REGULIERUNG 1 |
REGULIERUNG 1 | Checkliste zur Bewertung von ML-Verfahren im Risikomanagement Algorithmustyp » Regression (z. B. logistische Regression, MARS, LOESS) » Instant-based Methode (z. B. kNN, LVQ) » Regularizationsmethoden (z. B. LASSO, elastische Netze) » Entscheidungsbäume (z. B. CART, Random Forest) » Bayesian (z. B. AODE, BBN) » Kernel-Methoden (z. B. SVM, LDA) » Künstliche Neuronale Netze (z. B. Perzeptron) » Deep Learning (z. B. RBM, DBN, Convolutional Network) » Ensemble-Methoden (z. B. Boosting, Nootstrapped Aggregation) Komplexität » Komplexität des Hypothesenraums » Komplexität des Trainings Modellperformance » Prognosefähigkeit » Trennschärfe Adaptivität » Konsistenz » Feedback Datengrundlage » Datenquellen » Datentypen » Datenmengen Nutzung des Outputs » Anwendungsbereich » Bedeutung im internen Risikomodell » Automatisierungsgrad Erklärbarkeit » Interpretierbare KI » Surrogate-Modell (lokal, global) » Adversarial ML (Gradient Alteration, Blackbox Attacks) » Counterfactual vs. Anchor Explanations » Visualisierung Quelle: Eigene Darstellung. ren als Maßstab für künftige Innovationen ansetzt (BaFin, 2022). Vielmehr beabsichtigt die Aufsicht, das konkrete interne Modell anhand bestimmter Merkmale zu bewerten und anschließend diskretionäre aufsichtliche Schritte einzuleiten, siehe dazu auch die Abbildung ÿ 1. Eine Reform des bestehenden Regelwerks ist nach aktuellem Stand nicht erforderlich, so die Aufsicht. Es ist vielmehr davon auszugehen, dass die technologieneutralen Regeln auch auf neue Modelle angewandt werden können. Der nationalen Aufsicht geht es um europaweit harmonisierte und sektorübergreifend gleichlautende Anforderungen an den Einsatz von ML-Methoden. In diesem Zusammenhang ist die letzte Konsultation der EBA hervorzuheben, die den Einsatz des Maschinellen Lernens in internen, auf Ratings basierenden Modellen (IRB) in den Mittelpunkt stellt. Hier scheint sich ein Wandel in der Aufsicht anzudeuten. Besondere regulatorische Anforderungen zur Nutzung von KI-Systemen im Risikomanagement ML-Methoden im engeren Sinn (z. B. Random Forests oder neuronale Netze) führen in vielen Fällen zwar zu einer höheren Trennschärfe im Vergleich zu traditionellen Verfahren wie z. B. logistische Regression. 5 Dies ist auf die nichtlinearen und adaptiven Lerneigenschaften der Methoden zurückzuführen. Allerdings fehlt eine Reihe von Eigenschaften, die für eine 22 05 | 2022
REGULIERUNG einfache Übernahme in einen regulatorischen IRB-Kontext erforderlich sind. Nachfolgend sind einige Hürden bei der Anwendung von ML in IRB-Modellen aufgeführt, die sich aus der bestehenden Regulierung ergeben. 1. IRB-Modelle müssen „intuitiv“ sein (Art. 179 CRR). Es muss eine leicht zu verstehende Verbindung zwischen den Risikotreibern und dem Ausfallindikator für PD-Modelle bestehen. Traditionelle Modelle erfüllen diese Anforderungen: Sie zeigen oft sehr klare und sofort quantifizierbare Beziehungen zwischen einem Risikotreiber (z. B. Beleihungsauslauf) und einem Kreditereignis wie dem Kreditausfall. 2. IRB-Modelle erfordern eine sorgfältige Dokumentation (Art. 175 CRR). Statistische Modelle sind leicht zu dokumentieren. Die Modelldokumentation bezieht sich im Wesentlichen auf die Kernfunktion mit nur einer Gleichung für die logistische Regression. Zudem wird dargestellt, welche Risikotreiber die Modelleingaben umfassen. Bei MLbasierten Modellen ist es tendenziell schwieriger, das Design, die operativen Details, die dem Algorithmus zugrunde liegende Theorie und die Modellierungsannahmen zu dokumentieren. Darüber hinaus gibt es hier noch keine Standards, an denen sich eine solche Dokumentation orientieren könnte. 3. Ein traditionelles Modell arbeitet mit einer begrenzten Anzahl von Risikotreibern. Für die Bewertung der IRB-Risikoparameter PD, LGD und CCF müssen die Institute generell auf Datenquellen zurückgreifen, die sich auf einen historischen Beobachtungszeitraum von fünf Jahren beziehen (Art. 180 CRR). Die Schwierigkeit dieser Aufgabe nimmt exponentiell zu, wenn eine Bank mehr Risikotreiber verwendet. In ML-Modellen können das leicht 100 Treiber sein. 4. Von der Geschäftsleitung der Bank wird erwartet, dass sie das IRB-Modell für das Kreditrisiko in seinen Grundzügen versteht (Art. 189 CRR). Die Geschäftsleitung muss ein gutes Verständnis der Gestaltung und Funktionsweise der Rating-Systeme haben. Bei PD-Modellen, die auf logistischen Regressionen basieren, ist dies mit überschaubarem Aufwand erreichbar. Auch hier hilft der relativ einfache funktionale Zusammenhang, der über eine simple Formel dargestellt werden kann. 5. Wie bei herkömmlichen Modellen werden auch KI-Modelle einer Modellvalidierung unterzogen. Da der Regulator bislang modellagnostisch vorgegangen ist, sind keine größeren Anpassungsaufwände zu erwarten (Art. 185 CRR). Es ist davon auszugehen, dass die von den KI-Modellen generierten Ausfallwahrscheinlichkeiten wie bisher üblich überprüft werden können. 6. Außerdem gibt es Vorschriften, die die Möglichkeiten der Sammlung und Verarbeitung von großen Datenbeständen über natürliche Personen einschränken. In der EU wird dies künftig in der o. g. KI-Verordnung geregelt, die das höchste Risiko für KI-Systeme vorsieht, die die Kreditwürdigkeit natürlicher Personen bewerten. 05 | 2022 23
