Künstliche Intelligenz

Deep Learning in der Cashflow-Modellierung


Künstliche Intelligenz: Deep Learning in der Cashflow-Modellierung Comment

Für die Bewertung optionaler Komponenten in der Cashflow-Modellierung von Kreditgeschäften greifen Banken in der Praxis in der Regel auf zwei Methoden zurück: Entweder baut ein Institut Zahlungen, die aus der Ausübung optionaler Komponenten resultieren, als erwartete Zahlungen in den Zahlungsstrom eines Geschäftes ein. Oder die Bank teilt ein Geschäft in von Optionen freie und rein optionale Komponenten auf und bewertet beide separat. Beide Ansätze haben erhebliche Defizite, die sich durch den Einsatz Künstlicher Intelligenz abbauen lassen.

Bei optionalen Komponenten handelt es sich um Ausübungsrechte eines Kontrahenten, zum Beispiel zur vorzeitigen Kündigung (Passiva) oder Rückzahlung (Aktiva) vertraglich vereinbarter Zahlungen. Ein besonders relevantes Ausübungsrecht im Aktivbereich ist das Sondertilgungsrecht, zu dessen Ausübung es beispielsweise aufgrund einer Gehaltserhöhung oder einer Erbschaft kommen kann. Die Idee ist, durch Neukombination von schon verwendeten und durch Hinzuziehen bisher ungenutzter Informationen die Ausübung optionaler Komponenten durch den Kunden genauer vorherzusagen und sich besser darauf einzustellen. Die Nutzung neuronaler Netze – auch "Künstliche Intelligenz" (KI) oder "Artificial Intelligence" (AI) genannt – erlaubt Banken, die Risiken optionaler Komponenten genauer zu quantifizieren und aktiv zu steuern. Hieraus ergeben sich Vorteile für das Risikomanagement, das Treasury und den Markt.

Defizite bestehender Ansätze

Banken stehen seit einiger Zeit vor einer Reihe von Herausforderungen: Sie müssen im anhaltenden Niedrigzinsumfeld auf alternative Ertragsquellen zurückgreifen, sehen sich einem immer höheren Regulierungsdruck ausgesetzt und müssen dabei die Kunden an sich binden. Eine der größten Herausforderungen ist, immer besser informierten und wechselfreudigeren Kunden größtmögliche Flexibilität zu bieten. Diese Flexibilität drückt sich im Kreditgeschäft unter anderem darin aus, dass die Bank ihren Kunden eine kostenfreie vorzeitige Rückzahlung, Zahlungspausen sowie Laufzeitverlängerungen einräumt. Für Kreditinstitute entstehen dadurch allerdings Planungs- und damit auch Kostenunsicherheiten, die das Ergebnis schmälern.

Bei Geschäften ohne Sondertilgungsrecht haben Banken in der Vergangenheit Vorfälligkeitsgebühren berechnet, um Verluste zu kompensieren. Dieses Vorgehen kann sich eine Bank aufgrund des aktuellen Drucks im Wettbewerb immer weniger leisten. Gleichzeitig wächst die Bereitschaft zum Leisten von Sondertilgungen. Aus Sicht des Kunden gibt es momentan keine bessere Geldanlage, als die Sondertilgungsrechte in Anspruch zu nehmen. Warum Kreditzinsen zahlen, wenn die verfügbare Liquidität sowieso nicht gewinnbringend angelegt werden kann und gerade keine Investition im privaten Umfeld ansteht?

Der Anteil von Krediten mit optionalen Komponenten ist in den letzten Jahren signifikant gestiegen und macht heute einen beachtlichen Anteil im Portfolio der Geldhäuser aus. Damit sich das Geschäft dennoch lohnt, ist die realistische Bewertung optionaler Komponenten elementar: Mögliche Kosten sind im Vorhinein einzupreisen und fließen insbesondere in die Liquiditätssteuerung ein. Darüber hinaus dienen die Berechnungen der Neugeschäftsplanung und sind Grundlage, um die vorzuhaltenden Eigenkapitalpuffer zu bestimmen. Vor dieser Herausforderung stehen Banken, besonders aber auch Bausparkassen in der Kollektivsimulation.

Abb. 01: Der erwartete und der tatsächliche Zahlungsstrom sind von elementarer Bedeutung für die Gesamtbanksteuerung. 

Abb. 01: Der erwartete und der tatsächliche Zahlungsstrom sind von elementarer Bedeutung für die Gesamtbanksteuerung.

Der Grundgedanke der Marktzinsmethode ist, dass der Markt (Kreditberater und Sachbearbeiter in der Filiale) seine Zahlungsströme gegen Abschlag eines Konditionsbeitrags an das Treasury verkauft. Problematisch ist hierbei die Bewertung optionaler Komponenten im Zahlungsstrom. Hier spielen sowohl die Ausübungswahrscheinlichkeit des Rechts an sich als auch die Höhe von Sondertilgungen eine Rolle, die in der Vergangenheit wahrgenommen wurden. Da sich der Markt bei der Marktzinsmethode zur Lieferung eines Zahlungsstroms verpflichtet, trägt er auch das Risiko einer Abweichung. Solche Abweichungen treten auf, wenn der Kunde, entgegen der getroffenen Annahme, eine optionale Komponente tatsächlich ausübt: Es kommt zu Leistungsstörungen.

Anstelle der Integration erwarteter Zahlungen in einen Zahlungsstrom können die Optionen in einem Geschäft auch isoliert bewertet werden: mithilfe von Optionspreismodellen. Diese Vorgehensweise basiert gleichermaßen auf der Marktzinsmethode, unterstellt aber, dass die Ausübung optionaler Komponenten von keinem anderen Faktor als dem aktuellen Marktzinsniveau abhängig ist. In diesem Fall kauft das Treasury das Geschäft vom Markt unter der Annahme, es sei frei von Optionsrisiken, und stellt im Gegenzug dem Markt den Preis der Option in Rechnung. Das Risiko eines nicht marktzinsabhängigen Ausübungsverhaltens des Inhabers der Option und damit von Leistungsstörungen liegt bei diesem Bewertungsansatz beim Treasury.

Beide Methoden haben die Schwäche, dass sie irrationales Handeln eines Kunden nicht korrekt berücksichtigen. Im besten Fall treffen die Annahmen zu dem Ausübungsverhalten auf ein Durchschnittsportfolio zu. Der Zahlungsstrom eines einzelnen Geschäftes wird damit nie exakt vorausberechnet. Ein weiterer Kritikpunkt herkömmlicher Vorgehensweisen ist, dass Zahlungsströme erst dann angepasst werden, wenn es bereits zu einer Leistungsstörung gekommen ist. Frühwarnindikatoren, die auf ein sich änderndes Ausübungsverhalten schließen lassen, werden in der Regel ignoriert.

Auch der Zeitpunkt, zu dem Leistungsstörungen auftreten, wird heute nicht prognostiziert. Banken haben erst die Möglichkeit, ihre Zahlungsströme zu korrigieren, wenn eine Option durch den Kunden bereits ausgeübt und die Leistungsstörung eingetreten ist.

Diese Schwachpunkte haben weitreichende Folgen für die Bank: Auf Basis der Cashflow-Berechnungen werden die Konditionen des Kundengeschäftes berechnet (risikoadjustiertes Pricing) und bewertet. Darüber hinaus basieren die Neugeschäfts- und die Liquiditätsplanung auf den Einschätzungen des Marktes. Weichen die ex ante berechneten Cashflows von den ex post tatsächlich gemessenen Cashflows ab, entsprechen logischerweise auch alle Folgeberechnungen nicht mehr der Realität. Neben den Kosten für Korrekturen können echte Verluste in Form von Zinsausfällen entstehen.

Banken verfügen allerdings über weitaus mehr Informationen, die zur Berechnung der Ausübung optionaler Komponenten herangezogen werden können, als die, die bereits genutzt werden. Das ökonomische Risiko kann auf dieser Basis geschmälert, in Teilen sogar eliminiert werden.

Mithilfe von Deep Learning die Bewertung optionaler Komponenten verbessern

Neben den Stammdaten einzelner Kreditnehmer liegen der Bank Informationen vor, die relevant für die Ausübung eines Sondertilgungsrechts sein könnten. Aufgabe einer KI-Lösung ist, die Relevanz sowie die Zusammenhänge einzelner Variablen zu erkennen.

Neben Alter, Geschlecht, Familienstand und Beruf einer Person kennt die Bank insbesondere noch die individuelle Ein- und Ausgabensituation. Angefangen beim Gehalt über die monatlichen Mietzahlungen bis hin zu weiteren Verpflichtungen kann die Bank die finanzielle Situation einer Person ziemlich gut einschätzen und mittel- bis langfristige Entwicklungen erkennen. In Zahlen ausgedrückt: Einer mittelständischen Bank liegen in der Regel leicht 400 unterschiedliche Informationen je Konto pro Stichtag, in der Regel ist das der Monatsultimo, vor. Das sind pro Jahr gut 4.800 Datensätze pro Konto. Davon nutzen Institute heute nur einen Bruchteil.

Neuronale Netzwerke können helfen, diese Daten auszuwerten: Für den Aufbau definiert eine Bank eine bestimmte Anzahl von Inputvariablen und führt diese dem Modell in der Eingabeschicht zu. Jede dieser Variablen läuft in einem oder mehreren Knotenpunkten (verdeckte Schicht) zusammen. Das führt, je nach Gewichtung der einzelnen Variablen, zu einem bestimmten Ergebnis (Ausgabeschicht). Ein realistisches Ergebnis erfordert Training und einen Validierungsdatensatz.

Für den Use Case Sondertilgungsrecht eignen sich neben den Stammdaten die Giro- und Kreditkontoumsätze über einen möglichst langen Zeitraum. Dabei ist zu beachten, dass der Querschnitt des Portfolios abgebildet sein sollte: Enthalten sein sollten sowohl Kredite mit und ohne Sondertilgungsrecht als auch Kredite mit und ohne durchgeführte Sondertilgung. Zirka 70 Prozent des Datensatzes werden zum Training des Modells verwendet, während die restlichen 30 Prozent der anschließenden Validierung des Modells dienen. Dabei ist es wichtig, dass das Verhältnis zwischen den Kundengruppen in beiden Datensätzen gleich ist.

Abb. 02: Vorgehensweise beim Training eines neuronalen Netzes

Abb. 02: Vorgehensweise beim Training eines neuronalen Netzes

An einem vereinfachten Beispiel betrachtet eine Bank die Variablen "Gehalt", "Mietzahlung", "sonstige Ausgaben" sowie die Ratenzahlung für den zu berechnenden Cashflow. Nach Abzug der Ausgaben vom Gehalt bleibt eine Restsumme X. Das Modell hat die Aufgabe, anhand der historischen Giro- und Kreditkontoumsätze die Abhängigkeiten zu erkennen, wann es zu Sondertilgungen kommt. Vermutlich wird die KI aufgrund der Konstellationen zu dem Ergebnis kommen, dass Sondertilgungen mit steigendem verfügbarem Betrag nach Abzug der Ausgaben häufiger und in größeren Zahlungen vorkommen. Bei Kreditfällen mit wenig bis keinem verfügbaren Betrag hingegen gehen die Fälle wahrscheinlich gegen null.

Das Interessante an Deep Learning ist, dass nicht zwangsläufig alle relevanten Variablen oder ihr Einfluss auf ein Ergebnis bekannt sein müssen und das Modell nahezu beliebig erweitert werden kann. Für Trainingszwecke ist es von Vorteil, die Einflussfaktoren zu kennen, die mit hoher Wahrscheinlichkeit einen signifikanten Einfluss auf das Ergebnis haben. Die Gewichtung der einzelnen Variablen nimmt das Modell selbstständig anhand des Trainingsdatensatzes vor. Neben den oben genannten Variablen gibt es eine Vielzahl weiterer Einflussgrößen, die die Entscheidung des Kreditnehmers zur Sonderzahlung beeinflussen. Denkbar sind zum Beispiel volkswirtschaftliche Faktoren wie die Arbeitslosenquote oder die Inflationsrate. Einen erheblichen Einfluss wird auch die Entwicklung des Leitzinses haben, da diese auf die Erwartungshaltung des Kreditnehmers wirkt.

Als Output erhält eine Bank zwei Ergebnisse: die Wahrscheinlichkeit, dass eine Person während der Kreditlaufzeit eine Sondertilgung vornimmt und die Höhe der Zahlung. Darüber hinaus lässt sich die Wahrscheinlichkeit berechnen, ob ein Ereignis – zum Beispiel eine Gehaltserhöhung – zum betreffenden Zeitpunkt zu einer Sondertilgung führt. Mit dieser Information können Banken ein Frühwarnsystem implementieren, das ihnen aus der Handlungsunfähigkeit heraushilft.

Abb. 03: Schematische Darstellung eines neuronalen Netzes

Abb. 03: Schematische Darstellung eines neuronalen Netzes

Insgesamt ermöglicht Deep Learning damit ein weitaus differenziertes Bild zu einzelnen Kunden. Die Erkenntnisse könnten beispielsweise so aussehen:

  • Berufsanfänger leisten mit ihren ersten Gehältern eher eine Sondertilgung als kurz vor der Rente stehende Kunden.
  • Im März werden viele Sondertilgungen vorgenommen, da Angestellte bestimmter Branchen ihre Bonuszahlungen erhalten, wohingegen die Anzahl von Sondertilgungen vor den Sommerferien rapide zurückgeht, weil der anstehende Familienurlaub alle Reserven verschlingen wird.
  • Kunden mit Familie nehmen das Recht seltener wahr als kinderlose.

Herausforderungen bei der Integration in die Gesamtbanksteuerung

Mit den beschriebenen Methoden lassen sich somit Informationsasymmetrien zwischen Kunde und Bank abbauen. Banken erhalten so ein wesentlich treffenderes Bild vom künftigen Verhalten ihrer Kunden als durch die heutigen Berechnungen. Für sich betrachtet bringen diese Erkenntnisse allerdings noch keinen Mehrwert. Sie müssen überall dort in die Gesamtbanksteuerung integriert werden, wo Zahlungsströme verwendet werden: im risikoadjustierten Pricing von Darlehen, in der Nachkalkulation des Bestandsgeschäftes, in der Leistungsstörungserkennung, in der Steuerung von Zinsänderungs- und Kreditrisiken.

Darüber hinaus bringt der KI-Einsatz neue Herausforderungen für die internen Prozesse der Bank aus betriebswirtschaftlicher Sicht mit sich:

  • Es entstehen neue operationelle Risiken, die Banken in der Risikoinventur berücksichtigen müssen.
  • Die im Einsatz befindlichen Systeme für die Deckungsbeitragsrechnung und die Planung des betroffenen Kundengeschäftes sind zu prüfen und ggf. anzupassen.
  • Die Prozesse der Leistungsverrechnung zwischen Markt und Treasury sind, sofern erforderlich, zu überarbeiten.

Dazu kommt, dass Banken weiterhin die regulatorischen Bedingungen erfüllen müssen:

  • Zunehmende Informationspflichten gegenüber den Kunden (EU-DSGVO und BDSG);
  • Alle wesentlichen Formeln, Parameter, Methoden, Verfahren, Handlungen, Festlegungen und Entscheidungen müssen dokumentiert sein. Die Dokumentation ist nach den Anforderungen der Nachvollziehbarkeit, Nachprüfbarkeit, Vollständigkeit und Richtigkeit zu verfassen (MaRisk und GoBD);
  • Technologische Anpassungen im Risikomanagement haben immer auch Folgen für die Abläufe: Jede Bank hat nach dem Risikotragfähigkeitsprozess ICAAP einen Prozess einzurichten, der alle Verfahren, Methoden und Prozesse bündelt. Damit wird gewährleistet, dass der Bank genügend Kapital für die Abdeckung ihrer wesentlichen Risiken zur Verfügung steht. Wird dieser Prozess durch die Integration künstlicher Intelligenz verändert, ist er in seiner Gesamtheit zu untersuchen und zu optimieren.

Mit der Anschaffung intelligenter Technologien ist es also nicht getan. Banken sollten innovative Lösungen immer gemeinsam mit den nötigen Prozessen einführen oder bestehende Prozesse so anpassen, dass sie einen Nutzen erzielen und Banken dauerhaft davon profitieren. Das erfordert eine strategische, fachliche und technische Herangehensweise. Für die Performance eines neuronalen Netzes ist darüber hinaus die Datenverfügbarkeit sowie die Datenqualität ein Schlüsselfaktor.

Mehrwert und Ausblick

Angesichts des möglichen Erkenntnisgewinnes und des betriebswirtschaftlichen Potenzials lohnen sich die entsprechenden Vorarbeiten: Mit der Nutzung des vorhandenen Datenschatzes und Neukombination der Informationen mittels neuer Technologien lässt sich ein weitaus differenzierteres Bild des Kunden zeichnen. Die Mehrwerte liegen auf der Hand:

Vor Geschäftsabschluss sind validere Aussagen zur Neugeschäfts- und Liquiditätsplanung möglich. Banken können zudem etwaige Verluste direkt im risikoadjustierten Pricing realitätsnah berücksichtigen. Mit der Implementierung eines Frühwarnsystems können Banken eingreifen, wenn beispielsweise durch den Eingang einer Einmalzahlung das Risiko von Sondertilgungen rapide steigt. Entweder bewegt ein Bankberater den Kunden aktiv dazu, eine alternative Investition zu tätigen (Cross Selling). Oder die Bank passt, wenn das Eintreten einer Leistungsstörung unvermeidbar ist, den Zahlungsstrom und die Gegengeschäftsplanung bereits im Vorfeld an. Die Leistungsstörung reduziert sich, oder im Idealfall kommt es zu gar nicht zu einer. Der Einsatz künstlicher Intelligenz gibt damit sowohl dem Markt als auch dem Treasury die Möglichkeit zum Handeln.

Abb. 04: Individuelle Zahlungsströme

Abb. 04: Individuelle Zahlungsströme

Den Use Case Sondertilgungsrecht können Banken auf weitere Fälle übertragen. Es können unter anderem auch Passivprodukte betrachtet sowie Aussagen zur Inanspruchnahme und Rückzahlung von Dispositionskrediten getroffen werden. Das Modell lässt sich zudem um weitere Variablen erweitern, so dass Banken genauere Aussagen zur Bonität und zu erwarteten und unerwarteten Verlusten eines Kunden treffen können. In jedem Fall ist der Einsatz künstlicher Intelligenz geeignet, bestehende Informationsasymmetrien abzubauen, das Kundenverhalten genauer einzupreisen und damit eine Negativauslese zu vermeiden. Pauschalannahmen auf Basis von Durchschnittswerten werden durch Daten auf Einzelgeschäftsebene ersetzt.

Darüber hinaus ist die Cashflow-Modellierung längst nicht der einzige Anwendungsfall für den Einsatz neuer Technologien wie der KI. Speziell im Risikomanagement gibt es diverse Anwendungsfälle. Ein Einsatzgebiet mit viel Potenzial ist die Verwendung von internen Modellen, um die Eigenkapitalausstattung exakter zu steuern.

Autoren:

Daniel Klinge ist Consultant im Geschäftsbereich Business Consulting Banking bei Sopra Steria Consulting. Der Experte für Risikomanagement und Regulierung beschäftigt sich speziell mit den Einsatzmöglichkeiten digitaler Technologien in der Gesamtbanksteuerung.

Lars Holzgraefe ist Manager im Geschäftsbereich Banking bei Sopra Steria Consulting. Sein Spezialgebiet sind praktische Anwendungsmöglichkeiten digitaler Technologien für den Bereich Risk & Regulatory.
 

[ Source of cover photo: Adobe Stock ]
Risk Academy

The seminars of the RiskAcademy® focus on methods and instruments for evolutionary and revolutionary ways in risk management.

More Information
Newsletter

The newsletter RiskNEWS informs about developments in risk management, current book publications as well as events.

Register now
Solution provider

Are you looking for a software solution or a service provider in the field of risk management, GRC, ICS or ISMS?

Find a solution provider
Ihre Daten werden selbstverständlich vertraulich behandelt und nicht an Dritte weitergegeben. Weitere Informationen finden Sie in unseren Datenschutzbestimmungen.