Die geschätzte Ausfallwahrscheinlichkeit (Probability of Default, PD) ist die zentrale Kennzahl, an der sich Kredit- und Anleihenratings orientieren. Klassische logistische Modelle greifen auf eine überschaubare Menge bilanzieller Merkmale zu — Leverage, Zinsdeckung, Rentabilität, Liquidität. Maschinelles Lernen erweitert diesen Merkmalsraum erheblich und verändert damit, was eine PD überhaupt aussagt.
Was sich im Merkmalsraum ändert
Gradienten-Verstärker (Gradient Boosted Trees) und tiefere Netze verarbeiten hunderte, teils tausende Eingabegrößen gleichzeitig. Anstelle einzelner Verhältniszahlen treten hochaufgelöste Zeitreihen: vierteljährliche Bilanzposten, hochfrequente Marktpreise, Volatilitätsschätzer und Sentimentindizes. Das erlaubt feinere Trennungen, etwa zwischen Emittenten, die auf gleicher Leverage-Stufe sehr unterschiedliche Cashflow-Dynamiken zeigen.
Ein praktischer Unterschied liegt in der Behandlung nicht-linearer Zusammenhänge. Wo eine logistische Regression die Wirkung steigender Verschuldung als glatte Kurve annimmt, erkennen baumbasierte Modelle Schwellen: jenseits einer bestimmten Zinsdeckung verschlechtert sich die Ausfallrate überproportional. Solche Schwellen sind empirisch plausibel, aber sie erschweren die Erklärbarkeit.
Was die Modelle nicht leisten
Die höhere Trefferquote gilt nur innerhalb der Verteilung, auf der sie trainiert wurden. Strukturbrüche — etwa das Verschwinden eines Marktsegments oder neue regulatorische Anforderungen — verschieben diese Verteilung, und die Modelle verallgemeinern schlechter, als ihre Trainingswerte suggerieren. Die Aufsicht fordert daher für den Einsatz im internen Rating, dass Modelle auf Stabilität über Regime geprüft werden, nicht nur auf durchschnittliche Trefferquote.
Erklärbarkeit als harter Rand
Im bankinternen Einsatz greifen Vorgaben zur Modell-Erklärbarkeit: PD-Modelle müssen nachvollziehbar begründen, warum ein Emittent in eine Risikostufe fällt. Schatten-Modelle, die das Verhalten eines komplexen Netzes mit einer einfachen Regression approximieren, sind ein Kompromiss, der in der Praxis akzeptiert wird — solange die Approximation nachweislich eng ist. Wo sie das nicht ist, bleibt das komplexe Modell eine Analysehilfe, kein Rating.
Lesart für die Praxis
Wer PD-Modelle einordnet, sollte weniger nach der Trefferquote im Rückblick als nach der Stabilität über Regime fragen. Eine Modellfamilie, die in ruhigen Phasen gut funktioniert und in Stressphasen systematisch zu optimistisch ist, ist im Anleihenbereich kein Fortschritt, sondern ein verdecktes Risiko.
Sie arbeiten selbst an einem PD-Modell und haben eine Gegenposition? Schreiben Sie der Redaktion über das Kontaktformular.