Unsere Methodik im Fokus
Wir gestehen es gleich: Lange haben wir mit klassischen Modellen gearbeitet – doch mit jedem neuen Markt wurden die Grenzen spürbarer. Der Wechsel zu Transfer Learning war für uns ein radikaler Schritt, weil wir erleben wollten, wie Wissen aus unterschiedlichen Bereichen für die Kreditrisikomodellierung nutzbar gemacht werden kann. Unsere Methodik bringt datengetriebene Ansätze mit traditioneller Finanzexpertise zusammen und setzt konsequent auf Transparenz und Nachvollziehbarkeit.
Ablauf in vier methodischen Schritten
Vom Datencheck bis zur Validierung: Unsere Methodik verbindet Schritt für Schritt alte Stärken mit neuen Ansätzen – und dokumentiert jeden Fortschritt nachvollziehbar.
Datenbasis schaffen und Lücken erkennen
Wir beginnen mit einer ehrlichen Bestandsaufnahme der verfügbaren Daten: Welche Quellen sind vorhanden, wo liegen Schwächen, welche Schnittstellen zu externen Portfolios lassen sich nutzen? Ohne diesen kritischen Startpunkt bliebe jedes Modell Stückwerk. So schaffen wir die Basis für zielgerichtetes Transfer Learning.
Basismodell mit klassischer Methodik
Die nächste Etappe ist die Erarbeitung eines Basismodells, das klassische Ansätze mit
modernen Algorithmen kombiniert. Dabei achten wir besonders auf Transparenz in jedem
Schritt, sodass die Entwicklung stets nachvollziehbar bleibt – von der Datenaufbereitung
bis zur ersten Prognose.
Gezielter Transfer von Mustern
Nun setzen wir Transfer Learning gezielt ein: Erkenntnisse aus verwandten Bereichen
werden systematisch auf die Zielmodelle übertragen. Wir dokumentieren alle Übertragungen
detailliert, damit Ergebnisse vergleichbar und Abweichungen erklärbar bleiben.
Regelmäßige Validierung und Feedback
Abschließend erfolgt eine kontinuierliche Validierung mit echten Marktdaten. Jedes Modell wird regelmäßig überprüft, Schwächen werden transparent adressiert und Verbesserungen offen diskutiert. Der Kreislauf aus Analyse, Anwendung und Feedback sorgt dafür, dass unsere Modelle nie stehenbleiben.
Transfer Learning im Vergleich zu klassischen Ansätzen
| Kriterium | Klassisch | Transfer Learning | Unsere Umsetzung |
|---|---|---|---|
| Beruht auf historischen Daten | |||
| Nutzt externe Datenquellen | |||
| Validierung nach festen Standards | |||
| Anpassung auf neue Märkte möglich | |||
| Reduziert Modell-Overfitting |