Aufrufe
vor 1 Jahr

die bank 05 // 2022

  • Text
  • Banken
  • Unternehmen
  • Risiken
  • Swift
  • Cips
  • Anbieter
  • Digitalisierung
  • Regulierung
  • Karriere
  • Digitale
  • Wwwbankverlagde
die bank gehört zu den bedeutendsten Publikationen der gesamten Kreditwirtschaft. Die Autoren sind ausnahmslos Experten von hohem Rang. Das Themenspektrum ist weit gefächert und umfasst fachlich fundierte Informationen. Seit 1961 ist die bank die meinungsbildende Fachzeitschrift für Entscheider in privaten Banken, Sparkassen und kreditgenossenschaftlichen Instituten. Mit Themen aus den Bereichen Bankmanagement, Regulatorik, Risikomanagement, Compliance, Zahlungsverkehr, Bankorganisation & Prozessoptimierung und Digitalisierung & Finanzinnovationen vermittelt die bank ihren Lesern Strategien, Technologien, Trends und Managementideen der gesamten Kreditwirtschaft.

REGULIERUNG Das

REGULIERUNG Das EBA-Diskussionspapier wird die Diskussion über den weiteren Einsatz von ML in IRB-Modellen anregen. Obwohl es die oben erwähnten Hindernisse anerkennt, entwickelt die EBA eine Perspektive, wie ML-gesteuerte Modelle vorangebracht und gleichzeitig negative Auswirkungen abgeschwächt werden können. Die EBA äußerte sich optimistisch, dass ML-gesteuerte Modelle die Risikodifferenzierung im IRB verbessern können. 6 Natürlich müssen die offensichtlichen Vorteile des Einsatzes von ML zur Steuerung von IRB-Modellen gegen die wahrgenommenen Nachteile von disruptiven Technologien abgewogen werden. Darunter fällt vor allem die geringe Erklärbarkeit der Modelle. Interessanterweise nennt die EBA eine Reihe von Instrumenten, die dazu beitragen können, die Risiken von ML-gesteuerten IRB-Modellen zu mindern. So müssen die Grundlagen des Modells robust sein. Die Mitarbeiter müssen in ML- Techniken geschult werden. Zudem müssen Kreuzvalidierungen durchgeführt werden, um eine Überanpassung zu vermeiden. Darüber hinaus sollten die wirtschaftlichen Zusammenhänge, die dem Modell zugrunde liegen, bewertet werden. Um die Erklärbarkeit von ML-gesteuerten Modellen zu verbessern, müssen Banken in spezifische Techniken (z. B. Visualisierung und Wichtigkeitsscores) investieren, die zu einem besseren Verständnis der Modelldynamik führen. Die EBA erwähnt insbesondere Shapley-Werte, die die wichtigsten Einflussfaktoren für das endgültige Modellergebnis (d. h. die Voreinstellung „Ja/Nein“) aufzeigen können. Mithilfe von Visualisierung und Shapely- Werten kann die zugrunde liegende Dynamik der ML-gesteuerten Methoden Führungskräften besser erklärt werden, sodass sie das Modell ausreichend verstehen können. Um dieses Verständnis weiter zu verbessern, empfiehlt die EBA auch lokale und kontrafaktische Erklärungen. Lokale Erklärungen erfassen das Verhalten in einem bestimmten Bereich in der Nähe einer Beobachtung in Form einer Näherung. Bei kontrafaktischen Erklärungen wird hingegen untersucht, wie sich eine bestimmte Vorhersage des Ausfalls durch kleine Änderungen der Werte der Risikotreiber verändert haben könnte. 24 05 | 2022

REGULIERUNG FAZIT Mit der KI-Verordnung setzt der Regelsetzer zu einem großen Sprung an. Die Regulierung aller Branchen führt jedoch zwangsläufig zu unspezifischen Regelungen, die weiter verfeinert und innerhalb der jeweiligen Branchen bewertet werden müssen. Insbesondere die Finanzbranche wird durch die KI-Verordnung betroffen sein, wenn diese in einem Jahr in Kraft treten wird. Es ist daher entscheidend, die Weichen für den Umstieg auf KI-Methoden frühzeitig zu stellen. Zu dieser Weichenstellung gehört einerseits die Bewertung des Potenzials, das in der Nutzung von KI im Risikomanagement besteht. Andererseits muss abgewogen werden, welche Aufwände bestehen, wenn die technologieneutral formulierten Vorgaben erfüllt werden müssen. Die Aufsichtsbehörden standen ML-basierten IRB- Modellen bisher distanziert gegenüber. Das jüngste Dokument der EBA offeriert eine eindeutig positive Sicht auf ML – unter Hinweis auf die Fähigkeit dieser Technologie, die Risikodifferenzierung in IRB-Modellen zu verbessern. Daher ist davon auszugehen, dass sich in absehbarer Zeit Standards etablieren könnten, die die Umsetzungsaufwände verringern. Autoren Eine Möglichkeit zur ressourcenschonenden Umsetzung bieten sogenannte hybride Ansätze. Hier wird das KI-Modell zunächst entweder nur für eine Teilaufgabe eingesetzt, oder es kommt parallel als Challenger-Modell zum Einsatz. Auf diese Weise können Methodenkenntnisse und notwendige Prozesse, wie bspw. die erforderliche Dokumentation der Modelle, schrittweise aufgebaut werden. Die Banken werden überprüfen, ob die Einführung von ML das Risikomanagement effizienter macht. Gleichzeitig wird es weiterhin Impulse seitens des Regulators geben. Schließlich ist es im Interesse des Regulators, wenn fortschrittliche KI-Methoden zum Einsatz kommen, die ihren Beitrag zur Finanzstabilität leisten. Dr. Silvio Andrae, Risikomanager, Berlin. Dr. Konstantin Wagner, Capital Markets Consulting, Lucht Probst Associates GmbH. 1 „White Paper on Artificial Intelligence – A European Approach to Excellence and Trust”, COM(2020) 65 final, 19. Februar 2020. 2 „Proposal for a Regulation of the European Parliament and of the Council Laying Down Harmonised Rules on Artificial Intelligence (Artificial Intelligence Act) and Amending Certain Union Legislative Acts”, COM(2021) 206 final, 21. April 2021. 3 „Report on Big Data and Advanced Analytics” (EBA/Rep/2020/01), Januar 2020. 4 „Maschinelles Lernen in Risikomodellen“, in: BaFin-Journal Nr. 2, Februar 2022, S. 14-16. 5 Vgl. Andrae, S./ Schmaltz, C./Wagner, K. (2022): „Maschinelles Lernen und Kreditrisiko“, in: FIRM Jahrbuch 2022, Frankfurt/M., S. 42-44. 6 Discussion Paper on Machine Learning for IRB Models (EBA/ DP/2021/04), November 2021. 05 | 2022 25

die bank