KI-Sprachmodelle schärfen Bonitätsprüfung von Firmen
Die Integration von KI-Sprachmodellen in das Bonitätsprüfungsmodell ICAS schärft die Unterscheidung zwischen solventen und insolventen Firmen. Eine Studie von Manuel Cugliari und Giulio Gariano quantifiziert den Nutzen unstrukturierter Nachrichtendaten für Kreditsicherheiten der Notenbank.
Von Pressemeldungen zu Sentiment-Scores
Die Autoren Manuel Cugliari und Giulio Gariano untersuchen den Einsatz moderner Sprachmodelle wie BERT, Metas LLaMA 3, Microsofts Phi 3 und Googles Gemma 2 zur Bewertung von Unternehmensnachrichten aus der Datenbank Dow Jones Factiva.
Aus den unstrukturierten Textdaten extrahieren die Modelle Sentiment-Indikatoren, die anschließend in das interne System zur Bonitätsbeurteilung (ICAS) der Banca d'Italia eingespeist werden.
Dieses System schätzt über Bilanzdaten und das zentrale Kreditregister die einjährige Ausfallwahrscheinlichkeit von Unternehmen.
Die empirische Auswertung belegt, dass die automatisierte Sentimentanalyse die Trennschärfe zwischen solventen und ausfallbedrohten Kreditnehmern messbar verbessert.
Qualitative Daten für den Sicherheitenrahmen
Bankkredite an Nicht-Finanzunternehmen bilden eine zentrale Säule des Sicherheitenrahmens für die geldpolitischen Operationen im Eurosystem.
Um den Sicherheitenwert präzise zu bestimmen, stützen sich Notenbanken auf Ratingagenturen, bankinterne Ratingsysteme sowie eigene ICAS-Modelle.
Bislang stützt sich die qualitative Bonitätsprüfung im ICAS auf manuelle Expertenurteile von Finanzanalysten, die Medienberichte und Webseiten auswerten.
Die Methodik schließt die Lücke zwischen qualitativer Textanalyse und quantitativer Risikobewertung im Eurosystem Credit Assessment Framework.
Fortschritt mit Interpretationsspielraum
Die automatisierte Textanalyse schließt eine spürbare Lücke im Risikomanagement der Zentralbanken.
Allerdings liefern Sprachmodelle keine vollständig objektiven Messwerte für die Kreditwürdigkeit.
Ohne menschliche Kontrolle bleibt der Einsatz von KI im Sicherheitenrahmen ein regulatorisches Wagnis.