Das Jahr 2022 neigt sich dem Ende zu. Es war geprägt von zahlreichen bewegenden Momenten und Ereignissen. In Folge kam es zu teilweise gravierenden Veränderungen, die noch bis vor kurzem für Politik und Gesellschaft undenkbar waren. Aber auch an den internationalen Finanzmärkten haben veränderte Risikoeinschätzungen „der Zeitenwende 2022“ ihren Abdruck hinterlassen, wie man es einer Umfrage unter Börsenhändlern entnehmen kann: Inflation, Pandemie, und regionalen Konflikten, dominieren die Antworten der Börsenhändler.

In diesem Zusammenhang habe ich kürzlich in unserer Professional Services Abteilung von einem interessanten neuartigen Text Analytics Projekt gehört, dessen wesentliche Eckpunkte ich in diesem Blog skizziere:

 Use Case: Ratingveränderungen

Die drei großen Rating-Agenturen S&P, Moody‘s und Fitsch veröffentlichen pro Jahr ca. 3 Millionen Berichte zur Einschätzung und Bewertung von börsennotierten Anleihen, deren Ausfallrisiken regelmäßig neu bewertet werden.  Diese Ratings und die dazugehörigen schriftlich ausgeführten Analysen und Einschätzungen bilden eine wichtige Grundlage zur Anpassung von Anlagestrategien und Investitionsentscheidungen institutioneller Anleger. Rating Berichte reflektieren die aktuellen Entwicklungen und Aussichten von Konjunktur, Markt, Branchen, dem internationalen Wirtschaftsgeschehen, politischen Unsicherheiten und den individuellen Bonitäten von Firmen, Kommunen, Regionen, Ländern oder internationalen Finanzinstitutionen wie z.B. der EZB, die Weltbank oder der IMF.

Problem: Zeitverzug

Als Konsequenz des Hochfrequenzhandels wirken sich Ratingveränderungen nach Veröffentlichung innerhalb von Sekundenbruchteilen auf die Anleihekurse an den internationalen Finanzmärkten aus. Möchte ein Institutioneller Inverstor nach einer Ratingveränderung einer Anleihe sein Portfolio neu gewichten, so kommt er damit eigentlich immer zu spät.

Projektziel: Ratingveränderungen frühzeitig erkennen, um rechtzeitig proaktiv zu reagieren

Ziel des Projektes ist es erste Trends, Nuancen und Frühindikatoren aus den relativ langen und sich in vielen Textbausteinen immer wiederholenden Bewertungstexten der Quartalsratings einer Anleihe zu extrahieren und zu projizieren. Es geht dabei darum, frühzeitig eine qualitativ neue Informationsbasis zu schaffen, auf der Portfolio Manager proaktiv ihre Anlagestrategien Risiko- und Chancenorientiert anpassen können noch bevor harte Ratingveränderungen veröffentlicht werden und die Kuranpassungen des Hochfrequenzhandels unmittelbar wirken. Dieser taktische Zeitgewinn ist entscheidend und ermöglicht es mögliche Portfolioumschichtungen vor einer Ratingveränderung zu evaluieren und gegebenenfalls zu veranlassen.

Lösungsschritte:

Datenaufbereitung:

• Laden und Erfassen einer hinreichend großen Menge von Rating Reports im .pdf-Format aus einem Verzeichnis des File Systems.
• Aufteilung des Gesamttextes in Abschnitte, Absätze und Sätze.
• Zerlegen des Fließtextes in Worte und Rückführung in ihre grammatikalischen Stammformen. Extraktion relevanter Schlagworte und verschachtelter Wortkonzepte im fachlichen Rating Kontext z.B. „quantitative easing“, „upward pressure on interest rates”.

Analysen:

• Automatisierte Maschinelle Verarbeitung und Auswertung von Rating Berichten mit punktuellem Fokus auf Analysen spezieller Textpassagen. z.B. „Summary“, „Upside“ „Downside“.
• Aufbereitung in Dashboards und Tabellen für folgende Analysen der Endbenutzer zur Entscheidungsvorlage:
• Begriffsauszählung im Zeitverlauf und automatisierte Erkennung von neu bewerteten Risiken in Form finanztechnischen Wörtern, Wortgruppen, Themen und Wortkonzepten
• Dashboard mit tagesaktuellen Veränderungen in den Rating Reports und der Möglichkeit, durch Drill-Downs bis hin zu den Originaltextpassagen an die relevanten Detailinformationen zu gelangen und den Inhalt mit eigenem Sachverstand zu bewerten.
• Häufigkeitsauszählung und deren zeitliche Entwicklung der wichtigsten Fachbegriffe:
  • zwischen alternativen Wertpapieren im gleichen Land
  • zwischen Wertpapieren unterschiedlicher Länder
  • Innerhalb der Zeitreihe der Quartalsberichte eines Wertpapiers
  • Innerhalb der relevanten Text-Abschnitte
  • Vergleichende Auszählung finanztechnischer Schlagworte auf Wertpapieren unterschiedlichen Ratings
• Projektion von Rating Veränderung auf Basis von den sich abzeichnenden historischen Trends der Wortauszählungen in den Quartalsberichten.

Interesse geweckt? Sprechen Sie uns an. Ach ja, hab ich ganz vergessen, die Software Lösung basiert auf SAS Visual Data Mining und Machine Learning, SAS Visual Text Analytics und SAS Visual Analytics. Aber das kann man natürlich sicherlich auch mit R oder Python machen. Unsere Professional Services Abteilung hatte allerding mit SAS Viya in 6 Wochen eine Minimum Viable Produkt MVP implementiert.