Projektart und Laufzeit
FFF-Förderprojekt, September 2023 bis Februar 2025Koordinator
Data & Application SecurityForschungsschwerpunkt
GeschäftsprozessmanagementBeschreibung
Der algorithmische Handel hat sich zu einem wichtigen Instrument in der Finanzdienstleistungsbranche entwickelt. Die automatische Entscheidungsfindung auf den Finanzmärkten mit Hilfe intelligenter Algorithmen ermöglicht es den Händlern, das Volumen ihrer Geschäfte zu erhöhen und damit ihre Gewinne zu optimieren. Das maschinelle Lernen (ML) wird im algorithmischen Handel immer beliebter, da es ermöglicht, Entscheidungen statt fest kodierter Regeln auf der Grundlage großer Datenmengen zu treffen. Die Fortschritte in der künstlichen Intelligenz haben gezeigt, dass ML-Methoden im Kontext des algorithmischen Handels eine bessere Vorhersageleistung erreichen als die traditionellen Verfahren der Zeitreihenanalyse, z. B. ARIMA,. Trotz dieses Vorteils setzt der Einsatz von ML die algorithmischen Handelssysteme dem Risiko von s.g. "Adversarial Examples", aus, d. h. von geringfügigen gezielten Veränderungen der Eingabedaten, die zu erheblichen Vorhersagefehlern führen. In diesem Projekt wird die Sicherheit von ML-Anwendungen für Zeitreihenanalyseverfahren im Finanzbereich, speziell im Kontext des algorithmischen Handels, untersucht. Die Notwendigkeit dieser Forschung ergibt sich aus der Besonderheit des algorithmischen Handels, in dem versucht wird Mikrotrends im Verhalten von Finanzzeitreihen zu identifizieren, die auf öffentlich zugänglichen Daten beruhen und daher von jedermann genutzt werden können. Frühere Arbeiten zur Sicherheit von ML haben solche Einsatzszenarien kaum berücksichtigt, und die wenigen verfügbaren Publikationen setzen weitgehend unrealistische Annahmen voraus. Daher zielt die vorgeschlagene Forschung darauf ab: (i) die wahren Risiken im Zusammenhang mit dem Einsatz von ML für Finanzprognosen zu verstehen und zu quantifizieren, (iii) falls erforderlich, mögliche Gegenmassnahmen zu untersuchen.Wirkungen in Wissenschaft, Wirtschaft und Gesellschaft
Alle im Rahmen dieses Projekts durchgeführten Experimente basieren auf realen Daten, die zur Entwicklung von ML-Modellen verwendet werden, die eine in der Praxis nützliche Vorhersageleistung aufweisen. Daher kann man davon ausgehen, dass alle Ergebnisse dieser Forschung es ermöglichen werden, die reale Bedrohung durch feindliche Angriffe auf ML-Systeme für Finanzprognosen abzuschätzen. Daher werden unsere Ergebnisse für Praktiker im Finanzbereich von hohem Wert sein.Liechtensteinbezug
Liechtenstein wird vom SAMLAF-Projekt stark profitieren, da es sich mit Themen (künstliche Intelligenz, Finanzen, Cybersicherheit und Informationssysteme) befasst, die für die Entwicklung Liechtensteins von grossem Interesse sind und die auch eine Kernkomponente im Portfolio der Universität Liechtenstein darstellen. Die grösste Chance für Liechtenstein liegt insbesondere in der Neuartigkeit des SAMLAF-Projekts: Sein Abschluss würde bedeuten, dass Liechtenstein das erste Land ist, das fundierte Forschung zur Sicherheit von Anwendungen künstlicher Intelligenz im Finanzbereich betreibt.Schlagworte
Cybersicherheitsmanagement, Finance
