💰 quantitative finance

SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR

Dieses Paper stellt SHARC vor, ein auf SHAP basierendes Erklärbarkeitsframework, das die „Black Box“-Barriere für nicht-parametrische maschinelle Lernmodelle bei der Schätzung des regulatorischen Kapitals überwindet, indem es gestresste Value-at-Risk-Outputs in auditierbare Komponenten zerlegt und somit die Transparenzanforderungen von ICAAP und CCAR gewährleistet.

Ursprüngliche Autoren: Ujjwala Vadrevu

Veröffentlicht 2026-07-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ujjwala Vadrevu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind eine Bank und versuchen herauszufinden, wie viel Geld Sie in einem Sicherheits-Tresor aufbewahren müssen, um eine Finanzkatastrophe zu überstehen. In der Vergangenheit nutzten Banken einfache, transparente mathematische Formeln, um dies zu berechnen. Jeder konnte genau sehen, wie die Formel funktionierte, so als würde man in eine klare Glaskiste schauen.

Doch vor kurzem begannen Banken, leistungsstarke, komplexe Computergehirne (Maschinelles Lernen) einzusetzen, um Katastrophen vorherzusagen. Diese sind zwar genauer, aber sie sind wie Black Boxes (schwarze Kästen): Man gibt ein Problem ein, und eine Zahl kommt heraus, aber niemand kann sehen, war Warum der Computer sich für genau diese Zahl entschieden hat. Regulatoren (die „Polizei“ der Finanzwelt) hassen das. Sie erlauben Banken diese Black Boxes nicht, weil sie die Logik dahinter nicht prüfen können.

Dieses Paper stellt eine Lösung namens SHARC (SHAP für regulatorisches Kapital) vor. Denken Sie an SHARC als eine Art magisches Röntgengerät, das in die Black Box hineinschauen kann, um Ihnen genau zu zeigen, wie der Computer seine Entscheidung getroffen hat.

Hier ist die Aufschlüsselung des Papers unter Verwendung einfacher Analogien:

1. Das Problem: Die „Black Box“ vs. die „Glaskiste“

Der alte Weg (Glaskiste): Stellen Sie sich ein Rezept vor, bei dem man jedes einzelne Zutat sieht und genau weiß, wie viel von jeder verwendet wird. Wenn der Kuchen schlecht schmeckt, wissen Sie, dass es daran liegt, dass Sie zu viel Salz hinzugefügt haben.
Der neue Weg (Black Box): Stellen Sie sich einen Roboter-Koch vor, der einen perfekten Kuchen backt, aber die Zutaten auf eine Weise mischt, die kein Mensch verstehen kann. Die Regulatoren sagen: „Wir können diesen Roboter nicht benutzen, es sei denn, Sie können erklären, warum der Kuchen so schmeckt, wie er schmeckt.“
Das Ziel des Papers: Die Autoren wollen beweisen, dass ihr fortschrittlicher Roboter-Koch (ein Modell namens Gaussian Process Regression) mit SHARC erklärt werden kann, damit die Regulatoren ihn schließlich zulassen.

2. Die Lösung: Das „magische Röntgengerät“ (SHARC)

Die Autoren verwenden ein Werkzeug namens SHAP (was für SHapley Additive exPlanations steht). Betrachten Sie SHAP als einen fairen Buchhalter aus einem Spiel mit Spieltheorie-Regeln.

Stellen Sie sich eine Gruppe von Freunden (die Dateneingaben) vor, die zusammenarbeiten, um einen Preis zu gewinnen (die endgültige Risikozahl).
Der „faire Buchhalter“ (SHAP) betrachtet jede mögliche Art und Weise, wie die Freunde zusammenarbeiten könnten, und berechnet exakt, wie viel jeder einzelne Freund zum Gewinn beigetragen hat.
SHARC ist einfach dieser Buchhalter, angewandt speziell auf die Regeln des Bankkapitals. Es zerlegt die endgültige „Sicherheits-Tresor-Zahl“ in winzige Stücke und sagt: „Dieses 1 % kam durch den Krieg in Westasien, dieses 0,5 % durch die Angst vor dem Klimawandel und dieses 0,2 % durch die KI-Blase.“

3. Das Experiment: Drei Katastheitsszenarien

Um zu testen, ob ihr Röntgengerät funktioniert, simulierten die Autoren drei verschiedene „Apokalypse“-Szenarien:

Krieg in Westasien: Ein Konflikt, der die Märkte zum Absturz bringt.
Klimarisiko: Umweltkatastrophen, die bestimmte Regionen treffen.
KI-Blase: Ein Tech-Crash, bei dem KI-Unternehmen an Wert verlieren.

Sie speisten diese Szenarien in ihr komplexes Roboter-Modell ein und nutzten dann SHARC, um zu sehen, was das Modell gerade denkt.

4. Die große Entdeckung: „Der Auslöser vs. die Bühne“

Die wichtigste Erkenntnis des Papers ist eine Überraschung darüber, was während einer Katastrophe tatsächlich die Risikozahl der Bank antreibt.

Der alte Glaube: Die Leute dachten, dass während einer Krise die Volatilität (wie unbeständig und unvorhersehbar der Markt ist) der Haupttreiber des Risikos ist. Es ist, als würde man denken, dass die Größe des Sturms das ist, was einen am meisten erschreckt.
Die SHARC-Erkenntnis: Das Paper fand heraus, dass während eines echten, schweren Crashs der gerichtete Verlust (Directional Loss – wie weit der Markt tatsächlich fällt) der Haupttreiber ist. Die Volatilität ist nur das Hintergrundrauschen; das Fallen selbst ist das, was zählt.
Die Analogie: Stellen Sie sich vor, Sie sind in einer Achterbahn.
- Volatilität ist das Wackeln und Klappern des Wagens.
- Gerichteter Verlust ist der Wagen, der tatsächlich von einer Klippe stürzt.
- Das Paper sagt: „Wenn Sie gerade von einer Klippe stürzen, spielt das Wackeln (Volatilität) nicht mehr so viel eine Rolle wie die Tatsache, dass Sie fallen (gerichteter Verlust).“
- Warum das wichtig ist: Wenn eine Bank ihr Risiko senken will, sollte sie nicht nur versuchen, das Wackeln zu beruhigen (Versicherungen gegen Volatilität kaufen); sie muss von der Achterbahn runterkommen (die Position reduzieren, die gerade abstürzt).

5. Das Ergebnis: Ein klarer Zeugnisbericht

Das Paper zeigt, dass SHARC in der Lage ist, eine komplexe, beängstigende Zahl (wie „Wir benötigen 2,2 Milliarden Dollar Kapital“) in eine einfache Liste zu verwandeln, die ein Regulator lesen kann.

Es beweist, dass die „Black Box“ gar nicht wirklich schwarz ist; sie ist nur schwer zu durchschauen ohne die richtige Brille.
Es zeigt, dass das Modell ehrlich ist: Wenn das Szenario sagt „Europa stürzt ab“, sagt das Modell „Europa ist abgestürzt“, und SHARC beweist das.
Es erstellt einen Force Plot (ein visuelles Diagramm), der wie ein Kassenbeleg fungiert und genau zeigt, woher jeder Cent des Risikos stammt.

Zusammenfassung

Dieses Paper sagt: „Wir haben ein superintelligentes, komplexes Computermodell gebaut, um Finanzkatastrophen vorherzusagen. Die Regulatoren hatten Angst, weil sie es nicht verstehen konnten. Wir haben ein Werkzeug namens SHARC benutzt, um eine Röntgenaufnahme des Modells zu machen. Wir haben herausgefunden, dass unser Modell perfekt funktioniert, die Regeln befolgt und uns zeigt, dass während eines Crashs die Größe des Absturzes wichtiger ist als das Wackeln. Jetzt kann die Regulierungsbehörde die Logik sehen, und Banken können dieses intelligentere Modell nutzen, um das Finanzsystem sicher zu halten.“

Technisches Resümee: SHARC – SHAP-basierte Interpretierbarkeit in Machine-Learning-Risikomodellen für das regulatorische Kapital

1. Problemstellung

Die Einführung nicht-parametrischer Machine-Learning-Modelle, insbesondere der Gauß-Prozess-Regression (GPR), in der Schätzung des regulatorischen Kapitals (ICAAP und CCAR) steht vor einer fundamentalen Governance-Barriere: dem „Black Box“-Problem. Während GPR und verwandte Architekturen eine überlegene prädiktive Genauigkeit gegenüber traditionellen parametrischen Ansätzen (z. B. GARCH, Historische Simulation) aufweisen, fehlt ihren Ergebnissen die analytische Dekomponierbarkeit. Regulatorische Rahmenbedingungen wie die Fundamental Review of the Trading Book (FRTB), ICAAP Pillar 2 und CCAR erfordern, dass Modelle auditierbar sind, was bedeutet, dass Kapitalschätzungen in zugrunde liegende Risikotreiber zerlegbar sein müssen, die von nicht-technischen Aufsehern hinterfragt werden können. Traditionelle Modelle erfüllen dies konstruktionsbedingt; GPR tut dies nicht, da seine posteriore prädiktive Verteilung ein Integral über admissible Funktionen ist, was die Attribuierung spezifischer Inputs zu Outputs nicht-trivial und nicht-linear macht. Dieses Paper adressiert die Notwendigkeit, diese Transparenzbarriere zu überwinden, ohne die prädiktive Genauigkeit fortschrittlicher ML-Architekturen zu opfern.

2. Methodik: Das SHARC-Framework

Das Paper führt SHARC (SHAP for Regulatory Capital) ein, ein strukturiertes Erklärbarkeits-Framework, das SHapley Additive exPlanations (SHAP) auf die Hybrid-GPR-HS-Architektur anwendet.

2.1 Theoretische Grundlage

SHARC nutzt SHAP, eine modellagnostische Methode, die aus der kooperativen Spieltheorie abgeleitet ist (Shapley, 1953; Lundberg & Lee, 2017). Das Framework stützt sich auf vier axiomatische Eigenschaften, die direkt auf regulatorische Audit-Anforderungen abgebildet werden können:

Lokale Genauigkeit (Local Accuracy): Die Summe der SHAP-Werte entspricht dem Modelloutput, was eine vollständige Dekomposition des Kapitals gewährleistet (kein unerklärliches „Phantom-Kapital“).
Fehlendheit (Missingness): Merkmale mit einem Input von Null tragen Null zum Output bei, was eine Phantom-Attribuierung verhindert.
Konsistenz (Consistency): Wenn der marginale Beitrag eines Merkmals steigt, kann sein SHAP-Wert nicht sinken, was Monotonie sicherstellt.
Effizienz (Efficiency): Die Dekomposition summiert sich exakt zur Differenz zwischen dem Modelloutput und dem Baseline-Wert, was einen Null-Residuum gewährleistet.

2.2 Anwendung auf den gestressten Value-at-Risk (SVaR)

Das Framework wird auf den gestressten Value-at-Risk (SVaR) angewendet, statt auf den Basis-VaR, da der SVaR das regulatorisch bindende Maß für das Kapital darstellt. Die Methodik behandelt die SVaR-Berechnungsfunktion $f(\mu, \sigma)$ als das zu erklärende Ziel.

Input-Features: Die Analyse verwendet $2N$ Features, die aus $N$ gestressten GPR-Modellen abgeleitet sind: $N$ prädizierte bedingte Mittelwerte ( $\mu_i$ ) und $N$ prädizierte bedingte Standardabweichungen ( $\sigma_i$ ) für Portfolio-Assets.
Dekompositionsformel: Das SHARC-Framework formalisiert die Dekomposition als:
$SVaR_{SHARC} = \phi_0 + \sum_{i} (\phi_{\mu_i} + \phi_{\sigma_i})$
Wobei $\phi_0$ das Baseline-Kapital (Pre-Stress Day 1 SVaR) ist, $\phi_{\mu_i}$ den Beitrag des gerichteten Mittelwerts (Verlustmagnitude) und $\phi_{\sigma_i}$ den Beitrag der Varianz (Volatilität) darstellt.
Implementierung: Aufgrund ihrer modellagnostischen Natur wird Kernel SHAP verwendet, welches die GPR-Posterior als Black Box behandelt und Werte über gewichtete lineare Regressionen über perturbierte Input-Koalitionen schätzt. Die Analyse konzentriert sich auf die lokale Interpretation (Punkt-zu-Zeit-Outputs bei $T=252$ ), um die regulatorischen Anforderungen für spezifische Kapitalkalkulationen zu erfüllen, statt auf das globale Durchschnittsverhalten.

2.3 Szenario-Tests

Das Framework wird über drei verschiedene makroökonomische Stressszenarien hinweg validiert:

Westasien-Krieg: Charakterisiert durch tiefe Schocks in europäischen und Hongkonger Märkten.
Klimarisiko: Charakterisiert durch heterogene geografische Schockkonzentrationen.
KI-Blase/Regulatorische Belastung: Charakterisiert durch tiefe Schocks im US-Technologiesektor (S&P 500).

3. Kernergebnisse

3.1 Framework-Fideltät und Rückverfolgbarkeit

Die SHARC-Dekomposition bildet die SVaR-Outputs konsistent auf das zugrunde liegende Szenariodesign ab. Im Szenario „Westasien-Krieg“ kristallisierte sich die EURO STOXX 50 Mittelwertkomponente (getrieben durch einen -40 % Schock) als primärer Treiber heraus, während Indizes mit moderaten Schocks (FTSE 100, Nikkei 225) als mitigierende Komponenten fungierten. Ähnlich dominierte im Szenario „KI-Blase“ die S&P 500 Mittelwertkomponente aufgrund des -45 % Tech-Sektor-Schocks. Dies bestätigt, dass die Hybrid-GPR-HS-Architektur die Szenario-Inputs getreu durch ihre nicht-lineare Struktur überträgt und SHARC diese Transmission transparent macht.

3.2 Die Dominanz des Mittelwerts gegenüber der Varianz unter Stress

Der primäre analytische Befund des Papers ist das nicht-lineare Risiko-Dekompositionsmuster, das unter Stressbedingungen beobachtet wird:

Normale Bedingungen: Die Varianz (Volatilität) treibt typischerweise die VaR/ES-Berechnungen, was im Einklang mit der theoretischen Literatur (McNeil et al., 2015) steht.
Stressbedingungen: Unter starker Stresskonditionierung (z. B. ein vorgeschriebener -40 % Verlust über 252 Tage) dominiert die Mittelwert-Komponente (gerichtete Verlustmagnitude) konsistent die Varianz-Komponente bei der Bestimmung des finalen SVaR.
Mechanismus: Wenn ein Szenario extreme negative Richtungsverluste vorschreibt, wird der implizierte tägliche Mittelwert tief negativ, was als bindende Restriktion auf das Kapital wirkt. Die Varianz-Komponente bleibt zwar präsent, wird jedoch sekundär.

3.3 Dokumentationsartefakte für die Regulierung

Der SHAP Force Plot wird als kritisches regulatorisches Output-Element identifiziert. Er bietet eine visuelle, residuenfreie Dekomposition eines spezifischen terminalen SVaR (z. B. -2,2231 % für den Westasien-Krieg) in Baseline-, Mittelwert-getriebene und Varianz-getriebene Komponenten. Dies ermöglicht es Regulatoren, sofort zu identifizieren, welche Index-Exposures die Kapitalanforderungen treiben und um wie viel, wodurch die Dokumentationsstandards von FRTB und ICAAP erfüllt werden.

4. Bedeutung und Beiträge

Das Paper beansprucht vier primäre Beiträge, die die regulatorische Barriere für die GPR-Adoption lösen:

Axiomatische Regulatorische Abbildung: Es bildet die vier SHAP-Axiome formal auf die FRTB-, ICAAP- und CCAR-Dokumentationsanforderungen ab und etabliert SHAP als theoretisch fundierte Basis für die regulatorische Erklärbarkeit.
SHARC-Framework: Es führt eine strukturierte Dekomposition des SVaR in Baseline-, Mittelwert- und Volatilitäts-getriebene Komponenten ein, was eine transparente Interpretation der Kapitaltreiber innerhalb der Hybrid-GPR-HS-Architektur ermöglicht.
Empirische Validierung: Es zeigt, dass SHARC die SVaR-Outputs konsistent mit den Szenariodesigns über diverse Makro-Szenarien hinweg in Einklang bringt, was die Framework-Fideltät bestätigt und eine prüfbare Rückverfolgbarkeit ermöglicht.
Praktische Governance-Vorlage: Es übersetzt die SHARC-Dekomposition in handlungsrelevante Risikosteuerungsregeln, insbesondere:
- Kapitalgrenzsetzung (Capital Limit-Setting): Wenn die Mittelwert-Komponente mehr als 80 % des SVaR beiträgt (wie im Stress beobachtet), sollten Risikomanager die Positionsreduktion priorisieren statt volatilitätsbasierter Absicherungen (z. B. Optionen), da Varianz-reduzierende Absicherungen gegen die gerichtete Verlustmagnitude unwirksam sein können.
- Szenario-Validierung: Inkonsistenzen zwischen den SHAP-Rankings und den Input-Schockmagnituden können Fehler im Szenariodesign aufzeigen.
- Berichterstattung: Force Plots dienen als direkte Belege für ICAAP/CCAR-Einreichungen.

5. Fazit

Das Paper kommt zu dem Schluss, dass SHARC das Hybrid-GPR-HS-Framework in ein voll auditierbares Kapital-Engine verwandelt. Durch die Lösung des „Black Box“-Problems ermöglicht es Institutionen, die prädiktive Überlegenheit nicht-parametrischer ML-Modelle zu nutzen und gleichzeitig die strengen Transparenz- und Dokumentationsstandards von FRTB, ICAAP und CCAR zu erfüllen. Die Ergebnisse legen nahe, dass unter Stress die Kapitalanforderungen eher durch die gerichtete Verlustmagnitude als durch die Volatilitätsexpansion getrieben werden – eine Erkenntnis mit direkten Auswirkungen auf das Positionsmanagement und die Hedging-Strategien. Das Framework wird nicht bloß als akademische Übung, sondern als einsatzbereites Werkzeug für die regulatorische Risikosteuerung präsentiert.