Content

Florian Horky, Ist Big Data die Lösung für bessere Bonitätsratings von Verbrauchern? Eine perspektivenorientierte, ökonomische Analyse in:

Tim Alexander Herberger (Ed.)

Die Digitalisierung und die Digitale Transformation der Finanzwirtschaft, page 333 - 364

1. Edition 2020, ISBN print: 978-3-8288-4345-5, ISBN online: 978-3-8288-7296-7, https://doi.org/10.5771/9783828872967-333

Tectum, Baden-Baden
Bibliographic information
Ist Big Data die Lösung für bessere Bonitätsratings von Verbrauchern? Eine perspektivenorientierte, ökonomische Analyse Von Florian Horkya* Keywords: Big Data; Bonitätsanalyse; Rating; Scoring Inhaltsübersicht: 1 Einleitung 2 Theoretische Grundlagen 3 Grundlegendes zu Bonitätsratings 4 Grundlegendes zu Big Data 5 Wie sich Big Data Analysen auf Bonitätsratings auswirken können 6 Abschließender Ausblick Literaturverzeichnis aResearch Student atZeppelin University 'Please address correspondence to Florian Horky, Zeppelin University, Am Seemoser Horn 20, 88045 Friedrichshafen. 333 1 Einleitung Wir leben in einer Welt, in der Begriffe wie digitale Transfor mation, Digitalisierung, Big Data und Industrie 4.0 bestim mende Schlagworte sind. Basierend auf Technologien und Ab läufen wie Big Data Analysen, Machine- und Deep Learning Algorithmen und unter Einsatz Cyber-physischer Systeme sol len Vorhersagen über Produktionsoutput, Maschinenperfor mance und -lebensdauer sowie anfallende Wartungsarbeiten gemacht werden können. Mit der umfangreichen Datenverar beitung können Prozesse optimiert und automatisiert werden um, so letztendlich die Wirtschaftlichkeit zu erhöhen und Ge winne, bei sinkenden Risiken steigern zu können.1 Längst ha ben die Möglichkeiten die im Rahmen der Industrie 4.0 be schrieben und genutzt werden, jedoch auch Einzug gehalten in unser tägliches Leben. Die Daten die wir als Menschen täglich über das Internet, über Finanztransaktionen mit unseren Geld- und Kreditkarten, über Telefone und Messengerdienste und vermehrt auch über smarte Geräte wie Smartwatches, Smarthomes, etc. hinterlassen, man könnte auch sagen produ zieren, werden genutzt um unsere Interessen und unser zu künftiges Verhalten möglichst genau abschätzen zu können.2 Natürlich hat auch der Finanzsektor solche Methodiken über nommen, speziell zur Einschätzung der Kreditwürdigkeit un terschiedlichster Entitäten, also sowohl von Unternehmen als auch Vereinen und Privatpersonen. Insbesondere nach der Fi nanz- und Immobilienkrise 2007/2008, deren Auslöser unter anderem in zu lockeren KreditVergaberichtlinien gesehen wird3, werden zunehmend „intelligente“ Algorithmen zur Bo nitätsbewertung von Kreditnehmern verwendet. Der wach sende Datensatz den wir tagtäglich hinterlassen ermöglicht es Kreditgebern und Ratinganbietern wie beispielsweise der Schufa erst, qualitative, oder auch weiche, Faktoren in immer größerem Maße mit in ihre Entscheidungen einfließen zu las sen.4 An dieser Stelle soll explizit erwähnt werden, dass die 1 Vgl. Hermann, Pentek, & Otto 2015, 5; Lee, Kao, & Yang 2014, 3. 2 Vgl. Helveston 2016, 861; Hurley & Adebayo 2016,151; Pena Gangadharan 2014, 2. 3 Vgl. Khandani, Kim, & Lo 2010, 2785. 4 Vgl. Hurley & Adebayo 2016,151; Müthlein & Hoffmann 2017, 71-73. 334 Nutzung vorhandener Mittel und Technologien mitnichten als grundsätzlich schlecht, oder die Auswertung von Daten um in dividuelle Angebote zu erstellen und letztendlich den damit verbundenen Gewinn zu maximieren als verwerflich erachtet werden sollte. Speziell bei der Kreditvergabe ist die Beachtung der erwähnten qualitativen Faktoren in Deutschland sogar eine direkte Vorgabe5, wird anderswo allerdings auch selbst verständlich in die Bonitätsentscheidung mit einbezogen.6 Die unterschiedlichen Parteien versuchen mit der Einbeziehung einer größeren Datenmenge Informationsasymmetrien abzu bauen. Das heißt, in diesem Fall, der Kreditgeber versucht ein möglichst vollständiges Bild über einen potenziellen Kredit nehmer zu erhalten um entsprechend dem Risiko ein ange messenes Angebot unterbreiten zu können. Um diesen Vor gang aus einer ökonomischen Sicht analysieren zu können werden einige Basisprozesse wie die Transaktionskosten, Ent scheidungen unter Risiko sowie die bereits erwähnte asym metrische Information vorausgesetzt. Diese sind aus ökonomi scher Sicht in der Verhaltensökonomie7 und der neuen Insti tutionenökonomik, mit der eng verwandten Informationsöko nomik8 verwurzelt, beziehungsweise wurden mit diesen Ansät zen begründet.9 Auch die Theorie der Finanzintermediation und hierbei insbesondere die Funktion der Informationsbe darfstransformation10 spielen bei der ökonomischen Analyse eine entscheidende Rolle. Allgemein gesagt, ist es das Ziel aller Bemühungen auf Seiten der Kreditgeber möglicherweise gege bene Informationsnachteile durch die Verwendung moderner Techniken auszugleichen. Allerdings muss in der Gesellschaft ein fortlaufender Diskurs über die Erhebung und Nutzung solch individueller Daten stattfinden. Auch muss es einen Dis kurs geben über die (möglichen) Folgen und die Grenzen der Verarbeitung, speziell wenn es um solch elementare Faktoren 5 Vgl. Bundesanstalt für Finanzdienstleistungsaufsicht 2017, BTO 1.3.2 / BTO 1.4.3. 6 Siehe Beispiel Hurley & Adebayo 2016,150t. 7 Vgl. Cartwright 2018; Kahneman & Tversky 1979. 8 Vgl. Akerlof 1970; Coase 1937. 9 Die angegebenen Quellen sind Standardwerke zu denjeweiligen Richtun gen. Sie stehen im Gesamten für denjeweiligen ökonomischen Ansatz und liefern wichtige Grundlagen zur Thematik. 10 Vgl. Nikolov 2000, 38-42. 335 wie Zugang zu finanziellen Mitteln (aus Kreditnehmersicht), aber auch Verlustrisiko bei einer Investition (aus Kreditgeber sicht) geht. Dieses Kapitel soll im Rahmen einer perspektiven orientierten ökonomischen Analyse einen Beitrag zu einem solchen Diskurs liefern. Der Fokus liegt dabei speziell auf nicht-institutionellen Verbrauchern als Kreditnehmern. Das bedeutet Unternehmen und alle sonstigen Entitäten, die eben keine Verbraucher sind, werden in dieser Analyse ausgeklam mert. Unterschiede zwischen einzelnen Gruppen an Verbrau chern innerhalb der großen Gruppe der nicht-institutionellen Verbraucher und daraus resultierende abweichende Effekte auf diese Verbraucher werden in der Analyse aufgezeigt. Zu dem wird die Sicht des Kreditgebers auf den Kreditnehmer analysiert, das heißt es wird betrachtet welchen Informationsvorsprung ein Kreditnehmer gegebenenfalls hat und wie der Kreditnehmer damit umgeht. Natürlich gibt es auch aus Sicht der Kreditnehmer bedeutende Informationsasymmetrien, die Analyse dieser ist allerdings eine eigene Thematik. In Abschnitt 2 werden zunächst die theoretischen ökono mischen Grundlagen betrachtet, ehe in Abschnitt 3 kurz die allgemeinen Grundlagen von Bonitätsratings als Mittel gegen Informationsasymmetrien analysiert werden. Abschnitt 4 lie fert Basisinformationen zu „Big Data“, also den neuesten Tech nologien, und den damit verbundenen Möglichkeiten. In Ab schnitt 5 findet schließlich die perspektivenorientierte Analyse statt, wobei sowohl positive als auch negative Aspekte heraus gearbeitet werden. Die Ergebnisse werden in Abschnitt 6 zu sammengefasst. Abschnitt 7 rundet die Thematik mit einem zukunftsorientierten Ausblick ab. 336 2 Theoretische Grundlagen Um die theoretischen Grundlagen, die nötig sind um sich die ser Thematik zu nähern, herauszuarbeiten, lohnt sich ein Blick in die Geschichte der ökonomischen Theorie. Die ursprüngli che Modellannahme ist die eines „vollkommenen Marktes“. In dieser Modellannahme gibt es keine Friktionen, das heißt u.a. jeder Marktteilnehmer hat absolute Informationen, es gibt keine Transaktionskosten, demzufolge auch keine Entschei dungen unter Risiko, etc. Auf die Kreditgeber/-nehmer Bezie hung angewendet bedeutet dieses Modell, dass jede eingegan gene Verbindung optimal ist, da eine sonstige nicht-optimale Verbindung aufgrund der vollständigen Information abge lehnt wird. Da jeweils die direkte Beziehung zwischen Kredit geber und -nehmer die optimale ist, entfällt auch die Notwen digkeit eines dazwischen geschalteten Finanzintermediärs.11 Ronald Coase (1937) macht in seinem Aufsatz „The nature oft the Firm“ einen bedeutenden Schritt weg von dem Modell des vollkommenen Marktes, indem er die Transaktionskosten einführt.12 Er postuliert, dass die Nutzung des Marktmechanis mus an sich bereits Kosten, die Transaktionskosten, verur sacht. Mit der Einführung der Transaktionskosten in die The orie des vollkommenen Marktes, ist auch erstmalig die Exis tenz von Finanzintermediären gerechtfertigt. Eine Organisa tion die als Finanzintermediär auftritt, kann aufgrund einer bestimmten Größe und Erfahrung die Transaktionskosten niedriger halten, als dies bei einer direkten Kreditgeber/-nehmer-Beziehung möglich wäre.13 Ronald Coase hat damit die Neue Institutionenökonomik begründet. Mit der Einbezie hung formeller und informeller Regularien als Einflussfakto ren auf das ökonomische Verhalten, war der Weg frei für wei tere Modifikationen des Modells des vollkommenen Marktes. Der nächste logische und bedeutende Schritt war dann die Ein führung der begrenzten Rationalität, beziehungsweise der asymmetrischen Information in das Modell.^ Hierbei herrscht ein Informationsungleichgewicht zwischen den potentiellen 11 Vgl. Straßberger 2005, 526. 12 Vgl. Coase 1937, 390. !3 Vgl. Straßberger 2005, 526. 14 Vgl. Akerlof 1970, 49of.; Cartwright 2018, 6f.; Simon 1966. 337 Vertragsparteien. Die Informationsbeschaffung wiederum ist mit zusätzlichen Kosten verbunden, die allerdings durch Enti täten mit ausreichender Größe und Erfahrung minimiert wer den können. Die asymmetrische Information mit den assozi ierten Informationsbeschaffungskosten erweitert also die Rechtfertigung der Existenz von Finanzintermediären um die Komponente der Informationsbedarfstransformation.^ Un gleich verteilte Informationen bringen als weitere Kompo nente noch das Risiko mit ins Spiel. Im Gegensatz zu einer Ent scheidung im vollkommenen Markt können sich in diesem Modell eines „unvollkommenen Marktes“ die Akteure nie ab solut sicher sein die optimale Entscheidung zu treffen. Daraus resultieren eine Vielzahl an Verhaltensweisen (Hot-Hand- Fallacy, Loss aversion, Who is watching principle) die im Rahmen der Verhaltensökonomie näher betrachtet werden.16 Besondere Beachtung soll hier noch auf das Prinzip der Risiko Aversion gelegt werden. Dies besagt, einfach ausgedrückt, dass Menschen in der Regel versuchen werden das Ergebnis zu ma ximieren, bei gleichzeitiger Risikominimierung.1? Da minima les Risiko bei absoluter Information besteht, ist eine Risikom inimierung mit einem Maximum an verfügbaren relevanten Informationen verbunden. Die logische Konsequenz daraus ist, dass ein Mensch oder eine aus Menschen bestehende Enti tät immer versuchen wird das Handlungsrisiko zu minimieren, indem versucht wird aus den verfügbaren Informationen das Maximum an relevanten Informationen zu extrahieren und analysieren. Wir bewegen uns also mit dieser Analyse im Feld der Neuen Institutionenökonomik, noch genauer gesagt in der In formationsökonomik. Zwischen Kreditgeber und Kreditneh mer herrscht eine ungleiche Informationsverteilung, in dem Sinne, dass der Kreditnehmer dem Kreditgeber einen Informationsvorsprung, seine persönlichen Daten betreffend, hat. Diese Art der Beziehung wird auch als Prinzipal-Agent-Beziehung bezeichnet. Der Prinzipal (in diesem Fall der Kreditge ber) möchte vom Agenten (in diesem Fall der Kreditnehmer) eine Handlung (Rückzahlung des Kredits) erreichen, die 15 Vgl. Nikolov 2000, 38-42. 16 Vgl. Cartwright 2018. 17 Vgl. Cartwright 2018,103-106. 338 seinem Ziel (Gewinnmaximierung) dienlich ist.18 Die Heraus forderung für den Kreditgeber ist es, den optimalen Kreditneh mer zu finden, bzw. ein, zum mit diesem Kreditnehmer ver bundenen Risiko, passendes Angebot zu erstellen. Die asym metrische Information liegt hier also ex ante des Vertragsab schlusses. Ein weiteres Problem für den Kreditgeber, ist die Überwachung der Handlungen des Kreditnehmers. Letzterer nimmt mit seinen Handlungen einen Einfluss darauf ob der Kredit platzt, oder erfüllt wird. Die asymmetrische Informa tion tritt damit ex post des Vertragsabschlusses auf.19 Das Problem des ex Post asymmetrischen Information wird in der Informationsökonomik als Moral Hazard bezeich net. Ein Moral Hazard tritt dann auf, wenn zu Vertragsab schluss der Agent und der Prinzipal noch gleiche Informatio nen hatten, der Agent allerdings durch Handlungen die er vor nimmt, beziehungsweise Informationen die er erhält, einen Informationsvorsprung vor dem Prinzipal aufbaut.20 Dem Moral Hazard kann sowohl mit einer Überwachung der Handlungen des Agenten als auch mit der Setzung von Anreizen zu einem möglichst zweckdienlichen Verhalten begegnet werden. Eine absolute Sicherheit wird sich allerdings in einem freien Markt mit asymmetrisch verteilter Information kaum erreichen las sen. Der andere Fall, der ex Ante ungleichen Information wird als Adverse Selektionsproblematik bezeichnet. Hierbei weißt der Agent verborgene Eigenschaften auf, die ihm einen Informationsvorsprung gegenüber dem Prinzipal verschaffen. Der Prinzipal muss also im Voraus möglichst umfangreiche Infor mationen über den potenziellen Agenten aggregieren, um eine Entscheidung unter möglichst geringem Risiko treffen zu kön nen.21 In der Literatur werden zwei wesentliche Möglichkeiten der in diesem Fall geforderten adversen Selektion beschrie ben. Einerseits hat der Agent von sich aus, die Möglichkeit dem Prinzipal zu signalisieren, dass er die beste Wahl ist. Diese Va riante wird demnach logischerweise in der Literatur als 18 Vgl. Pratt & Zeckhauser 1985, 2; Stieglitz 1989, 241. «Vgl. Stieglitz 1989, 242-243. 20 Vgl. Hochhold& Rudolph 2011,135-137; Janda 2006, 2-3. 21 Vgl. Akerlof 1970, 493-494; Hochhold & Rudolph 2011,135; Janda 2006, 3-4 - 339 Signaling bezeichnet.22 Das entsprechende Gegenstück ist das sogenannte Screening. Hierunter „werden alle Aktivitäten ver standen, durch die der Prinzipal versucht, Informationen über relevante Qualitätsmerkmale des Agenten einzuholen.“23 Gele gentlich wird die Seif Selection als dritte Variante angesehen um die adverse Selektionsproblematik zu lösen. Dabei werden dem Agenten unterschiedliche Auswahlmöglichkeiten (unter Unsicherheit) angeboten. Ziel dabei ist es durch die unter schiedliche Ausgestaltung die Merkmale des Agenten ex ante zu erfahren.24 Praktisch ist die Seif Selction allerdings ein Werkzeug, dass der Prinzipal nutzen kann um ex ante Infor mationen über den Agenten zu erhalten und damit eine Vari ante des Screenings. In der Kreditgeber/-nehmer Beziehung sind Bonitäts ratings ein entscheidendes Instrument zur adversen Selektion. Sie dienen dem Kreditgeber als Informationsquelle um die Zahlungswilligkeit und Zahlungsfähigkeit des Kreditnehmers abzuschätzen.25 Eine Einordnung des Bonitätsratings in die Kategorien Signaling und Screening gestaltet sich dabei nicht ganz eindeutig, da zum Beispiel ein sehr gutes externes Boni tätsrating durchaus vom potenziellen Kreditnehmer auch als Signal benutzt werden kann. In der Regel wird das Bonitäts rating aufgrund seines informationsaggregierenden Charak ters aber eher dem Screening zuzuweisen sein. Das Bonitätsrating ist maßgeblich entscheidend dafür wel che Konditionen ein Kreditnehmer erhält, also welchen Kre ditrahmen und welchen Zins er zahlen muss. An dieser Stelle lohnt sich demnach ein Blick auf die Zusammensetzung des Kreditzinses. Irving Fisher formulierte in seiner Theory of In terest (1930) eine Formel in der der Nominalzins^r aus den zwei Komponenten realer Zins rrund Inflationsrate 7rbesteht: nr = rr + n 22 Vgl. Janda 2006, 6; Spence 1973, 355-356. 23 Hochhold & Rudolph 2011, 138. 24 Vgl. Hochhold& Rudolph 2011,138; Jaffee & Russell 1976, 662. 25 Vgl. Müthlein & Hoffmann 2017, 63. 340 Er zählt damit zu den ersten Ökonomen, die die Zinsrate auf splitteten und genauer untersuchten. Die Zusammensetzung der Zinsrate wurde seitdem vielfach untersucht, als gängige Ansicht durgesetzt hat sich eine Formulierung für den Nomi nalzins, bestehend aus vier Komponenten.26 nr = r r + n + lq + a Wobei die ersten Komponenten von der Bezeichnung her weit gehend äquivalent zur Fisher-Formel sind, lq als Liquiditäts aufschlag und a als Risikoprämie sind in der ursprünglichen Fisher-Formel implizit in der Variable rr enthalten. Gemäß dieser Formel stellt der reale Zins rr den Zinssatz dar, den der Kreditgeber in einem Markt ohne Risiko und In flation erheben würde. Darin enthalten sind also alle Kosten des Kreditgebers zur Bereitstellung des Darlehens, sowie die geforderte Gewinnmarge, n ist die tatsächliche Inflation, lq ist der Aufschlag den der Kreditgeber erhebt um seine aus dem vergebenen Kredit resultierende verminderte Liquidität und damit verbunden Risiken und Nachteile (man denke an zu künftige nicht verwirklichbare Investitionen) auszugleichen, a ist der individuelle Risikoaufschlag für den Kreditnehmer. Also der Wert der nötig ist um das Risiko eines Zahlungsaus falls über eine Anzahl xan Kreditnehmern mit exakt derselben Ausfallwahrscheinlichkeit aufzufangen.2? Passt man das obige Modell nun an die Situation der asym metrischen Information an, ergeben sich im offensichtlichen Teil bereits kleinere Änderungen. n r = r r + en + lq + a'(Fr) Aus der tatsächlichen Inflation n wird im angepassten Modell die erwartete Inflation en. Aus dem tatsächlichen individuel len Ausfallrisiko a wird eine Schätzung a" des Ausfallrisikos abhängig von den relevanten Informationen /^die der Kredit geber über den Kreditnehmer hat. In der Variable für den rea len Zinssatz rr, die auch die Kosten für den Kreditgeber ab deckt, sind nun auch die bereits angesprochenen Informati onsbeschaffungskosten enthalten. Diese unterteilen sich in die 26 Vgl. Blake 2000, 80-86. 27 Vgl. Faure 2012,1-2. 341 Kosten für relevante Informationen Cm und unrelevante Kos ten Ciur für die Risikoeinschätzung. Zieht man die Informati onsbeschaffungskosten aus der Komponente für den realen Zins heraus (übrig bleibt /t>) und formuliert den Risikoschät zer aus kann man das Ergebnis folgendermaßen darstellen: n r = rrr + Crn + Ciur + e n + lq + < f ( Ir) < f =

Chapter Preview

References

Zusammenfassung

Die Finanzwirtschaft steht im Kontext der Digitalisierung und Digitalen Transformation der Ökonomie als eine der Branchen im Mittelpunkt der Aufmerksamkeit, wo die damit verbundenen Marktveränderungen von verschiedenen Interessensgruppen erlebt werden können. Die Veränderungen in finanzwirtschaftlichen Geschäftsprozessen, nicht zuletzt durch technologie-basierte Startups (sog. FinTechs) forciert, sind nicht nur innerhalb der Branche, sondern auch beim Endkunden durch konkrete digitale Innovationen spürbar. Dieser Sammelband widmet sich einigen der im Zusammenhang der Digitalisierung und Digitalen Transformation der Finanzwirtschaft entstandenen Geschäftsmodelle und betrachtet diese vor dem Hintergrund der Frage, ob die Finanzwirtschaft sich „nur“ in ein moderneres Kleid hüllt oder ob es sich um tiefgreifende Marktstrukturveränderungen bis hin zu einer möglichen Disintermediation innerhalb der Finanzintermediationsbranche handelt.