Ein mathematisches, statistisches oder algorithmisches Konstrukt, das historische und aktuelle Daten nutzt, um Kreditrisikokennzahlen (z. B. Ausfallwahrscheinlichkeit, Verlustquote bei Ausfall, Exposure bei Ausfall) zu schätzen und Scores oder Vorhersagen zu erzeugen, die Kreditentscheidungen, Preisbildung und Kapitalberechnung unterstützen.

Prinzip

Beobachtete Merkmale von Schuldnern und Exposures in prädiktive Schätzungen überführen mittels einer definierten Modellstruktur, die auf repräsentativen Daten kalibriert, auf Stabilität und Genauigkeit validiert und reguliert wird, um Modellrisiken und Drift zu steuern.

Demonstration

Ein Kreditgeber implementiert ein logistisches Regressionsmodell, das Finanzkennzahlen, Zahlungshistorie, Branchenindikatoren und makroökonomische Variablen als Eingaben nutzt, um eine einjährige Ausfallwahrscheinlichkeit auszugeben; das Modell wird an Hold‑out‑Cohorts validiert und monatlich auf Leistungsverfall überwacht.

Fehlanwendung

Einsatz eines komplexen Machine‑Learning‑Modells ohne angemessene Merkmalsteuerung, Validierung oder Erklärbarkeit — führt zu Overfitting, verzerrten Scores, regulatorischen Problemen oder schlechter Out‑of‑Sample‑Performance unter veränderten wirtschaftlichen Bedingungen.

Konsequenz

Bei sachgemäßer Entwicklung und Steuerung ermöglichen Kreditmodelle konsistentes Scoring, automatisierte Entscheidungsfindung, risikobasierte Preisbildung und genauere regulatorische Kapitalberechnungen; sie erfordern fortlaufendes Monitoring und Governance.

Umkehrung

Das Fehlen von Modellen oder das Vertrauen auf ungetestete Heuristiken führt zu inkonsistenten Entscheidungen, Subjektivität und potenziell suboptimalen Risiko/Ertrags‑Ergebnissen im Portfolio.

Abgrenzung

Bezieht sich auf das quantitative Modell selbst — seine Daten, Algorithmen, Ausgaben und Validierung; stellt nicht allein eine Kreditrichtlinie, Entscheidungsgovernance oder finale menschliche Genehmigung dar.

Semantische Spannung

Es besteht eine Spannung zwischen Vorhersagegenauigkeit und Interpretierbarkeit: hochprädiktive 'Black‑Box'‑Modelle erschweren die Erklärbarkeit und regulatorische Akzeptanz gegenüber einfachen, transparenten Modellen.

Synthese

Ein Kreditmodell ist ein gesteuertes prädiktives Instrument, das Eingaben zu Schuldnern und Exposures in quantifizierte Risikokennzahlen und Scores umwandelt und innerhalb eines größeren Kreditrahmens Preisbildung, Limite und Kapitalentscheidungen informiert.