3. Methoden zur Identifikation und Bewertung von Risiken

Vgl. vertiefend Kap. 2.

Vgl. Kahn und Wiener (1967, S. 6).

Vgl. Kahn und Wiener (1967, S. 6).

Vgl. hierzu exemplarisch Götze (1993), von Reibnitz (1992) oder Romeike und Spitzner (2013, S. 166 ff.).

Vgl. vertiefend Romeike (2018a, S. 166 ff.) sowie Fink und Siebe (2016).

Vgl. hierzu vertiefend Romeike (2019a).

Vgl. Ruijter und Guldenmund (2016, S. 213) sowie Romeike (2018a, S. 75 f.).

Vgl. Ferdous, Khana, Sadiq, Amyotte, Veitch (2013).

Vgl. Kjølle, Utne und Gjerde (2012, S. 81).

Das EBIT (Abkürzung aus englisch earnings before interest and taxes, deutsch „Gewinn vor Zinsen und Steuern“), auch als operatives Ergebnis bezeichnet, ist eine betriebswirtschaftliche Kennzahl und sagt etwas über den erzielten Bruttogewinn eines Unternehmens in einem bestimmten Zeitraum, etwa ein Geschäftsjahr, aus.

Im Gegensatz hierzu sind multivariate Verteilungen in der Wahrscheinlichkeitsrechnung und in der Statistik die Verteilung eines Zufallsvektors, die auf einem Wahrscheinlichkeitsraum definiert ist.

Ein Anpassungstest (goodness-of-fit test) ist in der schließenden Statistik ein nichtparametrischer Hypothesentest, der die unbekannte Wahrscheinlichkeitsverteilung einer Zufallsvariablen auf (annäherndes) Folgen eines bestimmten Verteilungsmodells (beispielsweis einer Weibull- oder Normalverteilung) prüfen soll. Es geht um die Hypothese, dass eine vorliegende Stichprobe aus einer Verteilung mit einer bestimmten Verteilungsfunktion stammt.

Vgl. vertiefend zum Thema Risikoaggregation: Bohmfalk und Romeike (2018), Romeike und Stallinger (2012), Gleißner (2004) und Gleißner (2016).

Was in der Praxis nur selten der Fall sein wird. Die Binomialverteilung beschreibt die Anzahl der Erfolge in einer Serie von gleichartigen und unabhängigen Versuchen, die jeweils genau zwei mögliche Ergebnisse haben („Erfolg“ oder „Misserfolg“). Solche Versuchsserien werden auch Bernoulli-Prozesse genannt. Im Risiko-Management bedeutet dies, dass ein Risiko entweder eintritt oder nicht und bei einem Eintritt ein fixer Schaden eintreten wird.

Vgl. hierzu vertiefend Artzner, Delbaen, Eber und Heath (1999).

Im Risiko-Management und in der Wahrscheinlichkeitstheorie ist eine Verteilung mit schweren Rändern oder Heavy-tailed-Verteilung eine Verteilung, deren Dichte langsamer als exponentiell fällt. Anschaulich besagt der Begriff, dass auf den „Rändern“ beziehungsweise den „Schwänzen“ der Verteilung mehr Masse liegt als beispielsweise bei der Exponentialverteilung. Es gibt drei wichtige Unterklassen von Verteilungen mit schweren Rändern: die Verteilungen mit fetten Verteilungsenden („fat tails“), die Verteilungen mit langen Verteilungsenden („long tails“) und die subexponentiellen Verteilungen.

Vgl. hierzu vertiefend Artzner, Delbaen, Eber und Heath (1999).

Dies würde auch bedingen, dass ein Unternehmen tatsächlich alle potenziellen Risiken und Stressszenarien identifiziert hat und in der Analyse berücksichtigt.

So werden bestimmte Maßnahmen auf die Häufigkeit eines Schadenszenarios auswirken und andere Maßnahmen eher auf die Schadenshöhe oder die Schwankungsbreite.

Die sogenannten Tensor Processing Units (TPUs) sind anwendungsspezifische Computerchips, die von Google entwickelt wurden, um Anwendungen im Rahmen von maschinellem Lernen zu beschleunigen. Die dritte Generation wurde im Jahr 2018 vorgestellt. Die TPU 3.0 Pods bestehen aus 8 Racks mit insgesamt 1024 TPUs und 256 Server-CPUs. Die Rechenleistung von einem Pod liegt bei knapp über 100 PFLOPS (Floating Point Operations Per Second, d. h. Gleitkomma-Operationen pro Sekunde).

Der US-amerikanische Zukunftsforscher und Director of Engineering bei Google, Ray Kurzweil, weist darauf hin, dass wir heute für 1000 Dollar etwa die Leistungsfähigkeit des Gehirns einer Maus mit rund 100 Millionen Nervenzellen kaufen können – bei einer Vertausendfachung wären wir im Jahr 2040 dann beim Komplexitätsgrad des menschlichen Gehirns angelangt. Vgl. Kurzweil (2012), S. 257 f.

Der englische Begriff „Artificial Intelligence“ (AI) wird nur allzu häufig mit „Künstlicher Intelligenz“ übersetzt. Dabei bedeutet „Intelligence“ viel mehr Informationsverarbeitung. „Die Central Intelligence Agency heißt ja auch nicht so, weil die so gescheit sind“, sagt der österreichische Kybernetiker, Artificial-Intelligence-Experte und emeritierter Universitätsprofessor Robert Trappl. AI beschäftigt sich im Kern mit der Nachbildung menschenähnlicher Entscheidungsstrukturen durch Algorithmen. Das heißt ein Computer wird so programmiert, dass er eigenständig Probleme bearbeiten kann, beispielsweise Auto fahren, Texte übersetzen oder Go spielen. AI wiederum untergliedert sich in viele weitere Teilgebiete. Ein Anwendungsfeld liegt etwa darin, dass aus einer großen Menge von Daten eine allgemeine Regel abgeleitet wird oder Wissen aus Erfahrung „künstlich“ generiert wird („maschinelles Lernen“).

Vgl. Coulom (2006).

Vgl. Kocsis, Szepesvari und Willemson (2006).

Vgl. vertiefend Romeike (2019b, S. 45 ff.).

In der Praxis dominieren heute primär Methoden, die einfache (lineare) Ursache-Wirkungs-Zusammenhänge abbilden (siehe Korrelation, lineare Regression), obwohl Systeme tatsächlich eher nicht-linear, hochgradig vernetzt und komplex sind. So existieren beispielsweise Rückkopplungsschleifen („Feedback-Loops“) und mehrere Prozesse laufen abhängig und unabhängig voneinander parallel ab. Winzige Ereignisse können in solchen hochgradig komplexen Systemen zu stark unter- oder überproportionalen Ergebnissen führen (siehe „Schmetterlingseffekt“).

Economist Intelligence Unit (2014): Retail banks and big data. Big data as the key to better risk management; http://​www.​eiuperspectives.​economist.​com/​financial-services/​retail-banks-and-big-data/​white-paper/​retail-banks-and-big-data-big-data-key-better-risk-management (abgerufen am 4. Juli 2019).

Financial Stability Board (2017).

Vgl. hierzu vertiefend Martin, Quell und Wehn (2013).

Vgl. Hassani und Silva (2015).

Vgl. Silver (2013).