Am 12. Dezember fand der 30. Kaminabend des Münchner Finance Forum e.V. im Wirtshaus Franziskaner statt. Mit 84 Gästen war der Hofgarten bis auf den letzten Platz gefüllt. Bei bayerischer Gemütlichkeit gab es erneut zwei Vorträge im Rahmen eines Abendessens.

Den ersten Vortrag hielt Prof. Dr. Martin Spindler von der Universität Hamburg zum Thema „Maschinelles Lernen und Künstliche Intelligenz für die Finanzbranche – ein Überblick über aktuelle und zukünftige Entwicklungen“. Neben seinem Lehrstuhl für Statistik an der Uni Hamburg hat er zusammen mit Victor Chernozhukov (MIT-Professor) und Ye Luo (Professor an der Hong Kong University) das Beratungsunternehmen Economic AI gegründet. Bei Big Data gibt es im Wesentlichen zwei Forschungsbereiche: „Prediction“ und „Causal Inference“. Mit maschinellem Lernen kann man die herkömmlichen Prognoseverfahren deutlich verbessern. Je mehr Daten der Algorithmus erhält, umso besser wird seine Prognose. Problematisch wird es erst bei Kausalen Inferenz Problemen. Ein Algorithmus wird einen Zusammenhang zwischen der Lebenserwartung und dem Zustand „Person trägt ein Feuerzeug mit sich“ finden. Wenn die Aussage nun lautet „verbiete Feuerzeuge“, um die Lebenserwartung der Menschen zu erhöhen, werden die Raucher auf Streichhölzer ausweichen. Menschen erkennen sofort die Logik und die Substitutionsbeziehung von Feuerzeug und Streichholz, während ein Algorithmus dies nicht so leicht schafft.

Den zweiten Vortrag hielt Katharina Schüller, Geschäftsführerin und Gründerin von STAT-UP (Statistical Consulting & Data Science GmbH, München) zum Thema „Data Literacy – Schlüsselqualifikation des 21. Jahrhunderts“. Sie wies auf die Wichtigkeit des Kontextes hin, in welchem Daten erhoben werden. Dies führt oft zu komplett anderen Aussagen. Häufig werden Daten auch unvollständig erhoben und vorschnell interpretiert. Dies zeigt sich besonders an der emotional geführten Debatte über Frauen in Vorständen von DAX-Unternehmen. Die Wirtschaftswoche berichtet vorschnell, dass die 2014 ausgeschiedenen Frauen im Schnitt nur 3 Jahre im Amt waren, während männliche Kollegen 8 Jahre Amtszeit schaffen. Schnell wird von „Quoten-Frauen“ gesprochen, die weniger geeignet seien. Tatsächlich ist die Stichprobe so klein, dass keine solche Aussage möglich ist. Korrigiert man die Daten um Faktoren „interner/externer Wechsel“ oder um die Ressorts, findet man auch keine signifikanten Unterschiede.