{"id":18488,"date":"2023-05-24T07:36:26","date_gmt":"2023-05-24T05:36:26","guid":{"rendered":"https:\/\/hub.hslu.ch\/retailbanking\/?p=18488"},"modified":"2026-02-11T14:53:00","modified_gmt":"2026-02-11T13:53:00","slug":"gpt-in-der-anlageberatung-vorstellung-eines-prototyps","status":"publish","type":"post","link":"https:\/\/hub.hslu.ch\/retailbanking\/gpt-in-der-anlageberatung-vorstellung-eines-prototyps\/","title":{"rendered":"GPT in der Anlageberatung: Vorstellung eines Prototyps"},"content":{"rendered":"\n\n\n

Einfach ausgedr\u00fcckt, handelt es sich bei LLMs um Computerprogramme, die aufgrund der Analyse von grossen Datens\u00e4tzen unter anderem in der Lage sind, Wort f\u00fcr Wort einen Text zu generieren. In einem \u00abGespr\u00e4ch\u00bb zwischen Mensch und Maschine errechnet das Programm basierend auf der bestehenden Konversation das wahrscheinlichste n\u00e4chste Wort f\u00fcr seine Antwort.<\/p>\n\n\n\n

So erstaunlich die Resultate sind \u2013 eine Kompatibilit\u00e4t solcher L\u00f6sungen mit spezifischen Anforderungen im Finanzdienstleistungsbereich ist nicht ohne weiteres gegeben. Ein Grund daf\u00fcr ist, dass Finanzdienstleistungen oftmals deterministischer Natur sind, also klar vordefinierten Regeln folgen, was im Konflikt mit dem probabilistischen Charakter von LLMs stehen kann. Ein prominentes Beispiel ist die Anlageberatung, bei der verst\u00e4ndliche und nachvollziehbare Empfehlungen erforderlich sind, weshalb diese klaren, von der Bank festgelegten Regeln folgt. Eine Kurzstudie unter der Leitung der Hochschule Luzern – Wirtschaft und in Zusammenarbeit mit der SFTI Community hat sich deshalb zum Ziel gesetzt, das Potenzial probabilistischer LLMs in der regelbasierten Anlageberatung zu diskutieren und einen entsprechenden Prototyp zu entwickeln (Download der Studie<\/a>). Der Fokus lag auf der Frage nach den technischen M\u00f6glichkeiten, w\u00e4hrend insbesondere rechtliche Fragestellungen zwar teilweise angesprochen, aber nicht erforscht wurden. Die Kernerkenntnisse werden im Folgenden pr\u00e4sentiert.<\/p>\n\n\n\n

Die Kombination von LLMs und regelbasierten Systemen ist m\u00f6glich<\/strong><\/p>\n\n\n\n

Obwohl KI-Systeme wie LLMs grunds\u00e4tzlich unterschiedliche Eigenschaften gegen\u00fcber regelbasierten Systemen haben, gibt es M\u00f6glichkeiten, die Vorteile beider Welten zu kombinieren. Durch massgeschneidertes Training, Feinabstimmung, Plug-Ins und Prompt-Engineering existieren verschiedene Ans\u00e4tze, um generalistische LLMs f\u00fcr bestimmte Anwendungsf\u00e4lle, auch im Finanzbereich, zu spezifizieren. Allerdings sind nicht alle dieser Ans\u00e4tze gleichermassen kompatibel mit regelbasierten Systemen, also Ans\u00e4tzen, die anhand von vordefinierten Regeln gewisse Inputs zu einem Output transformieren.<\/p>\n\n\n\n

Prompt-Engineering als m\u00f6glicher Ansatz f\u00fcr die Bereitstellung von Anlageberatung <\/strong><\/p>\n\n\n\n

Prompt-Engineering zielt im Wesentlichen darauf ab, dem LLM in einem bestimmten Kontext eine Rolle zuzuweisen, einschliesslich Anweisungen und Zielen, und zeigt somit einen hohen Grad an Flexibilit\u00e4t. In der deterministischen Anlageberatung kann diese Funktion genutzt werden, um einen Chatbot zu erstellen, der vom Kunden\/der Kundin notwendige Informationen f\u00fcr die Anlageempfehlungen abfragt, wie zum Beispiel Alter, Einkommen sowie Risikobereitschaft. Diese Informationen k\u00f6nnen dann in das regelbasierte System eingespeist werden, um die massgeschneiderte Empfehlung eines Modellportfolios zu generieren, die wiederum dem Kunden\/der Kundin via Chatbot mitgeteilt und erkl\u00e4rt wird.<\/p>\n\n\n\n

Die technischen Grundlagen f\u00fcr die Implementierung von LLMs im Finanzbereich sind vorhanden<\/strong><\/p>\n\n\n\n

Obwohl LLMs noch nicht lange im \u00f6ffentlichen Fokus stehen, gibt es bereits mehrere Anbieter, die eine Vielzahl von APIs f\u00fcr deren Verwendung anbieten. Einer dieser Anbieter ist OpenAI, der offene Schnittstellen f\u00fcr verschiedene GPT-Modelle (eine spezifische Form von LLMs) offeriert. Diese Modelle wurden auf grossen Mengen an Textdaten trainiert und k\u00f6nnen menschen\u00e4hnliche Antworten auf nat\u00fcrlichsprachliche Anfragen generieren. Dadurch eignen sie sich besonders gut f\u00fcr Anwendungen wie Chatbots, die wiederum f\u00fcr eine typischerweise gespr\u00e4chsintensive Anlageberatung auf der Grundlage deterministischer Portfolioempfehlungen geeignet sind.<\/p>\n\n\n\n

GPT-3.5-turbo als Basis f\u00fcr einen ersten Prototyp<\/strong><\/p>\n\n\n\n

Die Implementation des Prototyps erfolgt anhand von OpenAIs GPT-3.5-turbo Modell, beziehungsweise anhand der Nutzung der entsprechenden (kostenpflichtigen) APIs. Es wird dabei von einem stark vereinfachten Anlageberatungsprozess ausgegangen, dessen Entscheidungsmatrix in Abbildung 1 ersichtlich ist. Grunds\u00e4tzlich werden die Variablen Alter, Einkommen und Risikobereitschaft als Inputs f\u00fcr die Empfehlung eines von zwei Musterportfolios herangezogen. Einer Kundin, welche 35 Jahre alt ist, j\u00e4hrlich 120’000 Franken verdient und risikofreudig ist, soll basierend auf der vorliegenden Entscheidungsregeln also Musterportfolio 1 empfohlen werden.<\/p>\n\n\n\n

Alter<\/strong><\/td>Einkommen<\/strong><\/td>Risikobereitschaft<\/strong><\/td>Portfolio<\/strong><\/td><\/tr>
0 – 50<\/td>0 – 100\u2019000<\/td>Hoch<\/td>1<\/strong><\/td><\/tr>
0 – 50<\/td>0 – 100\u2019000<\/td>Tief<\/td>2<\/strong><\/td><\/tr>
0 – 50<\/td>100’001+<\/td>Hoch<\/td>1<\/strong><\/td><\/tr>
0 – 50<\/td>100’001+<\/td>Tief<\/td>1<\/strong><\/td><\/tr>
50+<\/td>0 – 100\u2019000<\/td>Hoch<\/td>2<\/strong><\/td><\/tr>
50+<\/td>0 – 100\u2019000<\/td>Tief<\/td>2<\/strong><\/td><\/tr>
50+<\/td>100’001+<\/td>Hoch<\/td>1<\/strong><\/td><\/tr>
50+<\/td>100’001+<\/td>Tief<\/td>2<\/strong><\/td><\/tr><\/tbody><\/table>
Abbildung 1: Regelbasierte Entscheidungsmatrix<\/figcaption><\/figure>\n\n\n\n

Klare Trennung zwischen Konversation und Anlageempfehlung<\/strong><\/p>\n\n\n\n

Die Hauptherausforderung bei der Erstellung des Prototyps besteht darin, die Vorteile von probabilistischen LLMs in der Konversation mit den regelbasierten Anforderungen der Anlageberatung zu vereinen. Zu deren Bew\u00e4ltigung wird der Prototyp anhand des in Abbildung 2 abgebildeten Aufbaus konzipiert und implementiert.[1]<\/a><\/p>\n\n\n\n

\"\"<\/a>
Abbildung 2: Aufbau Prototyp<\/figcaption><\/figure>\n\n\n\n

Der Prototyp umfasst dabei grunds\u00e4tzlich die regelbasierte Entscheidungsmatrix anhand welcher basierend auf drei Charakteristiken des Nutzers\/der Nutzerin (Alter, Jahreseinkommen, Risikoappetit) eines von zwei Musterportfolios empfohlen wird (vgl. Abbildung 1), sowie einem GPT-basierten System, welches anhand von Prompt Engineering die folgenden zwei Rollen einnimmt:<\/p>\n\n\n\n