KI-Kreditrisikomodellierung: Optimierung von Kreditrisikooperationen

• Autor:
• Autorenname

  Quantumrun-Vorausschau
• 27. Februar 2023

Das Problem der Modellierung des Kreditrisikos beschäftigt Banken seit Jahrzehnten. Systeme für maschinelles Lernen und künstliche Intelligenz (ML/KI) bieten neue Methoden zur Analyse der beteiligten Daten und stellen dynamischere und genauere Modelle bereit.

Kontext der KI-Kreditrisikomodellierung

Unter Kreditrisiko versteht man das Risiko, dass ein Kreditnehmer seinen Kreditzahlungen nicht nachkommt, was zu einem Verlust von Cashflows für den Kreditgeber führt. Um dieses Risiko zu bewerten und zu steuern, müssen Kreditgeber Faktoren wie die Ausfallwahrscheinlichkeit (PD), das Exposure at Default (EAD) und den Verlust bei Ausfall (LGD) schätzen. Die 2004 veröffentlichten und 2008 umgesetzten Basel II-Richtlinien enthalten Regelungen für das Kreditrisikomanagement im Bankensektor. Gemäß der ersten Säule von Basel II kann das Kreditrisiko mithilfe eines standardisierten, eines auf internen Basisratings basierenden oder eines erweiterten, auf internen Ratings basierenden Ansatzes berechnet werden.

Der Einsatz von Datenanalysen und KI/ML hat bei der Kreditrisikomodellierung zunehmend an Bedeutung gewonnen. Traditionelle Ansätze wie statistische Methoden und Kredit-Scores wurden durch fortschrittlichere Techniken ergänzt, die nichtlineare Beziehungen besser verarbeiten und latente Merkmale in den Daten identifizieren können. Daten zu Verbraucherkrediten, Demografie, Finanzen, Beschäftigung und Verhalten können alle in Modelle integriert werden, um deren Prognosefähigkeit zu verbessern. Bei Geschäftskrediten, bei denen es keinen Standard-Kredit-Score gibt, können Kreditgeber Kennzahlen zur Unternehmensrentabilität zur Beurteilung der Kreditwürdigkeit heranziehen. Methoden des maschinellen Lernens können auch zur Dimensionsreduzierung eingesetzt werden, um genauere Modelle zu erstellen.

Störende Wirkung

Durch die Implementierung der KI-Kreditrisikomodellierung können Verbraucher- und Unternehmenskredite genauere und dynamischere Kreditvergabemodelle nutzen. Diese Modelle ermöglichen Kreditgebern eine bessere Einschätzung ihrer Kreditnehmer und sorgen für einen gesünderen Kreditmarkt. Diese Strategie ist für gewerbliche Kreditgeber von Vorteil, da kleinere Unternehmen keinen Maßstab zur Beurteilung ihrer Kreditwürdigkeit haben, so wie Standard-Kreditscores für Verbraucher funktionieren.

Eine mögliche Anwendung von KI bei der Kreditrisikomodellierung ist die Verwendung natürlicher Sprachverarbeitung (NLP) zur Analyse unstrukturierter Daten wie Unternehmensberichte und Nachrichtenartikel, um relevante Informationen zu extrahieren und ein tieferes Verständnis der finanziellen Situation eines Kreditnehmers zu gewinnen. Eine weitere mögliche Anwendung ist die Implementierung von erklärbarer KI (XAI), die Einblick in den Entscheidungsprozess eines Modells geben und Transparenz und Verantwortlichkeit verbessern kann. Der Einsatz von KI bei der Kreditrisikomodellierung wirft jedoch auch ethische Bedenken auf, etwa eine mögliche Verzerrung der zum Trainieren von Modellen verwendeten Daten und die Notwendigkeit einer verantwortungsvollen und erklärbaren Entscheidungsfindung.

Ein Beispiel für ein Unternehmen, das den Einsatz von KI im Kreditrisiko untersucht, ist Spin Analytics. Das Startup nutzt KI, um automatisch Regulierungsberichte zur Kreditrisikomodellierung für Finanzinstitute zu erstellen. Die Plattform des Unternehmens, RiskRobot, hilft Banken dabei, Daten vor der Verarbeitung zu aggregieren, zusammenzuführen und zu bereinigen, um die Einhaltung von Vorschriften in verschiedenen Regionen wie den USA und Europa sicherzustellen. Darüber hinaus werden detaillierte Berichte für die Aufsichtsbehörden verfasst, um die Genauigkeit sicherzustellen. Das Schreiben dieser Berichte dauert normalerweise 6 bis 9 Monate, Spin Analytics gibt jedoch an, diese Zeit auf weniger als zwei Wochen verkürzen zu können. 

Anwendungen der KI-Kreditrisikomodellierung

Zu den Anwendungen der KI-Kreditrisikomodellierung können gehören:

• Banken nutzen KI bei der Kreditrisikomodellierung, um den Zeit- und Arbeitsaufwand für die Erstellung detaillierter Berichte erheblich zu reduzieren und es Finanzinstituten zu ermöglichen, neue Produkte schneller und zu geringeren Kosten auf den Markt zu bringen.
• KI-gestützte Systeme werden eingesetzt, um große Datenmengen schneller und genauer als Menschen zu analysieren, was möglicherweise zu genaueren Risikobewertungen führt.
• In Entwicklungsländern erhalten immer mehr Menschen und Unternehmen ohne Bankverbindung Zugang zu Finanzdienstleistungen, da diese neuartigen Tools zur Kreditrisikomodellierung eingesetzt werden können, um grundlegende Kredit-Scores zu ermitteln und auf diesen unterversorgten Markt anzuwenden.
• Menschliche Analysten werden darin geschult, KI-basierte Tools zu nutzen, um das Fehlerrisiko zu reduzieren.
• Künstliche Intelligenzsysteme werden eingesetzt, um Muster betrügerischer Aktivitäten zu erkennen und Finanzinstituten dabei zu helfen, das Risiko betrügerischer Kredite oder Kreditanträge zu verringern.
• Algorithmen für maschinelles Lernen werden anhand historischer Daten trainiert, um Vorhersagen über zukünftige Risiken zu treffen und es Finanzinstituten zu ermöglichen, potenzielle Risiken proaktiv zu verwalten.

Fragen zum Kommentieren

• Welche Kennzahl sollten Unternehmen Ihrer Meinung nach zur Bewertung ihrer Kreditwürdigkeit verwenden?
• Wie wird Ihrer Meinung nach KI die Rolle menschlicher Kreditrisikoanalysten in Zukunft verändern?