Umgang mit Modellrisiken im Adressrisiko Kundengeschäft
20. Mai 2026
Klassische Risikomodelle stoßen bei der aktiven Steuerung von Kreditportfolios zunehmend an ihre methodischen Grenzen. Gemeinsam mit der TH Köln haben wir im Rahmen eines Data-Science-Projekts neue, datengetriebene Wege beschritten. Die Analyse realer Bankdaten lieferte wertvolle Impulse, wie moderne Algorithmen die traditionelle Risikosicht ergänzen können. Erfahren Sie hier, welche Chancen und organisatorischen Learnings dieses Experiment für das Risikocontrolling bereithält.
Adress- bzw. Kreditrisiken sind ein zentrales Thema für jede Bank. Sie fußen auf der unsicheren Bonität eines Kunden: Wenn eine Bank Geld verleiht, kalkuliert sie, dass ein Teil der Kunden die Kredite möglicherweise nicht zurückzahlt. Solange sich die Ausfälle innerhalb der erwarteten Wahrscheinlichkeiten bewegen, ist alles in Ordnung. Doch was passiert, wenn sich ein „perfekter Sturm“ zusammenbraut und deutlich mehr Kunden ausfallen als prognostiziert? Solche Situationen können schnell die Substanz einer Bank bedrohen.
Bisher sichern sich Banken gegen solche Risiken mit etablierten Modellen und Kennzahlen wie dem Credit Value at Risk (CVaR) ab. Dieser gibt an, in welcher Höhe Verluste mit sehr hoher Wahrscheinlichkeit – typischerweise 99,9 % – nicht überschritten werden. Auf Basis dieses Wertes halten Banken Kapital vor, sodass sie rechnerisch nur alle 1.000 Jahre in eine ernsthafte Schieflage geraten.
Doch hier liegt das Problem: Klassische Risikomodelle sind über 30 Jahre alt und messen lediglich die Höhe des notwendigen Eigenkapitals. Sie unterstützen eine Bank nicht in der aktiven Steuerung der Adressrisiken: Wann sollte ich Kreditlinien anpassen? Das Pricing adjustieren? Mehr Sicherheiten verlangen? Zinsen erhöhen? Der CVaR trifft dazu keine Aussage…
Unser Projekt: Neue Wege im Risikocontrolling
Um neue Ansätze zu erforschen, haben die Guides gemeinsam mit der TH Köln ein Data-Science-Projekt gestartet. Vier Studierende des Moduls Data Science haben sich unter der Anleitung von Prof. Dr. Tobias Schlüter intensiv mit dem Thema auseinandergesetzt und datengetriebene Analysen entwickelt.
Als Zielvariable wurde die Ist-Wertveränderung der Kreditbestandes einer Bank definiert – also die Summe aus Bonitäts- und Sicherheitseffekten – um die Entwicklung des Risikoprofils von Kunden zu messen. Dank der Unterstützung mehrerer teilnehmender Banken standen den Studierenden selbstverständlich DSGVO-konform anonymisierte reale Kontodaten und historische Transaktionen zur Verfügung. Über ein Semester hinweg beschäftigten sich die Studierenden mit dem für sie zunächst fremden Themenfeld. Dabei fungierten die Guides als Sparring-Partner und fachliche Begleitung.
Erste Ergebnisse: Chancen und Grenzen
Die Analysen lieferten spannende Einblicke:
- Mit einem Gradient-Boosted Decision-Tree-Modell konnten die negativen Wertentwicklungen mit 86 % Genauigkeit korrekt vorhergesagt werden.
- Die Historie der Zielvariable erwies sich dabei als der stärkste Prädiktor für zukünftige Entwicklungen.
- Auf Kontoebene war eine präzise Prognose der Ausfallhöhe jedoch nur begrenzt möglich, auf Portfolioebene waren die Vorhersagen besser, aber auch nicht ausreichend präzise.
- Insgesamt zeigte sich, dass die für das Projekt verfügbaren Daten allein nicht ausreichen, um statistisch signifikante Vorhersagen für die Steuerung von Kreditrisiken zu ermöglichen.
Fachlich sind diese Erkenntnisse insofern interessant, als dass sie zeigen, dass ein hoher Grad an Autokorrelation vorliegt. In vielen am Markt etablierten Modellen wird im Gegensatz dazu eine Unabhängigkeit der Ausfallwahrscheinlichkeit von denen der Vorperioden unterstellt.
Learnings: Mehr als nur Zahlen
Neben den analytischen Ergebnissen lieferte das Projekt auch wertvolle organisatorische und methodische Erkenntnisse:
- Datenaufbereitung ist zeitintensiv: Einheitliche Datenstrukturen erleichtern spätere Analysen erheblich.
- Freiraum und Fokus gehören zusammen: Zu Beginn haben wir den Studierenden bewusst viel Freiraum gegeben, um eigene Ideen und Ansätze zu entwickeln. Das hat kreative Perspektiven ermöglicht. Gleichzeitig hat sich gezeigt, wie wichtig eine klare thematische Eingrenzung und fachliche Schärfung im weiteren Verlauf ist, damit Analysen zielgerichtet werden und ihr Potenzial besser entfalten können.
- Alternative Ansätze funktionieren: Selbst mit begrenzter Datenverfügbarkeit konnten die Studierenden Grundlagen für Prognosen entwickeln und Zusammenhänge im Datenmaterial sichtbar machen.
Dabei war uns immer klar: Es geht nicht darum, klassische Kreditportfoliomodelle zu ersetzen. Vielmehr wollten wir zeigen, dass es alternative Methoden gibt, die frische Perspektiven eröffnen und interessante Einsichten für die aktive Steuerung von Kreditrisiken liefern. Schon ein kurzer Blick auf solche Ansätze kann zu neuen Erkenntnissen führen und das Risikocontrolling bereichern.
Fazit: Ein erster Schritt in eine neue Richtung
Das Projekt zeigt, dass kreative, datengetriebene Ansätze für die Steuerung von Kreditrisiken möglich sind – und dass es sich lohnt, diese Wege zu erkunden. Auch wenn noch nicht alle Modelle perfekt sind, liefern sie spannende Impulse: für eine aktivere Steuerung, für neue Prognoseansätze und für die Nutzung von Daten auf eine Art und Weise, die über klassische Ratings hinausgeht.
Wir sind überzeugt: Wer sich für alternative Perspektiven und datengetriebene Experimente öffnet, kann nicht nur sein Risikocontrolling nachhaltig verbessern. Datengestützte Ansätze bieten in vielen Facetten der Gesamtbanksteuerung Potenzial für neue Erkenntnisse.
Wir freuen uns darauf, gemeinsam mit Ihnen diese Ideen weiterzuentwickeln und neue, praxisnahe Lösungen zu schaffen.
Jonas Waldeck war selbst an der TH Köln in diesem Praxisprojekt-Modul und freut sich nun andere Projekte zu begleiten. Er interessiert sich besonders für datengetriebene Ansätze in der Kundengeschäftssteuerung und spannende Insights, die man aus Daten ziehen kann.
