Künstliche neuronale Netze zur Kreditwürdigkeitsüberprüfung von Konsumentenkrediten

Eine zuverlässige Kreditwürdigkeitsüberprüfung ermöglicht es den Banken, ihr Risiko bei der Vergabe von Krediten erheblich zu reduzieren. Die klassischen Methoden zur Prognose dieses Risikos hängen entweder von subjektiven Einschätzungen von Experten ab oder bestehen aus relativ einfachen linearen statistischen Verfahren. Künstliche neuronale Netze bieten im Gegensatz zu klassischen statistischen Verfahren die Möglichkeit, auch nichtlineare Funktionen approximieren zu können. In dieser Arbeit wird daher anhand eines anonymisierten Datensatzes aus dem Einreichergeschäft einer großen deutschen Privatbank untersucht, ob künstliche neuronale Netze das Risiko von Konsumentenkrediten besser prognostizieren können als herkömmliche statistische Verfahren. Nach einer entmystifizierten Einführung in künstliche neuronale Netze und einer groben Beschreibung des für diese Arbeit implementierten künstlichen neuronalen Netzes wird ein Modell zur Kreditwürdigkeitsprognose spezifiziert. Zur Schätzung des Modells wird ein neu entwickeltes Schätzverfahren, der Competitive Backpropagation Algorithmus, verwendet. Dieses ist dem herkömmlichen Backpropagation Algorithmus überlegen. Die Prognoseergebnisse des künstlich neuronalen Netzes werden denen einer logistischen Diskriminanzanalyse gegenübergestellt.