ML-Benchmarking für Ratingverfahren
- Erschienen in
- Zeitschrift für das gesamte Kreditwesen
- Ausgabe
- Ausgabe 24/2018
- Autoren
- Reichenberger, Schieborn
Eine systematische Benchmarkstudie vergleicht maschinelle Lernverfahren — darunter Random Forests, Gradient Boosting und neuronale Netze — mit klassischen logistischen Regressionsmodellen für die Entwicklung von Ratingverfahren im Bankensektor.
Die Studie analysiert Prognosegüte, Trennschärfe und Kalibrierungsqualität unter Berücksichtigung regulatorischer Anforderungen. Die Ergebnisse zeigen, dass ML-Verfahren in vielen Szenarien statistisch überlegen sind — und liefern damit eine frühe empirische Grundlage für die seither stark gewachsene Diskussion um den Einsatz von KI im Kreditrisikomanagement.
Autoren
Prof. Dr. Dirk Schieborn und Prof. Dr. Volker Reichenberger
Steinbeis-Transferzentrum Data Analytics und Predictive Modelling
Interesse an einer Zusammenarbeit?
Wir forschen und publizieren zu KI, Machine Learning und Predictive Analytics — gerne auch in Kooperation mit Unternehmen und anderen Institutionen.
Kontakt aufnehmen