Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs

Transkript

1 Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs 1. Klagenfurter KMU Tagung Tanja Schuschnig Alexander Brauneis Institut für Finanzmanagement Schuschnig / Brauneis (IFM) Neuronale Netze / 19

2 Agenda 1 Einleitung und Problemstellung 2 Modelle der Kreditwürdigkeitsprüfung 3 Kreditdaten österreichischer KMUs 4 Methode und Diskussion Schuschnig / Brauneis (IFM) Neuronale Netze / 19

3 Motivation Einleitung und Problemstellung Die Beurteilung von Kreditrisiken mittels Künstlicher Neuronaler Netze Genügen Künstliche Neuronale Netze (KNN) den aus Basel II ableitbaren Anforderungen? Schuschnig / Brauneis (IFM) Neuronale Netze / 19

4 Einleitung und Problemstellung Basel II ein Überblick 24. Juni 2004: Verabschiedung International Convergence of Capital Measurement and Capital Standards (Basel II) 3 Säulen: 1 Mindestkapitalanforderungen 2 Aufsichtliches Überprüfungsverfahren 3 Marktdisziplin Umsetzung EU-Raum: BankenRL, KapitaladäquanzRL Umsetzung Österreich: BankwesenG, SolvabilitätsVO, OffenlegungsVO Schuschnig / Brauneis (IFM) Neuronale Netze / 19

5 Einleitung und Problemstellung Messung des Kreditrisikos gemäß Basel II In-Kraft-Treten Anwendung per Standardansatz seit möglich, seit 91,81% der KI zwingend Basis-IRB-Ansatz seit möglich 8,19% der KI Fortgeschrittener-IRB- Ansatz seit möglich - Schuschnig / Brauneis (IFM) Neuronale Netze / 19

6 Einleitung und Problemstellung Standardansatz Direkte Weiterentwicklung von Basel I Unterschiedliche Risikogewichte für Kredite an Unternehmen (20%, 50%, 100%, 150%) Risikobeurteilung durch externe, zugelassene Ratingagenturen Schuschnig / Brauneis (IFM) Neuronale Netze / 19

7 Einleitung und Problemstellung IRB-Ansätze Risikobeurteilung durch KI-interne Verfahren Zulassung durch FMA erforderlich Basis-IRB-Ansatz Fortgeschrittener IRB-Ansatz Ausfallwahrscheinlichkeit KI-eigene Ermittlung KI-eigene Ermittlung (PD) Erwartetes Volumen bei Vorgabe der FMA KI-eigene Ermittlung Ausfall (EAD) Verlustquote bei Ausfall Vorgabe der FMA KI-eigene Ermittlung unter Berücksichtigung der Besicherung (LGD) Restlaufzeit (M) Vorgabe der FMA KI-eigene Ermittlung Schuschnig / Brauneis (IFM) Neuronale Netze / 19

8 Einleitung und Problemstellung Zulassungskriterien bankinterner Ratingverfahren Ermittlung der Zielgröße PD Vollständigkeit Objektivität Akzeptanz Widerspruchsfreiheit Schuschnig / Brauneis (IFM) Neuronale Netze / 19

9 Modelle der Kreditwürdigkeitsprüfung Überblick Modelle Ausgewählte Modelle der Kreditwürdigkeitsprüfung Expertensysteme (Externe) Ratingsysteme Scoring Modelle Lineare Diskriminanzanalyse Lineare Regressionsmodelle Logit und Probit Modelle Neuere Ansätze: Künstliche Neuronale Netzwerke (KNN) Schuschnig / Brauneis (IFM) Neuronale Netze / 19

10 Modelle der Kreditwürdigkeitsprüfung Grundstruktur eines KNN Gewichtungsschema (Ermittlung durch Lernalgorithmus) Transferfunktion Ausgabewert Quelle: Angelini et al. 2008, S.742 Schuschnig / Brauneis (IFM) Neuronale Netze / 19

11 Modelle der Kreditwürdigkeitsprüfung Feedforward Netzwerke Input Layer Anzahl der Neuronen entsprechend den Inputdaten Ein oder mehrere Hidden Layer Output Layer Ein Neuron, Ausgangswert [0,1] Beurteilung der Kreditwürdigkeit Quelle: Angelini et al. 2008, S.745 Schuschnig / Brauneis (IFM) Neuronale Netze / 19

12 Datensatz Kreditdaten österreichischer KMUs Jahresabschlussdaten von Kreditnehmern einer österreichischen Regionalbank. Insgesamt stehen 134 Datensätze von Kreditnehmern zur Verfügung, die Kreditvertragszeiträume beziehen sich auf Zeiträume vor der 7 Kennzahlen sind in Prozent der Betriebsleistung (BL) 1 Betriebsergebnis in % der BL (BE) 2 Eigenkapitalquote (EKQ) 3 Anlagendeckung II in % (ADII) 4 Effektivverschuldung in % der BL (Eff) 5 Cash Flow in % der BL (CF) 6 Kreditorenziel (KredZ) 7 Debitorenziel (DebZ) Beurteilung der Bonität Solvent... 0; tw. Ausfall, Verzug... 0,5; insolvent... 1 Schuschnig / Brauneis (IFM) Neuronale Netze / 19

13 Kreditdaten österreichischer KMUs Deskriptive Statistik Die folgende Tabelle zeigt deskriptive Statistiken unseren Datensatz betreffend: BE EKQ ADII Eff CF KredZ DebZ Mittelwert Median Maximum Minimum Standardabw Schiefe weitere Verarbeitung Für Verwendung im KNN werden die Daten auf das Intervall [0,1] normalisiert Schuschnig / Brauneis (IFM) Neuronale Netze / 19

14 Methode und Diskussion Software und Methode Einsatz eines fertigen Softwarepakets (Matlab) Exemplarische Anwendung zweier Netzwerkarchitekturen (1) Netzwerk = {7, 5, 1} (2) Netzwerk = {7, 3, 3, 1} Abbildung: Benutzeroberfläche Matlab Schuschnig / Brauneis (IFM) Neuronale Netze / 19

15 Simulation Methode und Diskussion fache zufällige Auswahl von 90 aus 134 Datensätzen Training des Netzwerks Anwendung des KNN auf die verbleibenden 44 Datensätze Abgleichen des Istzustands (solvent/insolvent) mit der Netzvorhersage Schuschnig / Brauneis (IFM) Neuronale Netze / 19

16 Ergebnisse Methode und Diskussion Vorhersage Netz (1) Vorhersage Netz (2) solvent insolvent solvent insolvent Real solvent (80.15%) 152 (5.54%) 2176 (80.71%) 113 (4.19%) insolvent 146 (5.32%) 247 (8.99%) 174 (6.45%) 233 (8.64%) Schuschnig / Brauneis (IFM) Neuronale Netze / 19

17 Plausibilität Methode und Diskussion Konsequenzen der Veränderung von Werten des Validierungsdatensatzes BE EKQ ADII Eff CF KredZ DebZ Erhöhung = = Reduzierung = = Schuschnig / Brauneis (IFM) Neuronale Netze / 19

18 Diskussion Methode und Diskussion Ermittlung der Zielgröße PD Vollständigkeit Objektivität Akzeptanz Widerspruchsfreiheit Schuschnig / Brauneis (IFM) Neuronale Netze / 19

19 Vielen Dank Methode und Diskussion Schuschnig / Brauneis (IFM) Neuronale Netze / 19