Support Vector Machines: eine neue Methode zum Rating von Unternehmen

Die Rekordzahlen an Unternehmensinsolvenzen, die schlechte Ertragslage der deutschen Kreditinstitute in den vergangenen Jahren und der von Basel II ausgehende Druck zur Verwendung von realitätsnahen Ausfallwahrscheinlichkeiten haben es überdeutlich gemacht: Der Bedarf an leistungsfähigen Insolvenzprognosemodellen ist immens. Mehr denn je suchen Banken, aber auch andere Finanzdienstleister wie Venture-Capital-Firmen nach geeigneten Methoden, um möglichst treffsicher das Risiko abschätzen zu können, mit dem ein Unternehmen während einer gegebenen Vorhersageperiode insolvent wird. Fehleinschätzungen bei den Ausfallraten von Krediten haben nicht nur einzelwirtschaftliche Auswirkungen. Auch die Stabilität des Finanzsystems und damit die Liquiditätsversorgung der Volkswirtschaft hängen entscheidend davon ab, ob Banken ihre Kreditrisiken richtig einschätzen und eine adäquate Risikovorsorge treffen können. Forschungsarbeiten des DIW Berlin in Zusammenarbeit mit dem Center for Applied Statistics and Economics (CASE, Humboldt-Universität zu Berlin) haben ergeben, dass Support Vector Machines, kurz SVMs, den Anforderungen an qualitativ hochstehende Insolvenzprognosemodelle in besonderer Weise gerecht werden. Support Vector Machines als Instrument zur Vorhersage von Insolvenzen zu nutzen ist neu. Bei Klassifikationsproblemen in der Biometrie (Früherkennung von Krankheiten) und im Bereich der Mustererkennung werden SVMs jedoch bereits seit geraumer Zeit mit guten Ergebnissen eingesetzt.