Einblicke in die Verhaltensmodellierung

In Folge 7 vonAiCR spricht Joe Furlong mit Dick Kazarian, dem Geschäftsführer der Borrower Analytics Group bei MIAC. Dick hat über mehrere Kreditzyklen hinweg – darunter die Peso-Krise, die große Finanzkrise und die COVID-Pandemie – Verhaltensmodelle für Hypothekenmärkte entwickelt und angewendet. Er erläutert, wie Modelle aufgebaut sind, wo ihre Grenzen liegen und warum Fachwissen nicht allein durch maschinelles Lernen ersetzt werden kann. 

Was macht die Borrower Analytics Group von MIAC? 

Die Borrower Analytics Group von MIAC entwickelt und pflegt die Verhaltensmodelle, die die Bewertungs-, Absicherungs-, Makler- und Beratungsaktivitäten von MIAC unterstützen. Die Gruppe erstellt drei Arten von Analyseergebnissen: Bewertungen, die den Marktpreis bei einem bestimmten Spread oder den Spread bei einem bestimmten Marktpreis berechnen, Absicherungsanalysen, die messen, um wie viel sich ein Preis bei Zinsänderungen bewegen wird, sowie Stressanalysen, die Makrofaktor-Szenarien durchspielen, um die Wertentwicklung von Vermögenswerten unter widrigen Bedingungen zu prognostizieren. Die Modelle unterstützen sowohl die internen Produktionsteams von MIAC als auch externe Softwarekunden, die die Analyseplattform von MIAC lizenzieren. 

Wie werden Verhaltensmodelle erstellt? 

Die Modellentwicklung folgt einem festgelegten Lebenszyklus. Sie beginnt mit der Erfassung der geschäftlichen Anforderungen und geht dann über zur Datenerfassung, -aufbereitung und -normalisierung. Das Team ermittelt, welche Datensätze die Frage, die das Modell beantworten soll, am besten beantworten, legt die Modellstruktur fest und führt den Schätzprozess durch. Es folgen umfangreiche Backtesting- und Diagnosearbeiten. Anschließend muss das Modell in Software implementiert werden, was laut Dick den Beginn der eigentlichen Arbeit darstellt. Bei den Implementierungstests treten Probleme zutage, die bei der reinen Schätzung nicht erkannt werden. Danach durchläuft das Modell die Dokumentation und Validierung und wird schließlich einer fortlaufenden Leistungsbewertung unterzogen, da Modelle veralten und kontinuierlich überwacht werden müssen. 

Warum ist die Datenqualität für die Verhaltensmodellierung so wichtig? 

Die Datenqualität bestimmt jedes Ergebnis, das ein Modell liefert. Sind die Eingabedaten unvollständig, inkonsistent oder spiegeln sie anomale Zeiträume wider, die nicht genau charakterisiert wurden, liefert das Modell Ergebnisse, denen man nicht trauen kann. Dick bringt es auf den Punkt: Jeder ist im Datengeschäft tätig. Die Frage ist nur, ob man darin gut ist. Modelle, die auf unvollständigen oder verzerrten Daten basieren, passen zwar zur Vergangenheit, liefern aber keine guten Prognosen. Die große Finanzkrise ist das deutlichste Beispiel dafür. Die LTVs auf Kreditebene erreichten während der Krise 130 – ein Szenario, für das kein 2006 erstelltes Modell historische Daten zur Verfügung hatte, da kein Kreditgeber Kredite mit solchen LTVs vergab. Die Daten für dieses Szenario existierten schlichtweg nicht, bevor es eintrat. 

Warum können KI und maschinelles Lernen Fachwissen bei der Verhaltensmodellierung nicht ersetzen? 

Modelle des maschinellen Lernens spielen zwar eine Rolle in der Hypothekenanalyse, können jedoch Fachwissen nicht ersetzen. Dick nennt die Voraussetzungen, unter denen maschinelles Lernen gut funktioniert: viele Variablen, begrenzte wirtschaftliche Intuition hinsichtlich der Zusammenhänge zwischen diesen Variablen, große Mengen an Trainingsdaten und stabile Umgebungen ohne politische Eingriffe. Die Hypothekenmärkte erfüllen mehrere dieser Voraussetzungen nicht. Die Hypothek ist die größte Verbindlichkeit, die die meisten Hausbesitzer tragen, was bedeutet, dass Aufsichtsbehörden, der Kongress und staatliche Stellen ständig eingreifen. HARP veränderte die Vorfälligkeitsraten über Nacht. Dodd-Frank veränderte die Qualität der Wertermittlung strukturell. COVID brach die historische Beziehung zwischen Arbeitslosigkeit und Kreditausfällen vollständig auf, da die staatlichen Hilfsprogramme dazu führten, dass Menschen finanziell besser gestellt waren, wenn sie arbeitslos waren als wenn sie beschäftigt waren. Ein auf historischen Daten trainiertes Modell des maschinellen Lernens hätte in all diesen Szenarien falsche Ergebnisse geliefert. Fachwissen ist es, das es einem Team ermöglicht, zu erkennen, wann die Daten irreführend sind, und entsprechende Anpassungen vorzunehmen. 

Wie werden Annahmen zu vorzeitigen Rückzahlungen und Zahlungsausfällen getroffen? 

Das Verhalten bei vorzeitiger Rückzahlung und Zahlungsausfällen wird durch eine Kombination aus Kreditmerkmalen und makroökonomischen Faktoren bestimmt. Der Kreditbetrag, der Beleihungsgrad (LTV), die Bonität, das Alter des Kredits und die Art des Produkts spielen dabei alle eine Rolle. Ebenso wie Zinssätze, Wertsteigerungen von Immobilien, Arbeitslosigkeit und Inflation sowohl auf nationaler Ebene als auch auf Ebene der Metropolregionen (MSA). VA-Kredite sind ein anschauliches Beispiel dafür, wie produktspezifische Faktoren zusammenwirken. VA-Kredite werden bei einer CPR von etwa 50 % vorzeitig zurückgezahlt, deutlich schneller als andere Produkttypen, da VA-Kreditnehmer in der Regel über eine hohe Bonität verfügen und der vereinfachte Refinanzierungsprozess der VA so effizient ist, dass Kreditnehmer bei sinkenden Zinsen schnell refinanzieren können. Der LTV ist sowohl für die Kreditperformance als auch für die vorzeitigen Rückzahlungen bei allen Produkttypen von Bedeutung, doch VA-Kreditnehmer weisen bei vergleichbaren LTVs eine bessere Kreditperformance auf als FHA-Kreditnehmer, was ein wichtiger Unterschied für jeden ist, der Modelle für staatliche Kreditprodukte erstellt oder interpretiert. 

Welche Rolle spielen zyklusübergreifende Daten bei der Verhaltensmodellierung? 

Um Modelle zu entwickeln, die in unterschiedlichen wirtschaftlichen Umfeldern Bestand haben, sind Daten erforderlich, die mehrere Kreditzyklen abdecken. Ein Modell, das ausschließlich auf Daten aus einer stabilen Phase basiert, kann nicht vorhersagen, wie sich Kreditnehmer verhalten, wenn Immobilienpreise stark fallen, die Arbeitslosigkeit sprunghaft ansteigt oder politische Eingriffe die normalen Beziehungen zwischen den Variablen verändern. Die Kreditvergaben aus der Blase von 2003 bis 2005 führten zu Kreditausfällen, die Modelle jener Zeit nicht hätten vorhersagen können, da die während der Krise auftretenden LTV-Verteilungen außerhalb des Bereichs aller bisherigen Erfahrungen mit Kreditvergaben lagen. Kreditvergaben nach der Krise wiesen geringere Kreditausfälle auf als solche vor der Krise, selbst nach Bereinigung um Unterschiede in der Kreditqualität. Dies lag vor allem daran, dass sich die Qualität der Gutachten deutlich verbesserte, nachdem die Dodd-Frank-Reformen von Maklern in Auftrag gegebene Gutachten abgeschafft hatten. Erst Daten aus mehreren Zyklen ermöglichen es einem Modellierungsteam zu verstehen, welche Zusammenhänge strukturell und welche periodenspezifisch sind. 

Wie sieht die Zukunft des Hypothekenmarktes für Wohnimmobilien aus? 

Dicks Einschätzung zu Beginn des Jahres 2026 konzentriert sich auf zwei Themen. Das erste ist die Ausweitung der Datenverfügbarkeit. Daten von Kreditauskunfteien, die die Gesamtverschuldung eines Kreditnehmers und nicht nur die Hypothekenschulden widerspiegeln, werden zunehmend zugänglich und werden im Laufe der Zeit eine präzisere Verhaltensmodellierung ermöglichen. Das zweite Thema ist das politische Risiko. Der Hypothekenmarkt unterliegt ständigen regulatorischen und gesetzgeberischen Eingriffen, und diese Eingriffe können tiefgreifende Veränderungen beim Vorauszahlungsverhalten und bei der Kreditvergabe bewirken. LLPA-Strukturen stehen derzeit im Mittelpunkt der politischen Debatte auf beiden Seiten, und Änderungen daran könnten erhebliche Folgewirkungen auf die Vorauszahlungsgeschwindigkeit und die Kreditperformance haben. Dicks Fazit: Politische Risiken sind sehr schwer vorherzusagen und haben erhebliche Auswirkungen, wenn sie eintreten. 

Häufig gestellte Fragen zur Verhaltensmodellierung auf den Hypothekenmärkten 

Was versteht man unter Verhaltensmodellierung in der Hypothekenfinanzierung? 

Die Verhaltensmodellierung in der Hypothekenfinanzierung ist der Prozess der Erstellung quantitativer Modelle, die das künftige Verhalten von Kreditnehmern prognostizieren, insbesondere die Wahrscheinlichkeit, dass sie vorzeitig tilgen, in Zahlungsverzug geraten oder ihre Zahlungen einstellen. Diese Modelle berücksichtigen Merkmale auf Kreditebene sowie makroökonomische Daten und liefern Ergebnisse, die für die Bewertung, Absicherung, Stresstests und Kapitalplanung genutzt werden. 

Welche Eingabedaten verwenden Modelle zur Vorauszahlung und zum Zahlungsausfall? 

Modelle zur Vorfälligkeit und Zahlungsausfallwahrscheinlichkeit stützen sich auf eine Kombination aus kreditbezogenen Merkmalen wie Beleihungsquote, Kreditbetrag, Bonität, Kreditlaufzeit und Produktart sowie auf makroökonomische Faktoren wie Zinssätze, Immobilienpreissteigerungen, Arbeitslosigkeit und Inflation. Das Zusammenspiel zwischen Kreditmerkmalen und makroökonomischen Faktoren bestimmt das Verhalten der Kreditnehmer, und die Modelle benötigen Daten, die mehrere Konjunkturzyklen abdecken, um zu erfassen, wie sich diese Zusammenhänge in unterschiedlichen Umfeldern verändern. 

Warum haben Verhaltensmodelle während der großen Finanzkrise versagt? 

Modellen, die vor der großen Finanzkrise entwickelt wurden, fehlten historische Daten zum Verhalten der Kreditnehmer bei den LTV-Quoten, die während der Krise auftraten. Unter normalen Bedingungen vergab kein Kreditgeber Kredite mit einem LTV von 130 %, sodass für dieses Szenario keine Trainingsdaten vorlagen. Zudem war die Qualität der Gutachten vor den Dodd-Frank-Reformen mangelhaft, was bedeutete, dass die den LTVs zugrunde liegenden Sicherheitenwerte in einer Weise überbewertet waren, die die Modelle nicht berücksichtigten. Die Krise machte deutlich, wie sehr die Genauigkeit von Modellen von der Qualität und Vollständigkeit der Daten abhängt, die zu ihrer Erstellung verwendet werden. 

Was ist die „Borrower Analytics Group“ des MIAC? 

Die Borrower Analytics Group von MIAC entwickelt und pflegt die Verhaltensmodelle , die die Bewertungs-, Absicherungs- und Beratungsdienstleistungen von MIAC unterstützen. Die Gruppe entwickelt Modelle für vorzeitige Rückzahlungen, Ausfälle und Schadensschwere für Wohn-, Gewerbe- und Verbraucherkredite und unterstützt sowohl die internen Produktionseinheiten von MIAC als auch externe Kunden, die die analytische Softwareplattform von MIAC nutzen.