Blogpost

Diskussionspapier zur Konsultation: Maschinelles Lernen in Risikomodellen

Die Rahmenbedingungen und Prinzipien für die Anwendung von Methoden und Technologien aus dem Kontext Big Data und Artificial Intelligence, kurz BDAI, sind erneut ins Blickfeld der Aufsicht gerückt.

231
5 Minuten Lesezeit

Erneut publiziert eine Aufsichtsbehörde – im vorliegenden Fall die BaFin gemeinsam mit der Deutschen Bundesbank – ein Papier, das sich mit Rahmenbedingungen und Prinzipien für die Anwendung von Methoden und Technologien aus dem Kontext Big Data und Artificial Intelligence, kurz BDAI, beschäftigt.

Erst kürzlich wurde ein Prinzipienpapier veröffentlicht, in dem bereits einige nationale und internationale Sichten verarbeitet wurden (weitere Informationen können Sie unserem Beitrag vom 03.07.2021 entnehmen.).

Spätestens jetzt ergibt sich daher der Startschuss für das Risikocontrolling von Banken und Finanzdienstleistern sich mit diesem Thema intensiver zu beschäftigen, um Strategien zu entwickeln, neue Daten, Methoden und Verfahren in den Risikomodellen zu verwenden, um Trennschärfe und Prognosekraft zu verbessern bzw. die Aktualität sowie Stabilität von Risikomodellen zu optimieren.
Das aktuelle Diskussionspapier von Mitte Juli 2021 beinhaltet dabei eine Vielzahl an regulatorischen Sichtweisen und fasst internationale Erkenntnisse zusammen, um auf dieser Grundlage einen Prozess anzustoßen, an dessen Ende mit hoher Wahrscheinlichkeit sowohl eine Anpassung der Aufsichtspraxis als auch veränderte Regularien stehen werden. Im Fokus steht dabei vor allem die Solvenzaufsicht, d.h. insbesondere wenn Verfahren aus dem Maschinellen Lernen bei Risikomodellen für Säule 1 oder Säule 2 zum Einsatz kommen, d.h. hier bleiben andere Aspekte wie Verbraucherschutz oder ethische Bedenken erst mal bewusst außen vor, da an anderer Stelle bereits behandelt. Mangels existierender klarer Definitionen für das Gebiet des Maschinellen Lernens (ML) müssen diese sukzessive erstellt, entwickelt und implementiert werden, was die Hauptintention des Diskussionspapiers ist. Aus diesem Grund enthält die Konsultation zusätzlich einen Fragebogen, um möglichst viele Informationen zu sammeln.

Im Kern werden daher folgende Themen behandelt:

  1. Welche Charakteristika von ML sind für die Ausgestaltung der Aufsichtspraxis bedeutsam?
  2. Welche Änderungen der Aufsichtspraxis sind absehbar bzw. denkbar?
  3. Auf Basis einer hilfreichen Übersicht von Publikationen wurden bereits erste Definitionen erstellt und Fragen formuliert, zu denen im Rahmen der Konsultation Input von Banken und Finanzdienstleistern aktiv eingefordert wird. Damit stellt sich im Umkehrschluss die dritte Frage wie folgt: welche wichtigen Aspekte sind aus Sicht der Industrie für ein Regelwerk zu beachten, um strategische Investitionen in die Weiterentwicklung von Risikomodellen unter Berücksichtigung ökonomischer Rahmenbedingungen zu fördern

Charakteristika von ML

Hierbei spielen vor allem die Dimensionen eine entscheidende Rolle, d.h. Methodik und Datengrundlage sowie die Verwendung der Ergebnisse bzw. die Art der Ergebniserzeugung, d.h. Infrastruktur bzw. Auslagerungen. Klar ist, dass es Unterschiede gibt, wenn beispielsweise IRBA-Modelle statt auf logistischen Regressionsanalysen die Methodik neuronaler Netze verwenden.
Das Konsultationspapier stellt die Unterschiede kurz, prägnant und übersichtlich dar, versucht am Ende vor allem mit konkreten Fragen an die relevanten Informationen zu kommen, wie z.B. hier: „In welchen relevanten Anwendungsbereichen kommen ML-Methoden bei Ihnen zum Einsatz bzw. wo planen Sie deren Umsetzung?“

Aufsichtlicher Ansatz

Grundsätzlich wird zu Beginn angemerkt, dass der aktuelle Regulierungsrahmen für Säule 1 und Säule 2 im Großen und Ganzen durchaus ausreicht und eine passende Grundlage darstellt. Jedoch müssen eventuell an manchen Stellen Ergänzungen erfolgen, da bei Anwendung von ML neue Herausforderungen an Datengrundlage, Validierung oder Überprüfungszyklen größeren Stellenwert bekommen.

Weiterhin wird im Rahmen der Fragen eine spannende Diskussion eröffnet, inwiefern derartige Verfahren wiederum Wechselwirkungen mit anderen regulatorischen Anforderungen wie z.B. an die automatisierte Kreditwürdigkeitsprüfung aufweisen (siehe EBA/GL/2020/06). Natürlich können sich an der ein oder anderen Stelle Widersprüche ergeben, da möglicherweise einerseits Aspekte relativ detailliert vorzugeben sind, während an anderen Stellen, wie z.B. der MaRisk weiterhin das prinzipienorientierte Vorgehen unter Beachtung der Proportionalität das zentrale Paradigma ist. Bei der Umsetzung muss daher immer eine Ausgewogenheit im Hinblick auf die regulatorischen Anforderungen gegeben sein.

Darüber hinaus rückt die Sicherstellung der Datenqualität erneut in den aufsichtlichen Fokus, denn je ausgefeilter die Algorithmen sind, desto granularere Daten können verarbeitet werden und desto mehr wirken sich Fehler möglicherweise unerwünscht negativ aus.

Bei den methodischen Aspekten steht vor allem die Erklärbarkeit von Algorithmen an oberster Stelle. In diesem Kontext wird vor allem der Begriff XAI für „Explainable Artificial Intelligence“ verwendet. Ziel ist dabei die Verbesserung der Nachvollziehbarkeit von Algorithmen mit Hilfe neuer Verfahren, die beispielsweise in Zusammenarbeit mit Forschung, Banken und Unternehmen wie der msg GillardonBSM erarbeitet werden. Ein sehr spannendes Betätigungsfeld, da hierdurch perspektivisch durchaus die Vergabe von Gütesiegeln möglich sein könnte.

Gerade deshalb wird davon sicherlich abhängen, wie Modelländerungen regulatorisch eingestuft werden und wie ein Genehmigungsprozess effizient und effektiv ausgestaltet sein kann. Hier herrscht vermutlich noch am meisten Unsicherheit in der Umsetzung. Gerade an dieser Stelle spielen aufbau- und ablauforganisatorische Fragen ebenso eine Rolle, da das Zusammenspiel zwischen Entwicklung, Validierung, Revision, IT etc. und damit auch mit der Bankenaufsicht deutlich mehr Dynamik gewinnt.

Fazit

Die Aktivitäten seitens der Bankenaufsicht werden sukzessive konkreter und nehmen immer mehr Fahrt auf, sodass unseres Erachtens durchaus davon ausgegangen werden kann, dass in naher Zukunft Risikomodelle unter Einsatz von ML sowie zusätzlicher Daten optimiert und verbessert werden können. Der Regulierungsrahmen wird jedenfalls proaktiv geschaffen und dieses Mal können sich Banken und Finanzdienstleister von Beginn an daran intensiv beteiligen. Daher ist jetzt der richtige Zeitpunkt Überlegungen in diese Richtung anzustoßen.

Aufgrund unserer Projekt- und Praxiserfahrungen kombiniert mit diversen Forschungsinitiativen sind wir mit allen hier skizzierten Themen vertraut und beraten Sie gerne bei Ihren strategischen und operativen Vorhaben im Umfeld des Risikomanagements mit und ohne Einsatz von Maschinellem Lernen.

Blitz auf schwarz

Sind Sie bereit für das Banking der Zukunft?

Die Zukunft des Bankings hat bereits begonnen. Und der disruptive Wandel der Branche Banking schreitet weiter voran. Treiber sind vor allem der Einsatz Künstlicher Intelligenz, der Ausbau von Plattformökonomien und das Eindringen von FinTechs in klassische Bankdienstleistungen. Die Spielregeln einer gesamten Branche werden neu definiert. Wie müssen sich Banken JETZT aufstellen, um für die zukünftigen Herausforderungen gerüstet zu sein? Diese Frage steht im Fokus unserer Serie Banking der Zukunft.

Andreas Mach

ist Lead Executive Partner und leitet das Business Consulting Fachcluster bei msg GillardonBSM. Er ist seit vielen Jahren als Autor, Referent, Berater und Experte in den Themen Banksteuerung, Risikomanagement, Controlling, Regulatorik sowie Compliance und Analytics beziehungsweise künstliche Intelligenz tätig. In diesen Themen unterstützt er zahlreiche Projekte in Banken und bei Finanzdienstleistern.

Schreiben Sie einen Kommentar

Sie müssen sich anmelden, um einen Kommentar zu schreiben.