Von Ralf Keuper

Welch gra­vie­ren­de Aus­wir­kun­gen Modell­ri­si­ken im Ban­king haben kön­nen, wur­de u.a. in der letz­ten Finanz­kri­se [1]Ver­zerr­te Wahr­neh­mung des Gesamt­ri­si­kos durch Modell­ri­si­ken oder in Gestalt von Flash Crashs deut­lich. Mit der Ver­brei­tung von KI-Sys­te­men über nahe­zu alle Unter­neh­mens­be­rei­che hin­weg und der rasant wach­sen­den Kom­ple­xi­tät der Algo­rith­men sind neue Modell­ri­si­ken hinzugekommen.

Ban­ken und Unter­neh­men set­zen heut­zu­ta­ge KI-Model­le mit einer gro­ßen Anzahl von Para­me­tern ein, die nicht nur die IT-Sys­te­me an ihre Gren­zen füh­ren, son­dern auch die Mög­lich­kei­ten, Feh­ler in den Model­len recht­zei­tig zu erken­nen, limi­tie­ren. Wie kön­nen KI-Sys­te­me den­noch vali­diert werden?

Rah­men­wer­ke für die Bewer­tung von Modell­ri­si­ken exis­tie­ren schon län­ger; das bekann­tes­te und gebräuch­lichs­te dürf­te wohl SR 11–7 Super­vi­so­ry Gui­d­ance on model risk manage­ment der Federal Reser­ve sein. Obschon die Mög­lich­kei­ten, Modell­ri­si­ken zu bewer­ten, groß sind, las­sen sich nicht alle Risi­ken eli­mi­nie­ren. Die Auf­ga­be bleibt bestehen, nach immer neu­en Metho­den und Werk­zeu­gen Aus­schau zu hal­ten, die zu einer bes­se­ren Ein­schät­zung der Modell­ri­si­ken füh­ren, so die Federal Reser­ve im Jahr 2011:

Selbst bei geschick­ter Model­lie­rung und soli­der Vali­die­rung lässt sich das Modell­ri­si­ko nicht aus­schal­ten, so dass ande­re Instru­men­te fü…

WP Twitter Auto Publish Powered By : XYZScripts.com