Riskomanagement mit neuronalen Netzen

Inhaltsverzeichnis

1 Einleitung

2 Einführung in die Bedeutung neuronaler Netze
2.1 Allgemeine Erläuterung neuronaler Netze
2.2 Lernregeln

3 Einführung in den Risikomanagementprozess
3.1 Risikomanagementprozess
3.2 Anforderungen an den strategischen Risikomanagementprozess
3.3 Anforderungen an den operativen Risikomanagementprozess

4 Abgleich des neuronalen Netzes mit den Anforderungen des Risikomanagementprozesses
4.1 Abgleich Anforderungen des strategischen Managementprozesses mit den Möglichkeiten neuronaler Netze
4.2 Abgleich Anforderungen des operativen Managementprozesses mit den Möglichkeiten neuronaler Netze

5 Fazit

6 Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1 Aufbau Neuronales Netz

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

F ormelverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

Durch die Entwicklungen innerhalb einer sich immer stärker globalisierenden Welt, besonders im Bereich der neuronalen Netze, wird dieser Bereich auch im Risikomanagement immer relevanter. Im Speziellen die steigende Verfügbarkeit von Daten im Zuge der Digitalisierung^[1], ermöglicht es immer komplexere Prozesse mit Hilfe neuronaler Netze zu erfassen. Auch der Trend der Big-Data^[2] führt dazu, dass die für ein neuronales Netz essentiell wichtigen Trainingsdaten einfacher beschafft werden können und dabei auch mehr der wesentlichen Variablen erfasst werden können. Eine Studie der IDC prognostiziert, dass die weltweite Datenmenge von aktuell 16,1 Zettabyte bis zum Jahr 2025 auf 163 Zettabyte ansteigen wird.^[3] Diese Verzehnfachung zeigt auf, dass das in der Analyse dieser Daten inhärent bestehende Potenzial, enorm ist. Die folgende Arbeit wird sich mit den Möglichkeiten und Grenzen neuronaler Netze im Risikomanagementprozess befassen. Dabei werden zuerst die wesentlichen Grundlagen neuronaler Netze erläutert, im Anschluss daran werden die Anforderungen des Risikomanagementprozesses identifiziert. Nach der separaten Betrachtung der beiden Themengebiete werden die Erkenntnisse kombiniert. Dies geschieht durch einen Abgleich zwischen den Anforderungen des Risikomanagementprozesses und den Möglichkeiten neuronaler Netze. Als Fazit dieser Arbeit soll schließlich aufgezeigt werden, in welchen Handlungsfeldern neuronale Netze in den Prozess des Risikomanagements eingebunden werden können, aber auch welchen Grenzen diese unterliegen.

2 Einführung in die Bedeutung neuronaler Netze

2.1 Allgemeine Erläuterung neuronaler Netze

Ein neuronales Netz ermöglicht es, den Analyseprozess von Daten zu vereinfachen. Dabei wird es anders, als ein Programm zur Analyse, nicht regelbasiert programmiert, sondern durch einen Lernprozess erstellt.^[4] Bei Gurny wird ein neuronales Netz wie folgt definiert:

“A neural Network is an interconnected assembly of simple processing elements, units or nodes, whose functionality is loosely based on the animal neuron. The processing ability of the network is stored in the interunit connection strengths, or weights, obtained by a process of adaption to, or learning from, a set of training patterns.” ^[5]

Die Definition zeigt auf, dass neuronale Netze drei wesentliche Bestandteile aufweisen.^[6] Dort wären zunächst die Anordnung und die Verbindungsart der Neuronen untereinander. Ein weiterer Bestandteil ist die Speicherung der Erkenntnisse durch Gewichtung zwischen zwei, und in neueren Netzarten auch mehreren Neuronen. Der letzte wichtige Aspekt eines neuronalen Netzes ist das Lernverhalten und das damit verbundene Training. Dies wird auch bei Haun in dieser Form beschrieben. Besonders interessant für eine kommerzielle Verwendung sind neuronale Netze vor allem durch die Möglichkeit der Abbildugn nicht linearer Zusammenhänge.^[7] Dadurch bieten sie in einem Umfeld in dem konventionelle Diskriminanzanalysen oder Clusteranalysen verwendet werden einen alternativen Ansatz, der sich insbesondere dadurch auszeichnet, dass hierfür keine Beziehungen zwischen den Variablen bekannt sein müssen.^[8] Dies führt zu einer Neubewertung von Problemstellungen. Der Aufbau eines vereinfachten neuronalen Netzes wird in Abbildung 1 aufgezeigt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Aufbau neuronales Netz^[9]

Im Input-Layer treffen die Daten auf die erste Neuronen-Schicht. Von dort aus werden Sie über weitere Schichten je nach Ausprägung des Netzes durch das sogenannte Hidden-Layer bis zum Output Layer geleitet. Je nach Input und Gewichtung werden durch bestimmte Initialreize die Neuronen aktiviert. Dabei wird zuerst die Propagierungsfunktion (1) und anschließend die Aktivierungsfunktion (2) jedes Neurons durchlaufen.^[10]

Abbildung in dieser Leseprobe nicht enthalten

Bei der Propagierungsfunktion wird in der einfachsten Form eine Summe gebildet die aus dem Produkten der Eingabesignale Oi und deren Gewichtung Wij besteht. Diese werden dann durch die Aktivierungsfunktion geprüft.^[11]

Abbildung in dieser Leseprobe nicht enthalten

An der Darstellung lässt sich erkennen, dass neuronale Netze auch eine Problematik aufweisen. Denn durch die freie und ständige Anpassung der Gewichtung der Neuronen lässt sich die Hidden Layer-Schicht nicht einsehen. Das dargestellte Netz ist ein Feed-Forward-Netz, welches nur ermöglicht Informationen in eine Richtung weiterzugeben. Neben dieser Vorgehensweise gibt es noch rekurrente Netze bei den Informationen auch wieder an vorherige Schichten weitergegeben werden können. Je nach Aufgabenbereich des Netzes sind unterschiedliche Ausprägungen sinnvoll. Grundsätzlich wird dazu in die Bereiche Klassifizierung, Optimierung und Prognose differenziert.^[12]

2.2 Lernregeln

Die Hebb‘sche Regel ist im Bereich der unüberwachten Lernregeln zu verorten. Die in der Formel (3) dargestellte Form bildet die Hebb‘sche-Regel in ihrer einfachsten Grundform ab.^[13] Sie beschreibt den Vorgang einer Gewichtsänderung für die Verbindung zweier Neuronen. Wobei die Gewichtänderung Λ Wij durch die Summe aus der Multiplikation der Lernrate, dem aktivierten Neuron i, sowie dem mit ai verbundenen Ausgabeneuron oj zusammengesetzt wird.

Abbildung in dieser Leseprobe nicht enthalten

Die Delta-Regel bildet die Grundform des überwachten Lernens und ist hier als eine einfache Form einer Backpropagations-Regel abgebildet.^[14] Die dargestellte Form ist ausschließlich bei linearen Problemen anwendbar. Durch sie errechnet ein neuronales Netz bei einer Eingabe zuerst den Wert o_i. Diese werden im Anschluss mit dem Wert Ti, abgeglichen. Die Differenz der beiden Werte ergibt die zu verändernde Gewichtung W_ij.

Abbildung in dieser Leseprobe nicht enthalten

Die hier dargestellten Formeln, sollen die grundsätzlichen mathematischen Zusammenhänge in neuronalen Netzen aufzeigen. Aufgrund der Limitation der Arbeit wird auf explizite Erklärungen von komplexeren Verfahren verzichtet. Denn in modernen neuronalen Netzen werden abgewandelte Lernansätze verwendet, die sich unter dem Begriff des Deep-Learning zusammenfassen lassen.^{[15] [16]} Allerdings wird bereits durch die betrachteten Lernverfahren erkennbar, welche Anforderungen neuronale Netze im Bereich des Lernens haben. Besonders die Methode im Bereich des überwachten Lernens, welcher für die Auswertung von Big-Data oftmals verwendet wird, benötigt eine große Menge an Trainingsdaten für das Einstellen eines neuronalen Netzes. Diese Daten müssen nicht nur in großer Menge vorliegen, sondern auch noch ein zweites elementares Kriterium erfüllen. Dieses Kriterium ist dasjenige für das überwachte Lernen, welchem die Ergebnisse aus der Interpretation der Datensätze als Vergleichsbasis für das neuronale Netz bereitgestellt werden müssen. Neben dem Lernprozess ist eine weitere Anforderung für die Nutzung eines neuronalen Netzes wichtig, nämlich die Auswahl des richtigen Netzes für die geplante Aufgabe, denn nur so kann der optimale Nutzen aus einem solchen Netz gezogen werden.

3 Einführung in den Risikomanagementprozess

3.1 Risikomanagementprozess

Das Risikomanagement agiert nicht unter der Maßgabe der Eliminierung jeglichen Risikos, vielmehr ist es das Ziel kalkulierte Risiken einzugehen und auf diese Weise die Entwicklung des Unternehmens zu unterstützen. Denn die Eliminierung jeglichen Risikos würde eine Eliminierung jeglicher Gewinnmöglichkeiten mit sich führen. Da Gewinne aus einer theoretischen Sichtweise nicht mehr als die Risikovergütung für das aufgewendete Kapital sind.^[17] Die Balance zwischen kalkuliertem Risiko zur Gewinnmaximierung des Unternehmens und Risikoaversion von Kapitalgebern muss sich in der unternehmensindividuellen Risikopolitik widerspiegeln. Es wird augenscheinlich, dass der Risikomanagementprozess aus mehreren Bestandteilen bestehen muss.^[18] Daher wird dieser im Folgenden in zwei Bestandteile differenziert. Zum einen gibt es das strategisch ausgerichtete Risikomanagement, zum anderen das operative Risikomanagement. Diese Differenzierung ermöglicht es die Aufgaben abteilungsspezifisch zuzuordnen, denn das Risikomanagement ist ein Aufgabenfeld, welches durch die Kooperation der Geschäftsführung mit dem Controlling geprägt ist.^[19] Das Risikomanagement ist als ein laufender Prozess zu verstehen, indem das strategische Management den Ordnungsrahmen in Form von Unternehmenszielen und Leitlinien festsetzt^[20]. Wohingegen das operative Risikomanagement oftmals beim Controlling liegt, dessen Aufgabe es ist, die erkannten Risiken präzise zu steuern und zu kontrollieren.^[21] Durch diese prozesshafte Aufteilung soll der langfristige Fortbestand des Unternehmens gesichert werden, indem durch die Verortung von Risiken anhand der strategischen Ziele substanzielle Unternehmensrisiken gezielt gesteuert werden können.

[...]

^[1] Vgl. Bendel, (2017a).

^[2] Vgl. Bendel, (2017b).

^[3] Vgl. International Data Cooperation (2016), bei Statista.

^[4] Vgl. Haun,(1998), S. 16 f., S.18 f., S. 20.

^[5] Gurny (1999), S.1.

^[6] Hier und in den folgenden drei Sätzen Vgl. Haun (1998), S 23 f.

^[7] Vgl. Wiedermann et al (2016), S.145.

^[8] Vgl. Backhaus et al (2016) S.603.

^[9] Vgl. Backhaus et al (2016) S.605.

^[10] Vgl. Backhaus et al (2015), S.302

^[11] Vgl. Backhaus et al (2015), S.302

^[12] Vgl. Fuchs (2010), S.106 f.

^[13] Hier und in den beiden folgenden Sätzen Vgl. Schmiedel et al (2006), S.10.

^[14] Hier und in den beiden folgenden Sätzen Vgl. Schmiedel et al (2006), S.10 f.

^[15] Vgl. Beysolow (2017) , S.3.

^[16] Weitergehende Informationen zum Deep-Learning vgl. Beysolow (2017)

^[17] Vgl. Romeike et al. (2013), S.141.

^[18] Hier und im folgenden Satz Vgl. Wengert / Schittenhelm (2013), S.3.

^[19] Vgl. Wengert / Schittenhelm (2013), S.12 f.

^[20] Vgl. Wengert / Schittenhelm (2013), S.4.

^[21] Vgl. Romeike et al. (2013), S.153.