Python & ML [Teil 1]: Warum Python?
In diesem Artikel wird auf das Thema eingegangen, weshalb für Finanzdienstleister und Banken die Programmiersprache Python im Zusammenhang mit Machine Learning immer mehr Zuspruch bekommt und eine Vielzahl an Bankprozessen bereits mithilfe von Python erfolgreich umgesetzt worden sind.
Es gibt viele Gründe, warum Python so beliebt ist. Einer davon ist, dass es eine erstaunlich große Sammlung von Bibliotheken gibt, mit denen Benutzer arbeiten und modular (baukastenartig) aufgebaute Programme erzeugen können. Eine Bibliothek ist eine Sammlung von Funktionen und Klassen, die eine Programmiersprache um weitere Befehle erweitert. So finden sich zum Beispiel auch diverse auf Machine Learning spezialisierte Bibliotheken (Keras, etc.), die spezielle Möglichkeiten erlauben, wie zum Beispiel das Ausführen von Neuronalen Netzen und derer Konfiguration.
Ein weiterer entscheidender Vorteil ist die nahezu unbegrenzte Anzahl an Anwendungsmöglichkeiten für fachspezifische Prozesse im Allgemeinen. Python bietet schließlich nicht nur die Möglichkeit der Automatisierung von Excel-basierten Prozessen, die unterschiedliche Daten verarbeiten und manipulieren. Neben der Implementation in Python lassen sich monotone (von Menschen ausgeführte) und wenig volatile Prozesse relativ intuitiv und anwenderfreundlich durch Robotic Process Automation (RPA) automatisieren.
Die Bereiche Regulatorik und Compliance bilden ein weiteres Anwendungsgebiet von Machine Learning. Bei der Abwicklung von Transaktionen erfolgen unterschiedliche Echtzeitprüfungen – sogenannte Controls. Hierbei werden Transaktionen auf Betrug, Sanktionen oder Geldwäsche überprüft. ML kann dabei helfen, möglichst hohe Erkennungsquoten von Verstößen zu erreichen und somit den manuellen Aufwand durch die menschliche Bearbeitung zu minimieren. Darüber hinaus können Banken durch die tiefgreifende Datenanalyse reichhaltigere Erkenntnisse aus ihren Geschäftsprozessen generieren, die wiederum die Entscheidungsfindung verbessern und beschleunigen. Machine Learning wird so beispielsweise im Risikomanagement bei der Kreditwürdigkeitsprüfung genutzt. In dem zweiten Teil werden einzelne Python Bibliotheken vorgestellt und es wird darauf eingegangen, wie diese im Kontext von Machine Learning und Finance eingesetzt werden können: