image: Roman Kräussl - University of Luxembourg view more
Credit: University of Luxembourg
Training eines neuronalen Netzes zur Bewertung von Kunst
In dieser Studie, die die Bereiche Finanzen und Informatik miteinander verbindet, verwendeten die Forschenden maschinelles Lernen und künstliche Intelligenz (KI), um einen Algorithmus für ein neuronales Netz zu entwickeln, der die Arbeit menschlicher Gutachter nachahmt, indem er Preisprognosen für Kunstwerke auf Auktionen generiert. Dieser Algorithmus stützt sich auf Daten, die sowohl visuelle als auch nicht-visuelle Merkmale von Kunstwerken verwenden. Die Autoren der Studie haben ihren Algorithmus auf einen riesigen Satz von Kunstverkaufsdaten angewandt, der 1,2 Millionen Gemäldeauktionen zwischen 2008 und 2014 umfasst und das neuronale Netzwerk sowohl mit einem Bild des Kunstwerks als auch mit Informationen wie dem Namen des Künstlers, dem Medium und dem Auktionshaus, in dem das Werk verkauft wurde, trainiert. Nachdem es mit diesem Datensatz trainiert worden waren, ließen die Autoren das neuronale Netz die Vorverkaufsschätzungen des Auktionshauses, den Kaufpreis (den Mindestpreis, zu dem das Kunstwerk verkauft wird) und den Endpreis für Kunstverkäufe im Jahr 2015 vorhersagen. Anschließend war es möglich, die Schätzung des Algorithmus mit den tatsächlichen Daten zu vergleichen und zu ermitteln, ob das relative Niveau der von der Maschine erstellten Preisvorhersagen die relativen Preisergebnisse vorhersagt.
Ein Weg zu einem effizienteren Kunstmarkt?
Wie zu erwarten war, waren die Vorhersagen der menschlichen Experten genauer als die des Algorithmus, dessen Vorhersage wiederum genauer war als das lineare hedonische Standardmodell, das die Forschenden zur Auswertung der Studie herangezogen hatten. Als Gründe für die Diskrepanz zwischen Mensch und Maschine nennen die Autoren vor allem den Zugang zu einer größeren Menge an Informationen über die einzelnen Kunstwerke, einschließlich Herkunft, Zustand und historischem Kontext. Wenngleich interessant, war es nicht das Ziel der Autoren, Mensch und Maschine bei dieser speziellen Aufgabe gegeneinander auszuspielen. Vielmehr versuchten die Autoren, den Nutzen und die potenziellen Anwendungen maschinenbasierter Bewertungen zu erforscchen. Beispielsweise könnte mithilfe eines solchen Algorithmus festgestellt werden, ob die Vorverkaufsbewertungen eines Auktionators zu pessimistisch oder zu optimistisch sind, was wiederum eine genauere Vorhersage von Schätzfehlern der Auktionatoren ermöglichen würde. Letztlich könnten diese Informationen genutzt werden, um solche vom Menschen verursachten Marktineffizienzen zu korrigieren.
Über die Auktionshäuser hinaus
Die Auswirkungen dieser Methodik und der angewandten Rechenleistung sind jedoch nicht auf die Kunstwelt beschränkt. Andere Märkte, die mit „echten“ Vermögenswerten handeln und in hohem Maße von menschlichen Gutachtern abhängig sind, wie insbesondere der Immobilienmarkt, können von dieser Forschung profitieren. Auch wenn KI den Menschen wahrscheinlich noch nicht ersetzen wird, könnte die Technologie des Maschinenlernens, wie von den Forschern demonstriert, ein wichtiges Werkzeug für Investoren und Vermittler werden, die möglichst schnell und kostengünstig auf möglichst viele Informationen zugreifen möchten.
Journal
The Journal of Finance