Was ist Modellrisikomanagement?

Ein Modell ist ein quantitativer Ansatz, eine Methode oder ein System zur Verarbeitung von Daten und Erstellung quantitativer Schätzungen.¹ Modelle kommen in der Regel zum Einsatz, wenn Geschäftsentscheidungen getroffen, Geschäftschancen und -risiken ermittelt, Geschäftsstrategien entwickelt und Geschäftsabläufe verwaltet werden.

Finanzinstitute setzen beispielsweise auf eine Reihe von Modellen zur Preisgestaltung, zur Bewertung, zur Aufdeckung und Verhinderung von Betrug und Geldwäsche sowie für andere Finanzdienstleistungen. Die Verwendung von Modellen ist oft mit Risiken verbunden, so dass Modellrisikomanagement (MRM) für Unternehmen von entscheidender Bedeutung ist.

Die globale Finanzkrise 2007 bis 2008 wurde beispielsweise zum Teil auf fehlerhafte Value-at-Risk-Modelle (VaR) zurückgeführt, die künftige Verluste abschätzten, die bei Investitionen entstehen könnten.² Im Jahr 2012 führte das Handelsdebakel der JPMorgan Chase „London Whale“ zu Verlusten in Höhe von 6 Mrd. USD und zu Geldstrafen in Höhe von fast 1 Milliarde USD.³ Dies war teilweise auf einen Fehler in einer Tabellenkalkulation bei den Modellberechnungen zurückzuführen, durch den das Risiko unterschätzt wurde.⁴ 

Im Jahr 2021 nahm das Immobilienmarktplatzunternehmen Zillow eine Bestandsabschreibung von 304 Millionen US-Dollar vor und plante, ein Viertel seiner Belegschaft zu entlassen, nachdem sein Projekt zum Kauf von Eigenheimen gescheitert war, was sich teilweise darauf zurückführen ließ, dass sein Modell zur Bewertung von Immobilienpreisen die Preise für Eigenheime nichtgenau vorhersagen konnte.⁵

Modellrisiken können unterschiedliche Ursachen haben:

Wenn kein Modellrisikomanagement erfolgt, kann es sich verheerend auf die Finanzen, den Betrieb und den Ruf eines Unternehmens auswirken. Ein effektives Modellrisikomanagement erfordert ein Framework, das das Risiko in jeder Phase des Lebenszyklus eines Modells berücksichtigt.

Das Modellrisikomanagement umfasst auch die Einhaltung regulatorischer Richtlinien. In den USA zum Beispiel haben die US-Notenbank und das Office of the Compcontroller of the Währung (OCC) einen Aufsichtsleitfaden zum Modellrisikomanagement veröffentlicht, der als Benchmark für ein MRM-Framework dient.

Hier sind sechs allgemeine Schritte für ein effektives Modellrisikomanagement-Framework:

Das Erkennen von Risiken ist der erste Schritt beim Modellrisikomanagement. Dies beinhaltet die Durchführung einer Modellbestandsaufnahme und die Definition der mit jedem Modell verbundenen Risiken.

Der nächste Schritt besteht darin, das Modellrisiko zu messen und zu bewerten. Unternehmen können ein Bewertungssystem entwickeln, das Modellrisiken unter anderem nach Priorität, Eintrittswahrscheinlichkeit und Schwere ihrer Auswirkungen einordnet.

Zusätzlich zur Messung des individuellen Modellrisikos können Unternehmen auch das aggregierte Modellrisiko berücksichtigen. Das aggregierte Modellrisiko bezieht sich auf die Risiken, die durch die Abhängigkeiten und Interaktionen zwischen verschiedenen Modelltypen entstehen. Beispielsweise können die Ergebnisse eines Diagnosemodells für das Gesundheitswesen in ein Vorhersagemodell für die Patientenversorgung einfließen. Wenn das Diagnosemodell eine Verzerrung aufweist, könnte sich diese Verzerrung auf das Vorhersagemodell übertragen und so beeinflussen, wer eine dringende Behandlung erhält.

Um Risiken zu mindern, muss man sich mit den jeweiligen Quellen und Ursachen auseinandersetzen. Hier sind einige Strategien zur Risikominderung, die in ein Modellrisikomanagement-Framework integriert werden können:

• Audits und Reviews: Unternehmen können eigene internen Audits ihrer Modelle durchführen oder externe Experten mit der Durchführung unabhängiger Reviews beauftragen.

• Standards: Die Schaffung von Standards für den Modellierungsprozess kann zur Risikominderung beitragen. Standards können für die Datenerfassung, den Modellentwurfs- und Entwicklungsprozess, Tests, Dokumentationen und für die Verwendung von Modellen erstellt werden.

Nicht alle Risiken können gemindert werden, sodass Unternehmen möglicherweise dennoch einem gewissen Risiko ausgesetzt sind. Für Unternehmen kann es daher hilfreich sein, die eigene Risikobereitschaft festzulegen. Dies ist das Risikoniveau, das ein Unternehmen beim Einsatz von Modellen bereit ist zu tolerieren und zu tragen.

Der Validierungsprozess stellt eine effektive Herausforderung für ein Modell dar, um seine Qualität und seine Ergebnisse zu überprüfen. Die Modellvalidierung erfolgt nach der Implementierung und vor der Freigabe für Modellnutzer. Sie umfasst sowohl quantitative als auch qualitative Ansätze.

Die quantitative Modellvalidierung umfasst die folgenden Strategien:

• Backtesting ist eine Form der Ergebnisanalyse, bei der historische Daten aus der realen Welt verwendet werden, um ein Modell zu testen und so seine Genauigkeit und Wirksamkeit zu bewerten.

• Challenger-Modelle sind alternative Modelle, die entwickelt wurden, um ein „Champion“-Modell herauszufordern. Sowohl das Champion- als auch das Challenger-Modell verwenden dieselben Daten, und ihre Ergebnisse werden verglichen, um mögliche oder versteckte Risiken aufzudecken.

• Die Sensitivitätsanalyse untersucht, wie sich die Änderung einer spezifischen Variable unter bestimmten Bedingungen auf andere Variablen auswirkt.

• Beim Stresstest werden auf der Grundlage spekulativer oder theoretischer Szenarien Simulationen durchgeführt, um zu sehen, wie ein Modell reagiert.

Die qualitative Modellvalidierung berücksichtigt hingegen Faktoren wie die Eignung eines Modells für seinen Zweck und ob ein Modell Normen entspricht oder Vorschriften erfüllt.

Bei der Modellüberwachung werden die Modelle kontinuierlich überprüft, um festzustellen, ob sie immer noch wie vorgesehen funktionieren und weiterhin die erwartete Leistung erbringen. Sie zeigt alle zusätzlichen Risiken auf und weist auf notwendige Aktualisierungen hin, die sich aus Änderungen von Daten, Prozessen und Vorschriften ergeben könnten.

Die Modellvalidierung ist in der Regel Teil des laufenden Überwachungsprozesses. In dieser Phase werden Überwachungs- und Validierungsberichte erstellt und von den relevanten Stakeholdern geprüft, um die notwendigen Maßnahmen zu empfehlen.

Model-Governance bietet einen Überblick über den gesamten Modellierungsprozess. Sie etabliert ein System von Eigentum und Kontrolle durch Richtlinien und Verfahren. Eine solide Model Risk Governance erfordert ein breit gefächertes Team aus Entscheidungsträgern und Interessengruppen – vom Vorstand und der Geschäftsleitung bis hin zu Modelleigentümern, Modellentwicklern und Modellnutzern.

Viele der heutigen Modelle nutzen KI und maschinelles Lernen in irgendeiner Form, insbesondere bei der Erstellung und Prüfung von Modellen.

Beispielsweise wird KI in der Finanzbranche häufig zur Modellierung von Kreditrisiken, Marktrisiken und operationellen Risiken eingesetzt. Die Technologie kann bei der Bewertung von Krediten und Darlehensrisiken helfen, Marktmodelle erstellen und zur Aufdeckung von Finanzbetrug und Geldwäsche beitragen.

KI und maschinelles Lernen können auch im Modellrisikomanagement eingesetzt werden, insbesondere bei der Modellvalidierung (z. B. Stresstests von Marktmodellen) und der Echtzeit-Modellüberwachung. Im Folgenden finden Sie einige gängige Algorithmen und Methoden des maschinellen Lernens, die für das Modellrisikomanagement verwendet werden:

• Durch Clustering können Sensitivitätsanalysen durchgeführt werden, um Anomalien aufzudecken, die auf Risiken hinweisen könnten, wenn Variablen geändert oder bestimmte Szenarien simuliert werden.

• Decision Trees können mit Neural Networks kombiniert werden, um Handelsmodelle zu überwachen und beispielsweise Händler während des Handels auf Änderungen an zugrunde liegenden Mustern aufmerksam zu machen.

• Sowohl Deep Learning als auch Reinforcement Learning können zur Echtzeit-Modellüberwachung, zur Erkennung von Problemen und zur automatischen Empfehlung von Lösungen eingesetzt werden.

• Neural Networks können bei Stresstests helfen und Banken dabei unterstützen, ihre Liquidität unter schwierigen wirtschaftlichen Bedingungen wie einer Rezession zu modellieren.

Modellrisikomanagement-Software kann Unternehmen dabei helfen, Modellrisiken effektiver zu managen. Sie bietet erweiterte Funktionen wie die Modellinventarisierung und -verfolgung sowie die Zuordnung von Metriken, Modellen und Richtlinien zu verschiedenen gesetzlichen Bestimmungen. Andere Modellrisikomanagement-Tool ermöglichen auch das Modellmanagement mit KI und maschinellem Lernen, mit Funktionen, die die Automatisierung der Modellüberwachung und Modellvalidierung beinhalten.