Aufrufe
vor 11 Monaten

RISIKO MANAGER 01.2019

  • Text
  • Unternehmen
  • Risiken
  • Risikomanagement
  • Bewertung
  • Risiko
  • Banken
  • Basel
  • Risikoanalyse
  • Heft
  • Unternehmens
  • Risikomanager
RISIKO MANAGER ist das führende Medium für alle Experten des Financial Risk Managements in Banken, Sparkassen und Versicherungen. Mit Themen aus den Bereichen Kreditrisiko, Marktrisiko, OpRisk, ERM und Regulierung vermittelt RISIKO MANAGER seinen Lesern hochkarätige Einschätzungen und umfassendes Wissen für fortschrittliches Risikomanagement.

6

6 RISIKO MANAGER 01|2019 Modellierung die Machine-Learning-Algorithmen angewendet wurden. Abb. 02 Instrument Nachrichtenbasierte Risikofrüherkennung | Senitment-Index Vergleich verschiedener Modellierungsansätze Der Verwendung einer Term-Document Matrix in der dargestellten Form für die Modellierung liegt der sogenannte Bag-of- Words-Ansatz zugrunde. Dieser häufig im Rahmen der Textanalyse verwendete Ansatz setzt voraus, dass die Reihenfolge der Wörter in einem Dokument keine Rolle spielt, sondern nur das Vorkommen des Worts selbst bzw. die Häufigkeit des jeweiligen Vorkommens der Wörter [vgl. Loughran/McDonald 2016, S. 14]. Im Rahmen der Modellierung wurde nun auf Basis der repräsentativen Stichprobe und den, wie oben beschrieben, bereinigten und weiterverarbeiteten Dokumenten unter Verwendung der generierten Term-Document Matrix drei Modellierungsansätze getestet: 1. Logistische Regression [vgl. Eckey et al. 1995, S. 170 ff] 2. Naive-Bayes-Ansatz [vgl. Das 2014, S. 43 -51] 3. Support Vector Machine (SVM) [vgl. Das 2014, S. 43 -51] Mittl. Trennschärfe (langfristiger Trend) Anzahl Ausfälle 80 % 60 % 40 % 20 % 0 % 8 6 4 2 0 Bei der gewählten Vorgehensweise handelt es sich um ein sogenanntes Supervised Machine Learning, da die zu erklärende Variable Ausfall/Nichtausfall im Rahmen der Klassifikation der Dokumente vorgegeben wurde. Der Vergleich der Modellierungsansätze zeigte, dass sich bei Verwendung einer Support Vector Machine In-Sample höhere Trennschärfeergebnisse erzielen lassen als bei Verwendung der logistischen Regression. Zudem fällt der Unterschied zwischen In-Sample und Out-of-Sample gemessener Trennschärfe bei der logistischen Regression deutlich größer aus als bei der Support Vector Machine, deren Modelle somit zu robusteren Ergebnissen führen. Beide Ansätze, Support Vector Machine und logistische Regression, zeigten zudem höhere Trennschärfeergebnisse gegenüber dem Naive-Bayes-Ansatz. Die Out-of-Sample- Stichproben wurden dabei zufällig aus der repräsentativen Stichprobe gezogen. Die Trennschärfemessung erfolgte auf Basis des CAP-Ansatzes (CAP = Cumulative Accuracy Profile). Auf Basis dieser Analysen wurde der Support-Vector-Machine-Ansatz für das weitere Vorgehen ausgewählt. Modellentwicklung In den nachfolgenden Analysen wurde die Stabilität der Ergebnisse bei Anwendung des Modellierungsansatzes überprüft. Hierfür wurden im Rahmen eines Bootstrappings aus der repräsentativen Stichprobe im Verhältnis 2:1 Ausfälle/Nichtausfälle jeweils 30 Unternehmen als Out-of-Sample-Stichprobe zufällig gezogen, die dann mit ihren zugehörigen Nachrichten nicht Bestandteil der Trainingsstichprobe für das jeweilige Modell waren. Q25 MW Q75 2006-01 2006-07 2007-01 2007-07 2008-01 2008-07 2009-01 2009-07 2010-01 2010-07 2011-01 2011-07 2012-01 2012-07 2013-01 2013-07 2014-01 2014-07 2015-01 2015-07 2016-01 2016-07 Q25 MW Q75 Dieser Vorgang wurde in 2000 Läufen wiederholt. Auf den resultierenden In-Sample-Stichproben (Trainingsstichproben) wurden die Modelle geschätzt. Die In-Sample-Trennschärfe bei Verwendung der Support Vector Machine lag im Mittel bei rund 80 Prozent mit einer aus dem Bootstrapping resultierenden, sehr engen Schwankungsbreite. Die Out-of-Sample-Trennschärfe lag durchschnittlich bei rund 50 Prozent mit naturgemäß etwas weiteren Schwankungsbreiten. Allerdings liegen bei 50 Prozent der Bootstrapping-Läufe die Trennschärfewerte noch zwischen 45 Prozent und 55 Prozent. Somit zeigte sich auch hier ein recht

Kreditrisiko 7 stabiles und gutes Ergebnis für den Modellansatz. Die Ergebnisse der dargestellten Trennschärfeanalysen sind Abb. 01 zu entnehmen. Ermittlung Sentiment-Index Die Modellanalysen erfolgten bislang auf Nachrichtenbasis. Über die Modellprognosen können somit den Einzelnachrichten Scores im Hinblick auf die Bonität des die Nachricht betreffenden Unternehmens zugewiesen werden. Da zu einem Unternehmen jedoch innerhalb eines Zeitraums eine Vielzahl von Nachrichten existieren können, musste für eine Frühwarnindikation auf Unternehmensebene noch ein Sentiment-Index ermittelt werden. Die Berechnung des Sentiment-Index erfolgte über eine Aggregation der Modellprognosen (Scores) für die Nachrichten. Für den Index wurde die rollierende mittlere Trennschärfe berechnet. Dabei wurde analysiert, wie gut der Index die zu erklärenden Variablen Ausfall/Nichtausfall der Unternehmen innerhalb des nach dem jeweiligen Stichtag folgenden Jahres erklären kann. Auch hier wurde die Stabilität der Prognosefähigkeit der zugrunde liegenden Modelle gegenüber der Stichprobenwahl auf Basis von 60 Testläufen überprüft. Abb. 02 zeigt, dass auch für den Sentiment-Index auf Unternehmensebene die Trennschärfewerte im Mittel bei 50 Prozent lagen. Die gemessene Trennschärfe des Index bewegte sich ebenfalls bei 50 Prozent der Läufe zwischen 45 Prozent und 55 Prozent. Praktische Relevanz Bislang werden in Risk Guard, dem Frühwarnsystem der RSU, überwiegend börsennotierte Unternehmen direkt abgedeckt, da für diese entsprechende Kapitalmarktinformationen wie Aktienkurse, CDS-Spreads etc. ausgewertet werden können. Im Rahmen der dargestellten Analysen konnte auf Basis einer repräsentativen Stichprobe für das RSU Ratingverfahren Corporates gezeigt werden, dass durch die systematische Auswertung von Nachrichten Bonitätsrisiken für Unternehmen mit einem zeitlichen Vorlauf von einem Jahr prognostiziert werden können. Die im Rahmen der Vorstudie entwickelten Modelle haben dabei gute Trennschärfewerte im Hinblick auf die Prognose von Ausfällen erzielt. Durch eine tägliche, systematische und automatisierte Auswertung von Nachrichten können zudem sehr große Nachrichtenmengen verarbeitet und auf ihre Kritikalität hin gekennzeichnet werden. Die Kennzeichnung erfolgt dabei zudem nach objektiven, statistisch messbaren Kriterien. Vor dem Hintergrund der Ergebnisse der Vorstudie führt die RSU im zweiten Halbjahr 2018 ein Weiterentwicklungsprojekt auf einer größeren Datenbasis durch. Auf Basis der Ergebnisse der Weiterentwicklung wird dann die Nachrichtenbasierten Frühwarnung zeitgleich mit dem RSU Merton-Modell für nicht börsennotierte Unternehmen in das RSU Frühwarnsystem Risk Guard im ersten Halbjahr 2019 integriert. Durch die Integration der beiden Modelle Nachrichtenbasierte Frühwarnung und Merton für Privates wird der Portfolioabdeckungsgrad deutlich erweitert, da nunmehr auch nicht börsennotierte Unternehmen direkt durch das Frühwarnsystem der RSU abgedeckt werden. Zusammenfassung Der RSU ist es gelungen, auf Basis von im IRB-Kontext verwendeten Ratings für deutsche Unternehmen zu zeigen, dass sich im Rahmen Risikofrüherkennung durch eine systematische und automatisierte Analyse von Zeitungs- und Wirtschaftsnachrichten Ausfälle von Unternehmen mit einem zeitlichen Vorlauf von bis zu einem Jahr prognostizieren lassen. Diese Ergebnisse werden aktuell in der Weiterentwicklung des Frühwarnprodukts der RSU umgesetzt und werden ab Q2 2019 nutzbar sein. Quellenverzeichnis sowie weiterführende Literaturhinweise Das, S. (2014): Text and Context: Language Analytics in Finance, now Publishers, Hanover 2014. Eckey, H.-F./Kosfeld, R./Dreger, C. (1995): Ökonometrie. Grundlagen, Methoden, Beispiele, Springer Verlag, Wiesbaden 1995. Loughran, T./McDonald, B. (2016): Textual Analysis in Accounting and Finance: A Survey, in: Journal of Accounting Research, Volume54, Issue4, September 2016, p 1187- 1230. Miner, G. et al. (2012): Practical Text Mining and Statistical Analysis for Non-Structured Text Data Applications, Academic Press, Waltham 2012. Autoren Dana Wengrzik, Geschäftsführerin, RSU Rating Service Unit GmbH & Co. KG, München. Carsten Demski, Teamleiter Methodik Rating (Finanzinstitute, Länder) & Marktdatenbasierte Verfahren, RSU Rating Service Unit GmbH & Co. KG, München. Der Artikel ist ein Auszug aus dem Jahrbuch 2019 des Frankfurter Instituts für Risikomanagement und Regulierung (FIRM), das in wenigen Wochen veröffentlicht wird. Bei Interesse an der Zusendung eines Jahrbuchs wenden Sie sich bitte an info@firm.fm. Die bisher veröffentlichten Jahrbücher finden Sie unter: https://www.firm.fm/infodienste/firm-jahrbue- cher.html 2019 Jahrbuch Yearbook

RISIKO MANAGER

RISIKO MANAGER 01.2019
RISIKO MANAGER 02.2019
RISIKO MANAGER 03.2019
RISIKOMANAGER_04.2019
RISIKO MANAGER 05.2019
RISIKO MANAGER 06.2019
RISIKO MANAGER_07.2019
RISIKO MANAGER 08.2019
RISIKO MANAGER 09.2019
RISIKO MANAGER 01.2018
RISIKO MANAGER 02.2018
RISIKO MANAGER 03.2018
RISIKO MANAGER 04.2018
RISIKO MANAGER 05.2018
RISIKO MANAGER 06.2018
RISIKO MANAGER 07.2018
RISIKO MANAGER 08.2018
RISIKO MANAGER 09.2018
RISIKO MANAGER 10.2018
RISIKO MANAGER 01.2017
RISIKO MANAGER 02.2017
RISIKO MANAGER 03.2017
RISIKO MANAGER 04.2017
RISIKO MANAGER 05.2017
RISIKO MANAGER 06.2017
RISIKO MANAGER 07.2017
RISIKO MANAGER 08.2017
RISIKO MANAGER 09.2017
RISIKO MANAGER 10.2017
RISIKO MANAGER 01.2016
RISIKO MANAGER 02.2016
RISIKO MANAGER 03.2016
RISIKO MANAGER 04.2016
RISIKO MANAGER 05.2016
RISIKO MANAGER 06.2016
RISIKO MANAGER 07.2016
RISIKO MANAGER 08.2016
RISIKO MANAGER 09.2016
RISIKO MANAGER 10.2016
RISIKO MANAGER 01.2015
RISIKO MANAGER 02.2015
RISIKO MANAGER 03.2015
RISIKO MANAGER 04.2015
RISIKO MANAGER 05.2015
RISIKO MANAGER 06.2015
RISIKO MANAGER 07.2015
RISIKO MANAGER 08.2015
RISIKO MANAGER 09.2015
RISIKO MANAGER 10.2015
RISIKO MANAGER 11.2015
RISIKO MANAGER 12.2015
RISIKO MANAGER 13.2015
RISIKO MANAGER 15-16.2015
RISIKO MANAGER 17.2015
RISIKO MANAGER 18.2015
RISIKO MANAGER 19.2015
RISIKO MANAGER 20.2015
RISIKO MANAGER 21.2015
RISIKO MANAGER 22.2015
RISIKO MANAGER 23.2015
RISIKO MANAGER 24.2015
RISIKO MANAGER 25-26.2015
 

Copyright Risiko Manager © 2004-2017. All Rights Reserved.