Die Anwendung von Modellen spielt eine große Rolle in unserem Alltag. Von Finanzdienstleistern genutzte Modelle werden am häufigsten mit der Sicherstellung der Eigenmittelunterlegung oder der Berechnung von Risikokennziffern in Verbindung gebracht. Dabei umfasst der Modellbegriff ein viel größeres Spektrum. Daten jeglicher Form können verarbeitet, kombiniert oder angereichert werden, um die Entwicklung ausgewählter Größen zu erklären, zu prognostizieren oder die Realität vereinfacht abzubilden.Dann ist das darunterliegende Rahmenwerk ein Modell. Es gibt dementsprechend fast keine Abteilung eines Finanzdienstleisters, keinen Prozess oder keine Entscheidung, welche ohne eine Nutzung von Modellen auskommen würde. Der Einsatz von Modellen erstreckt sich über die verschiedenen Tätigkeitsfelder in einer Bank hinweg: Risikomessung, Bewertungen von Instrumenten, Bilanzierung, Entscheidungsfindung, Analyse der Geschäftsstrategie, Kapitaladäquanz, Stresstests, Compliance und Marketing. Es handelt sich teilweise um mathematisch-statistische Modelle, die für Markt- und Risikoprognosen herangezogen werden. Die Anwendung von Modellen erfolgt auch bei der Ermittlung von Kenngrößen wie Gewinn und Verlust, während andere Modelle Experteneinschätzungen in den Bereichen Marketing oder Human Resources einbeziehen.
Modelle sind gekennzeichnet durch Reduktion, Standardisierung, Aggregation und Abstraktion. Diese Eigenschaften, die grundlegende Bedeutung von Annahmen in der Modellierung oder die Bezugnahme auf ökonomische Theorien, ziehen hierbei zwangsläufig ein Modellrisiko nach sich. Dies gilt vor allem bei Einführung einer stochastischen Komponente in Modellen.
Ein konsequentes Model Governance und ein konsequentes Modellmanagement aufzubauen, erscheint daher im Zeitalter der Standardisierung, Digitalisierung und Automatisierung als die angemessene Schlussfolgerung. Hierbei bestehteine Analogie zu Data Governance und Datenmanagement.
Im Bereich der Finanzdienstleistungen ist dieser Umstand seit vielen Jahren ein Fokusthema und erhält im Zuge dessen immer mehr Aufmerksamkeit von Gesetzgebern und Regulatoren.
Technische und methodische Entwicklungen, regulatorische Anforderungen und die Aufsichtspraxis erfordern eine Weiterentwicklung der Systeme und der Vorgehensweisen für die Model Governance und das Management von Modellen.
Von der Entwicklung eines Modells über die Implementierung, den Betrieb, die Anwendung, die Überwachung unddie Berichterstellung bis zur Entscheidungsfindung sind die Rollen und Verantwortlichkeiten festzulegen.Die zugehörigen Prozesse sind effektiv und effizient zu managen.
Welche Fragen stehen im Mittelpunkt?
Eine analytische Betrachtung von Model Governance und Modellmanagement sollte insbesondere folgende übergreifende Fragen behandeln:
Wo sollen Prioritäten bei der Behandlung der Modellrisiken gesetzt werden?
Bedeutet eine Setzung von Prioritäten, dass überwiegend die für die SäuleI relevanten Modelle oder nur die Risikoquantifizierungsverfahren eingehend bezüglich des Modellrisikos betrachtet werden, während andere Modelle vernachlässigt werden?
Bleibt eine eingehende Betrachtung negativer Folgen der Nutzung von Modellen auf leicht quantifizierbare Auswirkungen beschränkt, oder werden Reputationsschäden, Geschäftsrisiko und strategische Risiken angemessen gewürdigt?
Wird etwas in bestimmten Bereichen nicht als Modell angesehen, weil dort die Nutzung weniger kritisch gesehen wird? Sind die Einordnungen, was überhaupt als Modell anzusehen ist, von Gewohnheiten und Arbeitsabläufen so geprägt, dass sich deswegen ein noch zu unvollständiges Bild für eine angemessene Würdigung von Modellen im Risikomanagement ergibt?
Wird Modellrisiko eigenständig betrachtet, im Rahmen von operationellem Risiko behandelt oder inwieweit ist es in die Betrachtung anderer Risikoarten eingefügt?
Sind Modellrisiken nachvollziehbar dargestellt?
Wie sind Modellrisiken in das Risikoappetit-Framework einzubeziehen?
Was ist der Mehrwert einer Analyse?
Besserer Überblick zur Modelllandschaft und zugehörigen Risiken.
Besseres Verständnis für die grundsätzliche Eignung von Modellen, Voraussetzungen und Grenzen der Methodik.
Entwicklung eines Bewusstseins für die Angemessenheit der Modellanwendung und potenzielle Auswirkungen von Modellrisiken auf das Geschäft.
Schnellere Anpassungen von Modellen.
Reduzierter Aufwand durch Zentralisierung des Modellrisikomanagements.
Bessere Vorbereitung auf aufsichtliche Prüfungen.
Modelle, Implementierung, Betrieb und Anwendung
Um einen Überblick zu Modellen und Modellrisiko auf der Ebene der Gesamtbank herzustellen, wird zunächst ein Modellinventar erstellt. Am Anfang der Behandlung der Modellrisiken für die in diesem Inventar erfassten Modelle, steht die Setzung und die Einhaltung von Standards für Entwicklung, Implementierung, Betrieb sowie Anwendung. Im Hinblick darauf sind zu betrachten:
der Umfang und die Aktualität des Modellinventars;
die Abgrenzung der Anwendungsbereiche von Modellen;
die Abhängigkeiten zwischen Modellen, insbesondere wenn Modellanwendungen in einer gewissen Reihenfolge stehen;
konzeptionelle Ausarbeitungen, durch die ein Rahmen für die Neuentwicklung und Weiterentwicklung von Modellen gegeben wird;
gegebenenfalls Vorgaben, die den Umgang mit Defiziten der Daten oder des Modells, statistischen Schätzfehlern und allgemeiner Unsicherheit betreffen;
die Vollständigkeit und der Detaillierungsgrad der Dokumentation zu den Modellen, wovon unter anderem die Transparenz hinsichtlich eingearbeiteter Theorie und der konservativen Elemente in der Modellierung abhängig ist;
inwieweit in Entwicklungsdokumentationen auf die grundsätzliche Eignung der gewählten Ansätze für die Modellierung und Alternativen eingegangen wird;
die Analyse von Verzerrungen im Modell-Output als Bestandteil der Entwicklungsdokumentation und die Eignung von diesbezüglichen Analysen und Vorgehensweisen, um diese Verzerrungen zu vermeiden;
kritische Reviews der Entwicklung von Modellen.
Von einem hinreichenden Verständnis der Modellierung, Modelleigenschaften und insbesondere der Grenzen der gewählten Methodik bei den Anwendern und Entscheidungsträgern hängt ab, wie die Ungenauigkeit und Unsicherheit der Modellergebnisse in der Bankorganisation Berücksichtigung finden.
Eine erfolgreiche Validierung und Pflege von Modellen setzen voraus, dass während des Betriebs dieser Modelle
eine Archivierung von Input-Daten, dem Modell-Output und die Erfassung der zugehörigen realisierter Werte vorgenommen wird sowie
die Reproduzierbarkeit von Modellergebnissen sichergestellt ist.
Validierung
Modellvalidierung ist ein Mittel zur Reduzierung des Modellrisikos, indem Modelldefizite sowie Anwendungsfehler gesucht und Korrekturmaßnahmen angestoßen werden. Die Validierung von Modellen ist erforderlich, um die Einschätzung des Modellrisikos auf dem aktuellen Stand zu halten; und schließlich stellt die Validierung die Überwachung von Mindestanforderungen für den Einsatz von Modellen sicher. Eine Strukturierung der Vorgehensweise, die Einhaltung von Standards für Validierungen und die Wirksamkeit von Validierungen für das Management des Modellrisikos sind anzustreben. Hierfür sind ausschlaggebend:
das Validierungskonzept als Rahmen für die Validierung und Pflege von Modellen;
der Umfang und die Inhalte von Validierungsanalysen mit
der quantitativen und qualitativen Validierung des Modells im engeren Sinn, wobei gegebenenfalls bekannte Modelldefizite beobachtet, Fehler bei der Entwicklung offengelegt oder zunehmende Abweichungen zwischen Modell und Realität angezeigt werden;
der Überprüfung der Implementierung, der Prozesssicherheit sowie des Betriebs und
der Überprüfung der Anwendung des Modells auf Datenfehler, falsche Anwendung oder falsche Interpretation;
das Potenzial für ein aussagekräftigeres Backtesting auf Basis der internen Datenarchivierung und die Verfügbarkeit von challenger models;
die Nutzung externer Informationen und das Potential für ein aussagekräftigeres Benchmarking;
die Nutzung von Kennzahlen, speziell in Bezug auf das Modellrisiko;
die Etablierung einer model change policy, wozu unter anderem eine Festlegung von Toleranzschwellen gehört.
Technische Unterstützung der Validierung und der Behandlung des Modellrisikos ermöglicht eine höhere Effizienz. Idealerweise wird eine so weitgehende Automatisierung der Validierung erreicht, dass die sich regelmäßig wiederholenden Analysen und die zugehörige Berichterstellung abgedeckt sind und im Fall des Überschreitens gewisser Toleranzschwellen Handlungsbedarf automatisch angezeigt würde.
Governance
Über Fragen der Modellentwicklung, der Validierung, der Implementierung, des Betriebs und der Anwendung hinausgehend, ist die Model Governance ausschlaggebend für ein wirksames Management der Modellrisiken. Model Governance stellt die Überwachung von Modellen und Methoden im Rahmen von Entscheidungsprozessen sicher. Hierbei ist zu untersuchen, ob einerseits bewährte Praxis beachtet wird, andererseits effizient gearbeitet wird. Im Einzelnen sind zu betrachten:
die Ausarbeitung interner Richtlinien mit Bezug zu Modellrisiko, die die Aktivität des Risikomanagements definieren, sowie die Etablierung zugehöriger Prozesse zur Implementierung dieser Richtlinien;
Model risk tiering, das ist eine Einschätzung von Modellen mit Blick auf die Bedeutung des Modells (aufgrund der Anwendungszwecke und des betroffenen Geschäftsvolumens u.a.) einerseits und des Risikos der Modellnutzung andererseits;
die Verantwortlichkeiten für Modelle, Validierung, Implementierung, Betrieb, Anwendung und Kommunikation; die Funktionstrennung in der Organisation (insbesondere zwischen Modellentwicklung und Validierung);
die Prozesse für die Genehmigung und Inbetriebnahme von Modellen beziehungsweise Modellanpassungen; die Nachvollziehbarkeit der Modellversionen;
die Berichterstattung zu Modellrisiko an das Management;
die Standardisierung der Prozesse bei der Behandlung von Modellrisiken;
der Einsatz von Tools für die Überwachung der Modelle und Modellrisiken;
inwieweit Ansätze für eine quantitative Analyse der Modellrisiken verfolgt werden.
Über ADVISORI
ADVISORI berät Kunden seit vielen Jahren zum Thema Modelle und Model Governance.Unsere Beraterinnen und Berater haben Erfahrungen im Rahmen zahlreicher erfolgreicher Projekte sammeln können.
Über die Autoren
Dr. Helge Thiele ist als Unternehmensberater mit Schwerpunkt Modellierung und Risikomanagement in Banken tätig. Seit mehr als 10 Jahren beschäftigt er sich mit Modellentwicklung, Validierung, regulatorischen Anforderungen und der technischen Umsetzung von Modellen.
Andreas Krekel ist als Unternehmensberater mit dem Schwerpunkt der Analyse sowie Implementierung von risiko- und meldewesenspezifischen regulatorischen Anforderungen tätig. Zu seinem Themenfokus gehören Data Governance sowie Modellierungsvorgaben im (Non)-Financial-Risk Bereich. Neben der Umsetzung, dem (agilen)-Projekt- und Test-management hat er die fachliche und disziplinarische Leitungsverantwortung für die Abteilung Risikomanagement und Meldewesen bei ADVISORI.
