Neues Kreditrisikomodell integriert Debitdaten zur besseren Vorhersage von Kreditkartenausfällen

Ein neues verhaltensbasiertes Kreditrisikomodell, entwickelt von Forschern der BI Norwegian Business School und der NHH Norwegian School of Economics, integriert Kredit- und Debit-Transaktionen, um die Vorhersage von Kreditkartenausfällen erheblich zu verbessern und gleichzeitig tiefere Einblicke in die verhaltensbedingten Ursachen von Rückzahlungsproblemen zu bieten. Die in The Journal of Finance and Data Science veröffentlichte Studie zeigt, dass die Kombination von Kreditkartendaten mit den Debit-Transaktionen der Kunden die Fähigkeit, vorherzusagen, welche Karteninhaber Gefahr laufen, Zahlungen zu versäumen, deutlich verbessert.

Erstautor Håvard Huse erklärt, dass Kreditdaten allein nur ein unvollständiges Bild der finanziellen Situation eines Kunden liefern. Durch die Integration von Debit-Transaktionen gewinnen die Forscher Einblicke in Ausgabemuster am Zahltag, Rückzahlungsverhalten und Einkommensströme – Faktoren, die stark beeinflussen, ob jemand gefährdet ist, Kreditkartenzahlungen zu versäumen. Das Forschungsteam, zu dem auch Sven A. Haugland und Auke Hunneman gehören, entwickelte ein hierarchisches Bayes'sches Verhaltensmodell, das durchweg führende maschinelle Lernalgorithmen wie XGBoost, Gradient Boosting Machines, neuronale Netze und Stacked Ensembles übertrifft.

Die Studie stützt sich auf detaillierte Kredit- und Debit-Transaktionsdaten einer großen norwegischen Bank und geht damit über traditionelle Kreditrisikomodelle hinaus, die sich stark auf monatliche Aggregatwerte wie Kontostand und Kreditlimit stützen. Diese konventionellen Maße können nicht offenlegen, wie Kunden ihre Finanzen tatsächlich im Alltag managen. Indem das neue Modell verhaltensbezogene Dynamiken erfasst – einschließlich der Entwicklung von Rückzahlungsmustern über die Zeit und wie die Ausgaben nach dem Zahltag ansteigen – erklärt es sowohl, warum Ausfälle auftreten, als auch, wer wahrscheinlich ausfällt.

Das Modell verbessert die Vorhersagegenauigkeit auf individueller Ebene und identifiziert verschiedene Verhaltenssegmente mit unterschiedlichen „Gedächtnislängen“, was sich darauf bezieht, inwieweit vergangene finanzielle Zustände das aktuelle Rückzahlungsverhalten beeinflussen. Koautor Auke Hunneman weist darauf hin, dass Kunden in finanziellen Schwierigkeiten tendenziell stärker vom Verhalten früherer Monate beeinflusst werden, und das neue Modell erfasst diese Dynamik deutlich besser als Standard-Tools des maschinellen Lernens. Die Forschungsergebnisse sind detailliert in der unter https://doi.org/10.1016/j.jfds.2025.100166 verfügbaren Studie dargelegt.

Über eine überlegene Vorhersageleistung hinaus bietet der Ansatz des Teams eine größere Interpretierbarkeit als modernste Algorithmen. Hunneman betont, dass Banken nicht nur genaue Vorhersagen, sondern auch ein Verständnis dafür benötigen, welche Verhaltensmuster das Risiko antreiben. Der praktische Wert des Modells wird besonders bei einem Vorhersagehorizont von drei Monaten deutlich, wo die frühzeitige Erkennung gefährdeter Karteninhaber durch rechtzeitige Intervention erhebliche Kosteneinsparungen ermöglichen und Verluste reduzieren könnte.

Koautor Sven A. Haugland stellt fest, dass dies für Finanzinstitute mehr als nur eine Verbesserung der Genauigkeit darstellt – es bietet eine Möglichkeit, Kunden durch frühzeitiges Eingreifen proaktiv dabei zu helfen, ernsthafte finanzielle Probleme zu vermeiden. Die Ergebnisse unterstreichen einen aufkommenden Wandel im Kredit-Scoring von traditionellen statischen Modellen hin zu umfassenderen Verhaltensanalysen, die auf einem vollständigen Bild der Kundentransaktionen basieren. Dieser Ansatz könnte verändern, wie Finanzinstitute Risiken bewerten und Kunden unterstützen, und potenziell Ausfallquoten senken sowie die finanzielle Gesundheit in der gesamten Bankenbranche verbessern.