Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen

Größe: px

Ab Seite anzeigen:

Download "Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen"

Jacob Weiss
vor 7 Jahren
Abrufe

1 Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen Bankingclub 2015 Webinar 5. November 2015 Dennis Weinbender

2 Disclaimer Alle nachfolgenden Inhalte geben ausschließlich die persönliche Auffassung des Vortragenden wieder und stellen nicht die offizielle Auffassung seines Arbeitgebers dar. 1

3 Fraud Definition: Bilanzpolitik und Bilanzmanipulation sind voneinander abzugrenzen Übergang von Bilanzpolitik zu -manipulation (Fraud) ist fließend 1) Bilanzpolitik dient in guten Zeiten der Reduktion des Steueraufkommens durch Ausnutzung von Bilanzierungswahlrechten. In schlechten Zeiten dient sie jedoch dem Erhalt der Kreditwürdigkeit. Progressive Bilanzpolitik, z.b. Unterbewertung von Abschreibungen bei Forderungsausfällen können erste Signale sein. Fraud liegt spätestens dann vor, wenn auf Basis von manipulierten oder vorenthaltenen Informationen ein falscher Bonitätseindruck vermittelt wird. Das heißt die Linie/ das Kredit wäre unter den Konditionen nicht gegeben, wenn die nicht manipulierte Information verfügbar wäre. Prävention Ziel der Prävention ist die Verschleierung der objektiven Situation des Unternehmens möglichst frühzeitig, insbesondere vor Auszahlung zu erkennen. Dafür sind Detektionsmethoden entwickelt worden, die Auffälligkeiten erkennen und sichtbar machen. 1) Siehe z.b.obermann, M., Bilanzpolitik und Kreditvergabeentscheidungen, Lüneburg

4 Fraud-Engine extrahiert und verbindet Fraud-Trigger aus beliebigen Datenquellen Dateninput flexibel als Datenquellen können jegliche Inhalte zu den Kunden verarbeitet werden Falls die Datenquelle die Bestimmung der Frauds ungenauer macht, wird dies erkannt und die Quelle wird ignoriert. Bank Produkte Bilanzen Dokumente Auskunfteien Internet Prozess Infos Kunden Infos Statistisches Modell Basis ist ein Datensatz von Engagements mit zwei Kennzeichen: Fraud und Non Fraud basierend auf Informationen zu den Fällen wird der Fraud-Score bestimmt, der die beiden Gruppen möglichst zuverlässig voneinander trennt Fraud-Engine Fraud Score der Fraud-Score von neuen Fällen (dessen Kennzeichen nicht bekannt ist) sagt aus, wie hoch die Ähnlichkeit zu bisher bekannten Fraudfällen ist auffällig Ergebnis: vergleichsweise hoher Score führt zur Markierung eines Engagements Quali Quali Bilanz Bilanz Stamm Stamm Konto Konto vorerst unauffällig Ergebnis: vergleichsweise niedriger Score und damit keine auffallend starke Ähnlichkeit zu Fraudfällen 3

5 Analog zu Retail bündelt nun Fraud-Engine Prüfressourcen auf relevante Engagements und führt zur frühzeitigen/ rechtzeitigen Frauderkennung 1. Das gesamte Portfolio wird mit einem maschinellen Score auf Fraud- Auffälligkeiten geprüft 2. Das auffällige Portfolio wird analysiert 3. Die Fraud-Entscheidung wird nach einer Experten-basierten Prüfung getroffen in einem Fraud-Fall werden die entsprechenden Maßnahmen eingeleitet bei einem unbegründeten Verdacht geht das Engagement zurück in den Regelprozess der Bonitätseinschätzung 4. In Anbetracht der Bonitätsentwicklung werden abrupt ausgefallene Engagements zusätzlich in einer Dunkelfeldanalyse auf Fraud untersucht 5. Die Meldungen der Prüfergebnisse bilden einen Qualitätszyklus Normale Geschäftsprüfung Bonitätseinschätzung Fraud Prevention Fraud-Scoring Maschinell auffällige Engagements Tiefenprüfung Kein Fraud Fraud Monitoring Die aufwändige Fraud-Prüfung wird auf wenige relevante Engagements gebündelt Alle Geschäfte bekommen ein maschinelles Kennzeichen und dazu, nach dem Prüfprozess, eine qualitative Rückmeldung von den Prüfern Diese Korrektur des Fraud-Kennzeichens und die ex post Beurteilung ausgefallener Engagements gewährleisten, dass das Modell dazu lernen kann und trennschärfer wird Dunkelfeld analyse Absicherung Kündigung Meldung Rückmeldung an die Methode 4

6 Fraud-Engine benutzt State-of-the-Art Algorithmen für Model Schätzung und Valiedierung Doppelte Kreuzvalidierung Training und Test Validierung Validierung auf Chunk 4 Methode der doppelten Kreuzvalidierung verhindert Overfitting Der Datensatz wird in mehrere Teile (Chunks) unterteilt. Wiederholt wird das Modell auf disjunkten Teilen trainiert und getestet Die innere Validierung bestimmt das beste Modell, die äußere testet dessen Generalisierbarkeit Alle Bilanzen eines Netzwerks werden gemeinsam betrachtet, d.h. sie befinden sich immer in einem Teildatensatz Validierung Training und Test Chunk 1 Chunk 2 Chunk 3 Chunk 4 Validierung auf Chunk 4 Benutzung von State-of-the-Art Verfahren des Maschinellen Lernens Regeln: SVM radial Random Forest Gradient Boosting Regression: PLS MARS Elastic net Neuronale Netze: Autoencoder Deep Nets time Daten eines Non-Fraud Netzwerks Daten eines Fraud Netzwerks Daten eines Test Netzwerks Daten eines Validierungs Netzwerks Maschinelles Lernen erweitert die klassische Toolbox, jedoch hat jedes Verfahren Stärken und Schwächen. (No Free Lunch) Blackbox-Verfahren: werden als Benchmarks benutzt Whitebox-Verfahren stellen den Kern der Operativen Anwendung dar. Rückführung auf die Bestandteile liefern erste Prüfpunkte bei der Fraud-Untersuchung. 5

7 Fraud-Engine präsentiert die aktiven Fraud-Trigger, ordnet diese der Wichtigkeit nach und zeigt zusätzliche Informationen auf Korrespondieren die Veränderungen in den Zahlen zu realen Business Vorgängen? 6

8 Vielen Dank für Ihre Aufmerksamkeit! Dennis Weinbender Fraud Management Group Credit Risk Management Tel.: Mail: 7

Ähnliche Dokumente

Wissensentdeckung in Datenbanken

Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial