Skip to main content
Top

10-06-2020 | Unternehmenskredit | Schwerpunkt | Article

Algorithmen passen die Bonitätsprüfung der Krise an

Author: Jan Enno Einfeld

2:30 min reading time

Activate our intelligent search to find suitable subject content or patents.

search-config
print
PRINT
insite
SEARCH
loading …

Die auf Machine Learning basierte Bonitätsprüfung ist einer der Quantensprünge der Finanzindustrie der vergangenen Jahre. Bank-IT-Experte Jan Enno Einfeld zeigt, ob die Modelle auch in Krisen leisten, was sie versprechen.

Wenn in der aktuellen Corona-Pandemie die Banken mit Kreditanträgen überflutet werden, sollten die Finanzinstitute eigentlich erleichtert aufatmen, dass selbstlernende Algorithmen ganz automatisch und eigenständig Bonitäten prüfen. Eigentlich. Denn es stellt sich die Frage: Arbeiten die ML-Modelle in solchen Extremsituationen überhaupt valide? Gelernt haben sie schließlich in einem ganz anderen sozio-ökonomischen Umfeld – ohne Ausgangssperren, geschlossene Restaurants und leere Verkehrsmittel.

Editor's recommendation

2020 | Book

Accelerated Optimization for Machine Learning

First-Order Algorithms

This book on optimization includes forewords by Michael I. Jordan, Zongben Xu and Zhi-Quan Luo. Machine learning relies heavily on optimization to solve problems with its learning models, and first-order optimization algorithms are the mainstream approaches. The acceleration of first-order optimization algorithms is crucial for the efficiency of machine learning.

Algorithmen arbeiten grundsätzlich präziser

Alleine die KfW hatte binnen einer Woche 2.432 Anträge für Corona-Förderkredite auf dem Tisch. Echte menschliche Sachbearbeiter werden bei der Prüfung der Anträge kaum hinterherkommen. Die gute Nachricht: Die Bonitätsprüfung von vollkommen digitalisierter und automatisierter ML-Algorithmen ist ohnehin präziser als die traditioneller Auskunfteien. Und als der menschliche Sachbearbeiter werden sie umso besser, je mehr sie in kurzer Zeit zu tun haben. Schließlich brauchen solche selbstlernenden Algorithmen eine hohe Anzahl an Datenpunkten, um ihre Hypothesen zu testen.

Es gibt erste positive Signale: Wir haben in unserem Haus ausgewertet, ob Bestandskunden ihre Kredite seit Krisenbeginn genauso zuverlässig und pünktlich zahlen wie zuvor. Im laufenden zweiten Quartal tilgen mit 83 Prozent unsere Kunden fast genauso pünktlich ihre Kredite wie Anfang des Jahres. Da lag der Wert bei 85 Prozent. Im letzten Quartal 2019 waren es 84 Prozent. Dies ist zumindest ein erstes Anzeichen dafür, dass die Annahmen, die unser Algorithmus in Zeiten vor Covid-19 über die Kreditwürdigkeit von Kleinstunternehmen und Selbstständigen getroffen hat, auch aktuell noch Bestand haben.

Selbstlernende Algorithmen justieren in der Krise nach

Noch ist es dagegen zu früh, empirisch zu urteilen, wie sich Covid-19 auf das Neugeschäft während der Krise auswirkt. Über die Pünktlichkeit erster Tilgungen werden wir in wenigen Monaten mehr wissen. Lassen sich seit dem Ausbruch der Pandemie neue Kausalitäten bereits schematisieren und mit in das Neugeschäft einbeziehen? Selbst wenn das Neukundengeschäft in Corona-Zeiten anfänglich unter einer etwas höheren Ausfallwahrscheinlichkeit leidet, justieren selbstlernende Algorithmen rasch nach, identifizieren die wichtigsten Stellschrauben und verstehen auch in einem neuen Umfeld, welche Variablen für eine niedrige Ausfallwahrscheinlichkeit entscheidend sind.

Egal ob Mensch oder Maschine: Auch dem Sachbearbeiter geht es keinen Deut besser als dem Algorithmus. Mit dem feinen Unterschied, dass dieser niemals riesige Datenmengen so schnell durchforsten wird. Bis menschliche Sachbearbeiter ihren Kriterienkatalog optimieren, haben sich die Zeiten längst wieder geändert. Zumindest so viel lässt sich auch in den aktuell unsicheren Zeiten prognostizieren. Und das ausnahmsweise mal ganz ohne Algorithmus.

print
PRINT

Related topics

Background information for this content