Model Governance ist nicht die neueste Daumenschraube der EZB, sondern eine Notwendigkeit mit Effizienzpotenzial - Warum Banken bei regulatorischen Anforderungen zum Abwarten neigen – und warum das kein nachhaltiges Vorgehen ist - , habe ich meinem letzten Blogpost beschrieben. Wie aber sieht denn ein sinnvolles Vorgehen aus?

Die gute Nachricht ist: Wenn man sich die Prinzipien von BCBS239 nochmals genau anschaut, dann geht es auch um Model Risk Management. Grundsätzlich soll das Management sich um Governance kümmern. Data Governance ist hier eine Ausprägung. Aber selbst hier spielt das Verständnis von Modelle eine wichtige Rolle. Ohne eine genaue Kenntnis der Transformationen durch ein Model kann sicherlich auch kein sinnvolles Verständnis zu den Datenströmen / Data Lineage entstehen. Aus diesem Grund sind die heutigen Bestrebungen rund um das Model Risk Management nur eine konsequente Weiterverfolgung des Ziels einer übergeordneten Governance und eines unternehmensweiten Verständnisses der Risikolage eines Finanzinstitutes.

Nun steht der EBA Stress Test 2018 an. Auch hier macht die BaFin deutlich, dass Schwächen in qualitativen Aspekte - also Governance - während des Stresstests auch zu Aufschlägen in der Säule II führen könnte. Die Bank of England widmet für ihren Stress Test sogar zum Nikolaustag ein Consultation Paper dem Thema Model Risk Management.

Es ist also höchste Zeit, sich des Themas ernsthaft und gründlich anzunehmen. Es zeigen gerade Beispiele aus Skandinavien, dass Kapitalaufschläge aus dem SREP sehr teuer werden können. Dabei wären die Effizienzgewinne durch Transparenz und automatisierbare Workflows bei der Entwicklung, Überwachung, Nutzung und Wartung schon ein Grund sich dem Thema zu widmen. Vielfach wird aber aufgrund von risiko-aversen Verhaltens das Thema noch totgeschwiegen.

An fehlenden Lösungen liegt das definitiv nicht. SAS Model Risk Management Solution kann heute kosteneffizient das Projekt-Risiko minimieren und eine Model Governance ganzheitlich unterstützen. Dabei wird nicht nur der qualitative Model Governance Aspekt unterstützt sondern die seit Jahrzehnten vorhandene Kompetenz in der Model Entwicklung und Model Validierung eingebunden.

Modelle müssen nun mal auch validiert werden und hier kommen quantitative Verfahren wie Statistische Maßzahlen wie z.B. der Gini Koeffizient oder Backtesting zum Einsatz. Genau hier ergibt es aber Sinn, auch direkt den Brückenschlag zu ermöglichen – und dies über Herstellergrenzen hinweg. Nur so können auch Workflows automatisiert werden.