Immer wieder erschüttern Bankenkrisen die Wirtschaft und hinterlassen tiefe Spuren in Gesellschaft und Politik. KI-Methoden könnten Bankenkrisen besser vorhersagen als traditionelle Verfahren.

Gerade wenn ein Einbruch des Vertrauens ins Bankensystem um sich greift, führt dies zu einer Kreditklemme und sinkenden Investitionen. Die Folge: Unternehmen leiden unter mangelndem Kapital, Verbraucher reduzieren ihre Ausgaben und Rezessionstendenzen verstärken sich. Staatliche Rettungsmassnahmen werden nötig, um Bankenzusammenbrüche einzudämmen und das Vertrauen in die Finanzmärkte wiederherzustellen. In solchen Situationen stellt sich die Frage, ob sich Bankenkrisen dank künstlicher Intelligenz (KI) frühzeitiger erkennen und abmildern lassen.

Kontinuierlicher Krisenindex

Politische Entscheidungsträger und Investoren möchten Bankenkrisen möglichst früh vorhersagen, um rechtzeitig Gegenmassnahmen zu ergreifen. Historische Beispiele wie die globale Finanzkrise 2007/08 oder die US Savings and Loan-Krise verdeutlichen, wie stark sich Bankenprobleme auf die gesamte Wirtschaft auswirken. Auch jüngste Ereignisse, etwa die Regionalbankenkrise 2023 in den USA, haben gezeigt, wie empfindlich der Markt auf Zusammenbrüche einzelner Institute reagieren kann.

Frühere Ansätze zur Vorhersage stützten sich oft auf narrative oder subjektive Einschätzungen. KI-basierte Modelle hingegen arbeiten datengetrieben und verwenden Verfahren wie Clustering, Ridge Regression oder sequenzielle Variablenselektion. Ein zentraler Bestandteil unseres Ansatzes ist die Konstruktion eines kontinuierlichen Krisenindexes, der nicht nur zwischen «Krise» und «Nicht-Krise» unterscheidet, sondern verschiedene Schweregrade erfasst. Dies ermöglicht eine feinere Analyse, die Marktbewegungen genauer widerspiegelt.

Der Zusammenbruch regionaler Banken wie First Republic Bank, Silicon Valley Bank oder Signature Bank markierte 2023 den Beginn einer Krise. Insbesondere der Kollaps von Silvergate Capital Corporation, einem Krypto-Spezialisten, löste weitere Zweifel an der Stabilität regionaler Institute aus. In unserer Studie zeigte sich, dass KI-Modelle anhand historischer Renditen, Zinssätze und Marktrisikoindikatoren Frühwarnsignale liefern können. Dies gibt Investoren wie Behörden Zeit, gezielt zu reagieren und potenzielle Risiken zu begrenzen.

Clustering von Renditen

Clustering von Renditen deckt Muster in den Daten auf, die ein traditioneller Ansatz womöglich übersehen würde. Die Einbeziehung von Marktvariablen und makroökonomischen Grössen erweitert das Spektrum deutlich. Ridge Regression und sequenzielle Selektion sorgen dafür, dass nur jene Indikatoren ins Modell gelangen, die tatsächlich Aussagekraft über aufkommende Krisen besitzen. Eine zeitliche Aufteilung in Trainings-, Validierungs- und Testphasen gewährleistet dabei die Robustheit der Ergebnisse.

Fazit: KI-Methoden zur Vorhersage von Bankenkrisen bieten entscheidende Vorteile gegenüber traditionellen Verfahren. Durch ihren objektiven, datengetriebenen Ansatz liefern sie präzisere Frühwarnsignale und unterstützen sowohl Investoren als auch Regierungen dabei, Bankenkrisen besser zu managen. Eine kontinuierliche Weiterentwicklung dieser Verfahren verspricht in Zukunft noch verlässlichere Prognosen, und damit ein robusteres globales Finanzsystem.

Merlin Bartel, Research Assistant, Unviersität Liechtenstein
Michael Hanke, Professor, Unviersität Liechtenstein
Sebastian Petric, Doktorand, Unviersität Liechtenstein