In dieser Arbeit werden der Aufbau und die Verwendung von neuronalen Netzen erläutert sowie die Anwendung in der Praxis des Kreditrisikomanagements dargestellt. Eine Modellsimulation wird zeigen, zu welchen Ergebnissen das angewandte künstliche neuronale Netz bei zwei unterschiedlichen Datensätzen – einem Trainings- und einem Validierungsdatensatz – kommt. Neben den Vorteilen und Nachteilen eines solchen Modells wird auch auf den Hauptnachteil künstlicher neuronaler Netze, deren "Black Box"-Charakter, eingegangen und aufgezeigt, wie dieser Nachteil durch Fuzzy-Systeme kompensiert werden kann.
Die Vergabe von Krediten an Unternehmen und Privatpersonen birgt für den Gläubiger immer das Risiko des Kreditausfalls. Um Kreditrisiken einzuschätzen und steuern zu können, muss Kreditrisikomanagement betrieben werden. Neben den in der Praxis weit verbreiteten Methoden der Diskriminanzanalyse oder der logistischen Regression finden bei der Risikoeinschätzung zunehmend auch künstliche neuronale Netze Anwendung. Diese basieren auf dem Modell der Neuronen des biologischen Nervensystems.
Inhaltsverzeichnis
1. EINLEITUNG
2. KREDITRISIKOMANAGEMENT
2.1. Aufgaben und Ziele des Kreditrisikomanagements
2.2 Kreditwürdigkeitsanalyse im Rahmen des Kreditrisikomanagements
2.2.1 Anforderungen an die Modelle
2.2.2 Identifikation der eingehenden Merkmale
2.2.3 Modellbildung
2.2.4 Modell-Validierung
3. KÜNSTLICHE NEURONALE NETZE
3.1 Entwicklung künstlicher neuronaler Netze
3.2 Aufbau von künstlichen neuronalen Netzen
3.2.1 Bausteine und Strukturen künstlicher neuronaler Netze
3.2.2 Lernregeln
4. ANWENDUNG KÜNSTLICHER NEURONALER NETZE IM KREDITRISIKOMANAGEMENT
4.1 Theoretische Basis für die Anwendung in der Praxis
4.2 Eignung künstlicher neuronaler Netze für die Kreditrisikomessung
4.2.1 Vorteile künstlicher neuronaler Netze
4.2.2 Nachteile der künstlichen neuronalen Netze
4.2.3 Erfüllung der Modellanforderungen im Rahmen der Kreditwürdigkeitsprüfung
4.3 Anwendung in der Praxis
5. BEISPIEL EINER KREDITRISIKOBERECHNUNG MIT EINEM SELBSTPROGRAMMIERTEN KÜNSTLICHEN NEURONALEN NETZ
5.1 Datensimulation
5.1.1 Qualitative Daten
5.1.2 Quantitative Daten
5.2 Modellerstellung
5.3 Bewertung der Ergebnisse
5.3.1 Trainingsdaten
5.3.2 Validierungsdaten
6. REDUKTIONSMÖGLICHKEIT DER BLACK BOX PROBLEMATIK
6.1 Fuzzy-Systeme
6.2 Neuro-Fuzzy-Systeme zur Reduktion der Black Box
7. ZUSAMMENFASSUNG UND AUSBLICK
Zielsetzung & Themen
Die vorliegende Arbeit untersucht die Anwendbarkeit künstlicher neuronaler Netze im Kreditrisikomanagement zur Ermittlung von Ausfallwahrscheinlichkeiten, wobei die methodische Eignung und die Herausforderungen der sogenannten "Black Box"-Problematik analysiert werden.
- Grundlagen des Kreditrisikomanagements und der Bonitätsanalyse.
- Funktionsweise und Lernmechanismen künstlicher neuronaler Netze.
- Simulation einer Kreditrisikoberechnung mittels der Software R.
- Analyse von Vor- und Nachteilen neuronaler Netze in der Kreditpraxis.
- Lösungsansätze zur Reduktion der Black-Box-Problematik durch Neuro-Fuzzy-Systeme.
Auszug aus dem Buch
3.1 Entwicklung künstlicher neuronaler Netze
Die Entscheidung, welches Modell für die Ermittlung der Ausfallwahrscheinlichkeiten gewählt wird, hängt u.a. von seiner Praktikabilität im spezifischen Anwendungsfall und seiner Prognosequalität ab. Die Anwendung künstlicher neuronaler Netze wäre dafür besonders geeignet, wenn sehr viele Parameter vorhanden und die statistische Verteilung der Parameter sowie die Zusammenhänge zwischen den Parametern unbekannt sind (vgl. Werner, S. 3).
Die künstlichen neuronalen Netze sollen die Vorteile von Computern und dem menschlichen Gehirn verknüpfen. Die Schnelligkeit der Computer beim Lösen von Algorithmen wird mit der Fähigkeit des menschlichen Gehirns, Dinge zu erkennen und zu erlernen und dann auch trotz fehlerhaften „Inputs“ die Informationen richtig zu verarbeiten, kombiniert (vgl. Pacelli und Azzollini, S. 105ff.).
Erstmals haben sich im Jahr 1943 Warren McCulloch und Walter Pitts mit einem künstlichen Neuronenmodell beschäftigt. Auf dieser Idee basierend wurden immer bessere Lernalgorithmen und Modelle entwickelt. Bereits 1958 wurde der erste Neurocomputer („Mark I Perceptron“) erfolgreich programmiert. Mit der Entwicklung des Backpropagations-Lernalgorithmus im Jahre 1986 intensivierte sich die Forschung auf diesem Thema und die Anwendbarkeit derartiger Modelle wird kontinuierlich weiterentwickelt (vgl. Kriesel, S. 9ff.).
Das Besondere an neuronalen Netzen ist, dass sie selbstständig lernen und sich anpassen können. Nach einmaliger Programmierung und einem Training mithilfe von Trainingsdaten können sie nicht nur die erlernten, sondern auch ähnliche Aufgaben ohne weitere menschliche Eingriffe lösen. Außerdem können neuronale Netze auch bei unvollständigem oder falschem Input noch korrekte Ergebnisse erzielen (vgl. Kriesel, S. 4).
Zusammenfassung der Kapitel
1. EINLEITUNG: Einführung in die Thematik des Kreditrisikomanagements und die Relevanz mathematischer Verfahren zur Risikoeinschätzung.
2. KREDITRISIKOMANAGEMENT: Erläuterung der Aufgaben und Ziele sowie der Anforderungen an Modelle zur Kreditwürdigkeitsanalyse.
3. KÜNSTLICHE NEURONALE NETZE: Darstellung der theoretischen Grundlagen, des Aufbaus und der Lernregeln künstlicher neuronaler Netze.
4. ANWENDUNG KÜNSTLICHER NEURONALER NETZE IM KREDITRISIKOMANAGEMENT: Evaluierung der Eignung neuronaler Netze unter Berücksichtigung von Vor- und Nachteilen in der Praxis.
5. BEISPIEL EINER KREDITRISIKOBERECHNUNG MIT EINEM SELBSTPROGRAMMIERTEN KÜNSTLICHEN NEURONALEN NETZ: Praktische Simulation eines Kreditrisikomodells mittels der Software R und Bewertung der Ergebnisse.
6. REDUKTIONSMÖGLICHKEIT DER BLACK BOX PROBLEMATIK: Vorstellung von Fuzzy-Systemen und Neuro-Fuzzy-Systemen als Lösungsansatz für die Intransparenz neuronaler Netze.
7. ZUSAMMENFASSUNG UND AUSBLICK: Fazit zur Anwendbarkeit und zum Forschungsbedarf hinsichtlich der Transparenz KI-basierter Modelle im Bankensektor.
Schlüsselwörter
Kreditrisikomanagement, Kreditwürdigkeitsprüfung, Ausfallwahrscheinlichkeit, Künstliche neuronale Netze, Backpropagation, Black Box, Fuzzy-Systeme, Neuro-Fuzzy-Systeme, Bonität, Risikosteuerung, Trainingsdaten, Validierungsdaten, Bankenaufsicht, Statistik, Simulation.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Bachelorarbeit beschäftigt sich mit dem Einsatz künstlicher neuronaler Netze zur Berechnung von Kreditrisiken bei Privatkunden.
Was sind die zentralen Themenfelder der Arbeit?
Zentrale Themen sind die mathematische Modellierung von Ausfallwahrscheinlichkeiten, die theoretischen Grundlagen neuronaler Netze und deren praktische Implementierung sowie die kritische Problematik ihrer mangelnden Transparenz.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist es, zu zeigen, wie neuronale Netze zur Risikoeinschätzung eingesetzt werden können, und gleichzeitig die Grenzen dieser Methode, insbesondere den „Black Box“-Charakter, kritisch zu diskutieren.
Welche wissenschaftliche Methode wird verwendet?
Neben einer theoretischen Literaturanalyse wird eine Modellsimulation mittels der Programmiersprache R durchgeführt, um die Kreditwürdigkeit anhand simulierter Datensätze zu testen.
Was wird im Hauptteil der Arbeit behandelt?
Im Hauptteil werden neben den theoretischen Grundlagen der Aufbau und die Anwendung neuronaler Netze sowie die Vorteile und regulatorischen Hindernisse beim Einsatz im Kreditrisikomanagement detailliert erläutert.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die wichtigsten Begriffe sind Kreditrisikomanagement, künstliche neuronale Netze, Ausfallwahrscheinlichkeit, Backpropagation, Bonität, Black-Box-Problematik und Fuzzy-Logik.
Warum wird für das Beispiel die Software R verwendet?
Die Open-Source-Software R wurde gewählt, um die Kreditrisikoberechnungen und das Training des neuronalen Netzes eigenständig und transparent durchzuführen.
Können neuronale Netze die regulatorischen Anforderungen der Bankenaufsicht derzeit erfüllen?
Aufgrund des „Black Box“-Charakters und der damit fehlenden Interpretierbarkeit der Berechnungswege werden sie derzeit von Regulierungsbehörden als alleinige Methode für die Kreditrisikoberechnung meist nicht akzeptiert.
- Quote paper
- Julia Schmitt (Author), 2015, Kreditrisikomanagement mit künstlichen neuronalen Netzen, Munich, GRIN Verlag, https://www.grin.com/document/335474
