KI-gestützte Szenario- und Stresstests

KI gehört in die mechanische Hälfte von Stresstests. Sie kann ein Szenarioset erweitern, ein Narrativ in die Parameter übersetzen, die Ihre Engine erwartet, und zusammenfassen, was sich zwischen zwei Läufen verändert hat. Sie sollte niemals die Annahmen setzen oder selbst eine Zahl produzieren. Ein Mensch entscheidet, welche Schocks zählen, und gibt frei; eine deterministische Engine berechnet jede Zahl. Halten Sie diese Trennung ein, und die Arbeit geht schneller.

Stresstests sind zwei Aufgaben unter einem Namen. Die eine Aufgabe besteht darin zu entscheiden, worüber man sich Sorgen machen muss: welche Schocks plausibel sind, wie sie korrelieren und wo die Bilanz tatsächlich bricht. Die andere ist die mühselige Mechanik, jedes Szenario aufzubauen, durchzurechnen und die Ausgabe zu lesen. In dieser zweiten Aufgabe versickert der größte Teil des Kalenders, und genau diese Aufgabe kann KI übernehmen.

Ein Analyst kopiert eine Basisprognose, passt einen Zinspfad an, leitet die Refinanzierungskosten neu her, prüft, ob sich die Sicherheitsabschläge in die richtige Richtung bewegt haben, und formatiert dann das Ergebnis so, dass ein Gremium es lesen kann. Multiplizieren Sie das mit dreißig Szenarien und zwei Berichtszyklen, und Sie haben Wochen an Arbeit, die im Wesentlichen darin besteht, dasselbe Modell immer wieder mit anderen Stellschrauben neu zu verkabeln. Genau diese Neuverkabelung ist der Punkt, an dem KI ihren Platz verdient, denn sie ist repetitiv und lässt sich gegen eine deterministische Engine überprüfen.

Wo das Modell hilft und wo es nichts anfassen darf

Die sichere Arbeitsteilung ist eng gefasst und lohnt eine präzise Formulierung. Das Modell generiert und manipuliert Szenariodefinitionen. Es produziert niemals die Zahlen.

• Szenarioerweiterung. Geben Sie ihm eine Handvoll benannter Szenarien, und es kann die benachbarten aufzählen, die Sie ausgelassen haben: derselbe Zinsschock mit breiterem Einlagenabfluss, dieselbe Rezession mit verzögertem Arbeitslosenhöchststand, die Kombination zweier Schocks, die Sie bislang nur getrennt durchgespielt haben. Das ist kombinatorische Buchführung, und es ist genau die Art von Abdeckungslücke, die ein Mensch zum Quartalsende unter Termindruck übersieht.
• Parametrisierung. Das Übersetzen eines Narrativs (“schwerer adverser Fall: Zinsen plus 300 Basispunkte, BIP minus 4 Prozent, Gewerbeimmobilienwerte minus 25 Prozent”) in die strukturierten Eingaben, die Ihre Berechnungs-Engine erwartet. Das Modell füllt die Parametervorlage. Die Engine rechnet.
• Ausgaben lesen. Zusammenfassen, welche Portfolios eine Kapitalunterdeckung getrieben haben, welche Positionen sich zwischen zwei Läufen am stärksten bewegt haben, wo ein Covenant gekippt ist. Das ist Retrieval und Vergleich über bereits vorhandene Zahlen, nicht das Erzeugen neuer Zahlen.

Was das Modell nicht tun darf, ist rechnen. Bitten Sie es, einen Loss Given Default zu schätzen oder eine Cash-Position durch das Generieren von Text fortzuschreiben, und es reicht Ihnen eine Zahl, die korrekt klingt und sich mit nichts abstimmen lässt. Die Regel, an die ich mich halte: Die KI übergibt Parameter an dieselbe Engine, die Ihre Analysten laufen lassen, und jede Ausgabezelle hat eine Herkunft, die auf diese Engine zurückführt. Eine Zahl, die sich nicht auf eine berechnete Zelle zurückverfolgen lässt, kommt nicht in die Präsentation.

Szenariogenerierung ohne halluzinierten Rand

Der Reiz eines Sprachmodells liegt hier darin, dass es Szenarien vorschlagen kann, auf die eine Vorlage nie käme. Die Gefahr besteht darin, dass es Szenarien vorschlägt, die schwer klingen, aber in sich inkonsistent sind, oder die klammheimlich Informationen durchsickern lassen, die eine echte Prognose nicht hätte haben können.

Zwei Fehler treten immer wieder auf. Der erste ist Inkohärenz: ein Szenario, in dem die Zinsen in die Höhe schnellen, die Kreditspreads aber flach bleiben, oder in dem die Arbeitslosigkeit steigt, während die Kreditausfälle im Konsumbereich sinken. Das Narrativ liest sich gut, und das Modell hat kein ökonomisches Vorwissen, das dem Einhalt gebietet. Die Abhilfe: Jedes generierte Szenario durchläuft eine Konsistenzprüfung, bevor es die Engine erreicht. Kodieren Sie die Zusammenhänge, an die Sie tatsächlich glauben, etwa dass sich Spreads mit den Zinsen weiten und Ausfälle mit der Arbeitslosigkeit steigen, als Bedingungen, die das Szenario erfüllen muss oder gegen die es gekennzeichnet wird.

Der zweite Fehler ist Lookahead. Wenn das Modell den realisierten Verlauf einer Variablen gesehen hat, generiert es bereitwillig ein “hypothetisches” Szenario, das sich eng an das anschmiegt, was tatsächlich passiert ist. Das ist Leakage in anderem Kostüm, und es lässt einen Stresstest besser kalibriert aussehen, als er ist. Schotten Sie die Szenariogenerierung von allen Point-in-Time-Daten jenseits des Stichtags ab. Das ist dieselbe Disziplin, die Sie bei einem Prognose-Feature anwenden würden.

Ich behandle generierte Szenarien als Kandidaten für ein Eval-Set, nicht als Ergebnisse. Jedes wird nach zwei Kriterien bewertet: nach Abdeckung, also ob es einen Teil der Bilanz beansprucht, den die bestehende Suite ignoriert, und nach Plausibilität, also ob es die Konsistenzbedingungen übersteht. Ein Mensch behält die, die es wert sind, durchgespielt zu werden. Die Aufgabe des Modells war es, die Suche zu weiten, nicht sie abzuschließen.

Sensitivitätsanalyse und der Prüfpfad

Die Sensitivitätsanalyse ist der Ort, an dem sich KI-gestütztes Tooling bezahlt macht, denn die Arbeit ist im Kern mechanisch: alles fixieren, eine Eingabe über einen Bereich variieren, festhalten, wie die Ausgabe reagiert. Das von Hand für zwanzig Eingaben zu tun, ist mühsam und fehleranfällig, und die Fehler verstecken sich gut, weil jedes Zwischenergebnis vernünftig aussieht.

Hier orchestriert das Modell, statt zu rechnen. Es baut das Raster der Parametersätze, schickt jeden an die Engine und setzt die Response-Surface zusammen. Weil die Engine deterministisch ist, ist der gesamte Lauf reproduzierbar: gleiche Eingaben, gleiche Code-Version, gleiche Zahlen. Diese Reproduzierbarkeit ist das A und O für jeden, der das Ergebnis später verteidigen muss.

Für ein reguliertes Stressprogramm ist der Prüfpfad kein Papierkram, den man am Ende dranschraubt. Unter SR 11-7 erwarten die Aufsichtsbehörden, dass Modellausgaben reproduzierbar und Annahmen dokumentiert und einer wirksamen Herausforderung (“effective challenge”) unterworfen sind, und die Anforderungen des EU AI Act an Aufzeichnung und menschliche Aufsicht für in den Anwendungsbereich fallende Hochrisiko-Systeme weisen in dieselbe Richtung. In der Praxis bedeutet das drei konkrete Dinge:

• Jedes Szenario trägt seine Eingaben, die Engine-Version und die Identität der Person, die die Annahmen freigegeben hat.
• Jeder Lauf wird gegen den vorherigen gediffed, sodass ein Prüfer sieht, was sich geändert hat, statt eine komplette Präsentation erneut zu lesen.
• Der Beitrag der KI wird als das protokolliert, was sie getan hat: diese Szenarien erweitert, diese Inkonsistenzen gekennzeichnet, diese Deltas zusammengefasst. Nichts davon umfasst eine Zahl, die das Modell eigenständig produziert hätte, denn es hat keine produziert.

Die Linie, die es zu halten gilt, ist dieselbe wie ganz oben. Ein Mensch entscheidet, was gestresst wird und warum, und setzt seinen Namen darunter. Die Maschine bewältigt das Volumen. Fragt ein Gremium, warum ein Szenario gewählt wurde, ist die Antwort ein menschliches Urteil mit einer Begründung. Fragt es, wie die Zahl berechnet wurde, ist die Antwort ein Engine-Lauf, den Sie auf Abruf reproduzieren können. Halten Sie diese beiden Antworten getrennt, und KI macht die Übung schneller. Verwischen Sie sie, und Sie haben den Teil automatisiert, der nie das Problem war, während Sie den Teil verderben, der es war.