An Inquiry into the Nature of Predictive Model Classes and the Forecasting of Corporate Insolvency

Die verlässliche Prognose von Unternehmensausfällen ist sowohl im Rahmen des Risikomanagements als auch zur Erfüllung regulatorischer Anforderungen, etwa jener der Basel-Akkorde, für Kreditinstitute und Aufsichtsbehörden von zentraler Bedeutung. Während moderne Machine-Learning-Modelle traditionelle statistische Ansätze hinsichtlich der Vorhersagegenauigkeit zunehmend übertreffen, werden in komparativen Analysen die ebenso wichtigen Dimensionen der Erklärbarkeit und der Kalibrierung von Ausfallwahrscheinlichkeiten häufig nur unzureichend berücksichtigt. Die vorliegende Arbeit befasst sich daher mit einem systematischen Vergleich von logistischer Regression, Random Forest, Gradient Boosting (XGBoost) und Feed-Forward-Neural-Networks zur Schätzung der Ausfallwahrscheinlichkeit österreichischer nichtfinanzieller Unternehmen. Grundlage der Analyse ist ein Datensatz aus Jahresabschlüssen und Unternehmenseigenschaften der Oesterreichischen Nationalbank. Alle Modellklassen werden entlang der drei zentralen Dimensionen Trennschärfe, Erklärbarkeit und Kalibrierungsqualität beurteilt. Neben dem etablierten Trennschärfemaß ROC-AUC kommt ein Probability-Integral-Transform-(PIT-)Ansatz zur Anwendung. Dieser Ansatz ermöglicht einen detaillierten Einblick in das Rankingverhalten der Modelle und wird zusätzlich im Rahmen der Erklärbarkeitsanalyse genutzt, indem Methoden wie Leave-One-Feature-Out-Feature-Importance, Partial-Dependence-Plots (PDPs) und SHAP-Werte adaptiert werden. Die Kalibrierungsqualität wird mittels Reliability-Diagrammen und Brier-Score bewertet. Zur Verbesserung der Kalibrierung der Ausfallwahrscheinlichkeiten werden sowohl binning-basierte als auch Beta-Kalibrierungsverfahren eingesetzt. Die resultierenden Trennschärfemaße implizieren eine zufriedenstellende Prognosekraft der verwendeten Jahresabschlusskennzahlen und Unternehmenseigenschaften. Moderne Machine-Learning-Modelle erzielen eine höhere Trennschärfe als die traditionelle logistische Regression, wobei das XGBoost-Modell die besten Resultate aufweist. Trotz der höheren Komplexität dieser Modelle lässt sich die Interpretierbarkeit durch die eingesetzten Erklärbarkeitsmethoden deutlich verbessern, wobei sich modellklassenübergreifend konsistente Muster in der Relevanz der Variablen zeigen. Hinsichtlich der Kalibrierung liefern die logistische Regression und der Random Forest bereits unkalibriert gut abgestimmte Ausfallwahrscheinlichkeiten, während XGBoost und das neuronale Netz spürbar von den Kalibrierungsverfahren profitieren. Sowohl die binning-basierte als auch die Beta-Kalibrierung verbessern die Übereinstimmung zwischen geschätzten und beobachteten Ausfallraten, wobei die Beta-Kalibrierung für die komplexeren Modellklassen die niedrigsten Brier-Werte erzielt.