Risikomanagement und Treasury
Modell-Validierungsbericht IRB-LGD
anymize ersetzt Recovery-Akten mit Mandantenbezug und Vintage-Listen vor dem KI-Aufruf. Performance, Kalibrierung, Stabilität, Downturn-LGD-Add-On und EBA-ML-IRB-konforme Erklärbarkeit werden auf pseudonymisiertem Text strukturiert — CRR III Art. 143 ff. und § 43 KWG strukturell adressiert.
Schwierigkeit: Spezialist · Datenklasse: Mandantendaten · Letztes Review:
Zur Orientierung gedacht. Die anwaltliche Würdigung im Einzelfall bleibt selbstverständlich bei Ihnen — KI-Outputs sind vor jeder Verwendung zu prüfen. Mehr dazu am Ende.
Anwendungsbereich
Worum geht es hier?
LGD-Modelle sind nach CRR III Art. 143 ff. aufsichtlich genehmigungspflichtig. Validierung folgt EBA-ML-IRB-Standards 2023, Bundesbank-Working-Paper-Maßstäben und MaRisk-BTR. Jährliche Voll-Validierung 20–40-seitig, 1–3 Tage Schreib-Aufwand — KI-Strukturierung schafft Effizienz, ohne Recovery-Akten mit Mandantenbezug aus der Bank zu schicken.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- Model Risk Officer, Validation-Team, Recovery-Manager für Datenqualitäts-Schnittstelle.
- Seniorität
- Sehr hoch — LGD-Modellierung (Recovery-Cashflow-Discounting, Downturn-LGD), Bias-Adjustment, Reference Data Set (RDS) nach EBA.
- Kanzleigröße
- Banken mit IRB-LGD-Ansatz — Großbank, Landesbank, Privatbank, größere Sparkasse/Genossenschaftsbank.
- Spezifische Kontexte
- Jährliche aufsichtliche Validierung; bei Modell-Wechsel oder Re-Kalibrierung mit Wesentlichkeits-Schwelle Genehmigungs-Pflicht.
Die Situation in der Kanzlei
So bringen Sie Tempo und Sorgfalt zusammen
LGD-Validierungsbericht umfasst Performance-Statistiken (Bias, RMSE, MAPE), Kalibrierungs-Vergleich (Modell-LGD vs. realisierte LGD pro Segment), Stabilität (PSI über Vintage), Downturn-LGD-Adjustment, Erklärbarkeits-Sektion. 20–40 Seiten Voll-Bericht pro Modell. Manuell 1–3 Tage Schreib-Arbeit. Fehler: Discount-Faktor-Inkonsistenz, Bias-Vorzeichen verwechselt, Downturn-Begründung nicht CRR-konform. Halluzinierte Werte = SREP-Risiko + Modellgenehmigungs-Folgen.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeit pro Bericht
1–3 Tage
Methodik, Performance, Kalibrierung, Stabilität, Downturn, Maßnahmen + Erklärbarkeit.
EBA-ML-IRB-Konformität
strukturell
Erklärbarkeits-Sektion strukturell EBA-konform formuliert.
Vertraulichkeit
Recovery-Akten geschützt
Mandantenbezüge bleiben außerhalb des KI-Kontexts.
Erkennungsrate
>95 %
Recovery-Akten mit Mandantennamen werden dreifach geprüft.
So gehen Sie vor
In 5 Schritten zum Antrag
LGD-Backtesting-Lauf + Recovery-DB-Extrakt + Vorperiode-Vergleich. Klassifikation: aggregierte Statistik = Klasse C; Recovery-Akten = Klasse A.
Sie
Datenbasis · EBA-ML-IRB
anymize anonymisiert Recovery-Akten und Vintage-Listen.
anymize
§ 43 KWG Bankgeheimnis
Spot-Check; bei Voll-Validierung Vier-Augen-Prinzip.
Sie
Anymize-Enabler-Map § 2.5
CRAFT-Prompt. Output: 6-Abschnitts-Section (Methodik, Performance, Kalibrierung, Stabilität, Downturn-LGD + MoC, Maßnahmen + Erklärbarkeit).
GPT / Claude / Gemini in anymize
Schreib-Effizienz · EBA-ML-IRB
Statistik-Verifikation: Bias, RMSE, Kalibrierungs-Tabelle 1:1.
Sie
EBA-Validation-Guidelines
Methodik-Verfeinerung: Discount-Faktor-Konvention, Downturn-Begründung, Erklärbarkeits-Sektion. Freigabe Model Risk Officer → Validation-Komitee → Vorstand → BaFin-Anzeige bei wesentlichen Änderungen nach CRR Art. 143 ff.
Sie
§ 25a KWG · CRR III
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Erkennt Recovery-Akten-Bezüge, Vintage-Listen mit Mandantennamen, Einzelfälle.
- Lässt aggregierte Performance- und Kalibrierungs-Statistiken sichtbar.
- Bidirektionale Anonymisierung.
- Deutsche Rechenzentren (Hetzner), AVV nach Art. 28 DSGVO.
Was Sie als Model Risk Officer tun
- Backtesting-Lauf und Recovery-DB-Extrakt durchführen; Vorperioden-Vergleich beifügen.
- Klassifikation festlegen; Spot-Check.
- Statistik 1:1 verifizieren; Bias-Vorzeichen je Segment, Discount-Faktor-Konvention.
- Erklärbarkeits-Sektion EBA-ML-IRB-konform; Re-Kalibrierungs-Vorschlag auf CRR-Art.-143-ff.-Wesentlichkeit prüfen.
Daten-Input
LGD-Backtesting-Output aus SAS Viya, Moody's Analytics LossCalc, S&P Capital IQ oder interner Recovery-DB mit Performance- (Bias, RMSE, MAPE je Segment), Kalibrierungs- (Modell-LGD vs. realisierte LGD), Stabilitäts-Statistiken (PSI über Vintage), Downturn-LGD-Add-On, Reference Data Set Beschreibung.
Output-Kontrolle
Pseudonymisierter Datensatz an die KI. 6-Abschnitts-LGD-Validierungs-Section re-identifiziert zurück. Re-Kalibrierungs-Entscheidung und Wesentlichkeits-Beurteilung verbleibt beim Model Risk Officer.
Freigabeprozess
Model Risk Officer → Validation-Komitee → Vorstand → BaFin/Bundesbank bei wesentlichen Modell-Änderungen.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. Backtesting-Output + Recovery-DB-Extrakt + Vorperiode in anymize einfügen.
2. Recovery-Akten werden zu Platzhaltern.
3. Diesen Prompt anhängen; Max-Reasoning.
4. Re-identifizierter Output 1:1 verifizieren.
# Context (C)
LGD-Modell-Validierungsbericht einer deutschen Bank nach CRR III Art. 143 ff.,
MaRisk RS 06/2024, EBA-Validation-Guidelines, EBA-ML-IRB-Report 2023, Bundesbank-
Vorgaben. Rechtsstand: <heutiges Datum>. Mandantendaten pseudonymisiert
([[Engagement-Hash]]). Du erfindest keine Werte.
# Role (R)
Du agierst als LGD-Validation-Assistenz mit Kenntnis: Recovery-Cashflow-
Discounting (effektiver Discount-Faktor), Bias-Methodik (signed/unsigned),
RMSE/MAPE, Downturn-LGD nach CRR Art. 181, Reference Data Set, Margin of
Conservatism, Erklärbarkeit nach EBA-ML-IRB.
# Action (A)
1. Struktur:
(1) Methodik (Modell-Ansatz: Workout-LGD, Implicit-Market-LGD, Hybrid).
(2) Performance (Bias, RMSE, MAPE je Segment).
(3) Kalibrierung (Modell-LGD vs. realisierte LGD; Tabelle je Segment).
(4) Stabilität (PSI über Vintage; Drift-Treiber).
(5) Downturn-LGD-Adjustment + Margin of Conservatism.
(6) Maßnahmen + Erklärbarkeits-Sektion (EBA-ML-IRB).
2. Nur Input-Werte. `[Datenfeld]`-Bezug.
3. Discount-Faktor explizit nennen.
4. Reference Data Set Qualität offen legen.
# Format (F)
Tabellen je Section.
# Target Audience (T)
Model Risk Officer; Validation-Komitee; Vorstand; BaFin/Bundesbank im SREP.
# Verbote
KEINE erfundenen Bias/RMSE/PSI-Werte.
KEIN Downturn-Begründung ohne Stress-Periode-Beleg.So sieht der Sachverhalt aus
Pseudonymisierter Eingabetext
LGD-Validierung [[Modell-9b3d]] Stichtag [[Datum-7f2a]]
Methodik:
- Workout-LGD; Discount-Faktor effektiv 9 % p.a.
- Reference Data Set: 12 Jahre Recovery-Historie inkl. Stressperiode 2008–2010.
- Downturn-LGD-Add-On: +8 Pp gegenüber Long-Run-LGD.
- Margin of Conservatism: +3 Pp je nach Segment.
Performance je Segment:
| Segment | Bias (Pp) | RMSE | MAPE |
|---|---|---|---|
| Corporate-Unsecured | -1,2 | 0,18 | 0,22 |
| Corporate-Secured (RE) | +0,8 | 0,12 | 0,15 |
| SME | -2,3 | 0,21 | 0,26 |
| Retail-Unsecured | +0,4 | 0,28 | 0,31 |
Kalibrierung (Sample 8.412 Defaults):
| Segment | Modell-LGD | realisierte LGD | n |
|---|---|---|---|
| Corporate-Unsecured | 38,2 % | 39,4 % | 412 |
| Corporate-Secured | 22,1 % | 21,3 % | 612 |
| SME | 41,7 % | 44,0 % | 1.812 |
| Retail-Unsecured | 52,3 % | 51,9 % | 5.576 |
Stabilität (PSI über 3 Vintages):
| Vintage | PSI |
|---|---|
| 2022 | 0,12 |
| 2023 | 0,21 |
| 2024 | 0,18 |So liefert anymize zurück
Der Antrags-Entwurf
## 1. Methodik
Workout-LGD-Modell mit effektivem Discount-Faktor 9 % p.a. Reference Data Set
umfasst 12 Jahre Recovery-Historie inkl. Stressperiode 2008–2010, was die
Anforderung an Downturn-Coverage erfüllt. Downturn-LGD-Add-On +8 Pp gegenüber
Long-Run-LGD; Margin of Conservatism segmentweise +3 Pp.
## 2. Performance
| Segment | Bias (Pp) | RMSE | MAPE | Status |
|---|---|---|---|---|
| Corporate-Unsecured | -1,2 | 0,18 | 0,22 | grün |
| Corporate-Secured (RE) | +0,8 | 0,12 | 0,15 | grün |
| SME | -2,3 | 0,21 | 0,26 | gelb — leichte systematische Unter-Schätzung |
| Retail-Unsecured | +0,4 | 0,28 | 0,31 | grün |
## 3. Kalibrierung
| Segment | Modell-LGD | realisierte LGD | Δ Pp |
|---|---|---|---|
| Corporate-Unsecured | 38,2 % | 39,4 % | -1,2 |
| Corporate-Secured | 22,1 % | 21,3 % | +0,8 |
| SME | 41,7 % | 44,0 % | -2,3 |
| Retail-Unsecured | 52,3 % | 51,9 % | +0,4 |
SME zeigt mit -2,3 Pp die größte Modell-Unter-Schätzung; Re-Kalibrierung
empfehlenswert.
## 4. Stabilität (PSI)
| Vintage | PSI | Bewertung |
|---|---|---|
| 2022 | 0,12 | grün |
| 2023 | 0,21 | gelb — Drift |
| 2024 | 0,18 | gelb |
Drift in 2023 erfordert Treiber-Analyse (Industrie-Mix, Recovery-Zeitfenster).
## 5. Downturn-LGD + Margin of Conservatism
- Downturn-LGD-Add-On +8 Pp wirkt im SME-Segment knapp; Margin of Conservatism
+3 Pp gleicht Unter-Schätzung näherungsweise aus. Validation bestätigt
Add-On-Logik, empfiehlt SME-Re-Kalibrierung.
## 6. Maßnahmen + Erklärbarkeit
1. SME-Re-Kalibrierung; ggf. wesentliche Modell-Änderung nach CRR Art. 143 ff.
anzeige-pflichtig → Model Risk Officer Q2, BaFin/Bundesbank-Vorabklärung.
2. Vintage-2023-Drift-Treiber-Analyse — Validation Q2.
3. Erklärbarkeits-Sektion: EBA-ML-IRB-konform; Modell ist transparent (Workout
mit linearer Diskontierung), keine ML-Spezifika.
4. Downturn-LGD-Add-On nach Stress-Periode 2008–2010 dokumentiert.Was das Berufsrecht verlangt
Pflichten — und wie anymize sie abdeckt
CRR III Art. 143 ff. (SRC-0130)
Wesentliche Modell-Änderungen genehmigungspflichtig. Re-Kalibrierung mit Wesentlichkeits-Schwelle BaFin-Vorab-Klärung.
EBA Follow-up ML for IRB Models 2023 (SRC-0133)
Explainability verpflichtend. ML-Vorzug nur mit Performance-Begründung.
Halluzinierte Werte (PF-3)
Bias, PSI, Kalibrierungs-Tabelle Pflicht-Verifikation 1:1.
Discount-Faktor und Reference Data Set
Konvention konsistent (effektiv vs. nominal); EBA-Anforderung an Reference Data Set Qualität.
§ 43 KWG, § 25a KWG (SRC-0109 / SRC-0106)
Recovery-Akten sind Klasse A. BaFin BDAI/Orientierungshilfe IKT-KI (SRC-0120/SRC-0119) ordnen KI-Reporting ins Inventar.
Bundesbank ML-Methods (SRC-0161)
Aufsichtliche Akzeptanz ML, aber Transparenz Pflicht. MaRisk BTR (SRC-0115) ordnet Modell-Validierung ein.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Bei LGD-Validierung sieht der KI-Anbieter ohne Pseudonymisierung Recovery-Akten und Vintage-Listen mit Mandantenbezug. anymize ersetzt diese vor dem KI-Aufruf; aggregierte Performance- und Kalibrierungs-Statistiken bleiben sichtbar. Rechtsgrundlage Art. 6 Abs. 1 lit. c DSGVO i.V.m. § 25a KWG. Cloud-KI als Auslagerung; KI-Inventar mit Klasse „erhöht“ wegen SREP-Tragweite.
Alternative Pseudonymisierungs-/Compliance-Ansätze
- Bank-interner LLM-Stack.
- SAS Viya / Moody's Analytics LossCalc / S&P Capital IQ mit eigenen Reporting-Layern.
- Voraussetzung jeder Variante: AVV, Auslagerungs-Register, KI-Inventar.
Sicherheitscheck vor der Einreichung
Was anymize liefert — was Sie souverän entscheiden
Vor dem KI-Aufruf
- Backtesting-Lauf + Recovery-DB-Extrakt verfügbar?
- Reference Data Set dokumentiert (12 Jahre, Stressperiode)?
- Vier-Augen-Prinzip bei Voll-Validierung aktiviert?
- Anonymisierungs-Vorschau gesichtet?
Nach der KI-Antwort
- Bias-Vorzeichen je Segment korrekt?
- Kalibrierungs-Tabelle 1:1?
- Downturn-LGD-Begründung CRR-konform?
- Erklärbarkeits-Sektion EBA-ML-IRB-konform?
- Discount-Faktor-Konvention explizit?
Vor Freigabe und Aufsichts-Anzeige
- Re-Kalibrierungs-Vorschlag auf CRR-Wesentlichkeits-Schwelle geprüft?
- BaFin/Bundesbank-Vorab-Klärung initiiert?
- Konsistenz mit PD-Validierung (UC-V-FIN-RIS-002)?
Typische Fehlermuster — und wie anymize gegensteuert
- →KI verwechselt signed/unsigned Bias-Vorzeichen.
- →KI nutzt nominalen statt effektivem Discount-Faktor.
- →KI begründet Downturn-LGD ohne Stress-Periode-Beleg.
- →KI lässt Erklärbarkeits-Sektion EBA-ML-IRB-konform aus.
- →KI ignoriert Reference-Data-Set-Lücken.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen — Modellanforderung und Aufsicht
- Risikomanagement
- Bankgeheimnis
- BTR Kreditrisiko
- KI-Inventar
- Algorithmen-Prinzipien
- IRB-Genehmigung, Art. 181 Downturn-LGD
- Explainability-Anforderung
Primärnormen — Datenschutz
- Auftragsverarbeitung
Sekundärquellen
- ML Methods in Banking Supervision
Stand: · Nächste Überprüfung:
Hinweis zur Nutzung
Zur Orientierung — nicht als Mandatsersatz
Diese Anleitung beschreibt einen Arbeitsablauf, den Sie mit anymize umsetzen können. Sie ist zur Orientierung gedacht und ersetzt weder die anwaltliche Würdigung im Einzelfall noch eine fachanwaltliche Prüfung. Welche Rechtsprechung einschlägig ist, wie der Sachverhalt rechtlich zu bewerten ist, welche Anträge in Ihrem konkreten Mandat richtig sind — das bleibt selbstverständlich bei Ihnen.
KI-Outputs müssen vor jeder Verwendung anwaltlich geprüft werden. Insbesondere Urteils-Aktenzeichen, Norm-Verweise und Fristen sind gegen Primärquellen zu verifizieren. anymize gewährleistet die Vertraulichkeit der Mandantendaten gegenüber dem KI-Anbieter; die fachliche Richtigkeit des Outputs liegt in Ihrer Verantwortung.
Jetzt starten.
14 Tage kostenlos testen.
Alle Modelle. Alle Features. Keine Kreditkarte.
Wir sind überzeugt von anymize. Und wir wissen: Bei einem KI-Werkzeug, das Mandanten-, Patienten- oder Mitarbeiter-Daten berührt, reicht ein Demo-Video nicht. Deshalb 14 Tage voller Zugang – alle Modelle, alle Features, keine Kreditkarte. Genug Zeit, um sicher zu sein, bevor du uns vertraust.
Dein KI-Arbeitsplatz wartet.