Skip to main content
main-content

03.08.2020 | Bank-IT | Im Fokus | Onlineartikel

Machine Learning hilft Banken bei der Krisenprävention

Autor:
 Richard Harmon
4 Min. Lesedauer

Die Finanzaufsicht vergrößerte in der Hochphase der Corona-Pandemie die Spielräume, um Banken die Kreditvergabe zu erleichtern. Wie Machine-Learning-Modelle die Institute dabei sinnvoll unterstützt, erklärt Bank-IT-Experte Richard Harmon.

Die wirtschaftlichen Folgen der Corona-Pandemie machen Prognosen zu den Kreditrisiken schwierig. Aktuell treibt die gesamte Finanzbranche um, wie viele ausgefallen Kredite die Bilanzen womöglich bis 2023 belasten könnten. Zumindest entlastet es die kleinen deutschen Geldhäuser, dass ihr Stresstest erst 2022 stattfinden soll. Auch die Überprüfung der großen europäischen Institute wurde um ein Jahr auf 2021 verschoben. Doch bis dahin muss sich die EU für eine mögliche zweite oder sogar dritte Pandemiewelle wappnen, während mit dem Brexit bereits die nächste Herausforderung auf die Finanzdienstleister wartet.

Empfehlung der Redaktion

2020 | Buch

Machine Learning in Finance

From Theory to Practice

Dieses englischsprachige Buch stellt Methoden des maschinellen Lernens im Finanzbereich vor. Es zeigt eine einheitliche Behandlung des maschinellen Lernens und verschiedener statistischer und rechnergestützter Disziplinen in der quantitativen Finanzwirtschaft. 

Corona und harter Brexit machen Vorhersagen ungenau

Die Überlagerung von Corona und dem drohenden harten Brexit macht es komplex, mögliche Maßnahmen abzuleiten, die der wirtschaftlichen Unsicherheit entgegenwirken. Für diesen Prognose-Part drängt sich Machine Learning (ML) auf. Dabei stellen sich die Fragen: Unter welchen Voraussetzungen können ML-Modelle genau vorhersagen, wie sich die EU trotz Brexit-Faktor im Vergleich zu anderen Wirtschaftsregionen erholen wird? Und welche Konsequenzen sollten Banken und andere Unternehmen daraus ziehen?

Gängige ML-Modelle verwenden Big Data, was auch eine tiefe Historie granularer Daten beinhaltet. Es wird einige Zeit dauern, sie dem "new normal" anzupassen. Entscheidend für das Training ist, welche Grundannahme getroffen wird: Entweder wird die Corona-Krise als Tail Risk, also ein einmaliges Ereignis, oder als tiefgreifender Strukturwandel betrachtet.

Der Ansatz bestimmt das Machine-Learning-Modell

Beim Tail-Risk-Ansatz funktionieren die Märkte und Unternehmen wie vor Corona, weshalb der Kriseneinschlag die Modelle nicht verzerren darf. Setzt hingegen mit Corona und der Zeit danach ein Strukturwandel ein, lässt sich nur mit völlig neuen ML-Modellen das wirtschaftliche Umfeld abbilden und vorhersagen. Das setzt eine drastisch erweiterte Datenbasis voraus.

In der Modell-Erstellung liegt für Finanzinstitute nun die Chance, strategisch Krisenprävention zu betreiben, die im Wesentlichen vier Schritte umfasst.

1. Modifizieren bestehender Modelle

Die Nutzung neuester Datenelemente sowie szenariobasierter Projektionen verändert die Modelle so, dass sich etwaige Verzerrungen über mehrere Ebenen anpassen lassen. Methodisch eignet sich unter anderem der Bayes-Ansatz. Dieser kann beispielsweise auch Expertenurteile in die Modelle integrieren, da er den Blick auf die Schlussfolgerung aus der Statistik heraus weitet. Das unterscheidet ihn vom so genannten frequentistischen Ansatz, der Wahrscheinlichkeiten als Ergebnisse unendlich oft wiederholbarer Zufallsexperimente betrachtet.

2. Stresstests legen Schwachstellen in der IT offen

Stresstests legen verborgene Schwachstellen offen und machen sie verständlich. Dies gilt insbesondere für unbekannte Modellungenauigkeiten. Chief Risk Officers sollten grundsätzlich Stresstests in allen Geschäftsbereichen etablieren und die statischen Szenarien für ein System vorbereiten, das Hunderte von dynamischen Stresstestszenarien automatisiert durchführt. 

Für diese Verbesserung schafft die "präskriptive Analyse" den Rahmen, der zur nächsten Generation von Stresstest-Plattformen führen wird. Präskriptive Analytik definiert hierbei die nötigen Maßnahmen, um die vorhergesagten Ergebnisse zu erzielen. Sie beschreibt, wie sich jede Entscheidung auswirkt, und bietet die Option, die Entscheidungsfindung zu automatisieren.

3. Industrialisierung von ML

Jetzt ist der ideale Zeitpunkt, um in den Aufbau einer Plattform zu investieren. Diese muss den gesamten Machine-Learning-Lebenszyklus unterstützten und so die Industrialisierung von ML ermöglichen. Dieses Anforderungsprofil geht über den Modellentwicklungs-Workflow hinaus, da eine solche Plattform eine vollständige unternehmensweite ML-Operationsschicht umfassen muss. 

Viele Institutionen sind bereits dabei, diese Fähigkeiten zu entwickeln. Bei der Suche nach einer Plattform sollten Unternehmen darauf achten, dass sie eine konsistente Modellverwaltung, Sicherheit und Governance über hybride, Multi-Cloud- und on-premises unterstützte Umgebungen hinweg bietet, um eine ganzheitliche Unternehmenssicht auf ihre ML-Modelllandschaft zu erhalten. Dies beschleunigt die Einführung von ML-gesteuerten Lösungen und unterstützt letztendlich alle Aspekte des Geschäfts eines Unternehmens.

4. Präskriptive Analytik und agentenbasierte Modellierung

Die so genannte präskriptive Analytik, die durch Simulationsfähigkeiten angetrieben wird, ergänzt bestehende ML-Modelle im Entscheidungsprozess. Ein neuer Simulationsansatz, der sich in der Finanzdienstleistungsbranche – insbesondere während der aktuellen Krise – durchzusetzen beginnt, ist die agentenbasierte Modellerstellung (ABM). Ein Agent kann eine Person, ein Produkt, eine Institution, ein Marktplatz oder die Wirtschaft sein. Hier liegt der Fokus auf der einzigartigen Zusammensetzung und komplexen Beziehungen einzelner Einheiten, die sich als Menge interagierender Objekte verstehen lässt.

Während das Agentenverhalten und die Entscheidungspunkte anhand historischer Daten kalibriert werden, kann der ABM-Ansatz die Projektion von Tausenden von Zukunftsszenarien unterstützen, die nicht von historischen Datenbeschränkungen abhängig sind – wie bei ML. Entscheidungsträger sind so in der Lage, die Auswirkungen verschiedener Schocks, Rückkopplungseffekte, alternativer Geschäftsstrategien und regulatorischer Änderungen zu bewerten. Dies führt zu einer ganzheitlichen Sichtweise auf mögliche künftige Ergebnisse und die Faktoren, die jedes Ergebnis beeinflussen. Methodisch schafft ABM die Basis, sehr effizient eine weitgehend automatisierte dynamische Modell-Stresstestumgebung aufzubauen.

Weiterführende Themen

Die Hintergründe zu diesem Inhalt

Das könnte Sie auch interessieren

13.03.2020 | Bank-IT | Im Fokus | Onlineartikel

Industrialisiertes Banking macht Institute flexibel

09.06.2020 | Bank-IT | Infografik | Onlineartikel

Open-Banking-Budgets steigen rasant

30.01.2020 | Bank-IT | Im Fokus | Onlineartikel

KI und die Cloud bestimmen die Zukunft der Banken

Premium Partner

    Bildnachweise