Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen Bankingclub 2015 | Webinar | 5. November 2015 Dennis Weinbender Disclaimer Alle nachfolgenden Inhalte geben ausschließlich die persönliche Auffassung des Vortragenden wieder und stellen nicht die offizielle Auffassung seines Arbeitgebers dar. Dennis Weinbender | Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen 5. November 2015 1 Fraud Definition: Bilanzpolitik und Bilanzmanipulation sind voneinander abzugrenzen Übergang von Bilanzpolitik zu -manipulation (Fraud) ist fließend1) Bilanzpolitik dient in guten Zeiten der Reduktion des Steueraufkommens durch Ausnutzung von Bilanzierungswahlrechten. In schlechten Zeiten dient sie jedoch dem Erhalt der Kreditwürdigkeit. Progressive Bilanzpolitik, z.B. Unterbewertung von Abschreibungen bei Forderungsausfällen können erste Signale sein. Fraud liegt spätestens dann vor, wenn auf Basis von manipulierten oder vorenthaltenen Informationen ein falscher Bonitätseindruck vermittelt wird. Das heißt die Linie/ das Kredit wäre unter den Konditionen nicht gegeben, wenn die nicht manipulierte Information verfügbar wäre. Prävention Ziel der Prävention ist die Verschleierung der objektiven Situation des Unternehmens möglichst frühzeitig, insbesondere vor Auszahlung zu erkennen. Dafür sind Detektionsmethoden entwickelt worden, die Auffälligkeiten erkennen und sichtbar machen. 1) Siehe z.B.Obermann, M., Bilanzpolitik und Kreditvergabeentscheidungen, Lüneburg 2010 Dennis Weinbender | Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen 5. November 2015 2 Fraud-Engine extrahiert und verbindet Fraud-Trigger aus beliebigen Datenquellen Dateninput flexibel als Datenquellen können jegliche Inhalte zu den Kunden verarbeitet werden Falls die Datenquelle die Bestimmung der Frauds ungenauer macht, wird dies erkannt und die Quelle wird ignoriert. Statistisches Modell … Bank Produkte Dokumente Bilanzen Auskunfteien Internet Prozess Infos Kunden Infos Basis ist ein Datensatz von Engagements mit zwei Kennzeichen: Fraud und Non Fraud basierend auf Informationen zu den Fällen wird der Fraud-Score bestimmt, der die beiden Gruppen möglichst zuverlässig voneinander trennt Fraud-Engine Fraud Score auffällig Ergebnis: vergleichsweise hoher Score führt zur Markierung eines Engagements der Fraud-Score von neuen Fällen (dessen Kennzeichen nicht bekannt ist) sagt aus, wie hoch die Ähnlichkeit zu bisher bekannten Fraudfällen ist vorerst unauffällig Quali _____ Quali _____ Bilanz ____ Bilanz ____ Stamm ____ Stamm ____ Konto ____ Konto ____ … ______ … ______ Dennis Weinbender | Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen 5. November 2015 Ergebnis: vergleichsweise niedriger Score und damit keine auffallend starke Ähnlichkeit zu Fraudfällen 3 Analog zu Retail bündelt nun Fraud-Engine Prüfressourcen auf relevante Engagements und führt zur frühzeitigen/ rechtzeitigen Frauderkennung Fraud Prevention 1. Das gesamte Portfolio wird mit einem maschinellen Score auf FraudAuffälligkeiten geprüft Fraud-Scoring 2. Das auffällige Portfolio wird analysiert 3. Die Fraud-Entscheidung wird nach einer Experten-basierten Prüfung getroffen in einem Fraud-Fall werden die entsprechenden Maßnahmen eingeleitet bei einem unbegründeten Verdacht geht das Engagement zurück in den Regelprozess der Bonitätseinschätzung Maschinell auffällige Engagements Normale Geschäftsprüfung Tiefenprüfung 4. In Anbetracht der Bonitätsentwicklung werden abrupt ausgefallene Engagements zusätzlich in einer Dunkelfeldanalyse auf Fraud untersucht Kein Fraud Fraud 5. Die Meldungen der Prüfergebnisse bilden einen Qualitätszyklus Bonitätseinschätzung Monitoring Absicherung Kündigung Meldung Die aufwändige Fraud-Prüfung wird auf wenige relevante Engagements gebündelt Alle Geschäfte bekommen ein maschinelles Kennzeichen und dazu, nach dem Prüfprozess, eine qualitative Rückmeldung von den Prüfern Dunkelfeld analyse Diese Korrektur des Fraud-Kennzeichens und die ex post Beurteilung ausgefallener Engagements gewährleisten, dass das Modell dazu lernen kann und trennschärfer wird Dennis Weinbender | Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen 5. November 2015 Rückmeldung an die Methode 4 Fraud-Engine benutzt State-of-the-Art Algorithmen für Model Schätzung und Valiedierung Doppelte Kreuzvalidierung Training und Test Methode der doppelten Kreuzvalidierung verhindert Overfitting Der Datensatz wird in mehrere Teile (Chunks) unterteilt. Wiederholt wird das Modell auf disjunkten Teilen trainiert und getestet Validierung Validierung auf Chunk 4 Validierung Alle Bilanzen eines Netzwerks werden gemeinsam betrachtet, d.h. sie befinden sich immer in einem Teildatensatz Training und Test Validierung auf Chunk 4 Chunk 1 Die innere Validierung bestimmt das beste Modell, die äußere testet dessen Generalisierbarkeit Chunk 2 Chunk 3 time Daten eines Non-Fraud Netzwerks Daten eines Fraud Netzwerks Daten eines Test Netzwerks Daten eines Validierungs Netzwerks Chunk 4 Benutzung von State-of-the-Art Verfahren des Maschinellen Lernens Regeln: Regression: SVM radial PLS Random Forest MARS Gradient Boosting Elastic net Neuronale Netze: Autoencoder Deep Nets Maschinelles Lernen erweitert die klassische Toolbox, jedoch hat jedes Verfahren Stärken und Schwächen. (No Free Lunch) Blackbox-Verfahren: werden als Benchmarks benutzt Whitebox-Verfahren stellen den Kern der Operativen Anwendung dar. Rückführung auf die Bestandteile liefern erste Prüfpunkte bei der Fraud-Untersuchung. Dennis Weinbender | Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen 5. November 2015 5 Fraud-Engine präsentiert die aktiven Fraud-Trigger, ordnet diese der Wichtigkeit nach und zeigt zusätzliche Informationen auf Korrespondieren die Veränderungen in den Zahlen zu realen Business Vorgängen? … Dennis Weinbender | Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen 5. November 2015 6 Vielen Dank für Ihre Aufmerksamkeit! Dennis Weinbender Fraud Management Group Credit Risk Management Tel.: +49 69 136 - 21 733 Mail: [email protected] Dennis Weinbender | Mit maschinellem Lernen erfolgreich Bilanzmanipulation erkennen 5. November 2015 7
© Copyright 2024 ExpyDoc
