{"id":1408670,"date":"2026-11-17T14:02:53","date_gmt":"2026-11-17T14:02:53","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&#038;p=1408670"},"modified":"2026-11-17T14:02:53","modified_gmt":"2026-11-17T14:02:53","slug":"brasilianische-cmn-entscheidung-4966-zu-ifrs-9-unterscheidet-ihr-modell-zwischen-verschiedenen-risiken-oder-ermittelt-es-lediglich-den-richtigen-durchschnittswert","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/brazilian-cmn-resolution-4966-ifrs-9-does-your-model-differentiate-risk-or-just-get-the-average-right\/","title":{"rendered":"Brasilianischer CMN-Beschluss Nr. 4.966 (IFRS 9): Unterscheidet Ihr Modell zwischen verschiedenen Risiken oder ermittelt es lediglich den richtigen Durchschnittswert?"},"content":{"rendered":"<div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-blend:overlay;--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-text fusion-text-1\"><p>Das finanzielle Paradoxon: Kann ein Modell zur Ermittlung erwarteter Kreditverluste zwar gut kalibriert sein, aber dennoch nur unzureichend zur Entscheidungsfindung beitragen?<\/p>\n<p>Bei j\u00fcngsten Projekten mit brasilianischen Finanzinstituten stie\u00dfen wir auf Modelle, die zwar vern\u00fcnftige Gesamtsch\u00e4tzungen lieferten, jedoch Schwierigkeiten hatten, Kredite mit h\u00f6herem Risiko von solchen mit geringerem Risiko zu unterscheiden. In einem Fall identifizierte eine Regel zwar 80 % der zuk\u00fcnftigen Zahlungsausf\u00e4lle, stufte jedoch auch 73 % der Kunden, die ihre Zahlungen weiterhin p\u00fcnktlich leisten w\u00fcrden, als problematisch ein. In einem anderen Fall lag die Korrelation zwischen prognostizierter und realisierter LGD praktisch bei Null, was darauf hindeutet, dass das Modell Kredite kaum nach ihrem Risiko einstufen konnte.<\/p>\n<p>Dies ist von Bedeutung bei der \u00dcberpr\u00fcfung von Modellen, die im Rahmen von Verordnungen wie der brasilianischen CMN-Verordnung 4.966\/2021 implementiert wurden, die an IFRS 9 angelehnt ist. Bevor wir auf Algorithmen eingehen, m\u00fcssen wir kl\u00e4ren, ob das zugrunde liegende wirtschaftliche Ergebnis ordnungsgem\u00e4\u00df definiert wurde, ob die data es uns erm\u00f6glichen, dieses zu rekonstruieren, und vor allem, ob das Modell Risiken auf der Ebene einzelner Kredite unterscheiden kann.<\/p>\n<p>Genau das kann ein Modell, das zur Erf\u00fcllung einer regulatorischen Anforderung entwickelt wurde, zu einem wirksamen Instrument der Entscheidungsfindung machen.<\/p>\n<p><strong>Bevor wir das Modell verbessern konnten, mussten wir das Problem neu formulieren.<\/strong><\/p>\n<p>Die LGD misst den Anteil des Kreditengagements, der bei einem Kreditausfall verloren geht. In einem solchen Projekt gingen wir davon aus, M\u00f6glichkeiten zur Verbesserung des bestehenden Modells zu finden. Stattdessen stellten wir fest, dass das gr\u00f6\u00dfte Problem in der Art und Weise lag, wie die LGD selbst gemessen wurde.<\/p>\n<p>Das bisherige Modell erfasste die R\u00fcckfl\u00fcsse lediglich \u00fcber einen Zeitraum von etwas mehr als einem Jahr und wandte Behandlungsregeln an, die genau jene LGD beeinflussten, die es eigentlich sch\u00e4tzen sollte. Unsere erste Entscheidung bestand daher darin, die Diskussion \u00fcber Algorithmen zu beenden und die Zielvariable neu zu definieren.<\/p>\n<p>Wir haben untersucht, wann die R\u00fcckfl\u00fcsse tats\u00e4chlich erfolgten, welchen Grenznutzen eine Verl\u00e4ngerung der Umschuldungsfrist hatte, wie hoch die R\u00fcckflusskosten waren und inwieweit der Zeitwert des Geldes in die Berechnung einflie\u00dfen sollte. Wir haben die Umschuldungsfrist auf 72 Monate verl\u00e4ngert.<\/p>\n<p>Diese \u00c4nderung l\u00f6ste zwar ein Problem, schuf jedoch ein neues: Neuere Zahlungsausf\u00e4lle wiesen noch keine sechsj\u00e4hrige Historie auf. Anstatt diese einfach auszuschlie\u00dfen, haben wir uns ausdr\u00fccklich mit den noch nicht beobachteten Erholungen befasst, bevor wir zur Modellierung zur\u00fcckkehrten.<\/p>\n<p>In einem Segment des Privatkundengesch\u00e4fts sank der MAE von 37 % auf 20 %, was einem R\u00fcckgang um 48 % entspricht. Noch wichtiger f\u00fcr die Risikodifferenzierung ist, dass die Spearman-Korrelation zwischen prognostizierter und realisierter LGD von praktisch null auf 0,94 anstieg.<\/p>\n<p>Die Erkenntnis aus diesem Projekt ist eindeutig: Ein besserer Algorithmus kann ein schlecht konzipiertes Ziel nicht beheben.<\/p>\n<p><strong>Komplexit\u00e4t lohnt sich nur dann, wenn sie zu Ergebnissen f\u00fchrt.<\/strong><\/p>\n<p>Das Thema Erkl\u00e4rbarkeit kommt in fast jedem Gespr\u00e4ch, das wir mit Risikoteams f\u00fchren, zur Sprache. Aus diesem Grund w\u00e4hlen wir nicht automatisch den komplexesten Algorithmus aus.<\/p>\n<p>Wir erproben verschiedene Ans\u00e4tze und stellen dabei eine konkrete Frage: Was gewinnen wir durch die zus\u00e4tzliche Komplexit\u00e4t?<\/p>\n<p>Dies kann eine signifikante Verringerung des Out-of-Sample-Fehlers, eine bessere Unterscheidung zwischen den Krediten oder eine andere messbare Verbesserung sein. Ist der Gewinn gering, kommen Erkl\u00e4rbarkeit, Stabilit\u00e4t und einfache Wartbarkeit st\u00e4rker zum Tragen.<\/p>\n<p><strong>Dies hat auch Auswirkungen darauf, wie wir Modelle erstellen.<\/strong><\/p>\n<p>Wir arbeiten bereits ab den fr\u00fchesten strukturellen Entscheidungen eng mit den Teams der jeweiligen Institution zusammen: bei der Definition von Ausfall und Behebung, der Segmentierung, der Variablenauswahl, den Abwicklungszeitr\u00e4umen und der Validierungsstrategie. Dadurch flie\u00dft Gesch\u00e4ftswissen ein, das in den data m\u00f6glicherweise nicht erfasst ist, w\u00e4hrend das zust\u00e4ndige Team gleichzeitig versteht, warum das Modell eine bestimmte Sch\u00e4tzung liefert.<\/p>\n<p>Wir m\u00f6chten keine \u201eBlack Box\u201c liefern, die nur das Beratungsteam erkl\u00e4ren kann.<\/p>\n<p><strong>Was wir festgestellt haben und was sich ge\u00e4ndert hat:<\/strong><\/p>\n<ul>\n<li><strong>LGD mit eingeschr\u00e4nkter F\u00e4higkeit zur Unterscheidung zwischen Krediten<\/strong><br \/>\nWir haben die Zielvorgabe, den Trainingszeitraum, die Segmentierung und die Modelle erneut \u00fcberpr\u00fcft. Der MAE sank von 37 % auf 20 %, w\u00e4hrend die Spearman-Korrelation von praktisch null auf 0,94 stieg.<\/li>\n<li><strong>Kreditentscheidungsregel, durch die zu viele kreditw\u00fcrdige Kunden abgelehnt werden<br \/>\n<\/strong>Wir haben PD-Sch\u00e4tzungen auf Einzelkreditebene entwickelt und den Entscheidungsgrenzwert angepasst. W\u00e4hrend weiterhin 80 % der k\u00fcnftigen Ausf\u00e4lle identifiziert wurden, sank die Falsch-Positiv-Rate von 73 % auf 31 %.<\/li>\n<li><strong>Die Komplexit\u00e4t des Modells erschwert dessen Erl\u00e4uterung und Wartung<br \/>\n<\/strong>Wir ben\u00f6tigten messbare Vorteile, um die zus\u00e4tzliche Komplexit\u00e4t zu rechtfertigen, und entwickelten die Modelle gemeinsam mit dem internen Team. Das Ergebnis war ein Modell, das auch diejenigen verstehen konnten, die f\u00fcr dessen Anwendung und Verteidigung verantwortlich waren.<\/li>\n<\/ul>\n<p>Ein besseres Risikomodell kann dazu f\u00fchren, dass mehr Kredite vergeben werden<\/p>\n<p>Das war das \u00fcberraschende Ergebnis eines anderen Projekts.<\/p>\n<p>Die bestehende Regelung des Instituts identifizierte 80 % der k\u00fcnftigen Zahlungsausf\u00e4lle. Das Problem bestand darin, dass dabei auch 73 % der Kunden, die ihre Zahlungen weiterhin p\u00fcnktlich leisten w\u00fcrden, f\u00e4lschlicherweise als problematisch eingestuft wurden.<\/p>\n<p>Unser PD-Modell erzielte einen AUC-Wert von 0,82. Bei einem Recall von 80 % konnte die Falsch-Positiv-Rate auf 31 % gesenkt werden, was einer Verringerung um 42 Prozentpunkte entspricht.<\/p>\n<p>Bei einem anderen Schwellenwert und unter Beibehaltung der gleichen Anzahl an Ablehnungen k\u00f6nnte das Modell den Anteil der identifizierten zuk\u00fcnftigen Zahlungsausf\u00e4lle auf 98 % erh\u00f6hen.<\/p>\n<p>Als wir der Leitung der Einrichtung die Ergebnisse vorstellten, ging das Gespr\u00e4ch \u00fcber AUC und Kalibrierung hinaus.<\/p>\n<p>Der Kunde selbst hat weitere Anwendungsm\u00f6glichkeiten f\u00fcr PD ermittelt: die Objektivierung von Entscheidungen des Kreditausschusses, die bessere Begr\u00fcndung von Genehmigungen und Ablehnungen, die Verringerung des Einflusses pers\u00f6nlicher Ermessensentscheidungen sowie die Bereitstellung aussagekr\u00e4ftigerer Erl\u00e4uterungen f\u00fcr Kunden im Falle einer Kreditverweigerung.<\/p>\n<p>An dieser Stelle beginnt ein Compliance-Projekt, gesch\u00e4ftlichen Mehrwert zu schaffen.<\/p>\n<p>Banken haben bereits erhebliche Investitionen get\u00e4tigt, um die Anforderungen der CMN-Entscheidung 4.966 zu erf\u00fcllen. Dieselben data, Modelle und Infrastruktur, die zur Einhaltung der aufsichtsrechtlichen Vorschriften entwickelt wurden, k\u00f6nnen auch bei der Kreditgenehmigung, der Festlegung von Kreditlimits, der Preisgestaltung, dem Inkasso und dem Portfoliomanagement genutzt werden.<\/p>\n<p>Es gibt jedoch eine Voraussetzung: Das Modell muss zwischen verschiedenen Risiken unterscheiden und darf nicht lediglich den durchschnittlichen Verlust wiedergeben.<\/p>\n<p>F\u00fcr ein Institut, das seine Kreditrisikomodelle bereits im operativen Einsatz hat, empfehlen wir, die \u00dcberpr\u00fcfung mit einer einfachen Frage zu beginnen:<\/p>\n<p>Wenn wir Kredite nach der niedrigsten bis zur h\u00f6chsten prognostizierten Ausfallwahrscheinlichkeit (PD) oder Verlustquote (LGD) ordnen, steigen dann die beobachteten Verluste wie erwartet an?<\/p>\n<p>Wenn das Modell zwar den Durchschnittswert korrekt ermittelt, aber keine Risikoeinstufung vornehmen kann, ist die \u00dcberpr\u00fcfung noch nicht abgeschlossen.<\/p>\n<p><span style=\"text-decoration: underline;\">Glossar<\/span>:<\/p>\n<ul>\n<li><strong>CMN-Beschluss Nr. 4.966\/2021<\/strong>: Eine vom brasilianischen Nationalen W\u00e4hrungsrat erlassene Verordnung, die die Bilanzierung von Finanzinstrumenten in Brasilien an IFRS 9 angleicht und R\u00fcckstellungen auf der Grundlage erwarteter Kreditverluste vorschreibt.<\/li>\n<li><strong>Erwarteter Kreditverlust (ECL)<\/strong>: eine Sch\u00e4tzung des Betrags, den ein Finanzinstitut bei einem Kredit voraussichtlich verlieren wird, berechnet anhand von PD, LGD und EAD.<\/li>\n<li><strong>PD (Ausfallwahrscheinlichkeit)<\/strong>: die Wahrscheinlichkeit, dass ein Kreditnehmer oder ein Kredit <strong>Standard<\/strong> \u00fcber einen festgelegten Zeithorizont.<\/li>\n<li><strong>LGD (Verlust bei Ausfall)<\/strong>: Der Anteil eines Kreditengagements, den ein Finanzinstitut nach einem Ausfall letztendlich verliert, abz\u00fcglich der erzielten R\u00fcckfl\u00fcsse.<\/li>\n<li><strong>EAD (Exposure at Default)<\/strong>: der Betrag, der zum Zeitpunkt des Ausfalls einem Kreditrisiko ausgesetzt ist.<\/li>\n<li><strong>Standard<\/strong>: der Zeitpunkt, zu dem ein Kredit gem\u00e4\u00df den Kriterien des Instituts und den geltenden aufsichtsrechtlichen Vorgaben als notleidend eingestuft wird.<\/li>\n<li><strong>Heilung<\/strong>: die R\u00fcckkehr eines notleidenden Kredits in den Status \u201eordnungsgem\u00e4\u00df bedient\u201c.<\/li>\n<li><strong>Training<\/strong>: Der Zeitraum, in dem ein Finanzinstitut die R\u00fcckfl\u00fcsse nach einem Zahlungsausfall erfasst, um die realisierten Verluste zu ermitteln.<\/li>\n<li><strong>Kalibrierung<\/strong>: die F\u00e4higkeit eines Modells, das durchschnittliche Risiko- oder Verlustniveau des Portfolios genau abzusch\u00e4tzen.<\/li>\n<li><strong>Diskriminierung<\/strong>: die F\u00e4higkeit eines Modells, Kredite mit h\u00f6herem Risiko von solchen mit geringerem Risiko zu unterscheiden.<\/li>\n<li><strong>AUC (Fl\u00e4che unter der Kurve)<\/strong>: Ein Diskriminanzma\u00df, das zwischen 0,5 (zuf\u00e4llige Klassifizierung) und 1 (vollst\u00e4ndige Trennung) zwischen zahlungsf\u00e4higen und s\u00e4umigen Kreditnehmern reicht.<\/li>\n<li><strong>Spearman-Korrelation<\/strong>: Misst, inwieweit die Rangfolge der Modellvorhersagen mit der Rangfolge der beobachteten Ergebnisse \u00fcbereinstimmt; Werte, die n\u00e4her bei 1 liegen, weisen auf eine bessere Risikoeinstufung hin.<\/li>\n<li><strong>MAE (mittlerer absoluter Fehler)<\/strong>: die durchschnittliche absolute Abweichung zwischen den prognostizierten und den tats\u00e4chlichen Werten.<\/li>\n<li><strong>Erinnerungsleistung (Sensitivit\u00e4t)<\/strong>: der Prozentsatz der zuk\u00fcnftigen Zahlungsausf\u00e4lle, die das Modell korrekt identifiziert.<\/li>\n<li><strong>Falsch-positiv<\/strong>: ein Kunde, der als Hochrisikokunde eingestuft wurde, der jedoch tats\u00e4chlich seinen Zahlungsverpflichtungen nachkommt.<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"<p>Bei j\u00fcngsten Projekten mit brasilianischen Finanzinstituten stie\u00dfen wir auf Modelle, die zwar vern\u00fcnftige Gesamtsch\u00e4tzungen lieferten, jedoch Schwierigkeiten hatten, Kredite mit h\u00f6herem Risiko von solchen mit geringerem Risiko zu unterscheiden. In einem Fall identifizierte eine Regel zwar 80 % der zuk\u00fcnftigen Zahlungsausf\u00e4lle, stufte jedoch auch 73 % der Kunden, die ihre Zahlungen weiterhin p\u00fcnktlich leisten w\u00fcrden, als problematisch ein. In einem anderen Fall lag die Korrelation zwischen prognostizierter und realisierter LGD praktisch bei Null, was darauf hindeutet, dass das Modell Kredite kaum nach ihrem Risiko einstufen konnte.<\/p>","protected":false},"featured_media":1408671,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1408670","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/1408670","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/1408671"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=1408670"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=1408670"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=1408670"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}