Angewandte KI im Finanzbereich
1.1. Fundamentalanalyse
1.1.1. Regressions- und Aktienanalyse, Lineare Regression
1.1.2. KI-gestützte Finanzanalyse
1.2. Regression im Finanzbereich
1.2.1. Maschinelles Lernen und Deep Learning als Modellschätzung im Finanzwesen
1.2.2. Logistische Regression zur Modellierung von Bankzusammenbrüchen
2.1. Risikomanagement
2.1.1. Arten von Risiken im Banken- und Versicherungssektor
2.1.2. Maschinelles Lernen und Deep Learning in der Risikobewertung
2.1.3. Risikomanagement-Tools
2.1.4. Analytics und Big Data Tools im Risikomanagement
2.2. Betrugserkennung
2.2.1. Betrug und Vorteile des Einsatzes künstlicher Intelligenz zur Betrugserkennung im Bankwesen
2.2.2. Überwachung von Geschäftsgebaren und Marktmissbrauch im Handel
2.3. Modellierung
2.3.1. Kreditrisiko und Ertragsmodellierung
2.4. Ethik
2.4.1. Ethik und Anwendung der Datenschutzgrundverordnung (DSGVO)
3.1. Kundenverhalten
3.1.1. KI-basierte Kundenverhaltensanalyse und Prädiktive Analysen
3.1.2. Auswirkungen von KI auf das Kaufverhalten der Konsumenten
3.2. Interaktion
3.2.1. KI in der Interaktion mit dem Kunden
3.2.2. KI-gestützte virtuelle Assistenten im Bankensektor
4.1. Analyse, Monitoring und Entscheidungsfindung
4.1.1. Kreditentscheidungen, Versicherungsentscheidungen
4.1.2. Überwachung und Erhebung,
4.1.3. Vertiefung der Beziehungen,
5.1. Analyse und Vorhersagen
5.1.1. Machinelles Lernen und Deep Learning Prädiktive Ansätze*.
5.1.2. Echtzeit-Analyse finanzieller Zeitreihen
5.2. Extraktion verborgener Informationen
5.2.1. Feature-Extraktion bei potenziellen Marktchancen
6.1. Automatisierung des Betriebs
6.1.1. Automatisierung der Handelsfinanzierungen
6.1.2. Automatisierung der Regulierung und Einhaltung von Vorgaben im Bankwesen
6.1.3. Automatisierung bei der Geldwäschebekämpfung und beim Sanktionsscreening
6.2. Automatisierung von Arbeitsabläufen
6.2.1. Automatisierung der Bargeldverwaltung
6.2.2. Automatisierung von Dokumenten-Workflow und internen Prozessen
