Value-at-Risk (VaR) ist eine der am häufigsten berichteten Risikokennzahlen. KI-Verfahren versprechen, sie präziser zu schätzen als klassische Modelle – aber nur, wenn Trainingsdaten, Annahmen und Validierung zusammenpassen.
Was KI an VaR verändert
Klassische VaR-Modelle arbeiten mit Verteilungsannahmen: normalverteilt, student-t, empirisch. Maschinelles Lernen lernt die Verteilung aus Daten, ohne eine feste Form vorzugeben. Das hilft, wenn die Daten viele Regime enthalten, die eine Standardverteilung nicht abbildet.
Drei Modellfamilien treten regelmäßig auf:
- Historische Simulation mit KI-Gewichtung: vergangene Beobachtungen werden nicht gleich, sondern nach gelernter Relevanz gewichtet.
- Dichteschätzung mit neuronalen Netzen: die gesamte Verteilung der Verluste wird gelernt, nicht nur ein Quantil.
- Quantil-Regression mit Gradient Boosting: das Modell lernt direkt das gewünschte Quantil, ohne den Umweg über eine Dichte.
Wo die Schätzung bricht
Jede dieser Familien setzt voraus, dass die Zukunft der Vergangenheit ähnlich bleibt. Genau das trifft bei Strukturbrüchen nicht zu. Ein Modell, das zehn Jahre ruhiger Märkte gelernt hat, unterschätzt das Risiko in einer Krise – nicht wegen eines Fehlers, sondern wegen fehlender Daten.
Hinzu kommt: KI-Modelle neigen dazu, in den Trainingsdaten gut, aber außerhalb schlecht zu kalibrieren. Ein VaR, das im Backtest stimmt, kann im nächsten Stressereignis deutlich abweichen.
Was belastbar bleibt
Belastbar ist eine KI-basierte VaR-Schätzung dann, wenn drei Bedingungen erfüllt sind:
- Backtesting über mehrere Regime, nicht nur über die Trainingsperiode.
- Sensitivitätsanalyse gegenüber Änderungen in den Eingangsdaten.
- Erklärbarkeit: welche Beobachtungen haben das Ergebnis dominiert?
Fehlt eine dieser Prüfungen, ist die Zahl eine Schätzung ohne Kontrolle.
Grenzen
KI-gestütztes VaR sagt nichts über Szenarien, die in den Trainingsdaten nicht vorkommen. Es ersetzt keine Stresstests, sondern ergänzt sie. Wer VaR als einzige Kennzahl berichtet, überschätzt das, was das Modell weiß.
Dieser Beitrag ist eine redaktionelle Einordnung der Methode und ersetzt keine Anlageberatung.