Mit informellen Insolvenzprognoseverfahren werden Insolvenzprognoseverfahren bezeichnet, bei denen menschliche Kreditanalysten Insolvenzprognosen auf Basis ihrer Intuition und persönlichen Erfahrung erstellen. Dabei stehen ihnen gegebenenfalls Checklisten bzw. (mehr oder weniger detaillierte und präzise) Leitfäden bzw. Verfahrensvorschriften zur Verfügung.Dieser Artikel basiert auf Bemmann (2007, Abschnitt 2.2).
Empirische Befunde zur Schätzgüte Unbestritten ist zunächst, dass Kreditnehmer billiger, schneller und transparenter durch standardisierte Verfahren bewertet werden können als im Rahmen individueller Analysen durch menschliche Bewerter.siehe Falkenstein, Boral, Carty (2000, S. 16) Aus diesem Grund sind bei den meisten Banken die Bewertungen von Kleinkrediten weitgehend standardisiert bzw. sogar automatisiert.siehe Treacy, Carey (2000, S. 898), Basler Ausschuss (2000, S. 18)
Darüber hinaus herrscht bei Banken und Ratingagenturen jedoch die Meinung vor, dass – stellt man ihnen genügend Zeit und Ressourcen zur Verfügung – erfahrene Analysten jedes statistische Modell schlagen könnten.Treacy, Carey (2000, S. 898): “Many banks use statistical models as an element of the rating process, but banks generally believe that the limitations of statistical models are such that properly managed judgmental rating systems deliver more accurate estimates of risk.”Falkenstein, Boral, Carty (2000, S. 16): “The value of quantitative models over judgement is not purely a scale economy argument. […] Yet, many presume that given enough time most sufficiently intelligent and experienced analysts would outperform any model.” Schließlich beschränkten sich deren Analysen nicht nur auf die Auswertung einiger weniger Finanzkennzahlen, sondern umfassten sämtliche als relevant erachteten Aspekte des Unternehmens und seines Umfelds.Siehe Deutsche Bundesbank (2004, S. 6) zur Beschreibung des Aufbaus des eigenen Bonitätsbeurteilungsverfahrens: „Da dieses ‚normierte’ Verfahren spezifischen Gegebenheiten einzelner Unternehmen und neueren Entwicklungen nicht immer gerecht werden kann, bleibt für den Beurteilenden Spielraum, von den Klassifikationsvorschlägen abzuweichen.“siehe S&P (2003, S. 17): “There are no formulae for combining scores to arrive at a rating conclusion. Bear in mind that ratings represent an art as much as a science. A rating is, in the end, an opinion.” Dies wird nicht zuletzt auch von aufsichtsrechtlicher Seite eingefordert.BaFin (2002, Tz. 70): „Maßgebliche Indikatoren für die Bestimmung des Adressenausfallrisikos im Risikoklassifizierungsverfahren müssen neben quantitativen, soweit möglich, auch qualitative Kriterien sein. […]“. Gemäß den Regelungen von Basel II ist zwar der Einsatz automatischer Modelle im Rahmen des IRB-Ansatzes zulässig, aber „Hinreichende menschliche Urteile und menschliche Überwachung sind erforderlich um sicherzustellen, dass alle wesentlichen Informationen, einschließlich derer außerhalb des Erfassungsbereichs des Modells, berücksichtigt werden und das Modell in angemessener Weise genutzt wird.“, siehe Basler Ausschuss (2004, Tz. 417). Bei der Kreditrisikoanalyse natürlicher Personen ist die ausschließliche Verwendung statistischer Modelle sogar gesetzlich verboten (auch wenn dieses Verbot häufig nicht beachtet wird).siehe ULD (2006, S. 18f. und S. 86f.)
In einer Metaanalyse von über 100 Studien aus verschiedenen Wissenschaftsgebieten zeigt sich zwar, dass Individuen mit geringem Fachwissen erheblich genauere Prognosen als nichtinformierte Individuen erstellen können, dass aber darüber hinaus zusätzliches Fachwissen zu keinem Zuwachs der Prognosegenauigkeit führtsiehe Armstrong (1985, S. 92f.) und dass die Güte selbst sachkundiger menschlicher Entscheider einfachen statistischen Prognoseverfahren unterlegen ist.Siehe Armstrong (1985, S. 55f., S. 94 und die dort zitierte Literatur). Die Studien untersuchten die Fähigkeiten von Experten u. a. bei der Prognose von Krankenhausaufenthaltsdauern, Fußballergebnissen oder Studienerfolgen.Keasey, Watson (1991, S. 99) “For many well-specified and repetitive decisions, the classification accuracy of even relatively simple quantitative models have been shown to consistently outperform human decision-makers [...] This literature has also shown [...] that a statistical model is usually able to significantly outperform specialists.”
Auch vergleichbare Studien speziell zum Thema Insolvenzprognose zeigen, dass menschliche Kreditanalysten, denen die Jahresabschlussinformationen von zu beurteilenden Unternehmen zur Verfügung gestellt wurden, mit Hilfe der darin enthaltenen Informationen Insolvenzprognosen abgeben können, die mit den späteren Insolvenzereignissen korrelieren. Allerdings liegt die Qualität der Analystenprognosen nicht nur deutlich unter der Qualität einfacher statistischer Verfahren (siehe beispielsweise Diskriminanzanalyse, Logistische Regression oder Entscheidungsbaumverfahren), sondern sogar noch unter der univariaten Trennschärfe einzelner Finanzkennzahlen.siehe Falkenstein, Boral, Carty (2000, S. 16f. und die dort zitierte Literatur) Zur Erklärung dieser enttäuschenden Befunde lassen sich zwei grundlegende Theorien zur Beschreibung menschlichen Verhaltens heranziehen:
Erstens unterliegen Menschen zahlreichen Beschränkungen und systematischen Verzerrungen.So kann beispielsweise die Bonitätsbeurteilung durch Kreditsachbearbeiter bereits durch einfach zu identifizierende und korrigierende Sachverhaltsgestaltungen wie Sale-and-lease-back (Rückmietkauf) oder Aktivierung von F&E-Kosten systematisch beeinflusst werden, siehe Blake et al. (2000, S. 139f. und die dort zitierte Literatur). Diese werden in einem aktuellen Forschungsgebiet der Finanzwissenschaft, der verhaltensbasierten Finanzwissenschaft (behavioral finance) thematisiert und zweitens werden opportunistisch-eigennützig handelnden Kreditanalysten, die sich in einer Vertragsbeziehung mit ihrer Bank befinden, möglicherweise Anreize gesetzt, ihre Prognosen systematisch zu verzerren. Derartige Anreizprobleme zwischen Vertragspartnern bei Vorliegen unvollständiger Informationen oder Verträgen werden im Rahmen der Neuen Institutionenökonomik, speziell der Prinzipal-Agent-Theorie (principal-agent-theory), behandelt.
Beide Punkte werden in den folgenden Abschnitten erläutert. Es ist aber anzunehmen, dass zumindest bei den zitierten Studien Anreizprobleme keine wesentliche Rolle spielten, sondern dass die durch Irrationalitäten ausgelösten Beeinträchtigungen der Prognosefähigkeit menschlicher Entscheider bereits hinreichend groß sind, um die Unterlegenheit gegenüber einfachen statistischen Verfahren zu erklären.
Irrationale Informationsverarbeitung Da keine umfassende, bewährte Theorie zur Erklärung und Prognose von Unternehmensinsolvenzen existiert und da menschliche Entscheider nicht über die Speicherfähigkeit und Verarbeitungskapazität moderner Computer verfügen, um zumindest empirisch fundierte Prognosen zu treffen, sind Kreditanalysten bei der Abgabe von Insolvenzprognosen stets auch auf ihre eigene Intuitionen, Erfahrungen und Erinnerungen angewiesen. Es ist jedoch bekannt, dass die unter diesen Umständen abgegebenen Prognosen menschlicher Entscheider systematischen Fehlern unterliegen.siehe Rabin (1998, S. 24ff. und die dort zitierte Literatur), Armstrong (1985, S. 86f., 96f., 110f., S. 143f., S. 436f. und die dort zitierte Literatur), Rosenkranz, Missler-Behr (2005, S. 108ff. und die dort zitierte Literatur).
Im Kontext der Kreditrisikoanalyse von besonderer Relevanz sind hier die Überinterpretation zufälliger Ereignisse (law of small numbers), das Ignorieren allgemeinerer Statistiken bei Vorliegen besonders einprägsamer individueller Erinnerungen (Verfügbarkeitsheuristik, availability heuristic) und die Beharrlichkeit einmal vorgefasster Meinungen (belief perseverance, anchoring), welche unter anderem durch die selektive Wahrnehmung neuer Informationen verursacht wird (confirmatory bias). Dabei werden Informationen, die der vorgefassten Meinung des Analysten entsprechen als besonders glaubwürdig empfunden, widersprechende Informationen werden tendenziell ignoriert oder fehlinterpretiert.siehe Rabin (1998, S. 24ff. mit weiteren Nachweisen) Ferner erhöhen sich die wahrgenommenen Eintrittswahrscheinlichkeiten von Ereignissen, sobald diese Ereignisse tatsächlich eingetreten und den Individuen bekannt geworden sind. Die Individuen glauben deshalb auch, dass sie diese Ereignisse mit ihrem Wissen gut hätten vorhersagen können (Rückschaufehler, hindsight bias).siehe Rabin (1998, S. 32f.)Zur hieraus resultierenden geringen Bewertungsdynamik menschlicher Ratingurteile siehe Fischer (2004, S. 381ff.). Gerade Experten überschätzen in einer Umwelt mit geringer Vorhersagbarkeit die Genauigkeit ihrer Prognosen.siehe Rabin (1998, S. 32f.) Theoretisch lassen sich durch einen konsequenten Abgleich vergangener Prognosen mit tatsächlich eingetretenen Insolvenzereignissen individuelle Prognosefehler erkennen und, falls die individuellen Prognosen ausreichend begründet und dokumentiert wurden, auch die Ursachen für die begangenen Fehler identifizieren, so dass Lernprozesse zur Verbesserung der individuellen Prognosefähigkeit auslöst werden können. Leider haben Banken es in der Vergangenheit, beispielsweise aufgrund von Fusionen oder Änderungen ihrer Ratingmethodik, meist versäumt, die benötigten Daten konsequent zu erfassen und zu pflegen.Basler Ausschuss (2000, S. 25): “[M]ost of the surveyed banks did not have sufficient internal data for specifying loss characteristics for all borrowers based on their own default history […]. [D]ue to data constraints, the majority of banks surveyed relied either partially or fully on the data provided by the major rating agencies, public databanks such as national credit registries, or data from consulting companies.”Carey, Hrycay (2001, S. 199) “Remarkably, very few financial institutions have maintained usable records of default and loss experience by internal grade for their own portfolios. Thus, the obvious actuarial approach, computing long-run average default rates from the historical experience of borrowers in each internal grade, is not feasible in most cases. […] Evidence presented below indicates that a relatively long time series of data is needed for good actuarial estimates. […] Even in cases where banks have gathered such data, changes in the architecture or criteria of their internal rating system (which occur frequently) greatly reduce the utility of prechange data.”Araten et al. (2004, S. 93): “Many firms have evolved their rating scale and methodology over time, often as a result of mergers in which they have had to reconcile different ratings systems employed by predecessor banks. Under these circumstances, it is often a challenge to develop a database of ratings history that fairly represents a consistent ratings philosophy.” und analog Treacy, Carey (2000, S. 912).