In diesem Artikel werden moderne Verfahren zur Identifizierung von Konzentrationsrisiken in Kreditportfolien auf der Basis neuronaler Netzwerke sowie effektive Steuerungsmöglichkeiten mit Hilfe synthetischer CDO-Tranchen vorgestellt. Besonderes Augenmerk wird auf das natürliche Zusammenspiel und die Integration dieser beiden, oftmals getrennt betrachteten Risikokonzentrationen in Kreditportfolien stellen eine nicht zu vernachlässigende Gefahr für Finanzinstitute dar. Zwar kann es Situationen geben, in denen es durchaus sinnvoll sein kann, eine Übergewichtung in einem einzigen Bereich einzugehen, um Informationsvorteile gezielt zu nutzen. Im Allgemeinen sind jedoch übermäßige Konzentrationen zu vermeiden, da Finanzinstitute dadurch leicht in unerwartete Schieflagen geraten können. Auch in den „Mindestanforderungen an das Risikomanagement“ (MaRisk) werden die Analyse von Konzentrationsrisiken und gegebenenfalls die Einleitung geeigneter Maßnahmen gefordert.

Die gängigen Ansätze zur Messung sind jedoch nicht ausreichend, da viele Konzentrationen oder Risikoklumpen einfach verborgen bleiben. Dies liegt bereits an der Ausgestaltung der Analysen, da nur Konzentrationen auf der Basis restriktiver ex-ante-Annahmen erkannt werden können. Dazu werden die Volumina der Portfolioeinheiten entlang von Dimensionen wie Region, Branche, Währung etc. untersucht. Zudem werden Stresstests durch die Veränderung bestimmter Marktparameter durchgeführt. Diese herkömmlichen Methoden sind etabliert und als Bestandteil eines adäquaten Risikomanagementsystems nicht mehr wegzudenken. In einer zunehmend komplexeren Risikowelt wird es jedoch immer bedeutender, auch Konzentrationen zu identifizieren, die nicht entlang der herkömmlichen Dimensionen zu finden sind. Die daraus resultierende Gefahr unentdeckter Klumpenrisiken kann unter ungünstigen Umständen zu erheblichen Problemen führen.

Gelöst werden kann dieses Problem durch ein innovatives Verfahren, das unbekannte Konzentrationen ohne a-priori-Informationen „selbständig“ herausfiltert. Als Grundlage dienen dabei Methoden des maschinellen Lernens, welche seit einigen Jahren eine rasante Entwicklung erfahren haben. Besonders hervorzuheben sind hierbei die selbstorganisierenden Karten (self-organising map; SOM) nach T. Kohonen. Diese beruhen auf der Bestimmung einer topologieerhaltenden Abbildung hochdimensionaler Merkmalsräume in einen Outputraum niedrigerer Dimension (in der Praxis oft zweidimensional). Aufgrund ihrer Fähigkeiten zur Strukturentdeckung und den Möglichkeiten der Datenvisualisierung beim finanzwirtschaftlichen Data Mining und Knowledge Discovery finden Clustering-Verfahren wie die SOMs zunehmende Beachtung. Sie fassen Einheiten zu in sich homogenen Clustern zusammen, wobei die Repräsentanten der verschiedenen Cluster möglichst heterogen sein sollen.

Den kompletten Artikel finden Sie in der RiskNET eLibrary: