52 01 | 2022 Aufsicht
52 01 | 2022 Aufsicht befragte Unternehmen Maschinelles Lernen in Risikomodellen Wie soll Maschinelles Lernen (ML) in Risikomodellen reguliert werden? BaFin und Deutsche Bundesbank haben die Unternehmen dazu befragt. Die Ergebnisse der Konsultation liegen nun vor. Die Konsultation hat ergeben, dass Banken und Versicherer ML-Methoden schon in vielen Bereichen anwenden – etwa bei der Geldwäsche- und Betrugserkennung sowie bei Analysen im Kreditprozess.
01 | 2022 53 01 | Modellaufsicht auf Basis von Charakteristika Modellcharakteristik Bandbreite der Ausprägungen IRBA klassisch IRBA mit ML Methodik und Datengrundlage Komplexität des Hypothesenraums Komplexität des Trainings Adaptivität Datenquellen Datentypen Vorgaben von Kausalzusammenhängen Gering Rekalibrierung in seltenen Abständen oder ad hoc Klassische Datenquellen z. B. Marktdaten Strukturiert Großer Hypothesenraum Hoch Laufende Rekalibrierung Neue Datenquellen, synthetische Daten Unstrukturiert Datenmenge Geringe Menge an Trainingsdaten Big Data, viele Inputs Nutzung des Outputs Bedeutung im internen Modell Anwendungsbereich Automatisierungsgrad ML unterstützend, kleine Komponente Geringer Risikogehalt Intensive menschliche Beaufsichtigung Internes Modell basiert i. W. auf dieser Methodik Hoher Risikogehalt Vollständige Dunkelverarbeitung Auslagerung und IT Auslagerung IT-Infrastruktur Entwicklung und/oder Betrieb vollständig inhouse „Allzweck-IT“ Auslagerung von Entwicklung und Betrieb an Dienstleister Maßgeschneidert z. B. für effiziente Vektorisierung Quelle: BaFin. Banken und Versicherer wollen Maschinelles Lernen (ML) auch in ihren Risikomodellen einsetzen. Für die BaFin und die Deutsche Bundesbank sind damit grundlegende aufsichtliche und regulatorische Fragen verbunden, über die sie sich mit den Unternehmen und deren Verbänden austauschen wollen. Die beiden Institutionen stellten hierzu eine Reihe von Thesen auf, die sie im Juli 2021 in einem gemeinsamen Konsultationspapier veröffentlicht haben. Der Titel: „Maschinelles Lernen in Risikomodellen – Charakteristika und aufsichtliche Schwerpunkte“ (siehe BaFin-Journal Juli 2021). Mittlerweile sind die Rückmeldungen ausgewertet und in einem Ergebnispapier zusammengefasst, das auf der BaFin-Website abrufbar ist. Konkret ging es bei der Konsultation um interne Modelle, mit denen die regulatorischen Eigenmittelanforderungen in Säule I der Regelwerke für Banken und Versicherer berechnet werden. Aber auch der Einsatz von ML-Methoden im Risikomanagement der Säule II der Regelwerke war Thema. Während Algorithmen an sich keiner Genehmigungspflicht unterliegen, müssen interne Modelle von der Aufsicht freigegeben werden – auch dann, wenn darin Maschinelles Lernen eingesetzt wird. Maschinelles Lernen im Risikomanagement Die Konsultation hat ergeben, dass Banken und Versicherer Methoden des Maschinellen Lernens bereits in vielen Bereichen anwenden, etwa bei der Geldwäsche- und Betrugserkennung sowie bei Analysen im Kreditprozess. Auch im Vertrieb und bei der Bepreisung von Produkten nutzen die Unternehmen ML-Methoden. In internen Risikomodellen der Säule I finden sich ML- Techniken dagegen bisher nur vereinzelt. Zugleich schätzen manche Banken und Versicherer sie als vielversprechend ein. Schon heute werden diese Techniken etwa als Unterstüt-
