Warum Sie sich nicht auf Risikomodelle verlassen sollten

Risikomodelle sollen Organisationen beim Risikomanagement helfen, potenzielle Risiken, denen sie ausgesetzt sein könnten, schnell zu identifizieren, zu bewerten und nach Prioritäten zu ordnen. Mit Risikomodellen versprechen sich Organisationen ein besseres Verständnis der Risiken, denen sie ausgesetzt sind. Dies mit dem Ziel besser und schneller entscheiden zu können, welchen Risiken Ressourcen zugeteilt werden, um diese zu bewältigen oder welche sie tragen können. In diesem Kontext ist seit kurzer Zeit auch künstliche Intelligenz ein wichtiges Thema. Wie haben sich Risikomodelle in der Vergangenheit bewährt und wie sieht ihre Zukunft aus? Lesen Sie weiter und erfahren Sie es!

Risikomodelle basieren auf Erfahrungswerten

Risikomodelle sollen Organisationen beim Risikomanagement helfen, potenzielle Risiken, denen sie ausgesetzt sein könnten, schnell zu identifizieren, zu bewerten und nach Prioritäten zu ordnen. Risikomodelle sind mathematische oder statistische Instrumente, basierend auf Erfahrungswerten zur Bewertung verschiedener Risiken. Durch den Einsatz von Risikomodellen versprechen sich Organisationen ein besseres Verständnis der Risiken, denen sie ausgesetzt sind. Dies mit dem Ziel besser und schneller entscheiden zu können, welchen Risiken Ressourcen zugeteilt werden, um diese zu bewältigen.

Risikomodelle können nützliche Werkzeuge für das Risikomanagement sein, aber es ist wichtig, ihre Einschränkungen zu verstehen. Hier sind einige Gründe, warum Sie sich nicht ausschließlich auf Risikomodelle im Risikomanagement verlassen sollten:

1. Risikomodelle basieren auf Annahmen und historischen Daten, die die aktuelle Situation oder zukünftige Entwicklungen möglicherweise nicht genau widerspiegeln.
2. Risikomodelle erfassen möglicherweise nicht alle potenziellen Risiken, insbesondere solche mit geringer Wahrscheinlichkeit oder hohem Auswirkungspotenzial.
3. Risikomodelle berücksichtigen möglicherweise nicht ausreichend die Wechselwirkungen zwischen verschiedenen Risiken.
4. Risikomodelle berücksichtigen möglicherweise nicht die spezifischen Merkmale und Bedürfnisse einer Organisation oder eines Projekts.
5. Risikomodelle werden möglicherweise nicht regelmäßig aktualisiert und berücksichtigen möglicherweise nicht sich ändernde Umstände oder aufkommende Risiken.

Daher ist es wichtig, Risikomodelle als einen Teil einer umfassenden Risikomanagementstrategie zu verwenden, anstatt sich ausschließlich auf sie zu verlassen.

We have never had and would never use any form of quantitative risk control because all quantitative risk control models use historical volatility. It is like driving by looking in the rearview mirror.

Martin Taylor, Hedge Fond Manager

Martin Taylor wird nicht der Einzige sein, der sich nicht auf Risikomodelle verlässt. Dies hat sicher einen Grund. Was einer dieser Gründe ist, lesen Sie im nächsten Abschnitt.

Risikomodelle und Krisen

Statistische Preisfindungs- und Risikovorhersagemodelle spielten eine wichtige Rolle bei der Entstehung der Finanzkrise von 2007-08. Sie gaben zum Beispiel falsche Signale, unterschätzten das Risiko und bewerteten besicherte Schuldverschreibungen falsch. Es ist daher überraschend, dass häufig vorgeschlagen wird, solche Modelle bei Reformen nach der Krise verstärkt einzusetzen.

Mit solchen Risikomodellen war man der Meinung die Dynamik der Finanzmärkte vor oder während einer Krise irgendwie erkennen zu können, indem man Daten aus der Zeit vor einer Krise untersucht.

Es hat sich eindrücklich gezeigt, dass dies nicht so ist. Die Modelle waren und sind dieser Aufgabe nicht gewachsen. Statistische Risiko- und Preisfindungsmodelle mögen zwar gut funktionieren, wenn die Märkte ruhig sind, aber sie legen den Grundstein für ihre eigene Zerstörung. Es war unvermeidlich, dass sich solche Modelle als falsch erweisen. Alles, was den Modellen vor der Krise fehlte, war das Vorhandensein einer Krise in der Datenstichprobe.

Modelle, Momentum und Blasen

Die überwiegende Mehrheit der Risikomodelle basiert auf den folgenden Annahmen:

• Man nimmt eine Reihe von historischen Beobachtungen der zu untersuchenden Daten.
• Man erstellt ein statistisches Modell, das die besten Prognosen liefert.
• Man validiert das Modell außerhalb der Stichprobe, aber mit historischen Daten, die dem Datenmodellierer bekannt sind.

Dieser Modellierungsansatz kann auf kurze Sicht durchaus angemessen sein, wenn es keine strukturellen Brüche in den Daten gibt, so dass wir vernünftigerweise davon ausgehen können, dass die Daten während des gesamten Stichprobenzeitraums demselben stochastischen Prozess folgen. Zu den jüngsten Beispielen gehören die Zeiträume niedriger Volatilität von 1994-1997 und 2003-2007.

Selbst in solchen Best-Case-Szenarien ist es wahrscheinlich, dass die Modellierung minderwertige Prognosen liefert. Data Mining ist weit verbreitet; Modellierer passen das Modell an die Daten in der Stichprobe an, was dazu führt, dass das Modell in der für die Modellvalidierung verwendeten Stichprobe gut funktioniert, bei neuen Daten aber schlecht.

Das Hauptproblem ist jedoch, dass eine solche Modellierung das Verhalten der Modellteilnehmer beeinflusst. Wenn die Marktteilnehmer das Risiko als niedrig und die Renditen als hoch wahrnehmen, weil dies in der Vergangenheit der Fall war, kommt es zu einer positiven Rückkopplung zwischen ständig steigenden Preisen und sinkendem Risiko.

Dieser Prozess wird durch die von den Modellen ausgelösten Momentum-Effekte noch verstärkt. Dies war einer der Hauptfaktoren für die Vermögenspreisblase vor der jüngsten Krise. Letztendlich geht das Ganze spektakulär schief. Auf diese Weise legen die Modelle den Grundstein für ihre eigene Zerstörung.

Überschätzung des Risikos nach einer Krise: Warum die Banken keine Kredite vergaben

Die Risikoprognosemodelle lieferten ein ebenso schlechtes Signal, nachdem die Krise vorüber war. Vermutlich gab es zu diesem Zeitpunkt reichlich Anlagemöglichkeiten. Die rückwärtsgerichteten statistischen Risikoprognosemodelle schätzten das Risiko jedoch immer noch als hoch ein, da die Beobachtungen aus der Krise noch lange Zeit nach deren Überwindung in der Schätzungsstichprobe verblieben.

Die Krise wird nicht dort stattfinden, wo man hinschaut

Die Gesetzgeber und Regulatoren stehen vor einer noch größeren Herausforderung, da sie nicht überall hinschauen können und ihre Aufmerksamkeit auf die Bereiche richten müssen, in denen sie das Auftreten von Systemrisiken für am wahrscheinlichsten halten. Nach der Finanzkrise wurde viel Aufmerksamkeit auf die Ursachen der letzten Krise gerichtet, wie z. B. die für das letzte Jahrzehnt charakteristischen Liquiditätsinkongruenzen.

Die nächste Krise wird jedoch nicht von dort kommen, wo wir gerade hinschauen. So wie beim letzten Mal, als die Gefahr von Conduits und speziellen Investmentvehikeln alle überraschte, wird auch die nächste Krise aus einem Bereich kommen, den wir nicht im Blick haben.

Schwarze Schwäne: Nassim Nicholas Taleb hat das Konzept der “Schwarzen Schwäne” populär gemacht – seltene und unvorhersehbare Ereignisse mit schwerwiegenden Folgen. Herkömmliche Risikomodelle können diese unvorhersehbaren Ereignisse, die sich erheblich auf die Marktentwicklung auswirken können, oft nicht berücksichtigen.

Sind KI und Large language Models die Zukunft?

Ist künstliche Intelligenz (KI) eine Alternative für traditionelle Risikomodelle. Wahrscheinlich in naher Zukunft schon. Denn diese Modelle überwinden die Starrheit der traditionellen Modelle, indem sie Large Language Models anwenden.

Large Language Models (LLMs) sind Deep-Learning-Algorithmen, die Inhalte anhand sehr großer Datensätze erkennen, zusammenfassen, übersetzen, vorhersagen und generieren können. Large Language Models stellen größtenteils eine Klasse von Deep-Learning-Architekturen dar, die als Transformer-Netzwerke bezeichnet werden. Ein Transformermodell ist ein neuronales Netzwerk, das Kontext und Bedeutung lernt, indem es Beziehungen in sequenziellen Daten, wie den Wörtern in diesem Satz, verfolgt.

Künstliche Intelligenz (KI) ist für das Risikomanagement in verschiedenen Branchen von großem Nutzen. KI-Technologien haben das Potenzial, die Effektivität und Effizienz von Risikobewertungs-, Risikominderungs- und Entscheidungsprozessen erheblich zu verbessern. Hier sind einige Möglichkeiten, wie KI im Risikomanagement eingesetzt werden kann:

1. Datenanalyse und Vorhersage: KI kann große Datenmengen aus verschiedenen Quellen in Echtzeit oder nahezu in Echtzeit analysieren. Diese Fähigkeit ist entscheidend für die Erkennung potenzieller Risiken und die Vorhersage künftiger Trends. So kann KI beispielsweise zur Analyse von Finanzdaten eingesetzt werden, um Muster zu erkennen, die auf Marktschwankungen oder potenziellen Betrug hindeuten können.
2. Kreditrisikobewertung: Im Finanzsektor können KI-gestützte Algorithmen die Kreditwürdigkeit von Einzelpersonen und Unternehmen genauer bewerten, indem sie eine breite Palette von Faktoren berücksichtigen, die über die herkömmlichen Kreditscores hinausgehen. Dies hilft Finanzinstituten, fundiertere Kreditentscheidungen zu treffen.
3. Aufdeckung von Betrug: KI ist effektiv bei der Aufdeckung von betrügerischen Aktivitäten, wie Kreditkartenbetrug, Versicherungsbetrug und Identitätsdiebstahl. Modelle für maschinelles Lernen können kontinuierlich lernen und sich an neue Betrugsmuster anpassen, wodurch sie effektiver sind als regelbasierte Systeme.
4. Operatives Risikomanagement: KI kann durch die Analyse von Prozessen, Transaktionen und Mitarbeiterverhalten dazu beitragen, operationelle Risiken in Unternehmen zu identifizieren. Dies kann zu Verbesserungen bei der Risikominderung und Compliance führen.
5. Marktrisikoanalyse: In der Investment- und Handelsbranche kann KI-Marktdaten und die Stimmung in den Nachrichten in Echtzeit analysieren, um Händlern zu helfen, fundierte Entscheidungen zu treffen. KI-Modelle können auch Marktszenarien simulieren, um potenzielle Verluste und Risiken zu bewerten.
6. Cybersecurity: KI-gestützte Cybersicherheitssysteme können Cyberbedrohungen effektiver erkennen und darauf reagieren, indem sie den Netzwerkverkehr analysieren und Anomalien identifizieren. Sie können auch potenzielle Schwachstellen vorhersagen und Sicherheitsmaßnahmen empfehlen.
7. Risikomanagement im Gesundheitswesen: Im Gesundheitswesen kann KI Patientendaten analysieren, um Risiken im Zusammenhang mit bestimmten medizinischen Bedingungen, Behandlungsplänen und Patientenergebnissen zu ermitteln. Diese Informationen können genutzt werden, um die Patientenversorgung zu verbessern und medizinische Fehler zu reduzieren.
8. Bewertung von Umweltrisiken: KI kann Umweltdaten wie Wettermuster, geologische Daten und Sensormesswerte verarbeiten, um Naturkatastrophen wie Wirbelstürme, Erdbeben und Überschwemmungen zu bewerten und vorherzusagen. Diese Informationen sind von unschätzbarem Wert für die Vorbereitung auf Katastrophen und die Reaktion darauf.
9. Compliance und regulatorische Risiken: KI kann Unternehmen bei der Einhaltung komplexer und sich ständig ändernder Vorschriften unterstützen, indem sie Daten auf potenzielle Compliance-Verstöße überwacht und analysiert.

Insgesamt kann KI wertvolle Erkenntnisse liefern, sich wiederholende Aufgaben automatisieren und die Genauigkeit von Risikobewertungs- und -managementprozessen verbessern. Es ist jedoch wichtig, KI-Systeme sorgfältig zu entwickeln und zu implementieren und dabei den Datenschutz, ethische Erwägungen und potenzielle Verzerrungen in KI-Algorithmen zu berücksichtigen, um ihre Wirksamkeit und Fairness im Risikomanagement zu gewährleisten.

Aber auch Künstliche Intelligenz kann Ihnen nur auf Basis bereits bestehender Daten Informationen liefern, die aber mit grosser Wahrscheinlichkeit besser sind, als die der traditionellen Modelle.

Wie ist es mit der Kreativität noch nie geschehene Ereignisse vorzuschlagen? Wir stehen erst am Anfang dieser neuen spannenden Area mit KI und ich denke hier wird noch viel weiterentwickelt. Sie dürfen zur Zeit grundsätzlich nie dem Output eines Modells auf Basis von künstlicher Intelligenz zu vertrauen Es wird vermutlich noch lange wichtig sein, die Resultate, die einem KI liefert gut zu prüfen, denn diese sind oft noch unzuverlässig!