KINOTE 01.2022

54 01 | 2022 zungs- oder

54 01 | 2022 zungs- oder Challenger Tool für die Validierung interner Modelle verwendet. Antworten stützen Thesen von BaFin und Bundesbank BaFin und Bundesbank hatten in ihrem Konsultationspapier vorgeschlagen, auf eine Definition von Maschinellem Lernen zu verzichten. Stattdessen solle die Aufsicht das konkrete interne Modell anhand gewisser Charakteristika untersuchen und daraus die aufsichtlichen Schritte ableiten. Dieses technologieneutrale Vorgehen stieß auf breite Zustimmung. Das Schaubild auf Seite 53 stellt diese auf Charakteristika basierende Sichtweise exemplarisch dar – und zwar anhand zweier auf internen Ratings basierender Ansätze für das Kreditrisiko von Banken (Internal Ratings Based Approach – IRBA). » 1 Ein weiteres Ergebnis der Konsultation: Banken, Versicherer und ihre Verbände halten das bestehende aufsichtliche Regelwerk auch für ML-Verfahren für ausreichend. Ihrer Ansicht nach brauchen die gesetzlichen Vorschriften zumindest nicht grundlegend reformiert zu werden. Richtig fanden die Teilnehmenden auch, dass Regulierung und Aufsicht derzeit den Fokus auf Umfang und Angemessenheit der Datengrundlage sowie die Datenqualität richten, die beim Einsatz von ML- Ansätzen noch bedeutsamer werden. Methoden des Maschinellen Lernens müssen erklärbar sein Ein zentrales Kriterium für den erfolgreichen Einsatz von Maschinellem Lernen ist für BaFin, Bundesbank und die Konsultationsteilnehmer die Erklärbarkeit der ML-Methoden. Weiteren Diskussionsbedarf sehen beide Seiten bei der Frage, ab wann sich ein Modell durch wiederholtes Maschinelles Lernen so weit ändert, dass es erneut genehmigt werden müsste. Aus aufsichtlicher Perspektive ist es daher von wesentlicher Bedeutung, dass die Entwicklung und die Verwendung der Modelle nachvollziehbar bleiben.

01 | 2022 55 Konkrete aufsichtliche Erwartungen transparent machen In ihren allgemeinen Prinzipien zum Einsatz von Algorithmen in Entscheidungsprozessen hatte die BaFin im Sommer 2021 formuliert, wie sie sich einen verantwortungsvollen Umgang mit Künstlicher Intelligenz (KI) vorstellt. Auch das Policy Discussion Paper der Deutschen Bundesbank zu Künstlicher Intelligenz und Maschinellem Lernen im Finanzsektor stellte Eckpunkte für eine aufsichtliche Strategie dar. Was sie darüber hinaus konkret von den Unternehmen erwarten, wollen die Behörden im weiteren Austausch mit der Finanzindustrie transparent machen. Dabei sind der BaFin und der Bundesbank zwei Dinge wichtig: 1. Die Aufsicht agiert weiterhin technologieneutral und im Rahmen der bestehenden Regelwerke. 2. Unternehmen erhalten damit Planungssicherheit für Investitionen in ML-Methoden und werden in die Lage versetzt, die Risiken solcher Methoden früh zu erkennen. Fazit Aus Sicht der BaFin und der Bundesbank ist es sehr wichtig, europaweit harmonisierte und sektorübergreifend gleichlautende Anforderungen an den Einsatz von ML-Methoden zu stellen. Sie bringen daher die Ergebnisse ihrer Konsultation auch in die Diskussionen über die Digital Finance Strategy der Europäischen Kommission ein und erörtern sie mit anderen europäischen Aufsichtsbehörden. Autoren Stefan Nohl ist Head of Division des Referats QRM 2 der BaFin. Dieses Referat nimmt die laufende Aufsicht über interne Modelle zur Abbildung des Marktrisikos (IMA-Modelle) bei Kreditinstituten wahr, sowohl institutsindividuell als auch institutsübergreifend. Dr. Matthias Fahrenwaldt ist Senior Advisor in demselben Referat. Bei dem Beitrag handelt es sich um die aktualisierte Fassung eines Texts, der im BaFin-Journal, dem Fachmagazin und zentralen Mitteilungsblatt der Finanzaufsicht, in der Februar-Ausgabe 2022 erschienen ist. https://www.bafin.de/dok/7846682