KI-Investitionsmaschine: Teil I

Vor einigen Jahren hatte ich die Idee, einen Wissensgraphen für Investmentfonds, deren Bestände und die dahinterstehenden juristischen Personen zu erstellen. Also begann ich, in Neo4j einen Graphen auf Basis der Daten zu erstellen, die ich für SEC-Meldungen in meinem Couchbase-Data-Warehouse speicherte.

Ich hatte über mehrere Jahre hinweg Unterlagen zu Investmentfonds- und ETF-Beständen gesammelt, deren Qualität sich jedoch ab 2021 deutlich verbesserte. Um das Jahr 2023 hatte ich genügend Unterlagen, um einen Wissensgraphen zu erstellen, aber mein Anwendungsfall war nicht gerade wissensgraphenfreundlich.

Warum? Ich hatte historische Daten, die ich neben meinem ursprünglichen Anwendungsfall auch für ML-Szenarien aufbewahren wollte. Um das KISS-Prinzip (Keep it simple, stupid) bei meiner ersten Einrichtung zu befolgen, entschied ich mich trotzdem, alles in Neo4j zu speichern. Da Neo4j versucht, einen Großteil seiner Operationen im Arbeitsspeicher auszuführen, kann dies bei einer großen Anzahl von Knoten problematisch sein.

Ansicht aus der Neo4j-Blüte

Als ich die Einreichungen, hauptsächlich N-PORT-Formulare, von der SEC einlesen wollte, plante ich zunächst, sie von XML in JSON umzustrukturieren, um den Speicherverbrauch in Couchbase zu reduzieren. Dazu benötigte ich eine Liste von Schlüsseln, mit denen ich die JSON-Daten durchsuchen konnte. Diese Schlüssel flossen auch in die Knotenstrukturen von Neo4j ein. Die Einreichungen enthalten das Einreichungsdatum, den zugehörigen CIK (Central Index Key der SEC) und die üblichen Wertpapier-/Instrumentenkennungen: ISIN, CUSIP, SEDOL und interne Kennungen aus den Transaktionen. Die SEC fügte jedoch den wichtigsten neuen Schlüssel hinzu: den LEI (Legal Entity Identifier).

Es gab nun eine Quelle, um die Beziehungen zwischen verschiedenen gehaltenen Instrumenten und deren jeweiligen Rechtsstrukturen zu klären. Daher beschloss ich, die LEI-Informationen aus der einzigen wirklich öffentlichen Quelle zu beziehen: https://www.gleif.org/en .

Abbildungen, die die Knoten, Beziehungen und Attribute des Wissensgraphen darstellen

Der Wissensgraph wurde mit den folgenden Knotentypen und Beziehungen erstellt, um spezifische Fragen zu beantworten. Die folgende Liste der Knoten und Beziehungen ist nicht vollständig, sondern dient lediglich der Veranschaulichung des Umfangs.

Knoten

Stammaktien	variabel verzinsliche Schulden	Futures	Mittel
Vorzugsaktien	Besicherte Schulden	SWAPs	Muttergesellschaft des Fonds
Unternehmensverschuldung	Asset-Backed Debt	TAUSCHEN	Kreditnehmer
Hypothekenbesicherte Schulden	Haftbefehle	Land	Rechtsperson
Kommunalschulden	Optionen	Währung	Rechtsträger-LEI ISIN-Referenz
Wandelschuldverschreibung	Vorwärts	Region	Beziehungen zwischen juristischen Personen

Beziehungen

Anlageart -> Fondsanteile	Vermögenstyp -> Rechtliche Einheit	Vermögenstyp -> Rechtliche Zuständigkeit	Fondsserien -> Fondsserienklassen
Anlagentyp -> Land	Fonds -> Juristische Person	Anlagentyp -> Hauptsitzland	Fonds -> Geldflüsse
Anlageart -> Währung	Fondsmuttergesellschaft -> Rechtsträger	Anlagentyp -> Standortland	Fonds -> Fondsperformance
Land -> Region	Fonds -> Teilfonds	Anlagentyp -> Indexmitglied	Stammaktien -> Unternehmensprofil

Es gibt weitere Beziehungen, die viele-zu-viele juristische Personen auflösen und ebenfalls explizit definiert sind.

Das ursprüngliche Ziel des Anwendungsfalls für die Kombination dieser Daten war:

• Risikomessung von Währungsrisiken

• Positionsrisiko für Institutionen und Märkte

• Ermittlung juristischer Personen für multinationale Konzerne

• Welche Auswirkungen haben Vermögenskäufe auf die gesamte Wertschöpfungskette?

Um dies teilweise zu veranschaulichen, habe ich zunächst einen Fonds in Neo4J Bloom erweitert. Der Fonds hält Kredite und Swaptions als Vermögenswerte:

Als nächstes wurde festgestellt, dass die juristische Person (LE) des zugrunde liegenden SWAP-Vermögenswerts, der von der SWAPtion umschlossen wurde, eine Gegenpartei für den SWAP war, die auf ein Unternehmen namens Citigroup Global Markets zurückgeführt werden konnte:

Welche wiederum unter einer anderen Citigroup LE, nämlich Citigroup Financial Products, firmierte:

Anschließend wurde die oben genannte Citigroup-Gesellschaft genauer untersucht, wodurch sich herausstellte, dass sie die juristische Person und nicht zentral abgewickelte (NCC) Gegenpartei für mehrere Rückkaufvereinbarungen sowie die juristische Person für variabel verzinsliche Schulden war:

Bei genauerer Betrachtung der Rückkaufvereinbarungen zeigt sich, dass diese mit dem jeweiligen Vermögensinhaber verknüpft sind, in diesem konkreten Fall zwei Investmentfonds – dargestellt durch die hellgrünen Objekte mit Banksymbolen. Außerdem ist die Währung der Rückkaufvereinbarung bzw. die Sicherheitenwährung ersichtlich: der Euro.

Das bedeutet, dass das mit Citigroup verbundene Unternehmen ein Währungsrisiko im Eurobereich aufweist und daher von starken Wechselkursschwankungen betroffen sein kann. Dasselbe gilt für die beiden Investmentfonds hinsichtlich ihres Euro-Währungsrisikos. Viele Investmentfonds und ETFs sichern sich gegen Währungsrisiken durch den Kauf von Devisentermingeschäften ab. Hätte ich die Fonds in diesem Fall diversifiziert und wären sie in den USA ansässig, würden wir diese Termingeschäfte wahrscheinlich als Vermögenswerte des/der Fonds betrachten.

Folgt man einem anderen Pfad von der Rechtseinheit Citigroup Financial Products aus, gelangt man zu weiteren Unternehmen, die in anderen Ländern innerhalb einer anderen Holdinggesellschaft tätig sind. Der erste orange Kreis stellt eine Fondsgesellschaft mit verschiedenen anderen verbundenen Fonds dar (vier orange Kreise rechts).

Schließlich verfolgen wir die Citigroup Financial Products LE, die für die oben genannten Vermögenswerte und Fonds verantwortlich ist, zurück zur Citigroup Inc. LE, die an der Spitze der Hierarchie steht.

Wie Sie sehen, kann die Möglichkeit, Rechtsträgerkennungen (LEIs) zwischen verschiedenen Organisationen und ihren zugrunde liegenden Strukturen abzubilden, unsere Fähigkeit, schwer erkennbare Risiken zu erkennen, zu bewerten, nachzuverfolgen und zu verstehen, erheblich verbessern. Ich habe dies als Grundlage für die Entwicklung meiner KI-Anwendung gewählt, da es leistungsstarke Funktionen zur Quantifizierung von Auswirkungen auf Organisationen und Finanzsysteme bietet. Im nächsten Schritt werde ich die Architektur der Anwendung genauer erläutern und ihren Funktionsumfang erweitern, um weitere gewünschte Funktionen zu integrieren.