Kredit-Risikomanagement für Staats- und Firmenanleihen auf Basis von Nachrichten

Projekt SenRisk (Sentiment news and market analysis of sovereign and corporate bonds for credit risk assessment)

Im Projekt SenRisk entwickeln wir in Zusammenarbeit mit einem inländischen und zwei ausländischen Industriepartnern ein Kredit-Risikomanagement-System. Es wird von Eurostars gefördert, dem Programm für forschungstreibende KMU von EUREKA und der Europäischen Kommission. Neben Marktdaten und makroökonomischen Informationen ziehen wir auch gezielt aktuelle Nachrichten (Presse, Ticker, Blogs, etc.) zur Verbesserung der Prognose-Qualität heran.

 

Machine Learning klassifiziert Nachrichten

Automatische Nachrichtenverarbeitung spezialisierte Datenanbieter stellen aufbereitete, angereicherte und maschinell bearbeitete Nachrichten zur Verfügung. Das heißt mit Techniken des Maschinellen Lernens, z.B. Autoencoder-Ansätzen, werden diese Nachrichten klassifiziert. 

Das Einordnen

  • nach Bezug (z.B. Land, Branche, Firma, etc.)
  • nach Themen (z.B. Management Entscheidungen, Markteinführung eines Produktes, Gewinnwarnungen, etc.)
  • und Bewertung nach Schwere und Relevanz

erlaubt es, die für eine Anleihe relevanten Nachrichten herauszufiltern oder einzugrenzen

Wir kombinieren diese neuerdings zur Verfügung stehenden erklärenden Variablen mit Hilfe von nichtlinearen Regressions- und Zeitreihen-Ansätzen sowie neuronalen Netzen, um zukünftige Preisveränderungen (Spread-Änderungen) zu prognostizieren oder zumindest verbesserte Risiko-Indikatoren zu entwickeln. Diese werden in einem Informationssystem zur Unterstützung von Händlern und Portfolio-Managern integrieren.

Anwendungsbereiche

Die entwickelten Methoden wenden wir auf Staats- und Firmen-Anleihen an. Anders als bei Aktien gibt es hier eine Terminstruktur aufgrund unterschiedlicher Laufzeiten, große Teile des Marktes sind weniger liquide als Aktien oder Derivate-Märkte, und die Preisbewegungen werden durch eine komplexe Kombination von Währungs-, Zins- und Konjunktur Dynamik angetrieben.