KI und Machine-Learning-Methoden im Risikomanagement

Früherkennung von Bonitäts- und ESG-Risiken

Die Weltwirtschaft wird seit 2020 durch eine Reihe von exogenen Schocks belastet, die tiefgreifende und anhaltende Auswirkungen haben. Zu nennen sind hier die Corona-Krise (Q1 2020 – Q1 2022), der Ukraine-Krieg und die damit verbundene Energiekrise (ab Februar 2022), der starke Inflationsanstieg (Höhepunkt 2022/2023), dem dann die Zentralbanken mit einer restriktiveren Geldpolitik entgegenwirkten (EZB ab Mitte 2022). Seit März/April 2025 hält zudem die US-Regierung unter Trump mit ihrer erratischen und protektionistischen Handels- und Zollpolitik die Welt in Atem. Die aufgelisteten Ereignisse haben keinen Anspruch auf Vollständigkeit. Sie zeigen jedoch, dass Banken und Unternehmen vor großen Herausforderungen stehen: Sie befinden sich in einem sehr volatilen Umfeld, in dem sich ihre betriebswirtschaftliche Situation und sich damit einhergehend ihre Bonität schnell und unerwartet verschlechtern kann.

Genau hier setzen Frühwarnsysteme an, die den Bankanalysten und Kreditexperten Hilfestellung leisten, um frühzeitig Unternehmen und Branchen zu identifizieren, die besonders stark von verschlechterten wirtschaftlichen Rahmenbedingungen betroffen sind. Die Risikofrüherkennung ist für Kreditinstitute eine regulatorisch geforderte Ergänzung zum klassischen Rating und ermöglicht eine zeitnahe Identifikation potenzieller Bonitätsrisiken im Zuge der laufenden Risikoüberwachung und eines proaktiven Risikomanagements. Gemäß aufsichtlicher Anforderungen, wie z. B. den MaRisk, sind im Rahmen der Risikofrüherkennung zudem auch die Auswirkungen von ESG-Risiken zu berücksichtigen [Vgl. z. B. BaFin (2024), BTO 1.3.1, S. 38].  Das Frühwarnsystem Risk Guard der RSU nutzt für beide Anwendungsfälle u. a. eine nachrichtenbasierte Analyse basierend auf Machine-Learning-Methoden und KI. Anhand von Beispielen lässt sich zeigen, dass sowohl finanzielle Risiken als auch ESG-Kontroversen frühzeitig erkannt werden können. Im Kontext ESG verbreitert die systematische und automatisierte Auswertung von Nachrichten aufgrund eingeschränkter Offenlegungspflichten der Unternehmen zudem die Informationsgrundlage der Analysten deutlich.  

Überblick Frühwarnsystem

Das Frühwarnsystem Risk Guard (siehe Abbildung 1) wertet täglich automatisiert Kapitalmarktdaten und qualifizierte Wirtschaftsnachrichten aus und ermöglicht damit eine kontinuierliche Überprüfung der Bonitätssituation eines Kreditnehmers. Die dem Frühwarnsystem zugrunde liegenden Modelle prognostizieren Bonitätsverschlechterungen und Ausfälle sowohl von börsen- als auch nicht-börsennotierten Unternehmen mit einem zeitlichen Vorlauf von bis zu einem Jahr. Auffälligkeiten im Frühwarnsystem können zeitnah Anpassungen in Ratingverfahren oder in anderen Systemen (Limit-Systeme etc.) auslösen. Nachfolgend soll kurz der Fokus auf die KI-gestützte Nachrichtenbasierte Frühwarnung (kurz: NBF) der RSU gelegt werden, mit deren Hilfe Bonitäts- und ESG-Risiken identifiziert werden. 

Für Modellentwicklungen im Kontext KI muss zunächst entschieden werden, auf welcher Plattform diese durchgeführt werden. Kann zum Beispiel ein Cloud-basiertes Large-Language-Modell (LLM) wie Chat GPT, Gemini, etc. genutzt oder sollte ein Open Source LLM auf einem eigenen Server On-Prem verwendet werden? Für Entwicklungszwecke sind neben dem wichtigen Thema Datensouveränität auch die anfallenden Kosten bei besonders großen Datenmengen zu berücksichtigen, da bei Cloud-Lösungen per Token abgerechnet wird – sowohl in der Entwicklung als auch im Betrieb. Vor diesem Hintergrund haben wir für unsere Machine-Learning- und KI-Modelle eine Plattform aufgesetzt, die grundsätzlich beide Lösungsansätze für Modellentwicklungen und den Betrieb der Modelle ermöglicht. Die Entwicklung der Nachrichtenbasierten Frühwarnung erfolgte auf einem eigenen Server, da ansonsten aufgrund der großen Datenmengen sehr hohe Kosten für die Modellentwicklung angefallen wären. Zudem hat die Verwendung eines Open Source LLMs in Verbindung mit Methoden des Machine Learnings zu sehr guten Ergebnissen geführt, wie nachfolgend gezeigt werden kann. Der laufende Betrieb der Nachrichtenbasierten Frühwarnung erfolgt ebenfalls auf einem eigenen Server. 

Datengrundlage Nachrichten

Für die Nachrichtenbasierte Frühwarnung wurden deutsch- und englischsprachige Nachrichten von bedeutenden Providern lizenziert. Ein Nachrichtenprovider deckt die deutsche Presselandschaft nahezu vollständig ab. Der zweite Datenprovider liefert Nachrichten für eine Vielzahl von englischsprachigen Zeitungen. Durch Lizenzverträge mit den Datenprovidern wird sichergestellt, dass Urheberrechte, die Transparenz der Quellen und damit eine vertrauenswürdige Datenbasis gewahrt werden. Ein Sachverhalt, der gerade im Kontext Machine Learning und KI sehr hohe Bedeutung hat und immer wieder thematisiert wird.

Für die Entwicklung unserer Modelle stehen aktuell zwanzig Jahre Nachrichtenhistorie mit 24 Mio. Nachrichten aus mehr als 350 Zeitungen und Zeitschriften in deutscher und englischer Sprache zur Verfügung. Im laufenden Betrieb werden täglich mehr als 5000 Nachrichten ausgewertet.

Wirtschaftliche Relevanz der Nachrichten

KI und Machine Learning kommen in Kontext Nachrichtenbasierte Frühwarnung an vielen Stellen zum Einsatz. In einem ersten Schritt erfolgt zunächst die Zuordnung, ob eine Nachricht wirtschaftliche Relevanz hat. Zwar könnte man nach bestimmten Ressorts der Zeitungen filtern, allerdings sind diese originären Zuordnungen sehr ungenau und unvollständig. Man läuft Gefahr, etwaig relevante Nachrichten zu verlieren, die sich z.B. im Lokalteil einer Zeitung befinden. Für den Zweck der Zuordnung der wirtschaftlichen Relevanz einer Nachricht wurde deshalb ein statistisches Klassifikationsverfahren entwickelt, um sicherzustellen, dass Nachrichten aus allen Ressorts genutzt werden.

Zuordnung der Nachrichten zu den Unternehmen

Die als relevant identifizierten Nachrichten mit wirtschaftlichem Inhalt müssen in einem nachfolgenden Schritt den jeweiligen Unternehmen zugeordnet werden. Hierfür werden Methoden des Deep Learnings verwendet. Mit einem eigens trainierten, neuronalen Netz werden Unternehmensnamen aus den jeweiligen Artikeln extrahiert (Named Entity Recognition). Wenn mehrere Unternehmensnamen in einem Artikel auftreten, wird über ihre Salienz sortiert und gefiltert. Eine höhere Salienz bedeutet in diesem Kontext, dass der Unternehmensname im Gegensatz zu einem anderen Begriff eher als zentral aufgefasst wird. Dieses Ranking wird mit Hilfe leicht interpretierbarer Metriken wie der Häufigkeit oder der Verteilung des Unternehmensnamens im Text gebildet. In einem abschließenden Schritt erfolgt ein Abgleich der aus dem Artikel extrahierten Unternehmensnamen mit einem zentralen Firmenregister, in dem Unternehmensnamen in verschiedenen Schreibweisen erfasst sind, wie z.B. BMW, BMW AG oder Bayerische Motorenwerke Aktiengesellschaft.    

Risikoscore, Sentiment Index und Frühwarnsignale  

Für die Ermittlung des Risikoscores einer Nachricht werden Informationen aus einem Large-Language- Modell (LLM) und Methoden des Machine Learnings mit den Ausfallinformationen aus dem RSU-Datenpool kombiniert. Die resultierenden Risikoscores für die einzelnen Nachrichten werden dann zu einem Sentiment Index für das jeweilige Unternehmen aggregiert, der über alle Unternehmen eine Trennschärfe, gemessen auf Basis der „Area under the Curve“ (AUC), in Höhe von etwa 80 Prozent auf den beobachteten Ausfällen in unserem Datenpool (Vgl. Abbildung 2) aufweist. Dieser Trennschärfewert des Sentiment Index liegt auf dem Niveau der Trennschärfewerte, den nur sehr gute Ratingverfahren erreichen können.

Sentiment Index für Bonitätsrisiken – Fallbeispiel

Nachfolgend wird die Funktionsweise der Nachrichtenbasierten Frühwarnung anhand des Fallbeispiels Signa Holding GmbH näher dargestellt:

Überschreitet der Sentiment Index (grüne Linie) die Signalzone, wird ein Frühwarnsignal generiert und der Analyst per E-Mail informiert. In der Anwendung werden per Mausklick auf den Index die zugrundeliegenden Nachrichten mit ihren Schlagzeilen und den Wörtern mit dem höchsten Beitrag zum Indexwert angezeigt. Mit einem weiteren Mausklick kann man die entsprechende Nachricht vollständig lesen.

Die Signa Holding hat sich bereits seit Beginn der Corona-Krise in den Signalzonen bewegt. Im Rahmen der Corona-Krise wurden das Geschäftsmodell, die Bilanzierungstechniken und die nicht vorhandene Aktualität der Geschäftsberichte thematisiert. Abbildung 3 sind weitere ausgewählte Schlagzeilen zu entnehmen.

Sentiment Index ESG – Fallbeispiel

Die für die Bonitätsrisiken gewählte Vorgehensweise wurde auch im Kontext ESG verwendet. Für die Ermittlung des Risikoscores werden einzelne Nachrichtentexte hinsichtlich ihrer Kritikalität im Sinne der enthaltenen ESG-relevanten Information bewertet. Die resultierenden Risikoscores für die einzelnen Nachrichten werden dann auch hier zu einem Sentiment Index für das jeweilige Unternehmen aggregiert.

Fallbeispiel Ferrero – siehe auch Abbildung 4: Am 09.04.2022 wurde in diversen Zeitungen berichtet, dass die Lebensmittelbehörden in Belgien aufgrund von Salmonellen die Schließung einer Schokoladenfabrik veranlasst haben.

Eine Übersicht der Nachrichten an diesem Tag ist der folgenden Abbildung 5 zu entnehmen.

Der ESG Sentiment Index hilft dabei, ESG-Kontroversen bei Unternehmen, wie im Falle Ferreros, zu identifizieren und unterstützt die Analysten bei der Bewertung von ESG-Risken im Kontext ESG-Rating.

Fazit und Ausblick

Bei der Auswahl der Infrastruktur für Entwicklung und Betrieb sind für Machine-Learning- und KI-Ansätze neben dem Thema Datensouveränität auch die anfallenden Kosten bei besonders großen Datenmengen zu berücksichtigen.

Anhand von Beispielen lässt sich zeigen, wie sowohl finanzielle Risiken als auch ESG-Kontroversen für Unternehmen aus Nachrichten frühzeitig mit Methoden des Machine Learnings und KI erkannt werden können. Machine Learning und KI spielen nicht nur im Kontext Risikofrüherkennung eine bedeutende Rolle. Die Einsatzmöglichkeiten im Kreditrisikomanagement sind vielfältig. Weitere Anwendungsfelder sind z. B. die automatisierte Auswertung von Geschäfts- oder Nachhaltigkeitsberichten und die mögliche Verknüpfung mit etablierten Risikoklassifikationsverfahren. Mit den beschriebenen Methoden können bislang manuelle Tätigkeiten objektiviert und vor allem skaliert werden. Es bleibt zu hoffen, dass die Bankenaufsicht im Sinne eines modernen Risikomanagements genügend Freiräume lässt, damit diese innovativen Verfahren breiter eingesetzt werden können.