Wenn eine Bank ein auf generativer KI basierendes Kreditbewertungsmodell einführt, ist die erste Frage nicht mehr technischer, sondern regulatorischer Natur. Seit der Verabschiedung des AI Act im Jahr 2024 gehören Kreditbewertung und Risikobewertung zu den hochriskanten Anwendungsfällen in Europa. Für die Teams, die im Bereich Finanzen tätig sind, verändert dieser Rahmen die Art und Weise, wie Modelle entworfen, dokumentiert und auditiert werden, noch bevor sie in die Produktion gehen.
AI Act und Finanzbewertung: Was technische Teams liefern müssen
Die Einstufung in die Kategorie hohes Risiko bringt konkrete Verpflichtungen mit sich. Es geht um die Governance der Trainingsdaten, die Nachvollziehbarkeit der Modellentscheidungen, die dokumentierte Verwaltung von Verzerrungen und die Transparenz gegenüber den Regulierungsbehörden.
Lesetipp : Die neuesten Trends in der Versicherung: Was Sie wissen müssen
In der Praxis bedeutet dies, dass ein Data Scientist, der ein Kreditmodell erstellt, sich nicht mehr damit zufrieden geben kann, eine Leistungskennzahl zu optimieren. Es muss eine strukturierte technische Dokumentation erstellt werden, die mit einem Compliance-Dossier vergleichbar ist und die verwendeten Daten, die Architekturentscheidungen und die Ergebnisse der Verzerrungstests detailliert darlegt.
In Frankreich und Deutschland haben nationale Behörden begonnen, spezifische Positionen zur Nutzung von generativer KI in der Verteilung von Finanzprodukten und der KYC/AML-Konformität zu veröffentlichen. Der Trend ist klar: menschliche Schutzmaßnahmen und Modellprüfungen werden zur Norm. Um diese Entwicklungen kontinuierlich zu verfolgen, kann man die Nachrichten von Finance Technique konsultieren, die regelmäßig die regulatorischen Auswirkungen für Fachleute der Branche abdecken.
Ebenfalls empfehlenswert : Bleiben Sie informiert: Die neuesten Nachrichten, die Sie heute nicht verpassen sollten
Modellrisikomanagement: Ein eigenständiger Beruf in der Finanzwelt
In den letzten Jahren haben immer mehr Banken und große Versicherungen Teams für das Modellrisikomanagement (MRM) strukturiert. Es ist kein Nischenthema mehr, das nur Quants vorbehalten ist. Die Funktion organisiert sich um hybride Profile, die sich zwischen Data Science, Compliance und interner Prüfung bewegen.
Was ein MRM-Team konkret macht
Das MRM-Team ist im gesamten Lebenszyklus eines Modells tätig. Es validiert die Annahmen vor der Entwicklung, testet die Ergebnisse unter realen Bedingungen und überwacht die Drift des Modells nach der Bereitstellung.
- Erstvalidierung: Überprüfung der Qualität der Trainingsdaten, Robustheitstests unter Stressszenarien, Dokumentation der bekannten Grenzen des Modells.
- Überwachung in der Produktion: Verfolgung der Leistungsindikatoren, Erkennung von Verzerrungen, die im Laufe der Zeit auftreten, Auslösung von Neukalibrierungen, wenn die Ergebnisse von den definierten Schwellenwerten abweichen.
- Regelmäßige Prüfung: Umfassende Überprüfung des Modells in regelmäßigen Abständen, mit Aktualisierung der regulatorischen Dokumentation und Berichterstattung an das Risikokomitee.
Das MRM verändert die Beziehung zwischen Modellentwicklern und der Governance. Man liefert nicht mehr einen Algorithmus als fertiges Produkt. Man liefert ein Modell, das von einem lebendigen Risikodossier begleitet wird, das kontinuierlich aktualisiert wird.
Chief Model Risk Officer: Eine zunehmend verbreitete Position
Mehrere Finanzinstitute haben die Position eines Chief AI Officer oder Chief Model Risk Officer geschaffen, die direkt der Risikoleitung unterstellt ist. Diese hierarchische Anbindung ist nicht unerheblich. Sie stellt sicher, dass die Governance der Modelle nicht nur auf die IT-Teams beschränkt bleibt, sondern auf Entscheidungsebene zurückgeführt wird.
Die Rückmeldungen variieren hinsichtlich der tatsächlichen Reife dieser Funktionen je nach Institution, aber die Richtung ist klar. Die europäischen Regulierungsbehörden drängen auf diese Strukturierung, und die Banken, die auf diese Profile einstellen, suchen nach Kandidaten, die sowohl mit einem Machine-Learning-Ingenieur als auch mit einem Prüfer der ACPR kommunizieren können.
Tokenisierung von realen Vermögenswerten und Blockchain-Infrastruktur in der Finanztechnik
Die Tokenisierung von Vermögenswerten (Immobilien, Private Debt, Fondsanteilen) schreitet in einem zunehmend normierten Rahmen voran. Das Thema ist nicht mehr experimentell. Mehrere regulierte Plattformen in Europa ermöglichen es nun, Finanzinstrumente in Form von Tokens auf der Blockchain auszugeben und zu handeln.
Für die technischen Teams besteht die Herausforderung aus zwei Teilen. Zunächst muss sichergestellt werden, dass die gewählte Blockchain-Infrastruktur mit den lokalen regulatorischen Anforderungen kompatibel ist (europäische Verordnung über Krypto-Assets, Pilotregime). Dann muss diese Infrastruktur mit den bestehenden Verwaltungssystemen verbunden werden: Buchführung, steuerliche Berichterstattung, buchhalterische Abstimmung.
Dieser letzte Punkt wird oft unterschätzt. Die Tokenisierung ersetzt nicht die Backoffice-Prozesse, sie kompliziert sie, solange die Schnittstellen zwischen Blockchain und Legacy-Systemen nicht zuverlässig sind. Es zeigt sich, dass die Projekte, die am besten vorankommen, diejenigen sind, bei denen das technische Team von Anfang an mit der Compliance und den Operationen zusammenarbeitet und nicht isoliert.
Alternative Daten und Big Data: Was sich für die Analyse finanzieller Risiken ändert
Die Nutzung alternativer Daten (Satellitendaten, anonymisierte Transaktionsströme, Signale aus sozialen Netzwerken) in der Risikoanalyse ist nicht neu. Was sich ändert, ist das Niveau der Anforderungen an die Nachvollziehbarkeit und die Qualität dieser Daten.
Die Regulierungsbehörden erwarten nun eine präzise Dokumentation über die Herkunft alternativer Daten. Ein Fonds, der Satellitenbilder verwendet, um die Aktivität eines Hafens zu schätzen, muss die Zuverlässigkeit seiner Quelle, die Aktualisierungsfrequenz und die bekannten Grenzen der Interpretation rechtfertigen können.
- Herkunft: Lizenzvertrag, Erfassungsweg, Einhaltung der DSGVO, wenn die Daten natürliche Personen betreffen.
- Qualität: Anteil fehlender Daten, Verzerrungen in der geografischen oder sektoralen Abdeckung, verfügbare Historie für Backtesting.
- Integration: Fähigkeit, diese Daten mit klassischen Finanzquellen zu verknüpfen, ohne Duplikate oder Widersprüche in den Modellen zu erzeugen.
Big Data in der Finanzwelt beschränkt sich nicht mehr auf das Ansammeln von Volumina. Der Wert liegt in der Fähigkeit, die Zuverlässigkeit jeder Quelle zu beweisen, die in einem Entscheidungsprozess für Investitionen oder Risikomanagement verwendet wird.
Die kommenden Monate werden wahrscheinlich diese Konvergenz zwischen technischen Anforderungen und regulatorischen Anforderungen verstärken. Die Teams, die ihre Daten- und Modellgovernance im Voraus strukturiert haben, werden die sein, die am schnellsten bereitstellen, ohne Blockaden zum Zeitpunkt der Prüfung.