Erweiterung des Machine Learning-gestützten Risikocontro ... / 4 Erweiterung des Machine Learning-gestützten Risikocontrollings im Finanzwesen

Das Konzept des Synthetic Control kann beim Risikocontrolling einer Bank wie folgt angewendet werden:

Angenommen, die Bank möchte das Risiko einer Kreditvergabe minimieren und hat deshalb beschlossen, Machine Learning und Synthetic Control zu nutzen, um Kreditnehmer besser zu verstehen und das Risiko von Krediten zu bewerten. Zunächst werden umfangreiche Daten über die Kreditnehmer und ihre finanziellen Verhältnisse gesammelt. Diese Daten werden dann in ein Machine Learning-Modell eingespeist, das eine Prognose darüber erstellt, wie wahrscheinlich es ist, dass ein Kreditnehmer den Kredit nicht zurückzahlen wird.

Nun kommt das Synthetic Control ins Spiel: Die Bank vergleicht das Risiko jedes einzelnen Kreditnehmers mit dem Risiko einer "synthetischen Person", die aus einer Vielzahl von Kreditnehmern zusammengesetzt wurde und ein möglichst geringes Risiko aufweist. Durch diesen Vergleich kann die Bank erkennen, ob ein Kreditnehmer ein höheres oder geringeres Risiko darstellt als die synthetische Person und entsprechend handeln.

Das Konzept des Synthetic Control ermöglicht es also, das Risiko einzelner Kreditnehmer besser einzuschätzen und damit das Risiko von Krediten insgesamt zu minimieren. Es bietet eine Möglichkeit, das Risiko-Controlling bei einer Bank zu verbessern und damit auch die finanzielle Stabilität des Unternehmens zu sichern.

Es gibt verschiedene Machine Learning-Algorithmen, die sich zum Ermitteln des Kredit-Risikos eignen. Einige Beispiele sind:^[1]

• Classification: Diese Algorithmen können dazu verwendet werden, Kreditnehmer in verschiedene Risikoklassen einzuteilen, z. B. in "hohes Risiko", "mittelhohes Risiko" oder "geringes Risiko". Hierfür werden typischerweise Daten wie die Bonität des Kreditnehmers, seine Einkommenssituation oder seine Kreditgeschichte verwendet.
• Regression: Diese Algorithmen, wie z. B. Probit- oder Logit-Modelle, liefern als Ergebnis Conditional Probabilities. Diese Wahrscheinlichkeiten können als durchschnittliche Eintrittswahrscheinlichkeiten interpretiert werden und dienen der Quantifizierung des Kreditrisikos auf einer Skala von 0 bis 1 (oder einer anderen Einheit). So können z. B. die Wahrscheinlichkeit einer Zahlungsverzögerung oder eines Zahlungsausfalls vorhergesagt werden.
• Clustering: Diese Algorithmen können dazu verwendet werden, Kreditnehmer in Gruppen mit ähnlichem Risikoprofil zusammenzufassen. Dies kann z. B. durch die Verwendung von Merkmalen wie dem Alter, dem Einkommen oder der Anzahl von Krediten erfolgen.
• Decision Trees: Entsprechend der Baumstruktur des Decision Trees können die Kreditnehmer in verschiedene Gruppen eingeteilt werden, die sich hinsichtlich des Kreditrisikos unterscheiden. Dabei können sowohl klassifikatorische Fragestellungen wie z. B. die Klassifikation von Krediten als risikoreich oder nicht risikoreich, als auch regressionsbasierte Fragestellungen, wie z. B. die Vorhersage der Höhe eines möglichen Kreditausfalls, bearbeitet werden. Durch die Anwendung von Decision Trees kann somit ein umfassendes Bild des Kreditrisikos gewonnen werden, welches die Grundlage für weitere Entscheidungen, wie z. B. die Festlegung von Zinsen und Rückzahlungsraten, darstellt.

Insgesamt gibt es also verschiedene Machine Learning-Algorithmen, die sich für die Ermittlung des Kredit-Risikos eignen und je nach Anwendungsbereich und Zielstellung unterschiedlich gut geeignet sein können. Es ist wichtig, dass Unternehmen die für sie passende Lösung auswählen und entsprechend anpassen, um das Risikocontrolling effektiv zu verbessern.

Synthetic Control wird auf Machine Learning-Algorithmen basierend angewandt, indem es das Risiko einzelner Entitäten (z. B. Kreditnehmer, Unternehmen, Länder) mit dem Risiko einer synthetischen Entität vergleicht, die aus einer Vielzahl von Entitäten zusammengesetzt wurde und ein möglichst geringes Risiko aufweist. Dieser Vergleich kann z. B. dazu verwendet werden, um das Risiko von Krediten, Investitionen oder anderen Entscheidungen besser einzuschätzen und damit das finanzielle Risiko für ein Unternehmen zu minimieren.

In einem weiteren möglichen Schritt kann die Anwendung von Generative AI dazu beitragen, das Verständnis von Kreditrisiken zu vertiefen und innovative Lösungen zu entwickeln [REF]. Generative Modelle können Datenmuster erkennen, die für das menschliche Auge nicht offensichtlich sind, und können auch dazu verwendet werden, simulierte Datensätze zu erstellen, die verschiedene wirtschaftliche Szenarien abbilden. Diese simulierte Daten können dann dazu verwendet werden, Risikomodelle weiter zu trainieren und zu verfeinern, so dass sie besser auf unerwartete Veränderungen in der Wirtschaft reagieren. Die Integration von Generative AI in die Kreditrisikobewertung kann somit zu robusteren und anpassungsfähigeren Modellen führen, die den sich ständig ändernden Marktbedingungen gerecht werden.

[1] Vgl. Leo et al. 2019, S. 29 ff und Aziz/Dowling 2019, S. 33 ff.