RWA Optimierung durch Künstliche Intelligenz


1 Minuten Lesezeit
15 Jul
15Jul


Hintergrund

Das Eigenkapital einer Bank ist ein wesentlicher Baustein ihrer Risikotragfähigkeit - aber somit auch einer der wesentlichen, das Wachstum des jeweiligen Instituts limitierenden Faktoren. Denn Eigenkapital wird benötigt für die Unterlegung der aus Kredit- und Handelsgeschäften resultierenden risikogewichteten Aktiva (risk-weighted assets; RWA) eines Hauses, und jedes neue Geschäft bringt somit zusätzliche Kapitalanforderungen mit sich.

Da spätestens seit der letzten Finanzmarktkrise das verfügbare Eigenkapital oft begrenzt und teuer ist, hat sich die Optimierung bzw. Minimierung der RWA als eine Kerndisziplin an der Schnittstelle zwischen Unternehmenssteuerung, Risikocontrolling und Meldewesen herausgebildet.

Typische Maßnahmen hierzu sind beispielsweise:

  • Sicherheitenmanagement in Kreditgeschäft, bzw. Collateralmanagement in Handel und Treasury
  • Netting, insbesondere im Derivativgeschäft
  • Reallokation offener Kreditlinien
  • Neutralisierung von Risikopositionen durch Verkauf von Aktiva, Aktivtausch oder Hedge
  • Portfoliooptimierung über Branchen und Bonitätsstufen
  • Optimierung quantitativer Parameter
  • Die Verbesserung der Datenqualität, da gerade Datenfehler oft zu überzogen konservativer Anrechnung führen


Die Herausforderung

Während diese Verfahren grundsätzlich bekannt sind, stellt sich zumeist die Frage, an welchen Stellen noch weiteres Potential zu heben ist. Beispielsweise mag unklar sein, in welchem Umfang in einem Portfolio kleine und mittelständische Unternehmen (KMUs) existieren, die als solche nicht erkannt wurden und somit von der entsprechenden aufsichtsrechtlichen Privilegierung nicht profitieren. Oder in wievielen Fällen fehlt die Einschätzung des Verlustpotentials im Sinne des LGD, weshalb eine entsprechende Risikominderung nicht angewandt werden kann?


Lösungsansätze

Hier bieten auf künstlicher Intelligenz (KI) und maschinellem Lernen (ML) basierende Analysesysteme die Chance, auch große und verbose Datenbestände effizient auf Anomalien zu analysieren und somit Optimierungspotentiale zielsicher zu identifizieren und zu quantifizieren. 

Beispielsweise können maschinelle Klassifizierer durch ähnliche Charakteristika beschriebene Cluster erkennen, für die entsprechend homogene Kapitalanforderungen zu erwarten wären - und dann eventuelle Outlier identifizieren. Bayes'sche Verfahren, seit langem in der Identifikation von Spam eingesetzt, können Datenanomalien aufzeigen. Neuronale Netze können auf komplexe Ableitungsregeln trainiert werden und somit manuell gesetzte Kennzeichen überprüfen.

Dabei müssen Analysen nicht nur auf Einzelgeschäftsebene in Ursprungsdatenbeständen gefahren werden. Auch die Überprüfung von Reportingdaten in aufsichtlichen Standardformaten kann bereits wertvolle Impulse geben.

Und für die Behebung erkannter Probleme lassen sich mit Hilfe robotischer Prozessautomatisierung (RPA) kurzfristig Korrekturmaßnahmen umsetzen.


Unser Beitrag

Als auf den Themenbereich Kreditrisikomanagement spezialisierte Unternehmensberatung haben wir umfangreiche Erfahrung in der Umsetzung von Prozessen und Systemen zur Ermittlung der Eigenkapitalunterlegung - aber auch in der Optimierung derselben.

Und gerade in diesem Themenfeld analysieren wir für Sie neue Softwarelösungen, die auch ihr Haus auf Grundlage von KI bzw. ML sowie RPA bei der Optimierung der Eigenkapitalanforderungen unterstützen können. 

Für weitere Informationen zu unserem diesbezüglichen Leistungsspektrum erreichen Sie uns jederzeit unter info.de@gutmark.eu.