Website-Icon TSI kompakt

Anomalieerkennung in Verbriefungsdaten: Maschinelles Lernen als zusätzliche Prüfebene

12.11.2026

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

Die Untersuchung

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.

European DataWarehouse, „Identifying Anomalies in Securitisation Data: An Isolation Forest Approach“ (Whitepaper, 2026)

Die mobile Version verlassen