How Good Is "Good"? : Making Better Use of Subjective Information in Bank Internal Credit Scoring Systems
Trennschärfere Kreditentscheidungsverfahren (Credit Scoring) sind ein Wettbewerbsvorteil für Banken. Sie erlauben es ihnen, profitablere Kundensegmente bei der Kreditvergabe zu identifizieren. Sollte die im Firmenkundenbereich übliche subjektive Einschätzung des Kreditnehmers durch den Kundenbetreuer tatsächlich zusätzliche Informationen über dessen Kreditwürdigkeit hervorbringen, wird ihre Nutzung die Ausfallprognosequalität der bankinternen Credit Scoring Systeme erhöhen. Die unter Basel II bekannten aufsichtsrechtlichen Regelungen zur Kontrolle von Kreditrisiken schreiben ebenfalls vor, dass eine Bank alle über einen Kunden verfügbaren Informationen, weiche wie harte Kriterien, bei der Kreditentscheidung zu berücksichtigen hat. Zugleich sollen die Kreditvergabekriterien jedoch konsistent und objektiv sein, was die Nutzung subjektiver Informationen in automatisierten Kreditentscheidungsprozessen erschwert, denn deren Prognosequalität ist wegen der fehlenden Vergleichbarkeit der Urteile verschiedener Kundenbetreuer oder vorhandener Anreize zur Manipulation häufig gering. Das Ziel dieser Dissertation ist es, statistische Verfahren zum Umgang mit subjektiven Informationen zu entwickeln, die es ermöglichen, bereits vorhandene Daten effizienter auszuwerten, Inkonsistenzen auszugleichen und so die Prognosequalität weicher Faktoren unter Aufwendung möglichst geringer Kosten zu erhöhen. Wir adaptieren latente Klassen Verfahren aus der Psychometrie, um statt der sich aus einem Fragebogen ergebenden Gesamtpunktsumme die Information in den zu Grunde liegenden Antwortmustern nutzbar zu machen. In einem Datensatz mit Informationen zur Kreditvergabe an 20.000 mittelständische Firmenkunden konnten wir mit Hilfe eines Mixed Rasch Modells sechs verschiedene Klassen von Antwortmustern identifizieren, die unterschiedliche Rating Strategien reflektieren, und in denen das Antwortverhalten der Kundenbetreuer keine Redundanzen aufweist. Die Analyse dieser Antwortklassen erlaubt es einer Bank, Einblicke in die Nutzung ihrer Kredit Score-Karten zu erhalten sowie Manipulation aufzudecken und zu korrigieren. Die Information aus allen Klassen wurde schließlich unter Berücksichtigung ihrer spezifischen Prognosegüte und Ausfallrate zu einem neuen weichen Score zusammengefasst, der die Trennschärfe des Credit Scoring Systems signifikant erhöht, ohne in die Vertriebsprozesse der kreditvergebenden Bank einzugreifen.
Year of publication: |
2008
|
---|---|
Authors: | Lehmann, Bina |
Publisher: |
Universität Konstanz / Fachbereich Wirtschaftswissenschaften. Fachbereich Wirtschaftswissenschaften |
Subject: | Credit Scoring | Basler Eigenkapitalvereinbarung <2001> | Fragebogen | ROC-Kurve | weiche Fakten | subjektive Informationen | Antwortmuster | Latente Klassen Analyse | Mixed Rasch Modell | bank internal credit scoring | Basel II | soft facts | rating patterns | latent class analysis |
Saved in:
freely available
Saved in favorites
Similar items by subject
-
Corporate distress prediction models in a turbulent economic and BASEL II environment
Altman, Edward I., (2002)
-
Regulatorische Behandlung des Kreditrisikosvon Unternehmen (Basel II)
Daldrup, Andre, (2005)
-
Rating und Basel III : Kreditzinsen nach dem Verursacherprinzip
Michaelis, Tobias, (2016)
- More ...
Similar items by person