Machine Learning für IRBA-Ratingverfahren
Analyse des EBA-Follow-up-Reports zur Anwendung von Machine Learning in der IRBA-Kreditrisikomodellierung – Chancen, Herausforderungen und regulatorische Anforderungen.
Autoren: Manfred Puckhaber, Prof. Dr. Dirk Schieborn
Publikation: banking.vision – Blog von msg for banking
Erscheinungsjahr: 2023
Zusammenfassung
Der Beitrag analysiert den Follow-up-Report der Europäischen Bankenaufsichtsbehörde (EBA) zur Anwendung maschineller Lernverfahren in der IRBA-Kreditrisikomodellierung. Im Mittelpunkt steht die Frage, wie Banken ML-Verfahren – insbesondere zur PD-Schätzung – einsetzen können, ohne dabei regulatorische Anforderungen zu verletzen.
Zentrale Themen
Methodische Stärken und Grenzen: ML-Verfahren können gegenüber klassischen Ratingmodellen bessere Trennschärfen erzielen, erfordern aber aufwändigere Validierungs- und Dokumentationsprozesse.
Interpretierbarkeit: Ein angemessenes Gleichgewicht zwischen Modellleistung und Erklärbarkeit der Ergebnisse ist für die regulatorische Abnahme zwingend erforderlich. Der SHAP-Ansatz wird als zentrales Werkzeug zur Verbesserung der Modellinterpretierbarkeit hervorgehoben.
Regulatorischer Rahmen: Der Artikel beleuchtet die Wechselwirkungen mit CRR/CRD sowie dem EU AI Act, der für IRBA-Verfahren als Hochrisikosystem gelten kann.
EBA-Empfehlungen: Umfassende Modelldokumentation, Anforderungen an Team-Expertise, rigorose Out-of-Sample- und Out-of-Time-Tests sowie SHAP-gestützte Erklärbarkeit.