stock market investment graph with indicator and volume data.

Point-in-Time-Ansatz für ein modernes Risikomanagement

29.11.2021

Zwei Jahre Corona, und damit Schutz vor Insolvenz für die Unternehmen, verändern die Daten für das Risikomanagement im Corporate Portfolio nachhaltig. Die so wichtige Datenhistorie ist für die vergangenen zwei Jahre verfälscht. Die Einbindung externer Datenquellen und der Aufbau eines Point-in-Time-Ansatzes für die Modellierung der Ausfallwahrscheinlichkeit (PD) bzw. Sentiment-Analyse in Frühwarnsystemen bietet eine sehr gute Vorgehensweise, um dieser kritischen Entwicklung entgegenzutreten.

Aufbau eines Point-in-Time Ansatzes (P-i-T) für die Modellierungen der Ausfallwahrscheinlichkeit

Bei P-i-T Modellen1 handelt es sich um die Darstellung von Risikoparametern, wie der Ausfallwahrscheinlichkeit (Probability of Default), unter Miteinbeziehung und Abbildung konjunktureller Schwankungen. Die konjunkturellen Aspekte werden mithilfe von gesamtwirtschaftlichen Kennzahlen innerhalb der Modellierung berücksichtigt. Die Auswahl und Analyse der entsprechenden Kennzahlen ist mehrstufig und muss segmentspezifisch ausgeführt und überprüft werden.

Im Gegensatz zu der gängigen Through the Cycle (T-T-C) PD Modellierung, die den langfristigen Durchschnitt und die strukturelle Komponente des Ausfallrisikos betrachtet, bildet die P-i-T PD sowohl die strukturelle als auch die zyklische Komponente des Risikos ab.

Der Bedarf an der Entwicklung und Implementierung von Frühwarnsystemen steigt, unter anderem auch durch die im Juni 2020 veröffentliche Richtlinie der EBA (European Banking Authority) die fordert, dass „Institute relevante quantitative und qualitative Frühwarnindikatoren entwickeln, pflegen und regelmäßig bewerten [sollten]“. Ziel ist es, Prognosemodelle zu entwickeln, die frühzeitig Risiken identifizieren, sodass sich Gegenmaßnahmen auch früh einleiten lassen. Frühwarnsysteme berücksichtigen bisher nicht verwendete Daten innerhalb der Modelle.

So können etwa gesamtwirtschaftliche Kennzahlen und moderne Sentiment-Daten hinzugezogen werden. Das führt zu einer angereicherten Analyse und unterstützt die nachgelagerte Risikosteuerung. Dem Risikomanagement liegen wiederum neue Muster und Informationen von Daten vor, die bis zur Einbeziehung und Auswertung der externen Quellen so noch nicht verfügbar waren.

Makroökonomische Datenquellen: kostenfrei und aufbereitet

Als Basis dienen die firmeninternen Daten des Risikomanagements sowie neu zu integrierende Datensets makroökonomischer Kennzahlen und Sentiment-Daten. Letztere werden mithilfe von Web Scraping Tools, modernen Natural Language Processing Tools oder auch der Analyse von Google-Suchanfragen generiert.

Es gilt im ersten Schritt die Quellen der neu in das RM-Umfeld zu integrierenden Daten zu identifizieren und diese im Anschluss nutzerfreundlich anzubinden.

Bei einem Pilotprojekt haben wir uns auf öffentlich zugängliche, kostenfreie, im Rahmen von Open Data-Initiativen bereitgestellte Datenbanken von der EU bzw. den Bundesbehörden konzentriert. Die Nutzung solcher Datenbanken als Quelle liegt nahe, da sie kostenfrei und statistisch aufbereitet sind.

Ebenfalls zu betrachten sind nicht-kostenfreie Datenquellen, wie etwa der Datenkatalog des Instituts für Wirtschaftsforschung (ifo). Kostenfreie und zahlungspflichtige Datenquellen unterscheiden sich oftmals in der Frequenz der bereitgestellten Datenpunkte von Zeitreihen und in ihrer Aktualität.

Anbindung an die Cloud

Um die PD Modellierung ordnungsgemäß und nachhaltig zu verbessern, müssen die neuen Daten in das bestehende Risikomanagement integriert werden. Der Fokus sollte auf einer zentralen Bereitstellung der Daten sowie einem standardisierten Zugriff liegen.

Bei einem Pilotprojekt haben wir sowohl Cloud-Infrastruktur als auch on premise-Anbindungen evaluiert. In einem eigenen Labor auf der Microsoft Azure Cloud haben wir die als sinnvoll für den Use Case identifizierten Datenbanken unter Nutzung von bereitgestellten API’s an eine in der Cloud gehosteten SQL-Datenbank angebunden. Bereits vor dem Hochladen in die Datenbank konnten wir die Daten gemäß spezifischer Anforderungen an deren Struktur aufbereiten und selektieren.

Gut zu wissen: Die effiziente Konsolidierung, Aufbereitung sowie die Bereitstellung der Daten für Zielsysteme entlang einer Data Pipeline ist sowohl im Cloud-Umfeld als auch on premise kundenspezifisch umsetzbar.

Datenmodellierung: Univariat und multivariat zum Ziel

Für die P-i-T Modellierung müssen kundensegmentspezifische makroökonomische Faktoren einbezogen werden, auf Basis derer Zeitreihen zunächst univariat und im nächsten Schritt multivariat auf folgende Parameter untersucht werden:

  • ihre ökonomisch plausible Wirkungsrichtung,
  • ihre statistische Signifikanz,
  • ihre Stabilität,
  • ihre Wirkungsstärke sowie
  • Richtung und Beziehung zu der bisher gemessenen Ausfallrate des Segments.

Die als passend für das Segment identifizierten Variablen werden in die PD Modellierung mit einbezogen und sind in der Lage, die durchaus zyklische reale Ausfallrate zu erklären. Die Miteinbeziehung der Faktoren in die PD Modellierung ermöglicht eine realitätsnähere Ausfallwahrscheinlichkeitsberechnung und bereichert Prognosen für die Zukunft sowie Stresstests.

Gut zu wissen: Bei der Modellierung gilt es time-lags von Wirkungsweisen besonders zu evaluieren. Genauso sollte geprüft werden, inwiefern die ausgewählten Variablen verfügbar sind und wie oft sie aktualisiert bereitgestellt werden.

Fazit: Experten durch modellbasierte Prognosen unterstützen!

Durch P-i-T Modelle der Ausfallwahrscheinlichkeit sind wir heute bereits in der Lage, die Prognosen von Experten durch modellbasierte Daten zu unterstützen.

Die Einbindung von externen Datenquellen, deren Konsolidierung, Auswertung und Extraktion von Information und Integration in bestehende Risikomanagement-Vorgänge modernisiert das Risikomanagement und hilft den steigenden Anforderungen gerecht zu werden.


Auf dem Point-in-Time Ansatz beruhende Ratingsysteme berücksichtigen bei der Berechnung der Ausfallwahrscheinlichkeit sowohl strukturelle als auch konjunkturelle Einflussfaktoren. Im Fokus steht somit eine präzise Ermittlung der tatsächlichen Ausfallwahrscheinlichkeit und final des tatsächlichen Kreditrisikos.

Weiterführende Links:

Teilen auf