Random Forest - ein Ensemble von Decision Trees zur Vorhersage von Finanzparametern

Sie möchten bereits vor dem Jahres- oder Quartalsabschluss eine aussagekräftige Schätzung der Entwicklung bestimmter Finanzgrößen, wie bspw. der GuV oder dem NPV von Finanzinstrumenten, treffen, obwohl einige hierfür benötigte Daten (wie etwa Markt- oder Buchwerte) noch nicht angeliefert wurden?

Sie interessieren sich für die Auswirkung bestimmter Input-Parameter, wie dem Zins-, den FX-Werten oder von Gebühren, auf eine davon abhängige Größe?

Es kann zeitaufwendig, Ressourcen lastig und/oder technisch schwierig sein, einen solchen Prozess manuell - also ohne die Verwendung eines automatisierten Tools auf Basis einer höheren Programmiersprache wie Python - und deterministisch (etwa weil bestimmte Daten noch nicht angeliefert geliefert wurden) umzusetzen.

Robuste Regressionsverfahren, wie z.B. ein Random Forest, können dabei helfen, zuverlässige quantitative Vorhersagen von Finanzgrößen aus einem vorhergehenden Lernprozess auf Grundlage von Merkmalen und Trainingsbeispielen zu treffen.

Eine interaktive Visualisierung des Random Forest der Stanford University trägt zum Verständnis der allgemeinen Funktionsweise bei: