernen (DP) und neuronale Netze, einschließlich rekurrente neuronale Netze, Langzeitgedächtnis und neuronale Graphennetze.
Nach dieser Klassifizierung wollen wir diese Ansätze und die dazugehörigen Algorithmen mit ihren potenziellen Vor- und Nachteilen näher betrachten.
Traditionelles maschinelles Lernen
In diesem Fall bezieht sich "traditionell" einfach auf alle Algorithmen, die nicht zu einer Untergruppe des maschinellen Lernens gehören, die als Deep Learning bekannt ist und die wir in Kürze beschreiben werden.
Allerdings ist ihr Traditionalismus nicht unbedingt ein Makel, denn diese Algorithmen haben eine relativ hohe Genauigkeit gezeigt, insbesondere bei der Verarbeitung großer Datensätze, und noch mehr, wenn sie zu hybriden Modellen kombiniert werden. Diese Fusion zwischen verschiedenen ML-Algorithmen kann ihr Potenzial leicht erweitern, da einige von ihnen besser mit historischen Daten umgehen können, während andere ihr Bestes geben, wenn sie auf Gefühlsdaten angewendet werden. Gleichzeitig können diese Algorithmen überempfindlich auf Ausreißer reagieren und Anomalien und Ausnahmesituationen nicht richtig erkennen.
Unter den von Forschern getesteten Techniken und Algorithmen des maschinellen Lernens sind folgende zu nennen:
- Random Forest: Ein leistungsstarker Algorithmus, der eine optimale Genauigkeit für große Datensätze gewährleistet und in der Aktienvorhersage für die Regressionsanalyse, d.h. die Identifizierung von Beziehungen zwischen mehreren Variablen, weit verbreitet ist.
- Naive Bayes'scher Klassifikator: Eine effiziente und relativ einfache Option zur Untersuchung kleinerer Finanzdatensätze und zur Bestimmung der Wahrscheinlichkeit, mit der ein Ereignis das Auftreten eines anderen Ereignisses beeinflusst.
- Support Vector Machine: Ein Algorithmus, der auf überwachtem Lernen basiert (trainiert durch die Bereitstellung von tatsächlichen Beispielen für Eingaben und Ausgaben), besonders genau bei großen Datensätzen, aber nicht so gut für den Umgang mit komplexen und dynamischen Szenarien.
- K-nearest neighbor: Dieser Algorithmus verwendet eine recht zeitaufwändige, abstandsbasierte Technik, um das Ergebnis eines bestimmten Ereignisses auf der Grundlage der Aufzeichnungen seiner ähnlichsten historischen Situationen, der sogenannten "Nachbarn", vorherzusagen.
- ARIMA: Ein Zeitreihenverfahren, das am besten mit linearen (sequentiell angeordneten) Daten funktioniert, um kurzfristige Aktienkursschwankungen auf der Grundlage vergangener Aktientrends wie Saisonalität vorherzusagen, aber nicht mit nichtlinearen (zufällig angeordneten) Daten umgehen und keine genauen langfristigen Vorhersagen treffen kann.
Tiefes Lernen
Das Deep Learning (DL) kann als natürliche Weiterentwicklung des maschinellen Lernens betrachtet werden, da es komplexe Sätze aufgabenspezifischer Algorithmen, die als künstliche neuronale Netze (ANN) bekannt sind, nutzt, um die Mechanismen des menschlichen Gehirns zu imitieren und im Vergleich zu herkömmlichen ML-Systemen ein höheres Niveau der Analyse und des Kontextverständnisses zu erreichen.
Neuronale Netze sind weitläufige Strukturen aus miteinander verbundenen Einheiten, die als künstliche Neuronen definiert sind und Daten austauschen können. Diese Knoten sind in aufeinanderfolgenden Schichten organisiert, von denen die erste und die letzte als Eingabe- und Ausgabeschichten bezeichnet werden, während die Schichten in der Mitte als versteckte Schichten bezeichnet werden.
Die primitivsten neuronalen Netze bestehen nur aus einigen wenigen verborgenen Schichten, während die fortschrittlichsten Strukturen, die als tiefe neuronale Netze bezeichnet werden (erraten Sie, warum es Deep Learning genannt wird), aus Hunderten von Schichten bestehen, die von massiven Datenströmen durchlaufen werden. Jede Schicht, die an der Übermittlung und Verarbeitung solcher Daten beteiligt ist, kümmert sich um die Erkennung bestimmter Muster oder Merkmale und bietet zusätzliche Abstraktionsebenen.
Deshalb zeigen die meisten Forscher ein zunehmendes Interesse an den potenziellen Anwendungen von Deep-Learning-Algorithmen für die Vorhersage von Aktienkursen, wobei der Schwerpunkt auf dem leistungsstärksten Algorithmus liegt, dem Long Short Memory (LSTM). Allerdings haben sich auch andere DL-Algorithmen als recht effizient erwiesen. Hier ist eine kurze Zusammenfassung:
- Rekurrente neuronale Netze: Eine besondere Art von ANN, bei der jeder Verarbeitungsknoten auch als "Speicherzelle" fungiert, die es ihm ermöglicht, relevante Informationen für die künftige Verwendung zu speichern und sie an die vorhergehenden Schichten zurückzusenden, um deren Ausgabe zu verfeinern.
- Langzeitgedächtnis: Derzeit halten mehrere Experten LSTM für den vielversprechendsten Algorithmus zur Aktienvorhersage. Es ist im Grunde eine Art RNN, kann aber im Gegensatz zu den Standard-RNNs sowohl einzelne Datenpunkte als auch komplexere Datenfolgen verarbeiten. Damit ist er gut gerüstet, um nichtlineare Zeitreihendaten zu verarbeiten und hochvolatile Kursschwankungen genau vorherzusagen.
- Graphische neuronale Netze: Ihr Kernmechanismus beinhaltet die Verarbeitung von Daten, die als Graphen umstrukturiert sind, wobei jeder Datenpunkt (wie ein Pixel oder ein Wort) einen Knoten des Graphen darstellt. Dieser Konvertierungsprozess kann schwierig sein und zu einer geringeren Verarbeitungsgenauigkeit führen, aber er ermöglicht es Finanzanalysten, Beziehungen zwischen Datenpunkten besser zu visualisieren und zu erfassen.
Ob langes Kurzzeitgedächtnis, rekurrente neuronale Netze oder graphische neuronale Netze, Deep-Learning-Algorithmen haben herkömmliche ML-Algorithmen in Bezug auf die Vorhersagefähigkeit von Aktienkursen leicht übertroffen. Allerdings sind DL-Systeme extrem datenhungrig, wenn es darum geht, sie zu trainieren, und erfordern im Allgemeinen erhebliche Datenspeicherkapazität und Rechenleistung.
Leitlinien für die Implementierung vonML-Algorithmen
Algorithmen des maschinellen Lernens können das schlagende Herz (oder das Gehirn, wenn Sie nicht so sentimental sind) der Kursprognose für die Aktienauswahl sein. Die prädiktive Analytik ist jedoch ein komplexes Ensemble von Prozessen, und Algorithmen sind nur ein Rädchen im Getriebe. Hier sind einige andere Elemente, die Sie berücksichtigen sollten, um maschinelles Lernen in der analytischen Pipeline richtig zu implementieren, angefangen bei den Daten:
1. Datentypen in der fundamentalen und technischen Analyse
Wie wir bereits erläutert haben, sind die Datensätze für das Training von ML- und DL-Algorithmen in der Regel sehr groß, sowohl was das Volumen als auch die Vielfalt der Datentypen betrifft. Was den zweiten Punkt betrifft, so gibt es zwei wichtige Forschungsmethoden, die völlig unterschiedliche Datenkategorien priorisieren. Die Fundamentalanalyse versucht, den inneren Wert einer Aktie und ihre künftigen Schwankungen zu bestimmen, indem sie Markt- und Branchenparameter sowie unternehmensbezogene Kennzahlen wie Marktkapitalisierung, Dividende, Liefervolumen, Nettogewinn und -verlust, KGV und Gesamtverschuldung beobachtet.
Die technische Analyse hingegen konzentriert sich nicht auf den inneren Aktienwert und die Faktoren, die seine Schwankungen antreiben, sondern auf die Kurs- und Volumentrends im Zeitverlauf, um wiederkehrende Muster zu erkennen und künftige Bewegungen, insbesondere auf kurze Sicht, vorherzusagen. Dazu gehören die bekannten Kopf-Schulter-Muster, Dreiecke, Tassen und Henkel usw.
Ein effizientes ML-System für die Aktienprognose sollte die Vorteile beider Methoden nutzen und mit einem vollständigen Spektrum von Datentypen gespeist werden, das Unternehmensdaten und Aktienkursmuster umfasst, um das zu betrachtende Finanzszenario besser zu erfassen.
2. Auswahl der Datenquellen
Da Daten der eigentliche Treibstoff für ML-basierte Aktienprognosen sind, sollte die Suche nach reichhaltigen und zuverlässigen Datenquellen als eine wesentliche Voraussetzung für das Algorithmustraining angesehen werden. Glücklicherweise können Datenwissenschaftler auf eine große Auswahl an Finanzdatenbanken und Marktinformationsplattformen zurückgreifen, die über API-basierte Integrationen direkt mit einer Datenanalyselösung verbunden werden können, um einen kontinuierlichen Datenfluss zu schaffen.
Zu den renommiertesten Finanzdatenquellen zählen Bloomberg, Reuters, Nasdaq, S&P Global, Polygon.io, MarketWatch, Alpha Vantage, Financial Times und Marketstack.
3. ML-basierte Stimmungsanalyse
Ein besonders faszinierender Trend in der ML-gestützten Aktienvorhersage ist die sogenannte Sentiment-Analyse. Diesem zunehmend verbreiteten Ansatz liegt die Annahme zugrunde, dass es nicht ausreicht, maschinelle Lernsysteme mit rein wirtschaftlichen Daten zu füttern, um Aktientrends vorherzusagen.
Finanzexperten sollten stattdessen maschinelles Lernen in Kombination mit Textanalyse und natürlicher Sprachverarbeitung nutzen, um die Stimmung in Quellen wie Social-Media-Posts oder Finanznachrichtenartikeln zu erkennen, d.h. um zu verstehen, ob solche Texte eine positive oder negative Meinung zu bestimmten Finanzthemen widerspiegeln.
Diese Techniken wurden bereits von verschiedenen Finanzriesen übernommen. J.P. Morgan Research hat eine ML-Lösung entwickelt, die anhand von 100.000 Nachrichtenartikeln über die globalen Aktienmärkte getestet wurde, um Experten bei künftigen Aktieninvestitionsentscheidungen zu unterstützen. Blackrock hingegen hat Textanalysetechniken eingesetzt, um künftige Änderungen in den Gewinnprognosen von Unternehmen vorherzusagen.
4. Überwindung von Komplikationen bei Ausbildung und Modellierung
Der Trainings- und Datenmodellierungsprozess kann noch schwieriger sein als die Datenerfassung. Zunächst einmal bedeuten große Datensätze auch eine enorme Anzahl von Variablen und extrem lange Trainingszeiten. Dieses Problem wird in der Regel durch eine Merkmalsauswahl entschärft, ein Verfahren, das die relevantesten Variablen auswählt und damit die Trainingsphase verkürzt, während die resultierenden Datenmodelle leichter zu interpretieren sind.
Ein weiteres Problem ist die Überanpassung, d.h. wenn Algorithmen zu lange auf einem bestimmten Finanzdatensatz trainiert werden und das von ihnen erstellte Modell auf diesem spezifischen Satz sehr gut funktioniert, aber mit neuen Datenproben nicht richtig umgehen kann. Um das Problem der Überanpassung sowohl bei der Aktienvorhersage als auch bei jedem anderen ML-Anwendungsfall anzugehen, werden die Daten in der Regel in Trainings-, Validierungs- und Testdatensätze unterteilt, um die Datenmodellierung in mehrere Phasen aufzuteilen, verschiedene Stichproben zu verarbeiten und somit die Leistung des Modells zu bewerten und zu optimieren.
Dieser Überwachungs- und Validierungsprozess sollte nicht mit der Bereitstellung des Modells enden, sondern vor Ort durchgeführt werden, um sicherzustellen, dass das trainierte Modell für den beabsichtigten Geschäftszweck geeignet ist und sich an die sich ständig ändernden finanziellen Bedingungen anpasst.
Die positiven Auswirkungen von ML auf die Aktienprognose
Die Kombination des Bauchgefühls von Brokern mit dem massiven Einsatz von Computern und Statistiken ist für Finanzunternehmen nichts Neues. In den letzten Jahren jedoch hat die notorische Volatilität des Aktienmarktes, die durch Ereignisse von globaler Tragweite wie die COVID-19-Pandemie noch weiter destabilisiert wurde, mehrere Institutionen dazu veranlasst, die Möglichkeiten von KI, ML und predictive-analytics in der Finanzbranche zu erkunden. Mit vielversprechenden Ergebnissen, kann man sagen.
In seinem Bericht Innovations in Finance with Machine Learning beschreibt J.P. Morgan beispielsweise eine Initiative, die darauf abzielt, den Zeitpunkt und die Größe von Geschäften im Jahr 2017 vorzuschlagen. Ein ML-gestütztes System, das auf dem Random-Forest-Algorithmus basiert, wurde mit einer Vielzahl von Daten gefüttert, die von 2000 bis 2016 gesammelt wurden, darunter internationale Zinssätze und der Sitzungskalender der Federal Reserve.
Der Unterschied bei den Renditen zwischen dem Kauf von Anleihen mit konventionellen Methoden und dem ML-basierten Ansatz war ziemlich beeindruckend, wie Sie in der folgenden Grafik sehen können. Der dritte und der sechste Balken zeigen die Performance der Standardoperationen ohne ML, die als Kontrolle dienten. Der erste und vierte Balken hingegen zeigen die Renditen von Leerverkäufen, der zweite und fünfte Balken die Renditen von Käufen und Verkäufen mit ML-Anleitung.
Weitere ermutigende Daten stammen aus einer Studie, die in der Cerulli Edge Global-Ausgabe vom August 2020 zu finden ist und die zeigt, dass die kumulative Rendite des ML-gesteuerten Hedgefondshandels von 2016 bis 2019 fast dreimal so hoch war wie die von traditionellen Hedgefonds-Investitionen im gleichen Zeitraum (33,9 % gegenüber 12,1 %).
Apropos Hedgefonds: Die bereits erwähnte OECD-Studie bestätigte die Überlegenheit der ML-gesteuerten Handelsausführung gegenüber herkömmlichen Aktienhandelstechniken und wies darauf hin, dass die vom Privatsektor gemeldeten KI-gestützten Hedgefonds-Indizes die von denselben Quellen bereitgestellten herkömmlichen Indizes übertrafen. Hier ein Beispiel für einen Vergleich zwischen KI-basierten und herkömmlichen Hedgefonds aus dem Eurekahedge Hedge Fund Index:
Angesichts solcher Ergebnisse ist in diesem Sektor mit einer zunehmenden Abhängigkeit von künstlicher Intelligenz und maschinellem Lernen zu rechnen. In diesem Zusammenhang ist es erwähnenswert, dass nach Schätzungen von Gartner drei Viertel der Risikokapitalgeber weltweit bis 2025 KI-basierte Tools für ihre Entscheidungen nutzen werden.
ML-basierte Aktienprognosen sind eine Herausforderung
Trotz des enormen Potenzials der ML-basierten Aktienkursprognose ist diese Technologie bei weitem nicht perfekt. Sobald sie in einem realen Szenario eingesetzt wird, kann es zu unerwarteten Verzerrungen kommen, wie die Harvard Business Review brillant erklärt.
- Maschinen leiden auch unter Verzerrungen: Die Effektivität von ML-basierten Systemen hängt von der Qualität der Informationen ab, mit denen sie trainiert werden. Daher können unzureichend repräsentative Datensätze zu Verzerrungen führen. Deshalb ist es nach wie vor unerlässlich, sich auf Datenwissenschaftler und andere qualifizierte Fachleute zu verlassen, um die richtigen Datenquellen auszuwählen und das Urteilsvermögen von Maschinen mit dem von Menschen zu verbinden.
- Der Aktienmarkt könnte zu chaotisch sein: Algorithmen bauen ihre Modelle auf historischen Daten auf, um Finanztrends vorherzusagen, haben aber möglicherweise Probleme, wenn es um eigenwillige, noch nie dagewesene Szenarien geht, wie etwa eine globale Pandemie und ihre enormen Auswirkungen auf die Märkte. Außerdem sind die Börsendaten eher begrenzt, da der moderne Finanzmarkt relativ jung ist und ein großer Teil der menschlichen Geschichte den Algorithmen unbekannt ist.
- Eine erfolgreiche Strategie hat keinen Bestand, wenn sie von allen befolgt wird: Würden alle Händler identische ML-gestützte Anlagestrategien verfolgen, würden sie am Ende dieselben Aktien kaufen und verkaufen und jeden potenziellen Gewinn zunichte machen. Ein ähnlicher Vorfall, bekannt als Quant Meltdown, ereignete sich 2007, als eine Reihe einschlägiger Hedgefonds, die sich an ähnlichen quantitativen Modellen orientierten, ihre Aktien gleichzeitig verkauften und massive Verluste erlitten.
Eine kontinuierliche, uneinheitliche Annahme
Trotz der zunehmenden Verbreitung des maschinellen Lernens im Bankwesen und an der Börse könnte eine eingehende Untersuchung dieses Trends widersprüchliche Situationen zutage fördern. Einerseits sind große Vermögensverwalter führend mit erheblichen Investitionen in die ML-Implementierung und Finanzsoftwareentwicklung, aber auch durch die Sicherung von Spitzentalenten. Andererseits haben es kleine Unternehmen schwer, mitzuhalten.
Nach Angaben des CFA Institute gaben nur 10 % der befragten Portfoliomanager an, dass sie in den letzten 12 Monaten Techniken des maschinellen Lernens eingesetzt haben.
Ähnliche Ergebnisse beschrieb Statista in seinem Bericht über den Einsatz von künstlicher Intelligenz für das Portfoliomanagement im Jahr 2020, wonach nur 6 % der befragten Vermögensbesitzer und Investmentmanager erklärten, die Technologie einzusetzen. Dennoch zeigten 76 % der Befragten Interesse an der zukünftigen Nutzung von KI für das Portfoliomanagement.
Wie dem auch sei, das Rennen ist eröffnet, und die vorausschauendsten Finanzakteure können aus ML-basierten Aktienprognosen massive Vorteile ziehen. All diese Vorteile sind jedoch mit einigen Herausforderungen verbunden. Schließlich ist ML eine erstaunliche Technologie, aber sie ist keine Magie, trotz früherer Vereinfachungen mit Hellsehern und Kristallkugeln.
Und selbst wenn wir sie wirklich als Kristallkugel sehen wollten, bräuchten wir immer noch einen Zauberer, um in sie hineinzuschauen, so wie wir auch in den kommenden Jahren noch menschliche Finanzexperten brauchen werden, um ML-Lösungen richtig zu nutzen.
