Ziel dieser Arbeit ist es darzulegen, ob Künstliche Neuronale Netze grundsätzlich in der Lage sind, den Ansprüchen der Kreditwürdigkeitsprüfung im Privatkundengeschäft gerecht zu werden und damit eine Alternative zu den bislang eingesetzten Verfahren bieten. Dazu befasst sich die Arbeit in Kapitel 2 nach einer kurzen Einführung zu Neuronalen Netzen mit der Darstellung eines anwendungsspezifischen Neuronalen Netzes, ehe darauf aufbauend in einzelnen Schritten die Lernweise eines solchen Beurteilungsverfahrens vorgestellt wird. In Kapitel 3 werden anschließend in einer kritischen Würdigung Probleme aufgezeigt, die mit dem Aufbau und der Anwendung Neuronaler Netze verbunden sind, bevor eine abschließende Einschätzung im Hinblick ihres Einsatzes zur KWP diese Arbeit abrundet.
Inhaltsverzeichnis
1. Einleitung
1.1 Problemstellung
1.2 Aufbau und Ziele der Kreditwürdigkeitsprüfung
1.3 Zielsetzung und Vorgehensweise der Arbeit
2. Anwendung eines Künstlichen Neuronalen Netzes zur Kreditwürdigkeitsprüfung
2.1 Einordnung und Definition von Künstlichen Neuronalen Netzen
2.2 Aufbau und Funktionsweise eines geeigneten Neuronalen Netzes
2.2.1 Neuronen als elementarer Bestandteil zur Repräsentation von Risikomustern und dessen Klassenzugehörigkeit
2.2.2 Funktionale Zusammenhänge für die Verarbeitung eingehender Kreditdaten
2.2.3 Verwendung eines Backpropagation-Netzwerks als Netztyp zur Beurteilung der Kreditwürdigkeit von Privatkunden
2.3 Training des Neuronalen Netzes anhand von vergangenen Kreditfällen
2.3.1 Zusammenstellung der Datenbasis aus abgeschlossenen Kreditverläufen anhand relevanter Kreditmerkmale
2.3.2 Aufteilung der Stichprobe aus der Menge der aufbereiteten Kreditdaten
2.3.3 Gewichtung der Bonitätsmerkmale in der Lernphase zur Klassifizierung guter und schlechter Kredite
2.3.4 Bestimmung des Abbruchzeitpunktes und Überprüfung der Klassifikationsergebnisse
3. Kritische Würdigung der Verwendung eines Künstlichen Neuronalen Netzes zur Kreditwürdigkeitsprüfung im Privatkundengeschäft
3.1 Schwierigkeiten bei der Entwicklung eines anwendungsspezifischen Netzes
3.2 Auftretende Probleme bei der Beurteilung der Klassifikationsqualität von Privatkunden
3.3 Abschließende Einschätzung für die Eignung und Anwendbarkeit Neuronaler Netze zur Kreditwürdigkeitsprüfung
Zielsetzung & Themen
Die vorliegende Arbeit untersucht das Potenzial Künstlicher Neuronaler Netze (KNN) als effiziente Alternative zu klassischen statistischen Methoden bei der Kreditwürdigkeitsprüfung im Privatkundengeschäft, um Entscheidungsprozesse zu optimieren und Ausfallrisiken zu senken.
- Grundlagen und Funktionsweise Künstlicher Neuronaler Netze.
- Anwendung des Backpropagation-Algorithmus zur Risikoklassifizierung.
- Prozess der Datenaufbereitung und Modellierung von Trainingsstichproben.
- Herausforderungen und kritische Erfolgsfaktoren bei der Implementierung.
- Bewertung der Leistungsfähigkeit und Anwendbarkeit im praktischen Bankalltag.
Auszug aus dem Buch
1.1 Problemstellung
Im Rahmen eines Kreditvergabe-Entscheidungsprozesses nimmt die Kreditwürdigkeitsprüfung (KWP), besonders vor dem Hintergrund einer anwachsenden Überschuldung der privaten Haushalte und zugleich sich zunehmend verschärfter Wettbewerbsbedingungen, die zu einem Margenverfall geführt haben, eine zentrale Stellung ein. Es erscheint daher immer wichtiger, die Kosten im Kreditgeschäft durch geeignete Maßnahmen nachhaltig zu reduzieren und dabei gleichzeitig die Entscheidungsqualität zu verbessern. Aus diesem Grunde sollen verstärkt Beurteilungsverfahren zum Einsatz kommen, die einerseits die Bearbeitungszeit und damit die auf einen Kreditvertrag entfallenden Personalkosten reduzieren und anderseits zu einer Verringerung der nicht unerheblichen Forderungsausfälle beitragen, indem sie objektivierter, schneller und zuverlässiger als einzelne Kreditsachbearbeiter den wahrscheinlichen Ausgang eines Kreditengagements prognostizieren. Während sich mathematisch-statistische Verfahren wie etwa die multivariate Diskriminanzanalyse (MDA) bereits in der Praxis großenteils bewähren konnten, erheben seit Anfang der 90er Jahre einige Autoren den Anspruch, dass auch Künstliche Neuronale Netze (KNN) als ein geeignetes Verfahren zur KWP im Privatkundengeschäft eingesetzt werden können.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung beleuchtet die wirtschaftliche Notwendigkeit einer effizienteren Kreditwürdigkeitsprüfung und führt in die wissenschaftliche Fragestellung bezüglich Künstlicher Neuronaler Netze ein.
2. Anwendung eines Künstlichen Neuronalen Netzes zur Kreditwürdigkeitsprüfung: Dieses Kapitel erläutert die theoretischen Grundlagen von KNN, den technischen Aufbau, das Backpropagation-Training sowie die notwendige Datenaufbereitung für das Scoring.
3. Kritische Würdigung der Verwendung eines Künstlichen Neuronalen Netzes zur Kreditwürdigkeitsprüfung im Privatkundengeschäft: Das Fazit und die kritische Analyse befassen sich mit den praktischen Implementierungsschwierigkeiten, Problemen bei der Modellqualität und einer abschließenden Einschätzung der Eignung für Kreditinstitute.
Schlüsselwörter
Kreditwürdigkeitsprüfung, Künstliche Neuronale Netze, Backpropagation, Kreditgeschäft, Risikoklassifizierung, Privatkundengeschäft, Bonitätsprüfung, Scoring, Fehlklassifikation, Lernverfahren, Datenaufbereitung, Ausfallwahrscheinlichkeit, Kreditrisiko, statistische Verfahren, Modellarchitektur.
Häufig gestellte Fragen
Worum geht es in dieser Seminararbeit grundlegend?
Die Arbeit analysiert den Einsatz von Künstlichen Neuronalen Netzen zur automatisierten Kreditwürdigkeitsprüfung im Privatkundengeschäft als alternative Methode zu traditionellen statistischen Verfahren.
Welche zentralen Themenfelder werden in der Arbeit adressiert?
Zentrale Themen sind die mathematische Modellierung von Neuronen, das Training mittels Backpropagation, die notwendige Stichproben-Strukturierung und die kritische Prüfung der Anwendbarkeit im Banksektor.
Was ist das primäre Ziel der Untersuchung?
Ziel ist es zu ermitteln, ob Künstliche Neuronale Netze in der Lage sind, Kreditrisiken bei Privatkunden präziser oder effizienter zu prognostizieren als klassische Methoden.
Welche wissenschaftliche Methode kommt zur Anwendung?
Die Arbeit basiert auf einer fundierten Literaturanalyse technischer und betriebswirtschaftlicher Konzepte zur Funktionsweise von Backpropagation-Netzwerken und deren Übertragung auf ökonomische Entscheidungsmodelle.
Was behandelt der Hauptteil der Arbeit?
Der Hauptteil erstreckt sich von der methodischen Einführung in die Funktionsweise neuronaler Architekturen bis hin zur detaillierten Beschreibung der Trainingsphasen und der Fehlerkorrektur während des Modellaufbaus.
Welche Keywords charakterisieren diese wissenschaftliche Arbeit?
Die Arbeit wird primär durch Begriffe wie Kreditwürdigkeitsprüfung, Künstliche Neuronale Netze, Backpropagation-Algorithmus und Risikoklassifizierung charakterisiert.
Warum ist die Datenaufbereitung für das neuronale Netz so kritisch?
Die Qualität der Ergebnisse hängt maßgeblich von einer repräsentativen Datenbasis ab, wobei die Trennung in Trainings-, Generalisierungs- und Kontrollstichproben entscheidend ist, um das "Überlernen" des Netzes zu vermeiden.
Welches Problem beschreibt der Autor bezüglich der Nachvollziehbarkeit?
Eine zentrale Schwäche von KNN ist laut Autor die mangelnde Transparenz der Entscheidungswege, da die komplexen Gewichtungen in den verborgenen Schichten ökonomisch schwer zu interpretieren sind.
Wie hoch ist laut Arbeit der aktuelle Verbreitungsgrad von KNN in der Praxis?
Aufgrund des hohen Entwicklungsaufwands und verbleibender technischer Unsicherheiten liegt der Verbreitungsgrad laut Arbeit aktuell bei lediglich 10 bis 20 Prozent in Banken.
- Quote paper
- Andreas Prestele (Author), 2004, Kreditwürdigkeitsprüfung mit Hilfe Neuronaler Netze im Privatkundengeschäft - Darstellung und kritische Würdigung, Munich, GRIN Verlag, https://www.grin.com/document/186084
