Bayessche Modellierung Operationeller Risiken
Obwohl die Bayessche Inferenz, insbesondere die Berechnung des Posteriors, komplexe numerische Algorithmen wie Markov Chain Monte-Carlo (MCMC)-Verfahren erfordert, hat die rasante Entwicklung im Maschinellen Lernen eine praktische Umsetzung vereinfacht. Heute ermöglichen Probabilistische Programmiersprachen (PPLs) wie Stan, PyMC oder Tensorflow Probability eine Implementierung mit vergleichsweise geringem Aufwand. Diese PPLs stellen effiziente MCMC-Implementierungen und umfangreiche Modellierungs-Toolkits bereit, wodurch komplexere OpRisk-Modelle entwickelt werden können.
Das Whitepaper zeigt, wie die technischen Fortschritte die Implementierung fortschrittlicher Ansätze wie des Bayesschen Modells vereinfachen. Im Zuge des SAOR und des damit verbundenen Fokus auf Säule II bietet sich für Institute die Chance, ihre bestehenden OpRisk-Ansätze methodisch zu überholen und unter Einhaltung regulatorischer Vorgaben mit modernen Innovationen aus dem Maschinellen Lernen zu verbinden. Auch für das aktive OpRisk-Management kann der Einsatz von Methoden des Maschinellen Lernens zur frühzeitigen Identifizierung von Gefahrenindikatoren genutzt werden.