Robo-Advisor & Recommender [Teil 2]: Recommendation Systems
In Teil 1 des Artikels [Robo-Advisor & Recommender - Teil 1] wurden Robo-Advisors vorgestellt und es wurde erläutert, wie sie Finanzdienstleistern helfen können, ihren Beratungsprozess zu automatisieren. In diesem Teil geht es darum, wie das zugrundeliegende Machine-Learning Finanzprodukte und Nutzer abbildet, um Empfehlungen und Angebote zu erzeugen.
Robo-Advisor basieren auf Recommendation Systems (auch Recommender Engines genannt). Sie kommen auf vielen Online-Plattformen zum Einsatz, zum Beispiel: Auf Amazon empfehlen sie Produkte; auf Netflix empfehlen sie Serien; auf Spotify empfehlen sie Songs; und viele mehr. Und natürlich können sie im Finanzbereich helfen, Finanzprodukte zu empfehlen.
Es gibt zwei Hauptarten von Recommendation Systems:
Collaborative Filtering: welches das Verhalten von Nutzern miteinander vergleicht,
Content-based Filtering: welche Produkte miteinander vergleicht.
Benutzerverhalten oder Produkte werden basierend auf ihren Attributen als Vektoren quantifiziert, sodass die Vektoren mathematisch auf Ähnlichkeit verglichen und dann gerankt werden.
Beim Collaborative Filtering wird davon ausgegangen, dass Benutzer, die in der Vergangenheit ähnliche Produkte gekauft haben, dies auch in Zukunft tun werden. Im Finanzbereich bedeutet das, dass Kunden von Empfehlungen profitieren können, die von Händlern mit ähnlichen Anlagezielen und Risikotoleranz abgeleitet wurden.
Das Content-based Filtering eignet sich für Produkte, bei denen quantifizierbare Attribute bekannt sind. Somit können Marktbewegungen und Kennzahlen von Finanzprodukten verwendet werden, um sie zu vergleichen und nach Ähnlichkeit zu ranken. Damit kann eine Empfehlung entweder für Produkte mit ähnlichen Bewegungen erfolgen (für Fondportfolios) oder für Produkte mit entgegengesetzten Bewegungen (zum Hedging des Portfolios).
D.h. Recommenders können sowohl „objektive Daten“ wie Kennzahlen und Bewegungen von als auch „subjektive Daten“ wie die Anlageziele und Risikotoleranz berücksichtigten. Damit eigenen sie sich gut in Form von Robo-Advisorn bei Finanzdienstleistern.