Für Kreditinstitute ist die frühzeitige Identifikation von Kreditrisiken nicht nur aufgrund steigender regulatorischer Anforderungen von herausragender Bedeutung. Auch hier hat die Verfügbarkeit kundenbezogener Daten in den letzten Jahren stark zugenommen, so die eine Entwicklung und Implementierung datengetriebener, automatisierter Kreditrisiko-Frühwarnsysteme möglich macht.[1] Aus Abb. 3 lässt sich der Aufbau eines derartigen Frühwarnsystems entnehmen.
Abb. 3: Aufbau eines Kreditrisikofrühwarnsystems[2]
Neben internen Daten können verstärkt z. B. auch externe Daten gesammelt und als Input für Frühwarnsysteme genutzt werden. Dabei stellt die korrekte Kreditnehmer-bezogene Verknüpfung externer und interner Daten eine besondere Herausforderung dar. Zudem muss die Validität der vorhandenen Daten in Bezug auf ihre Nutzung als Frühwarnindikator kritisch hinterfragt werden. So stellen Jahresabschluss-bezogene Daten i. d. R. eher Spätindikatoren der Kreditwürdigkeit da, können jedoch zur Validierung von marktbezogenen Signalen verwendet werden.
Die Verarbeitung der Früherkennungsdaten erfolgt dann automatisiert, wobei hier eine ganze Toolbox an Analyseverfahren zur Verfügung steht. Z. B. können Medienartikel und News-Beiträge mittels Sentiment-Analysen im Rahmen von Text Analytics-Verfahren auf ihre Tonalität analysiert und positive wie auch negative Signale herausgefiltert sowie Kreditnehmer-spezifisch aggregiert werden. Für diese aggregierten Werte lassen sich dann Schwellenwerte definieren und überwachen. Zudem können ML-Algorithmen zur Identifikation von Verbindungen z. B. zwischen verschiedenen Kreditnehmern einsetzen. Dies erfordert allerdings das Vorliegen großer Trainings-Stichproben sowie ein regelmäßiges Backtesting.
Das ist nur ein Ausschnitt aus dem Produkt Haufe Finance Office Premium. Sie wollen mehr?
Jetzt kostenlos 4 Wochen testen
Anmelden und Beitrag in meinem Produkt lesen