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 KREDITRISIKO-MANAGEMENT
- 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 und Themenschwerpunkte
Diese Bachelorarbeit befasst sich mit der Anwendung von künstlichen neuronalen Netzen im Kreditrisikomanagement. Sie untersucht die Eignung dieser Modelle für die Kreditwürdigkeitsanalyse und die Risikomessung. Die Arbeit zeigt anhand eines selbstprogrammierten neuronalen Netzes die praktische Anwendung dieser Technologie im Kreditrisikomanagement auf.
- Kreditrisikomanagement und seine Aufgaben
- Künstliche neuronale Netze und ihre Funktionsweise
- Anwendung von künstlichen neuronalen Netzen im Kreditrisikomanagement
- Vorteile und Nachteile von neuronalen Netzen in diesem Bereich
- Reduktion der Black Box Problematik durch Fuzzy-Systeme und Neuro-Fuzzy-Systeme
Zusammenfassung der Kapitel
- Kapitel 1: Einleitung: Die Einleitung gibt eine Einführung in die Thematik des Kreditrisikomanagements und die Bedeutung von künstlichen neuronalen Netzen in diesem Bereich.
- Kapitel 2: Kreditrisikomanagement: Dieses Kapitel erläutert die Aufgaben und Ziele des Kreditrisikomanagements, insbesondere die Kreditwürdigkeitsanalyse. Es werden die Anforderungen an die Modelle, die Identifikation der relevanten Merkmale und der Prozess der Modellbildung und -validierung detailliert beschrieben.
- Kapitel 3: Künstliche neuronale Netze: Dieses Kapitel erklärt die Entwicklung und den Aufbau von künstlichen neuronalen Netzen. Es werden die Bausteine und Strukturen der Netze sowie die verschiedenen Lernregeln erläutert.
- Kapitel 4: Anwendung künstlicher neuronaler Netze im Kreditrisikomanagement: Dieses Kapitel untersucht die theoretische Basis für die Anwendung von neuronalen Netzen in der Praxis und analysiert deren Eignung für die Kreditrisikomessung. Es werden die Vorteile und Nachteile dieser Technologie im Kontext der Kreditwürdigkeitsprüfung diskutiert.
- Kapitel 5: Beispiel einer Kreditrisikoberechnung mit einem selbstprogrammierten künstlichen neuronalen Netz: In diesem Kapitel wird ein praktisches Beispiel für die Anwendung eines neuronalen Netzes zur Kreditrisikoberechnung vorgestellt. Es werden die verwendeten Daten, der Aufbau des Modells und die Bewertung der Ergebnisse detailliert beschrieben.
- Kapitel 6: Reduktionsmöglichkeit der Black Box Problematik: Dieses Kapitel befasst sich mit der Problematik der "Black Box" bei neuronalen Netzen und stellt alternative Ansätze wie Fuzzy-Systeme und Neuro-Fuzzy-Systeme vor, die eine bessere Transparenz und Interpretierbarkeit der Ergebnisse ermöglichen.
- Kapitel 7: Zusammenfassung und Ausblick: Das letzte Kapitel fasst die wichtigsten Erkenntnisse der Arbeit zusammen und gibt einen Ausblick auf zukünftige Forschungsfelder im Bereich des Kreditrisikomanagements mit künstlichen neuronalen Netzen.
Schlüsselwörter
Kreditrisikomanagement, künstliche neuronale Netze, Kreditwürdigkeitsanalyse, Risikomessung, Modellbildung, Modell-Validierung, Fuzzy-Systeme, Neuro-Fuzzy-Systeme, Black Box Problematik
- Citar trabajo
- Julia Schmitt (Autor), 2015, Kreditrisikomanagement mit künstlichen neuronalen Netzen, Múnich, GRIN Verlag, https://www.grin.com/document/335474
