Modellentwicklung

Die Entwicklung eines IRB-konformen PD-Modells folgt einem strukturierten Prozess: Zunächst werden Datenqualität und Repräsentativität der historischen Ausfallzeitserien geprüft, typischerweise über mindestens fünf Jahre. Darauf folgt die Auswahl geeigneter Risikotreiber durch univariate und multivariate Analysen. Die Modellierung erfolgt häufig über logistische Regression, ergänzt durch Gradient Boosting für nichtlineare Zusammenhänge. Anschließend wird das Modell kalibriert, um Point-in-Time- oder Through-the-Cycle-Schätzungen zu liefern. Vor der Einreichung bei der BaFin durchläuft das Modell eine unabhängige Validierung mit Backtesting, Diskriminanzanalyse (Gini/AUROC) und Kalibrierungstests.

LGD-Modelle (Loss Given Default) schätzen die Verlustquote bei Ausfall und berücksichtigen Sicherheitenwerte, Verwertungserlöse und Verwertungsdauern. Sie verwenden oft zweistufige Modelle: erst eine Klassifikation zwischen Totalausfall und Teilerholung, dann eine Regressionsschätzung der Erlösquote. EAD-Modelle (Exposure at Default) prognostizieren die Höhe der Forderung zum Ausfallzeitpunkt unter Berücksichtigung von Kreditlinienausnutzung und Konversionsfaktoren. Im Gegensatz zu PD-Modellen, die Ausfallwahrscheinlichkeiten als Punktschätzung liefern, erfordern LGD- und EAD-Modelle die Modellierung von Verteilungen und sind stärker von makroökonomischen Downturn-Szenarien abhängig.

Die BaFin fordert für IRB-Modelle eine formale Zulassung auf Basis der CRR/CRD-Vorgaben. Zentrale Anforderungen umfassen: repräsentative Datengrundlagen mit ausreichender Beobachtungsdauer, eine nachvollziehbare Methodik mit dokumentierten Annahmen, regelmäßige unabhängige Validierung durch eine von der Entwicklung getrennte Einheit, laufendes Monitoring der Modellperformance mit definierten Schwellenwerten sowie ein Modellrisikomanagement-Rahmenwerk. Zusätzlich müssen Institute die EBA-Leitlinien zur PD- und LGD-Schätzung beachten und den Use-Test nachweisen, also die tatsächliche Nutzung der Modelle in Kreditentscheidungen und Risikosteuerung.

Die Integration von Machine Learning in IRB-Modelle erfordert einen hybriden Ansatz, der Interpretierbarkeit und regulatorische Akzeptanz sicherstellt. Bewährte Methoden sind: Gradient Boosting (XGBoost, LightGBM) als Challenger-Modell zum Benchmarking des klassischen Modells, SHAP-Werte und LIME für die Erklärbarkeit nichtlinearer Vorhersagen, ML-basiertes Feature Engineering zur Identifikation neuer Risikotreiber, die dann in interpretierbare Modelle einfließen, sowie Ensemble-Methoden, die logistische Regression mit Tree-basierten Verfahren kombinieren. Entscheidend ist die Dokumentation gemäß SR 11–7 und EBA-Anforderungen.

Die Modellentwicklung für Marktpreisrisiken umfasst Value-at-Risk- und Expected-Shortfall-Modelle unter Berücksichtigung nichtlinearer Marktdynamiken. Methodisch kommen parametrische Ansätze (Varianz-Kovarianz), historische Simulation und Monte-Carlo-Simulation zum Einsatz. Fortgeschrittene Modelle nutzen GARCH-Prozesse für zeitvariable Volatilitäten, Regime-Switching-Modelle für verschiedene Marktphasen, Copula-Methoden für komplexe Abhängigkeitsstrukturen und Extreme Value Theory für Tail-Risiken. Im FRTB-Kontext entwickeln wir sowohl Standardansatz- als auch IMA-Modelle mit Risikofaktor-Eligibility-Tests und P&L-Attribution.

Datenqualität ist die Grundlage jedes zuverlässigen Risikomodells. Wir prüfen systematisch: Vollständigkeit der historischen Ausfallzeitserien über mindestens fünf bis zehn Jahre, Repräsentativität der Stichprobe für alle Portfoliosegmente, Konsistenz der Definitionen über verschiedene Quellsysteme hinweg, korrekte Ausfalldefinition gemäß CRR Art.

178 und angemessene Granularität der Risikotreiber. Automatisierte Datenvalidierungsroutinen identifizieren Ausreißer und Inkonsistenzen. Ein Data-Governance-Rahmenwerk mit definierten Data-Ownership-Strukturen und regelmäßigen Qualitätsreviews sichert die laufende Datenqualität.

Externe Beratung bei der Modellentwicklung bringt methodische Breite aus zahlreichen Projekten bei verschiedenen Instituten, aktuelle Kenntnis regulatorischer Entwicklungen wie CRR III und EBA-Leitlinien, unabhängige Perspektive auf bestehende Modelllandschaften und bewährte Vorgehensmodelle, die Entwicklungszeiten verkürzen. ADVISORI kombiniert über elf Jahre Erfahrung in der Risikomodellierung mit Expertise in mehr als

520 Projekten. Unsere Berater kennen sowohl die aufsichtsrechtlichen Anforderungen als auch die praktischen Herausforderungen bei der Integration in bestehende IT-Infrastrukturen und Risikomanagement-Prozesse.