Bilanzrating mit Künstlichen Neuronalen Netzen

Mit der neuen Basler Eigenkapitalvereinbarung1, die es Banken unter bestimmtenVoraussetzungen erlaubt, ihre internen Bonitätseinstufungen (Ratings) füreine risikoadäquate Eigenkapitalunterlegung von Unternehmenskrediten zunutzen, setzt der Basler Ausschuss für Bankenaufsicht den Kreditinstituten Anreize,ihre Methoden zur Risikomessung weiterzuentwickeln. Zudem ist durchdie Entwicklung von Kreditrisikomodellen und die zu deren Implementierungnotwendigen Ratingdaten das Interesse an bankinternen Ratings für Firmenkundenstark angewachsen. Die in der Praxis eingesetzten internen Ratingverfahrenlassen sich dabei üblicherweise durch eine quantitative und eine qualitativeKomponente charakterisieren, wobei im Mittelpunkt des quantitativen Teilratingsdie Analyse von Jahresabschlüssen steht.2 Unter den hierbei zum Einsatzkommenden statistisch-mathematischen Verfahren nimmt die multivariateDiskriminanzanalyse (MDA) eine dominierende Stellung ein.3 Das Ziel dieserTechnik ist die Entwicklung eines Klassifikators, der anhand bestimmter Kennzahlenkombinationenin der Lage ist, Unternehmen in die Gruppen künftig solventoder insolvenzgefährdet einzustufen.Im vorliegenden Beitrag soll mit der Künstlichen Neuronalen Netzanalyse(KNNA) ein Ansatz vorgestellt und empirisch überprüft werden, der bestimmteVorteile (Berücksichtigung von Nichtlinearitäten im Datensatz, keine Bindung anstrenge Anwendungsvoraussetzungen) gegenüber der MDA besitzt und daherallein aus theoretischer Sicht zur Erkennung ausfallbedrohter Unternehmenbesser geeignet erscheint.Um zu zeigen, dass es sich, entgegen einer weitverbreiteten Meinung4, bei einemKünstlichen Neuronalen Netz (KNN) nicht um eine „gläserne Kugel“ bzw.„Black Box“ handelt, wird im Folgenden zunächst seine theoretische Basis herausgearbeitet.Ausgehend von der Darstellung der neuronalen Informationsverarbeitung,dem Aufbau verbreiteter Netzwerkstrukturen und grundlegenderLernverfahren erfolgt eine Analyse bestimmter Problembereiche („Trial and Error“-Vorgehen bei der Netzwerkkonstruktion, mangelnd