Nutzung künstlicher Intelligenz in der Adressrisikosteuerung

-
18. Juni 2018
-
Von Lars Holzgraefe

Das Risiko eines Kreditausfalls (Adressrisiko) ist nach wie vor eines der Hauptrisiken für Banken und Sparkassen. Klassische Modelle zur Steuerung dieser Risiken weisen allerdings eine Reihe von Defiziten auf: Bei der Ermittlung der regulatorisch und ökonomisch gebotenen Eigenkapitalkosten werden in der Regel die Besonderheiten des betroffenen Kreditportfolios nicht beachtet. Zudem unterstützen die Modelle nur die Quantifizierung des Risikos, eine aktive Steuerung ist nicht möglich. Diese Defizite lassen sich beseitigen: durch die Kombination von Verlustdatenbank und Risikoinventur, bekannt aus der Steuerung operationeller Risiken, sowie durch den Einsatz technischer Möglichkeiten wie künstlicher Intelligenz.

Wenn Institute das Kreditrisiko in ihrem Portfolio quantifizieren wollen, existieren hierfür im Wesentlichen zwei unterschiedliche Gruppen von Ansätzen. Die eher regulatorisch getriebenen Ansätze berechnen die erforderliche Eigenkapitalunterlegung konto- oder kundenbezogen anhand eines definierten Formelwerks. Diese Methoden berücksichtigen Besonderheiten des Portfolios, wie zum Beispiel dessen Granularität, in Form von Aufschlägen. 

Der Mangel an diesem Ansatz: Insbesondere in den Fällen, in denen ein Kreditinstitut sich eng an die aufsichtsrechtlichen Vorgaben hält, werden Eigenarten des Portfolios nicht berücksichtigt, beispielsweise ein besonderes Geschäftsmodell und der Fokus auf ein Geschäftsgebiet. Die Folge: Wenn zwei Banken bei der Bewertung ihrer Risiken ähnliche Parameter verwenden, kommen sie zu einer ähnlichen Eigenkapitalunterlegung, selbst wenn sich die Geschäftsmodelle, die regionale Ausrichtung oder andere Kriterien erheblich voneinander unterscheiden.

Ein weiterer Weg, Risiken im Kreditportfolio zu ermitteln, ist der Stresstest. Dieser führt zwar bei der Betrachtung verschiedener Institute zu vergleichbaren Ergebnissen, was die wechselnden Faktoren angeht, die das Kreditrisiko bestimmen. Ob es sich hierbei aber tatsächlich um die wesentlichen Faktoren einer betrachteten Bank handelt, ist unklar. Ein solches Ergebnis käme im Zweifel eher zufällig zustande, da die Bankenaufsicht einheitliche und nicht auf eine Bank individuell abgestimmte Vorgaben trifft.

Das Wesen der Steuerung operationeller Risiken

Im Gegensatz zu den Modellen der Kreditrisikosteuerung geht die Steuerung operationeller Risiken traditionell einen anderen Weg. Institute bauen hierfür eine Verlustdatenbank auf und führen eine Risikoinventur durch. Ziel der Schadensfalldatenbank ist eine bankweite strukturierte Erhebung tatsächlich eingetretener Schadensfälle, die auf schlagend gewordene operationelle Risiken zurückzuführen sind. Wesentliche Inhalte der Verlustdatenbank sind die Ursache des Schadensfalls, der Schadensfall selbst, die Auswirkungen und die betroffenen Geschäftsfelder, sowohl aus Verursachersicht als auch aus Schadensträgersicht. Banken identifizieren mit diesem Vorgehen wesentliche Risikoquellen im Unternehmen und schärfen das Risikobewusstsein der Mitarbeiter, indem sie eingetretene Verluste transparent machen. Zusätzlich zu historischen Schadensereignissen werden auch Szenarioanalysen durchgeführt und Risikoindikatoren ermittelt. 

(...)

[Den vollständigen Artikel lesen Sie in der Fachzeitschrift RISIKO MANAGER 06/2018. Die Ausgabe ist seit dem 30. Mai 2018 lieferbar und kann auch einzeln bezogen werden.]

Autoren:
Lars Holzgraefe, Manager im Bereich Banking, Sopra Steria Consulting.

Artikelbild: ©MakaronProduktion – iStockphoto.com