
Die Qualität von Loan-Level-Daten ist eine Grundvoraussetzung für einen funktionierenden Verbriefungsmarkt. Investoren, Ratingagenturen und Aufsicht stützen sich auf sie, etwa bei der Due Diligence, in der Bewertung und im laufenden Monitoring. Fehler oder Unstimmigkeiten fallen jedoch oft erst spät auf. Klassische Prüfungen arbeiten mit festen Regeln, zum Beispiel Plausibilitätsgrenzen, oder mit Stichproben. Ein aktuelles Whitepaper des European DataWarehouse untersucht, ob ein „unüberwachtes“ Machine-Learning-Verfahren, der sogenannte Isolation Forest, diese Prüfungen sinnvoll ergänzen kann.
Wie das Verfahren funktioniert
- Prinzip: Der Isolation Forest wurde 2008 von Liu, Ting und Zhou entwickelt. Er trennt die Daten mit zufälligen Ja/Nein-Fragen immer weiter auf, etwa „Einkommen über X?“ oder „Kreditbetrag unter Y?“. Ein typischer Kredit geht in der Masse unter und lässt sich erst nach vielen Fragen von den anderen trennen. Ein ungewöhnlicher Kredit steht dagegen schon nach wenigen Fragen allein da und gilt deshalb als auffällig.
- Unüberwacht: Das Modell braucht keine vorab gekennzeichneten Fehlerfälle. Das ist ein Vorteil, denn bestätigte Fehler oder Betrugsfälle sind in Verbriefungsdaten selten dokumentiert.
- Relativ, nicht absolut: Jeder Kredit erhält einen Anomalie-Score. Dieser Score sagt aus, wie ungewöhnlich die Kombination seiner Merkmale im Vergleich zum Gesamtmarkt ist. Ob ein einzelner Wert falsch ist, sagt er nicht.
Die Untersuchung
- Datenbasis: Analysiert wurden britische RMBS-Transaktionen. Verwendet wurden numerische Felder der Reporting-Templates, unter anderem Einkommen des Kreditnehmers, ursprünglicher und aktueller Kreditbetrag, Zinssatz, Objektwert sowie ursprünglicher und aktueller Beleihungsauslauf (LTV). Fehlende Werte und „No Data“-Angaben wurden vorab entfernt.
- Merkmalsauswahl: Über mehrere Modelldurchläufe wurde geprüft, welche Variablen stabil zur Unterscheidung beitragen.
- Ergebnisse: Die meisten Kredite bilden einen dichten Kern. Die Anomalien liegen vor allem am oberen Rand der Verteilung, bei hohen Einkommen, Objektwerten und Kreditbeträgen. Auffällig werden Kredite meist nicht durch einen einzelnen Wert, sondern durch eine ungewöhnliche Kombination, etwa einen sehr kleinen Kreditbetrag bei hohem Einkommen. Für eine einzelne Transaktion lässt sich außerdem zeigen, wo ihr Pool im Marktvergleich liegt und wie stark er sich mit den Anomalie-Clustern überschneidet. Die Beispiele im Whitepaper sind illustrativ und beruhen nicht auf realen Kreditdaten.
Bedeutung für den Verbriefungsmarkt
Der Ansatz eignet sich vor allem als Werkzeug zur Priorisierung. Bei Agreed-Upon-Procedures, bei der Poolauswahl oder in der Due Diligence zeigt er, welche Kredite eine genauere Prüfung verdienen. Er nutzt dafür ausschließlich Daten, die ohnehin gemeldet werden. Eine Anomalie ist allerdings kein Beleg für einen Fehler oder eine schwache Kreditqualität. Die Ergebnisse hängen außerdem von Modellannahmen ab, und die Studie beschränkt sich zunächst auf eine Assetklasse in einem Land.
Ausblick
Maschinelles Lernen wird klassische Datenqualitätsprüfungen nicht ersetzen. Es kann sie aber sinnvoll ergänzen. Entscheidend wird sein, ob sich die Methode auf andere Assetklassen und Märkte übertragen lässt und wie Marktteilnehmer und Aufsicht mit den Ergebnissen umgehen. Bei sinnvoller Anwendung und Weiterentwicklung kann die vorgestellte Methode kann einen Beitrag zu hochwertigeren Datenprüfungen und damit zur Transparenz und Qualität des Verbriefungsmarktes leisten.