NLP & News Analytics zur Echtzeit-Risikoerkennung

Advanced Analytics und NLP (Natural Language Processing) waren lange ein prominentes Thema in der KI-Gemeinde. Auf Basis der jüngsten Entwicklungen haben wir gezeigt, dass diese Methoden operativ mit messbarem Nutzen und transparent eingesetzt werden können.

Risikomanagement kann durch Deep Learning optimiert werden.

Partner des Bank Blogs

Im Bereich Advanced Analytics und Künstliche Intelligenz wurden in der jüngsten Vergangenheit intensiv die Entwicklungen rund um Deep Learning und NLP diskutiert – sowohl wissenschaftlich als auch hinsichtlich der praktischen Anwendbarkeit und des Wertbeitrags für den jeweiligen Anwendungsfall.

Im Bereich des Risikomanagements besitzt die Thematik eine mehrschichtige Relevanz:

• Einerseits erlauben diese Ansätze eine fundamentale Weiterentwicklung von Risikomanagementansätzen, sowohl hinsichtlich der Genauigkeit und Reaktionsschnelle von Risikomessverfahren als auch hinsichtlich von Effizienz und Objektivität.
• Andererseits sind Riskmanagement-Teams aufgrund der dort typischerweise verorteten quantitativ-analytischen Fähigkeiten prädestiniert die fortschrittlichen analytischen Themen mit zu treiben und eine führende Position einzunehmen.

Beispielhafte News Analytics-Anwendungsfälle und der zugehörige Nutzen

Der Nutzen und die Nutzbarmachung von NLP und Deep Learning-Verfahren lassen sich anhand von beispielhaften Anwendungsfällen illustrieren. Die folgenden Beispiele aus dem Bereich Kreditrisiko wurden exemplarisch ausgewählt auf Basis jüngster Projektergebnisse. Dies ist aber keinesfalls als repräsentative oder umfassende Auswahl zu verstehen – diverse andere Anwendungsfelder können und konnten mit den zugrundeliegenden Ansätzen erschlossen werden, wie z.B. Kundenwert- und Kundenprofilmodelle, Betrugserkennung, Früherkennung von Disruptionen, usw.

Gemeinsam ist allen, dass unstrukturierte Daten(wie z.B. Text-Informationen) zur Generierung eines prädiktiven und für den jeweiligen Anwendungsfall maßgeschneiderten Indikators zum Einsatz kamen – unter Verwendung unserer News Analytics-Ansätze basierend auf führenden NLP-Algorithmen (wie z.B. Transformer-Modellen).

Effizienz- und Objektivitätssteigerung in der qualitativen Risikoeinschätzung von Geschäftskunden.

Die Kreditrisikoeinstufung von Firmenkunden ist oftmals geprägt durch den Einfluss von Experteneinschätzung zu qualitativen Kriterien und unterliegt manuellem Aufwand sowie Subjektivität. Unser News Analytics-Ansatz auf Basis von News-Feeds (und anderer Text-Information, wie z.B. Jahresabschlüssen, IR-Berichten usw.) kann verwendet werden, um diese Einschätzung zu informieren, bspw. durch einen Vorschlag für die Bewertung der typischerweise verwendeten Kategorien (wie z.B. Management-Qualität, Sektor-Prognosen, usw.).

Oliver Wyman News Analytics: Beispielhafte Anwendungsfälle und Ergebnis-Metriken (KPIs ausschließlich auf Basis von News-Feeds).

Wie die Abbildung zeigt, können in diesem Anwendungsfall treffergenaue Einschätzungen erzielt werden, wobei die Genauigkeit in natürlicher Weise auch davon abhängt, ob die entsprechende Einschätzungskategorie auf Basis der jeweiligen Informationsquelle erlangt werden kann (z.B. sind News-Feeds eingeschränkt auf öffentlich verfügbare Information und können somit keine Einschätzung zur spezifischen Geschäftsbeziehung beinhalten).

Vorhersage von Rating-Downgrades in Echtzeit

Analog kann News Analytics auch auf Basis von News-Feeds drohende Rating-Verschlechterung von Kontrahenten zeitnah anzeigen und daher vor dem Hintergrund der typischerweise materiellen Ticketgrößen massiven wirtschaftlichen Vorteil generieren, bspw. durch aktives Limit-Management oder De-/Re-Investment-Aktionen, welche den generierten Indikator nutzen.

Siehe hierzu auch die Auswirkungsanalyse in der folgenden Abbildung, in welcher News Analytics auf ein tatsächliches Bond-Portfolio angewendet wurde und eine signifikante Ertragssteigerung erzielt werden konnte – lediglich auf Basis der News-Informationen.

Verwendung von Oliver Wyman News Analytics für ein Bond-Portfolio kann materielle Performance-Steigerung bewirken.

In diesem Zusammenhang sei erwähnt, dass auch für nicht-gelistete Kontrahenten ohne verfügbare Markt-Daten der News Analytics-Ansatz prädiktive Aussagen liefert. Dies prädestiniert derartige Ansätze auch zur Kombination mit traditionellen Rating-Verfahren (auch für nicht gelistete-Kontrahenten), welche generell relativ schwach bzw. träge sind wenn es um vorausschauende Vorhersagen einer veränderten Kreditqualität geht, um so vollautomatisierte und Echtzeit- Kreditrisikomodelle zu generieren.

Auswirkungen von der COVID-19-Krise auf die Kreditqualität

Ein Spezialfall der obigen Modelle ist die Analyse der COVID-19 getriebenen Auswirkungen auf das Kreditrisiko von Geschäftskunden vor dem Hintergrund der aktuellen Krise. Auch hier zeigt sich eine beeindruckende Vorhersagekraft eines dediziert trainierten News Analytics-Algorithmus – mehr als 70 Prozent der COVID-19 induzierten Downgrades konnte das Modell deutlich vor dem erfolgten Downgrade erkennen.

Über die Anwendungsfälle hinweg ist zu bemerken, dass neben der Vorhersagekraft auch jeweils eine Effizienzsteigerung erzeugt werden kann – bspw. durch die Einbettung in Frühwarnsysteme, welche durch die Fähigkeit überwältigende Mengen an unstrukturierten Informationen verarbeiten zu können, signifikant in ihrer Effizienz und Reaktionszeit gewinnen können.

Nachhaltigkeit, Effizienz der Ansätze und Weiterentwicklung interner KI-Fähigkeiten

Hinsichtlich der Effizienz der Entwicklung der obigen Algorithmen wollen wir anmerken, dass es der Anspruch sein sollte, Modelle ohne die Notwendigkeit der manuellen Erstellung (und ggf. Vorbereinigung) von großen Datensets trainieren zu können; so wurde beispielsweise das Modell zur Vorhersage der Downgrades auf Basis vorhandener Historien von beobachteten Rating-Ereignissen und Kontrahenten-assoziierter News-Historie entwickelt – der Algorithmus kann somit eigenständig die kreditrisikorelevanten Informationen identifizieren und nur diese bewerten.

Hiermit folgt auch, dass NLP- und Deep Learning-Verfahren generell die besten Ergebnisse erzielen, wenn diese Ansätze für das jeweilige Problem dediziert trainiert wurden – also bspw.  wenn man dem Transformer-Modell „Kreditrisiko beigebracht“ hat. Generische Sentiment-Scores können im Allgemeinen mit dieser Ambition nicht mithalten.

Ist das nicht alles eine Black-Box?

Nicht unbedingt – entscheidend ist die geeignete Modell-Struktur und der zugrundeliegende Entwicklungsansatz, nur so kann die zwingend erforderliche Transparenz und Erklärbarkeit generiert werden; so z.B. können die oben skizzierten Modelle dem Nutzer Transparenz darüber bieten, welche News-Artikel zur einer negativen Einschätzung geführt haben, und welche Themen oder Wortkombinationen der Algorithmus entsprechend interpretiert hat.

E-Book „Anwendung und Nutzen von Zukunftstechnologien im Banking – Band 2″

Der Artikel ist Teil einer Artikelserie zu neuen Technologie im Banksektor.. Abonnenten von Der Bank Blog Premium können das 30-seitige E-Book mit allen acht Beiträgen direkt herunterladen.

Wenn Sie kein Abonnent sind können Sie das E-Book hier auch einzeln kaufen.