Finanzdienstleistungen: Leistungsoptimierung

Last reviewed 2026-10-28 UTC

Dieses Dokument im Google Cloud Well-Architected Framework: Finanzdienstleistungen (FS) bietet einen Überblick über Prinzipien und Empfehlungen zur Optimierung der Leistung Ihrer FS-Arbeitslasten in Google Cloud. Die Empfehlungen in diesem Dokument entsprechen der Säule „Leistungsoptimierung“ des Well-Architected Framework.

Die Leistungsoptimierung hat in der Finanzdienstleistungsbranche eine lange Geschichte. Sie hat Finanzdienstleistern geholfen, technische Herausforderungen zu meistern, und war fast immer ein Wegbereiter oder Beschleuniger für die Entwicklung neuer Geschäftsmodelle. Beispielsweise automatisierten Geldautomaten (eingeführt 1967) die Bargeldausgabe und halfen Banken, die Kosten ihres Kerngeschäfts zu senken. Techniken wie das Umgehen des Betriebssystemkernels und das Anpinnen von Anwendungsthreads an Rechenkerne haben dazu beigetragen, eine deterministische und niedrige Latenz für Handelsanwendungen zu erreichen. Die geringere Latenz ermöglichte eine höhere und stabilere Liquidität mit engeren Spreads auf den Finanzmärkten.

Die Cloud bietet neue Möglichkeiten zur Leistungsoptimierung. Außerdem werden einige der bisher akzeptierten Optimierungsmuster infrage gestellt. Insbesondere die folgenden Kompromisse sind in der Cloud transparenter und besser kontrollierbar:

  • Produkteinführungszeit im Vergleich zu den Kosten.
  • End-to-End-Leistung auf Systemebene im Vergleich zur Leistung auf Knotenebene.
  • Verfügbarkeit von Talenten im Vergleich zur Agilität der technologiebezogenen Entscheidungsfindung.

Beispielsweise ist die Anpassung von Hardware und IT-Ressourcen an bestimmte Qualifikationsanforderungen in der Cloud eine einfache Aufgabe. Zur Unterstützung der GPU-Programmierung können Sie GPU-basierte VMs erstellen. Sie können die Kapazität in der Cloud skalieren, um Nachfragespitzen zu bewältigen, ohne Ressourcen überdimensionieren zu müssen. Diese Funktion trägt dazu bei, dass Ihre Arbeitslasten Spitzenlasten bewältigen können, z. B. an Tagen mit Beschäftigungszahlen außerhalb der Landwirtschaft und wenn das Handelsvolumen deutlich über dem historischen Niveau liegt. Anstatt Geld für das Schreiben von hochoptimiertem Code auf der Ebene einzelner Server (z. B. hochgradig optimierter Code in der Sprache C) oder für das Schreiben von Code für herkömmliche Hochleistungs-Computing-Umgebungen (HPC) auszugeben, können Sie mit einem gut strukturierten Kubernetes-basierten verteilten System optimal horizontal skalieren.

Die Empfehlungen zur Leistungsoptimierung in diesem Dokument sind den folgenden Grundprinzipien zugeordnet:

Leistungsmesswerte für Technologie an wichtigen Geschäftsindikatoren ausrichten

Sie können die Leistungsoptimierung auf verschiedene Arten mit Geschäftswerten verknüpfen. In einer Käuferseite-Forschungsabteilung könnte ein Geschäftsziel beispielsweise darin bestehen, die Ausgabe pro Forschungsstunde zu optimieren oder Experimente von Teams zu priorisieren, die nachweislich erfolgreich sind, z. B. höhere Sharpe-Ratios haben. Auf der Verkaufsseite können Sie mithilfe von Analysen das Kundeninteresse verfolgen und den Durchsatz zu KI-Modellen, die die interessantesten Recherchen unterstützen, entsprechend priorisieren.

Die Verknüpfung von Leistungszielen mit den Leistungskennzahlen (KPIs) des Unternehmens ist auch für die Finanzierung von Leistungsverbesserungen wichtig. Initiativen für Geschäftsinnovationen und -transformationen (manchmal auch als Change-the-Bank-Maßnahmen bezeichnet) haben andere Budgets und potenziell andere Zugriffsrechte auf Ressourcen als der normale Geschäftsbetrieb (Business-as-Usual, BAU) oder Run-the-Bank-Vorgänge. Beispielsweise hat Google Cloud den Risikomanagement- und Technologieteams eines G-SIFI geholfen, mit den quantitativen Analysten im Frontoffice an einer Lösung zu arbeiten, mit der Risikoanalyseberechnungen (wie XVA) in Minuten statt in Stunden oder Tagen durchgeführt werden können. Mit dieser Lösung konnte das Unternehmen die relevanten Compliance-Anforderungen erfüllen. Außerdem konnten die Händler hochwertigere Gespräche mit ihren Kunden führen und potenziell engere Spreads, eine stabilere Liquidität und eine kostengünstigere Absicherung anbieten.

Wenn Sie Ihre Leistungsmesswerte an Geschäftsindikatoren ausrichten, sollten Sie die folgenden Empfehlungen berücksichtigen:

  • Verknüpfen Sie jede Technologieinitiative mit den relevanten Objectives and Key Results (OKRs), z. B. Umsatz- oder Gewinnsteigerung, Kostensenkung und effizientere oder ganzheitlichere Risikominderung.
  • Konzentrieren Sie sich auf die Optimierung der Leistung auf Systemebene. Blicken Sie über die herkömmliche Trennung zwischen „Change-the-Bank“ und „Run-the-Bank“ sowie die Silos zwischen Front- und Backoffice hinaus.

Sicherheit priorisieren, ohne die Leistung für unbewiesene Risiken zu beeinträchtigen

Sicherheit und Einhaltung regulatorischer Anforderungen in Finanzdienstleistungsunternehmen müssen eindeutig auf einem hohen Niveau sein. Ein hoher Standard ist unerlässlich, um den Verlust von Kunden und irreparable Schäden am Ruf eines Unternehmens zu vermeiden. Häufig wird der größte Wert durch technologische Innovationen wie generative KI und einzigartige, verwaltete Dienste wie Spanner erzielt. Verwerfen Sie solche Technologieoptionen nicht automatisch aufgrund eines pauschalen Missverständnisses über ein unerschwingliches Betriebsrisiko oder einen unzureichenden Compliancestatus.

Google Cloud hat eng mit G-SIFIs zusammengearbeitet, um sicherzustellen, dass ein KI-basierter Ansatz zur Bekämpfung von Geldwäsche (Anti-Money Laundering, AML) in den Ländern verwendet werden kann, in denen die Institutionen Kunden betreuen. HSBC konnte beispielsweise die Leistung seiner Abteilung für Finanzkriminalität (Fincrime) mit den folgenden Ergebnissen erheblich verbessern:

  • Fast zwei- bis viermal mehr bestätigte verdächtige Aktivitäten.
  • Niedrigere Betriebskosten, da über 60 % der falsch positiven Ergebnisse eliminiert werden und die Untersuchungszeit nur auf risikoreiche, umsetzbare Benachrichtigungen konzentriert wird.
  • Prüfbare und erklärbare Ergebnisse zur Unterstützung der Einhaltung regulatorischer Anforderungen.

Beachten Sie die folgenden Empfehlungen:

  • Prüfen Sie, ob die Produkte, die Sie verwenden möchten, die Sicherheits-, Ausfallsicherheits- und Compliance-Anforderungen für die Gerichtsbarkeiten erfüllen, in denen Sie tätig sind. Um dieses Ziel zu erreichen, arbeiten Sie mit den Account-Management-Teams, Risikoteams und Produktteams von Google Cloudzusammen.
  • Erstellen Sie leistungsfähigere Modelle und sorgen Sie für Transparenz für Kunden, indem Sie die Erklärbarkeit von KI nutzen.

  • Mit Techniken wie Quellenangaben, Fundierung und RAG können Sie Transparenz für generative KI-Arbeitslasten erreichen.

  • Wenn Erklärbarkeit nicht ausreicht, trennen Sie die Entscheidungsschritte in Ihren Wertströmen und automatisieren Sie mit KI nur die Schritte, die keine Entscheidungen erfordern. In einigen Fällen ist erklärbare KI möglicherweise nicht ausreichend oder ein Prozess erfordert aufgrund regulatorischer Bedenken menschliches Eingreifen (z. B. DSGVO, Artikel 22). In solchen Fällen sollten Sie alle Informationen, die der menschliche Kundenservicemitarbeiter für die Entscheidungsfindung benötigt, in einem einzigen Steuerungsbereich präsentieren, aber die Aufgaben zur Datenerfassung, -aufnahme, -bearbeitung und -zusammenfassung automatisieren.

Architektur überdenken, um sie an neue Möglichkeiten und Anforderungen anzupassen

Die Erweiterung Ihrer aktuellen Architekturen um cloudbasierte Funktionen kann einen erheblichen Mehrwert bieten. Um bessere Ergebnisse zu erzielen, müssen Sie Ihre Architektur regelmäßig mit einem Cloud-First-Ansatz überdenken.

Beachten Sie die folgenden Empfehlungen, um die Architektur Ihrer Arbeitslasten regelmäßig zu überdenken und die Leistung weiter zu optimieren.

Cloudbasierte Alternativen zu lokalen HPC-Systemen und Planern verwenden

Wenn Sie von einer höheren Elastizität, einem verbesserten Sicherheitsstatus und umfangreichen Monitoring- und Governance-Funktionen profitieren möchten, können Sie HPC-Arbeitslasten in der Cloud ausführen oder lokale Arbeitslasten in die Cloud burst-skalieren. Für bestimmte Anwendungsfälle der numerischen Modellierung wie die Simulation von Anlagestrategien oder die XVA-Modellierung kann die Kombination von Kubernetes mit Kueue jedoch eine leistungsfähigere Lösung bieten.

Zur grafikbasierten Programmierung für Simulationen wechseln

Monte-Carlo-Simulationen sind in einem grafikbasierten Ausführungssystem wie Dataflow möglicherweise viel leistungsfähiger. HSBC verwendet Dataflow beispielsweise, um Risikoberechnungen 16-mal schneller als mit dem vorherigen Ansatz auszuführen.

Cloudbasierte Börsen und Handelsplattformen betreiben

Gespräche mit Google Cloud Kunden zeigen, dass das 80/20-Pareto-Prinzip für die Leistungsanforderungen von Märkten und Handelsanwendungen gilt.

  • Über 80 % der Trading-Anwendungen benötigen keine extrem niedrige Latenz. Sie profitieren jedoch erheblich von den Ausfallsicherheits-, Sicherheits- und Elastizitätsfunktionen der Cloud. Beispielsweise nutzt BidFX, eine Multi-Dealer-Plattform für den Devisenhandel, die Cloud, um neue Produkte schnell auf den Markt zu bringen und ihre Verfügbarkeit und Präsenz ohne zusätzliche Ressourcen erheblich zu steigern.
  • Die verbleibenden Anwendungen (weniger als 20 %) erfordern eine niedrige Latenz (weniger als eine Millisekunde), Determinismus und Fairness bei der Zustellung von Nachrichten. In der Regel werden diese Systeme in starren und teuren Colocation-Einrichtungen ausgeführt. Auch diese Kategorie von Anwendungen wird zunehmend auf die Cloud umgestellt, entweder am Edge oder als Cloud-First-Anwendungen.

Zukunftssichere Technologie für aktuelle und zukünftige Geschäftsanforderungen

In der Vergangenheit haben viele Finanzdienstleister proprietäre Technologien entwickelt, um sich einen Wettbewerbsvorteil zu verschaffen. In den frühen 2000er-Jahren hatten erfolgreiche Investmentbanken und Handelsunternehmen beispielsweise eigene Implementierungen von grundlegenden Technologien wie Pub/Sub-Systemen und Message Brokern. Mit der Entwicklung von Open-Source-Technologien und der Cloud sind solche Technologien zu Standardprodukten geworden und bieten keinen zusätzlichen Geschäftswert.

Beachten Sie die folgenden Empfehlungen, um Ihre Technologie zukunftssicher zu machen.

Data-as-a-Service-Ansatz (DaaS) für eine schnellere Produkteinführungszeit und Kostentransparenz

Finanzdienstleister entwickeln sich häufig durch eine Kombination aus organischem Wachstum und Fusionen und Übernahmen (M&A). Daher müssen die Organisationen unterschiedliche Technologien integrieren. Außerdem müssen sie doppelte Ressourcen wie Datenanbieter, Datenlizenzen und Integrationspunkte verwalten. Google Cloud bietet Möglichkeiten, um bei Integrationen nach einer Fusion einen differenzierten Wert zu schaffen.

Sie können beispielsweise Dienste wie die BigQuery-Freigabe verwenden, um eine analysebereite Data-as-a-Service-Plattform (DaaS) zu erstellen. Die Plattform kann sowohl Marktdaten als auch Eingaben aus alternativen Quellen bereitstellen. Dadurch müssen Sie keine redundanten Datenpipelines erstellen und können sich auf wichtigere Initiativen konzentrieren. Außerdem können die fusionierten oder übernommenen Unternehmen ihre Anforderungen an die Datenlizenzierung und Infrastruktur nach der Fusion schnell und effizient rationalisieren. Anstatt Zeit und Mühe in die Anpassung und Zusammenführung von Legacy-Datenbeständen und -Vorgängen zu investieren, kann sich das kombinierte Unternehmen auf neue Geschäftsmöglichkeiten konzentrieren.

Abstraktionsebene erstellen, um vorhandene Systeme zu isolieren und neue Geschäftsmodelle zu berücksichtigen

Der Wettbewerbsvorteil für Banken liegt zunehmend nicht mehr im Kernbankensystem, sondern in der Kundenzufriedenheit. In älteren Banksystemen werden jedoch häufig monolithische Anwendungen verwendet, die in Sprachen wie Cobol entwickelt wurden und in die gesamte Wertschöpfungskette der Bank integriert sind. Diese Integration machte es schwierig, die Schichten der Wertschöpfungskette zu trennen, sodass es fast unmöglich war, solche Systeme zu aktualisieren und zu modernisieren.

Eine Lösung für diese Herausforderung ist die Verwendung einer Isolationsschicht wie eines API-Verwaltungssystems oder einer Staging-Schicht wie Spanner, die das Buch der Datensätze dupliziert und die Modernisierung von Diensten mit erweiterten Analysen und KI erleichtert. Die Deutsche Bank hat beispielsweise Spanner verwendet, um ihre Legacy-Kernbankeninfrastruktur zu isolieren und ihre Innovationsreise zu beginnen.

Zurück
Kostenoptimierung