Wenn Banken Kreditrisiken messen, sind sie mit ihren bestehenden Ansätzen zum Risikomanagement häufig nicht wirklich zufrieden. Die ökonomischen Rechenmodelle lassen sich häufig nur bedingt auf Retail-Portfolios anwenden, oder sie sind so komplex, dass die Ergebnisse nicht nachvollzogen werden können. Banken müssen diesen Umstand nicht klaglos hinnehmen. Ein praktischer Helfer ist die künstliche Intelligenz.
Dafür ist allerdings ein Paradigmenwechsel nötig, in Form einer Kombination der bekannten Modelle mit Expertenwissen. Die Banken müssen dabei nicht einmal etwas komplett Neues erfinden. Das Umdenken besteht darin, ähnlich vorzugehen wie beim Messen und Steuern operationeller Risiken: durch den Einsatz von Verlustdatenbanken und einer Risikoinventur.
Das Vorbild der Steuerung operationeller Risiken
Kreditrisikosteuerung basiert heute auf mehr oder weniger komplexen Formeln und den auf Konto- und Kundenebene vorliegenden Informationen. Bei der Steuerung operationeller Risiken – beispielsweise mögliche Verluste durch IT-Ausfälle – gehen Banken einen anderen Weg: Ein Institut sammelt in einer Verlustdatenbank Schadensfälle der Vergangenheit. Zudem führt es für potenzielle Verluste eine Risikoinventur durch. Identifizierte Risiken werden bewertet und Maßnahmen zur Steuerung der Risiken identifiziert.
Die Risikoinventur ist im Vergleich zu einer rein analytischen Vorgehensweise deutlich aufwändiger. Der Vorteil liegt aber darin, dass Ergebnisse auf Expertenwissen basieren und damit weniger abstrakt sind. Das fördert die Akzeptanz im Vergleich zu Risikowerten, die auf Basis eines unübersichtlichen Formeldickichts ermittelt werden.
Eine Verlustdatenbank für die Kreditrisiken aufzubauen, sollte für ein Institut kein Problem darstellen. Mit Hilfe gewohnter Controlling-Methoden und IT-Lösungen wie VR-Control bei Volks- und Raiffeisenbanken können Banken auch ohne künstliche Intelligenz leicht analysieren, in welchen Perioden die tatsächlichen Verluste größer waren als die erwarteten, durch kalkulierte Risikoprämien abgedeckten Verluste. Interessant ist allerdings die Frage nach dem Warum. Und hier schlägt die Stunde der künstlichen Intelligenz.
Stochern im Heuhaufen der Risikofaktoren entfällt
Mittels selbstlernender Algorithmen ist es heutzutage möglich, große Datenmengen auf Abhängigkeiten zwischen vielen Einflussfaktoren hin zu untersuchen. Banken können so gezielt ermitteln, welche Faktoren mit außergewöhnlich hohen Verlusten bei Krediten in Verbindung stehen. Dabei geht es darum, auch die wenig offensichtlichen Risikotreiber aufzuspüren, beispielsweise ob und wie stark die Häufung einer bestimmten Krankheit mit hohen Kreditausfällen in einer bestimmten Berufsgruppe zusammenhängen.
Der Vorteil: Die Suche nach der Nadel im Parameterheuhaufen entfällt. Insbesondere regionale oder in einem speziellen Umfeld tätige Banken können mittels künstlicher Intelligenz genau die Parameter identifizieren, die mit überdurchschnittlichen eingetretenen Verlusten in Verbindung stehen – zum Beispiel relevante Regionen, Kunden, Branchen und Sicherheitenarten. Diese Risikotreiber werden im Rahmen einer Risikoinventur benannt und gezielt untersucht.
„Umparken im Kopf“ verbessert die Risikosteuerung
Wie in der Steuerung operationeller Risiken können die Institute auf Basis dieser Erkenntnisse spezifische Frühwarnindikatoren ermitteln. Ein weiterer Mehrwert ist, dass Banken Risiken dynamisch messen. Zum Vergleich: Klassische Kreditportfoliomodelle berechnen so lange einen identischen Credit Value at Risk, bis jemand die Kalkulationsparameter anpasst. Selbstlernende Systeme sind mittels Big Data in der Lage, für definierte Zeiträume Risiken zu bewerten und auf sich ändernde Rahmenbedingungen aktiv zu reagieren.
In Kombination mit dem Aufbau einer Verlustdatenbank und einer Risikoinventur stellt künstliche Intelligenz damit eine sinnvolle Ergänzung und Plausibilitätsprüfung manueller Prozesse dar. Bei positiven Marktbedingungen entlasten sich Banken, weil sie weniger Risikoprämien kalkulieren. In einem negativen Umfeld kann eine Bank schnell durch risikominimierende Maßnahmen auf die Situation reagieren, beispielsweise durch Umstrukturierung des Kreditportfolios.
Die Integration derartiger künstlich intelligenter Systeme im Risikomanagement erfordert zwar eine nicht unerhebliche Anpassung der Geschäftsprozesse. Die Investitionen dafür lassen sich jedoch durch eine Reduktion der Kosten der Risikosteuerung als auch durch eine Reduktion der Risiken vertreten. Der digitale Wandel belohnt somit das Umparken im Kopf.
