Inventive FRC – Credit Risk: Effektives Frühwarnsystem für post-pandemischen Bankensektor

Capgemini Invent adressiert die CxO Daten-Strategie und unterstützt seine Kunden bei der datengetriebenen Wertschöpfung.

Mit Inventive Finance, Risk & Compliance (Inventive FRC) meistern wir die Herausforderungen der Finanz-, Risiko- und Compliance-Funktion im Finanz-Sektor. Dieser Blog-Artikel fokussiert auf Credit Risk.

Hintergrund

Die Covid 19-Pandemie hat im Bankensektor für die Verschiebung der Implementierung von neuen Kapitalanforderungen im Rahmen von Basel IV gesorgt. Die Regulatoren beabsichtigten auf diese Art und Weise die Kreditinstitute vom damit verbundenen organisatorischen und administrativen Aufwand zu entlasten, sodass die Konzentration auf die operative Ebene ermöglicht wird. Zu den dringenden operativen Aufgaben zählen insb. die Identifizierung von Zombie-Unternehmen, deren Ausfallrisiken durch die schwierige wirtschaftliche Situation gestiegen sind, und Maßnahmen zur Reduzierung dieser Risiken. Zombie-Unternehmen sind Firmen, die nicht mehr in der Lage sind, innovative Produkte und Dienstleistungen anzubieten, die Absatzschwierigkeiten aufweisen und durch ständige Refinanzierung am Laufen gehalten werden. Die Regulatoren vermuten den signifikanten Anteil von diesen Unternehmen in Bankenbüchern, deren Ausmaß ist jedoch ungewiss. Europäischen Banken sind sich des Problems auch bewusst, sie arbeiten an Frühwarnsystemen, um Zombie-Unternehmen zu erkennen, aber es fehlt ihnen oft an Ressourcen und Know-how.

Unsere Tools zur Identifizierung von Zombies

Unter tausenden von Firmenkunden die Zombie-Unternehmen manuell herauszufinden wäre eine Sisyphusarbeit für Analysten; die vorhandene Technologie kann hier helfen. Unser Team aus Data-driven Finance, Risk and Compliance hat eine zweistufige Lösung entwickelt, die auf Basis von Echtzeitdaten aus Unternehmensdatenbanken und Online-Quellen die aktuelle wirtschaftliche Entwicklung eines Unternehmens analysiert und darstellt.

• Phase 1: Das Ziel hier ist die risikorelevanten Signale, wie unzureichende Produktqualität, Personalengpässe, Lieferkettenstörungen, aktuelle Absatzschwierigkeiten mit Hilfe der Data Mining Methoden (Sentimentanalyse, Topic Modelling) aus den unstrukturierten Textdaten zu identifizieren und zu quantifizieren. Außerdem werden sowohl die bilanztechnischen Analysen als auch Cashflow-Prognosen vorbereitet. Die Analysten werden automatisch benachrichtigt, sobald sich das Geschäftsrisiko eines Firmenkunden signifikant erhöht hat und die Kostendeckung und somit auch der Kapitaldienst in Gefahr ist.
• Phase 2: Sobald potenzielle Zombie-Unternehmen identifiziert sind, soll das Ausfallrisiko quantifiziert werden. Dies erfolgt durch die Analyse und Prognose von Finanzkennzahlen. Unser Engine sammelt makroökonomische und firmenspezifische Finanzdaten von über 42 Millionen Unternehmen weltweit. Darauf basierend werden Szenarien generiert, die als Input für die Modellierung der Ausfallwahrscheinlichkeiten sowie anderer Kreditrisikoparameter dienen. Die Verwendung von zukunftsgerichteten Daten führt zu einer über die Jahre bewährten hohen Trennschärfe der Kreditrisikomodelle (PD, LGD, CCF), die von den Aufsehern gefordert ist.

Umsetzungsempfehlungen und Regulatorik

Bei der Umsetzung von solchen Frühwarn- und Risikoquantifizierungssystemen muss die Implementierung von regulatorischen Anforderungen im Vordergrund stehen. In den bereits veröffentlichten Blogs gehen wir speziell auf die neuen regulatorischen Herausforderungen durch Basel IV ein. Darin zeigen wir auf, mit welchen innovativen Ansätzen das Kreditrisikomanagement optimiert werden kann, zum Beispiel mit Hilfe der Tokenisierung von Risikoposition, wie es in unserem ersten Artikel beschrieben ist. Des Weiteren adressieren wir die Frage, ob sich die Verwendung von IRBA immer noch lohnt und wie sich der Nutzen analysieren lässt. Wie hoch der Kapitalbedarf infolge der Einführung von neuen Output-Floor Regeln sein wird, ermitteln wir im dritten Artikel. Außerdem fordert Basel IV die angemessene Trennschärfe der Risikomodelle. Drei Anpassungsmöglichkeiten diskutieren wir im vierten Artikel. Kleine Parameteranpassung zeigt große Wirkung auf RWA – den genauen Einfluss untersuchen wir im fünften Artikel. Abschließend thematisiert Artikel sechs die wichtigsten Erfolgsfaktoren für eine innovative Risikosteuerung vor dem Hintergrund der erschwerenden Umstände durch die Pandemie und Artikel sieben die effektiven Frühwarnsysteme zum Regulator konformen Risikomanagement. Vielen Dank für das Lesen!