Nach Ansicht des Baseler Ausschusses sei der Kreditrisikobereich in Anbetracht der angewandten Methodik im Vergleich zum Marktrisikobereich weit zurück geblieben.
Es gilt hierbei zwischen den Begriffen Credit Scoring und Rating zu unterscheiden. Ratingsysteme sind Methoden zur Bonitätsbeurteilung von juristischen Personen. Beim Scoring spricht man von der Bonitätsbeurteilung natürlicher Personen.
Zielsetzung dieser Arbeit ist es, das Credit Scoring, als Verfahren bei der Vergabe von Krediten im Privatkundengeschäft anhand ausgewählter und in der Praxis angewandter statischer Verfahren, näher zu bestimmen und dessen Vorgehensweise zu erklären
Inhaltsverzeichnis
1. Einleitung
2. Credit Scoring
2.1. Privatkundengeschäft und Konsumentenkredit
2.2. Einordnung des Credit Scorings in den Kreditprozess
3. Angewandte Verfahren beim Scoring
3.1. Klassifizierungsfehler bei der Kreditentscheidung
3.2. Diskriminanzanalytische Verfahren
3.2.1. Univariate Diskriminanzanalytische Verfahren
3.2.2. Multivariate Diskriminanzanalytische Verfahren
3.3. Probit- und Logitmodelle
3.3.1. Zweizustandsmodelle: Binäre Logitmodelle
3.3.2. Mehrzustandsmodelle und Erweiterungen um Paneldaten
3.4. Neuronale Netzwerke
4. Kritische Würdigung des Credit Scorings
4.1. Vor- und Nachteile der geschilderten statistisch-mathematischen Systeme
4.2. Relevanz aus Sicht der Finanzinstitute
4.3. Relevanz aus Privatkundensicht
5. Schlussfolgerung und Ausblick
Zielsetzung und Themen der Arbeit
Ziel dieser Seminararbeit ist es, das Credit Scoring als wesentliches Verfahren zur Bonitätsbeurteilung natürlicher Personen im Privatkundengeschäft zu untersuchen und die Funktionsweise ausgewählter statistisch-mathematischer Scoring-Methoden verständlich zu erläutern.
- Grundlagen und Einordnung des Credit Scorings in den Kreditprozess
- Klassifizierungsfehler und deren Auswirkungen auf die Kreditentscheidung
- Analyse statistischer Verfahren wie Diskriminanzanalysen, Logitmodelle und Neuronale Netzwerke
- Kritische Würdigung der Scoring-Systeme aus Sicht von Banken und Privatkunden
Auszug aus dem Buch
3.4. Neuronale Netzwerke
Neuronale Netzwerke sind durch die Funktionsweise des menschlichen Gehirns inspirierte und mathematische Nachbildungen. Das Gehirn besteht aus Milliarden von Neuronen, die in Gruppen oder Netzwerken miteinander verbunden sind und über so genannte Reize durch Ionenübertragung miteinander kommunizieren. Diese Tatsache soll computergestützten Systemen dazu dienen, selbständig mit vorher definierten Algorithmen zu lernen und somit eigenständige Entscheidungen zu treffen.
Die meisten neuronalen Netze bestehen aus drei Ebenen, die analog dem EVA-Prinzip funktionieren: Eingabe-Ebene (input layer), Verdeckten-Ebene (hidden layer) und Ausgabe-Ebene (output layer). In der Eingabe-Ebene werden externe Daten in das Netzwerk eingespeist, um sie im Anschluss direkt mittels Neuronen an die Verdeckte-Ebene weiterzugeben. Dort werden sie verarbeitet und gelangen über die Ausgabe-Ebene als Ergebnis zurück zum Anwender (siehe Abbildung 3).
Im Folgenden soll die Verarbeitung anhand eines Feed-Forward-Netzwerkes, eines rückkopplungsfreien Netzes, genauer betrachtet werden.
Die in die Eingabe-Ebene eintretenden Eingangsdaten werden jeweils von dem neuronalen Netz übernommen, anhand vorheriger oder zufälliger Gewichtungen summiert und an die Verdeckte-Ebene weitergegeben. An dieser Stelle erfolgt wiederum eine zufällige Gewichtung der Daten, welche in der weiteren Analyse mit den reellen Werten der Analysestichprobe verglichen werden. Der vom Netz theoretisch ermittelte Wert wird so lange mit den Daten der Analysestichprobe verglichen bis der Fehler zwischen diesen beiden Datenebenen minimiert ist, d.h. bis kein Lernfortschritt mehr zu erreichen ist. Je nach Komplexität des jeweiligen Netzwerkes können diese aus mehreren Verdeckte-Ebene bestehen. Die errechneten Resultate werden mit Hilfe der Ausgabe-Ebene an den Anwender weitergegeben.
Zusammenfassung der Kapitel
1. Einleitung: Erläutert die Bedeutung des Kredits im deutschen Privatkundengeschäft und führt in die Thematik der Bonitätsbeurteilung mittels Scoring ein.
2. Credit Scoring: Definiert den Begriff des Scorings, unterscheidet zwischen Antrags- und Verhaltensscoring und ordnet den Prozess in die Kreditrisikoanalyse ein.
3. Angewandte Verfahren beim Scoring: Beschreibt detailliert statistische Methoden wie Diskriminanzanalysen, Logit-Regressionen und Neuronale Netze zur Bonitätsbewertung.
4. Kritische Würdigung des Credit Scorings: Analysiert Vor- und Nachteile der Verfahren, insbesondere unter dem Aspekt der Objektivität, der Kosteneffizienz und der Transparenz für Kunden.
5. Schlussfolgerung und Ausblick: Fasst die Ergebnisse zusammen und diskutiert aktuelle Herausforderungen wie die Finanzmarktkrise sowie regulatorische Einflüsse.
Schlüsselwörter
Credit Scoring, Kreditrisikoanalyse, Privatkundengeschäft, Diskriminanzanalyse, Logitmodell, Neuronale Netzwerke, Bonitätsbeurteilung, Ausfallwahrscheinlichkeit, Basel II, Finanzinstitute, Scoringverfahren, Klassifizierungsfehler, Bonitätsprüfung, Antragsscoring, Verhaltensscoring.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit dem Credit Scoring als Instrument zur Risikobeurteilung bei der Kreditvergabe im Privatkundengeschäft.
Was sind die zentralen Themenfelder der Arbeit?
Die zentralen Felder umfassen die theoretische Einordnung des Scorings, die mathematischen Verfahren zu dessen Durchführung sowie eine kritische Analyse der Vor- und Nachteile für Banken und Kunden.
Was ist das primäre Ziel oder die Forschungsfrage dieser Arbeit?
Ziel ist es, das Verfahren Credit Scoring anhand gängiger statistischer Modelle näher zu bestimmen, seine Vorgehensweise transparent zu machen und dessen Rolle in der modernen Kreditpraxis zu würdigen.
Welche wissenschaftliche Methode wird zur Analyse verwendet?
Es werden verschiedene quantitativ-statistische Methoden wie univariate und multivariate Diskriminanzanalysen, Logit-Modelle sowie lernende Systeme wie Neuronale Netzwerke in ihrer Funktionsweise und Anwendung beschrieben.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die methodischen Grundlagen des Scorings, die Darstellung spezifischer Klassifizierungsverfahren sowie eine kritische Reflexion hinsichtlich der Fehlerrisiken und der Relevanz für alle beteiligten Parteien.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Die Arbeit wird maßgeblich durch Begriffe wie Kreditwürdigkeit, statistische Modellierung, Ausfallwahrscheinlichkeit, Scoring-Systeme und Risikomanagement charakterisiert.
Was genau versteht der Autor unter dem "Black Box"-Prozess beim Scoring?
Damit ist gemeint, dass die exakte mathematische Gewichtung und Verrechnung der Kundendaten innerhalb der Scoringsysteme für den Anwender oft nicht vollständig nachvollziehbar ist.
Welche Rolle spielen die Fehler erster und zweiter Art bei der Kreditentscheidung?
Sie repräsentieren Fehlentscheidungen: Fehler erster Art führen zu Kreditausfällen (fälschliche Annahme), während Fehler zweiter Art Opportunitätsverluste durch die Ablehnung kreditwürdiger Kunden verursachen.
- Citation du texte
- Christian Marx (Auteur), 2008, Credit Scoring im Privatkundengeschäft, Munich, GRIN Verlag, https://www.grin.com/document/183071
