Aufrufe
vor 6 Monaten

KINOTE 02.2019

  • Text
  • Zukunft
  • Deutlich
  • Deutsche
  • Insbesondere
  • Deutschland
  • Modell
  • Intelligenz
  • Banken
  • Einsatz
  • Unternehmen
Um einen Wandel der Finanzbranche erfolgreich zu meistern, müssen Kreditinstitute sowohl Chancen als auch Herausforderungen der Künstlichen Intelligenz (KI) erkennen. Unter der neuen Marke KINOTE der Bank-Verlag GmbH finden Sie Meldungen, Studien und Fachartikel zum Themenkomplex KI. Wir beantworten Ihre Fragen rund um KI. Wir berichten über Trends, neue Technologien, Forschungsergebnisse und daraus entstehende Möglichkeiten, die KI Ihrem Unternehmen bietet.

32 02 | 2019 Machine

32 02 | 2019 Machine Learning im Credit Management Risikofrüherkennung mittelständischer Unternehmen auf Basis von Nachrichten Ein umfassender und aktueller Einblick in die Bonitätsentwicklung eines Kreditnehmers ist essenziell für ein effizientes, vorausschauendes Kreditrisikomanagement. Neben der statischen, oftmals lediglich turnusmäßigen Bonitätsbeurteilung – zum Beispiel bei der Vertragsgestaltung eines Kredit- bzw. Finanzierungsgeschäfts oder dessen Neuprüfung – ist auch die kontinuierliche Überwachung (Monitoring) notwendig. Ziel dabei ist es, frühzeitig auf Verwerfungen und Schieflagen des Schuldners reagieren zu können.

02 | 2019 33 Die methodischen Ansätze in der Kreditrisikomodellierung haben ein zentrales Ziel: Mittels statistischer Verfahren des Machine Learning wird versucht, Kreditnehmer anhand von Mustern in historischen Kennzahlen in gute (zahlungsfähige) und schlechte (zahlungsunfähige) Schuldner einzuordnen. Solche Kennzahlen basieren klassischerweise auf Bilanzoder Marktdaten. Angesichts der hohen Datenfrequenz eignen sich Marktdaten wie Aktienkurse, CDS-Spreads usw., die in der Regel täglich verfügbar sind und bei denen – liquide Märkte vorausgesetzt – die Erwartungshaltung der Marktteilnehmer für die Zukunft bereits eingepreist ist, besonders gut zur Früherkennung von Zahlungsausfällen oder Downgrades bei Ratingagenturen. Allerdings geht dies mit der Einschränkung einher, dass diese Daten nur für wenige, vornehmlich börsennotierte und damit eher große Unternehmen (gemessen an Umsatz, Bilanzsumme, Anzahl Beschäftigte) zur Verfügung stehen. Dagegen sind Bilanzdaten zwar für deutlich mehr Unternehmen vorhanden und verwertbar, jedoch mit geringerer Frequenz und in der Regel mit einer zeitlichen Verzögerung von mehreren Wochen bis Monaten. Dadurch sind diese Daten zwar grundsätzlich für Ratingverfahren, nicht jedoch zur Risikofrüherkennung geeignet. Wie aber steht es um die Frühwarnung bei der Mehrheit der Unternehmen, insbesondere in Deutschland, die nicht an einer Börse gelistet sind, jedoch als kleinere und mittlere Unternehmen (KMU) den sogenannten Mittelstand bilden? Häufig handelt es sich hierbei um inhabergeführte Familienunternehmen, die nicht selten die deutlich höheren Transparenzanforderungen des Kapitalmarkts scheuen, gleichzeitig aber als „Hidden Champions“, also als Weltmarktführer in Nischenmärkten, den Motor der Wirtschaft bilden. Regelmäßige Informationen wie Markt- und meist auch Bilanzdaten sind hier kaum verfügbar. Nachrichtenbasierte Frühwarnung Eine alternative Datenquelle, die eine hinreichend hohe Frequenz und Aktualität auch für den Mittelstand aufweist, stellen Zeitungsnachrichten dar: Seit 2018 führt die RSU eine Kooperationspartnerschaft mit der Firma GBI-Genios 1 , in deren Rahmen die einzigartigen Datenpools aus Ratinginformationen (RSU) mit Nachrichten der deutschen Presselandschaft (Genios) kombiniert wurden, um daraus ein Frühwarnmodell für eine sich abzeichnende Bonitätsverschlechterung von Einzelunternehmen zu entwickeln. Seit 2019 ist dieses Modell in Risk Guard unter dem Namen „Nachrichtenbasierte Frühwarnung“ (kurz NBF) verfügbar. Das von Genios für die Entwicklung und den Produktivbetrieb bereitgestellte Datenarchiv umfasst derzeit mehr als 13 Mio. Nachrichtenartikel aus insgesamt 270 deutschsprachigen Zeitungsquellen ab dem Jahr 2005 zu etwa 30.000 Unternehmen mit Sitz in Deutschland. Täglich kommen in Risk Guard bis zu ca. 5.000 neue Zeitungsartikel hinzu. Die Verteilung der Nachrichten nach Unternehmen bzw. nach Nachrichtenquellen sind in den Abbildungen » 1 und » 2 dargestellt. Von allen 30.000 zugeordneten deutschen Unternehmen sind nur etwa 700 börsennotiert (2 Prozent), bei den übrigen 29.300 Unternehmen (98 Prozent) handelt es sich um nicht gelistete Firmen. Dass auf wenige große Aktiengesellschaften knapp zwei Fünftel (41 Prozent) aller Artikel entfallen, ist nicht weiter überraschend. Gleichzeitig wird aber in fast 60 Prozent der übrigen Nachrichtenartikel von den nicht gelisteten Unternehmen berichtet, zu denen im Wesentlichen der deutsche Mittelstand gehört. Die 15 größten der 270 deutschen Zeitungen tragen etwa jeden dritten Artikel (ca. 4 Mio.) zum Bestand bei. Zwei Drittel der Nachrichten stammen aus kleineren Nachrichtenhäusern, darunter auch Zeitungen mit starkem regionalen Fokus wie etwa der Nordkurier (0,7 Prozent), die Frankenpost (0,3 Prozent), oder die Magdeburger Volksstimme (0,2 Prozent), um nur drei Beispiele zu nennen. Diese – für die Anwendung in der Kreditrisikofrüherkennung – neue Art von Daten, die im Gegensatz zu (quantitativen) Markt- oder Bilanzdaten in einer sogenannten „unstrukturierten Form“ vorliegen, erfordert ein zusätzliches Repertoire an Methoden und Herangehensweisen, um diese überhaupt maschinell zu verarbeiten und sinnvolle Erkenntnisse hieraus gewinnen zu können. Methodik Die „Good News“ von den „Bad News“ zu unterscheiden – damit beschäftigt sich die sogenannte Sentiment-Analyse als Teilbereich des Natural Language Processing (NLP). Hierbei werden aus Textinhalten mittels moderner Machine-Learning-Verfahren die zugrunde liegenden Stimmungsbilder extrahiert.

die bank

diebank 01 // 2020
die bank 02 // 2020
die bank 03 // 2020
diebank 04 // 2020
diebank 05 // 2020
die bank 01 // 2019
die bank 02 // 2019
die bank 03 // 2019
die bank 04 // 2019
die bank 05 // 2019
KINOTE 01.2019
die bank 06 // 2019
diebank 07 // 2019
diebank 08 // 2019
diebank 09 // 2019
diebank 10 // 2019
KINOTE 02.2019
die bank 01 // 2018
die bank 02 // 2018
die bank 03 // 2018
die bank 04 // 2018
die bank 05 // 2018
die bank 06 // 2018
die bank 07 // 2018
die bank 08 // 2018
die bank 09 // 2018
die bank 10 // 2018
die bank 01 // 2017
die bank 02 // 2017
die bank 03 // 2017
die Bank 04 // 2017
die bank 05 // 2017
die bank 06 // 2017
die bank 07 // 2017
die bank 08 // 2017
die Bank 09 // 2017
die bank 10 // 2017
die bank 01 // 2016
die bank 02 // 2016
die bank 03 // 2016
die bank 04 // 2016
die bank 05 // 2016
die bank 06 // 2016
die bank 07 // 2016
die bank 08 // 2016
die bank 09 // 2016
die bank 10 // 2016
die bank 11 // 2016
die bank 12 // 2016
die bank 01 // 2015
die bank 02 // 2015
die bank 03 // 2015
die bank 04 // 2015
die bank 05 // 2015
die bank 06 // 2015
die bank 07 // 2015
die bank 08 // 2015
die bank 09 // 2015
die bank 10 // 2015
die bank 11 // 2015
die bank 12 // 2015

© die bank 2014-2020