Die Methodik von Oliventi richtet sich an Praktikerinnen und Praktiker, die Modellrisiko nicht abstrakt diskutieren, sondern entlang eines klaren Rahmens in ihre Entscheidungsprozesse integrieren wollen.
Anschließend folgen strukturierte Vergleichsanalysen, die komplexe Modelle einfachen Benchmarks und klaren Kriterien gegenüberstellen.
Darauf aufbauend werden Governance-Regeln, Berichtswege und Dokumentationsbausteine so gestaltet, dass Modellrisiko sichtbar und steuerbar wird.
Zum Schluss wird ein Rahmen für laufendes Monitoring und regelmäßige Reviews etabliert, der Modellrisiko dauerhaft auf der Agenda hält.
Modelle sind nie nur Rechenwerke, sondern Knotenpunkte aus Annahmen, Daten und Entscheidungen. Die Methodik von Oliventi verknüpft deshalb fünf Säulen: Modellentwurf, Validierung, Governance, Dokumentation und Monitoring. Jede Säule hat eigene Werkzeuge, wird aber bewusst mit den anderen verschränkt. So entstehen Vergleichstabellen, Entscheidungsbäume und Protokolle, die nicht nur technische Güte, sondern auch organisatorische Tragfähigkeit sichtbar machen.
Die Methodik setzt beim Modellentwurf nicht bei exotischen Formeln an, sondern bei der Klarheit über Zweck, Datenlage und akzeptierte Unsicherheit. Bevor Parameter geschätzt werden, wird festgehalten, welche Entscheidungsfragen das Modell beantworten soll, welche Alternativen existieren und welche Vereinfachungen bewusst in Kauf genommen werden. Ein interner Fragenkatalog zwingt dazu, Gültigkeitsbereich, Datenanforderungen und Sensitivitäten früh zu benennen. Dadurch entsteht ein Entwurfsprotokoll, das spätere Validierung, Governance und Dokumentation nicht als Anhängsel, sondern als integralen Teil des Modells versteht.
Zu Beginn des Entwurfs wird ein strukturierter Fragenkatalog genutzt, um Zweck, Nutzergruppen, Entscheidungsbezug und akzeptierte Unsicherheit des Modells festzuhalten. So wird verhindert, dass technische Eleganz die eigentliche Steuerungsfrage überlagert.
Parallel zum mathematischen Design werden Datenquellen, Transformationsschritte und Annahmen zur Datenqualität dokumentiert. Dadurch lassen sich spätere Abweichungen, Lücken und Brüche besser identifizieren und adressieren.
Validierung bedeutet in dieser Methodik mehr als ein einmaliges Gütemaß. Modelle werden entlang eines festen Kriterienrasters bewertet: Stabilität, Prognoseverhalten, Sensitivität gegenüber Eingangsgrößen, Robustheit gegenüber strukturellen Brüchen und Nachvollziehbarkeit für Gremien. Komplexe Tests werden systematisch einfachen Benchmarks und Heuristiken gegenübergestellt. Ergebnis sind Vergleichstabellen, die nicht nur mathematische Güte, sondern auch praktische Nutzbarkeit abbilden. So können Risiko, Fachbereich und Management auf derselben Grundlage über Stärken, Schwächen und Grenzen eines Modells diskutieren.
Für jedes Modell wird ein Validierungsprofil erstellt, das Tests, Benchmarks, Szenarien und Sensitivitäten in einer strukturierten Übersicht zusammenführt. Dies erleichtert Vergleiche und wiederkehrende Reviews erheblich.
Die Methodik sieht explizite Gegenchecks mit einfachen Referenzrechnungen und heuristischen Regeln vor. Dadurch werden komplexe Modelle geerdet und grobe Fehleinschätzungen schneller erkannt.
Governance verknüpft Modelle mit Entscheidungen, Rollen und Eskalationswegen. Die Methodik definiert dafür einen konsistenten Rahmen: Jedes Modell erhält eine formale Verantwortlichkeit, klare Freigabeprozesse, definierte Override-Regeln und Schwellen für Eskalationen. Entscheidungsbäume legen fest, wann Ergebnisse akzeptiert, hinterfragt oder temporär außer Kraft gesetzt werden. Gleichzeitig werden Schnittstellen zu Richtlinien, Gremien und Berichten beschrieben. Governance wird damit zu einem sichtbaren Netz, das verhindert, dass Modelle stillschweigend zentrale Steuerungsentscheidungen dominieren.
Für zentrale Modelle werden Governance-Steckbriefe erstellt, die Verantwortliche, Gremien, Freigabestufen, Overrides und Eskalationslogik kompakt zusammenfassen und so Transparenz schaffen.
Entscheidungsbäume zeigen, wie mit auffälligen Modellergebnissen, Datenlücken oder Stressszenarien umzugehen ist. Dadurch werden spontane Einzelentscheidungen durch nachvollziehbare Pfade ersetzt.
Dokumentation ist in der Methodik kein passives Archiv, sondern ein aktives Arbeitsinstrument. Kernstück sind modulare Bausteine, die sich über Modelle hinweg wiederverwenden lassen: Annahmenkataloge, Datenflussdiagramme, Validierungsprotokolle und Governance-Steckbriefe. Diese Bausteine werden so gestaltet, dass sie sowohl Revision und Aufsicht als auch interne Gremien adressieren. Entscheidend ist, dass Dokumentation knapp genug bleibt, um gelesen zu werden, und zugleich präzise genug, um strittige Fragen zu klären. So entsteht ein lebendes Dossier je Modell, das Änderungen, Diskussionen und Entscheidungen nachvollziehbar macht.
Annahmen, Grenzen, Datenquellen und Modellversionen werden in standardisierten Bausteinen erfasst. Dies erleichtert Aktualisierungen und sorgt dafür, dass wesentliche Informationen nicht in umfangreichen Texten untergehen.
Für zentrale Modelle werden Änderungsjournale geführt, in denen Gründe, Tests und Entscheidungen zu Anpassungen dokumentiert werden. Dadurch bleiben Lernschritte und Erfahrungen langfristig sichtbar.
Monitoring sorgt dafür, dass Modelle nicht nur zum Zeitpunkt der Einführung plausibel wirken, sondern auch im Betrieb beobachtet werden. Die Methodik definiert dafür Kennzahlen zur Stabilität, Indikatoren für Datenbrüche und Auslöser für Reviews. Regelmäßige Auswertungen werden mit Stresstests und Szenarien kombiniert, um zu prüfen, ob Modelle unter veränderten Bedingungen noch tragfähig sind. Ergebnisse fließen in strukturierte Berichte und Gremienvorlagen ein, in denen nicht nur Kennzahlen, sondern auch Unsicherheiten und Grenzen explizit ausgewiesen werden.
Für jedes wesentliche Modell werden Monitoring-Indikatoren festgelegt, die auf Ausreißer, Datenbrüche oder strukturelle Veränderungen hinweisen und damit als Frühwarnsystem dienen.
Review-Zyklen werden klar terminiert und mit inhaltlichen Schwerpunkten hinterlegt. So werden Überprüfungen planbar und geraten nicht erst dann auf die Agenda, wenn bereits Probleme aufgetreten sind.
Am Anfang steht die systematische Erfassung der bestehenden Modelllandschaft. Dazu gehören alle Verfahren, die wesentliche Entscheidungen beeinflussen, von Risiko- und Bewertungsmodellen bis zu Scoring-Ansätzen. Für jedes Modell werden Zweck, Nutzergruppen, Datenquellen, Verantwortlichkeiten, Freigabeprozesse, Overrides und Eskalationslogik erhoben. Parallel werden vorhandene Dokumente, Richtlinien und Gremienstrukturen gesichtet. Das Ergebnis ist ein strukturiertes Modellinventar, das technische, organisatorische und regulatorische Aspekte zusammenführt und als Grundlage für alle weiteren Schritte dient.
Im ersten Schritt wird ein vollständiges Bild der Modelllandschaft erstellt. Dazu gehören eine strukturierte Liste aller relevanten Modelle, die Zuordnung von Verantwortlichkeiten, eine Übersicht der genutzten Datenquellen sowie eine Einordnung nach Kritikalität. Parallel werden vorhandene Dokumente, Richtlinien und Gremienstrukturen gesichtet. Ziel ist es, ein konsistentes Inventar zu schaffen, das technische und organisatorische Informationen vereint und als Ausgangspunkt für weitere Analysen dient.
Vor der Einführung des Rahmens nutzte das Team eine Sammlung historisch gewachsener Modelle mit uneinheitlichen Annahmen und kaum dokumentierten Grenzen. Nach der Anwendung des Ansatzes liegt ein vollständiges Modellinventar vor, in dem Zweck, Datenquellen, Verantwortlichkeiten, Freigabewege und Eskalationslogik pro Modell hinterlegt sind. Dadurch lassen sich Abhängigkeiten und Prioritäten erkennen, ohne jedes Mal bei null zu beginnen.
Früher wurden Validierungen vor allem als punktuelle Plausibilitätschecks verstanden, die sich auf Kennzahlen konzentrierten. Im neuen Rahmen werden Modelle anhand einheitlicher Kriterien bewertet, inklusive Stabilität, Sensitivität, Datenqualität und Governance-Einbettung. Vergleichstabellen und einfache Benchmarks ergänzen komplexe Tests, sodass Diskussionen weniger technisch und zugleich belastbarer werden.
Governance rund um Modelle war zunächst von informellen Absprachen geprägt, die je nach Bereich unterschiedlich ausgelegt wurden. Nach Anwendung der Methodik existieren abgestimmte Richtlinien, die Nutzung, Overrides, Limitkonzepte und Eskalationswege präzise regeln. Entscheidungen basieren damit auf klaren Schwellen und dokumentierten Zuständigkeiten, statt auf impliziten Erwartungen.
Von Ablageordnern zu lebender Steuerung
Dokumentation und Monitoring wurden ursprünglich als Pflichtübungen betrachtet, die vor allem für Revision und Aufsicht gedacht waren. Im verankerten Ansatz dienen sie als aktives Steuerungsinstrument: Annahmen, Modelländerungen, Stresstests und Review-Ergebnisse werden so festgehalten, dass sie künftige Entscheidungen informieren. Laufende Kennzahlen zur Modellstabilität und definierte Review-Zyklen machen Modellrisiko zu einem wiederkehrenden Thema, nicht zu einem einmaligen Projekt.
Die Methodik von Oliventi zwingt dazu, Modelle nicht nur technisch, sondern auch organisatorisch zu denken. Besonders hilfreich waren die Vergleichstabellen, die komplexe Verfahren einfachen Benchmarks gegenüberstellen. Dadurch wurden Diskussionen im Ausschuss greifbarer, ohne die fachliche Tiefe zu verlieren. Wichtig ist, dass keine Patentrezepte versprochen werden, sondern ein Rahmen, in dem jede Organisation ihre eigenen Schwerpunkte setzen kann. Past performance doesn't guarantee future results, und genau diese Einsicht wird strukturiert in den Prozess eingebaut.
Verantwortliche Person für Modellrisikosteuerung in einem Institut
Vor der Zusammenarbeit wurden Modelle in den Gremien häufig als Blackbox wahrgenommen. Die Methodik hat geholfen, Annahmen, Grenzen und Szenarien in strukturierte Übersichten zu übersetzen. Dadurch sind Diskussionen weniger defensiv und deutlich sachlicher geworden. Besonders schätze ich, dass der Ansatz Ressourcenrealitäten berücksichtigt und keine umfassende Neuaufstellung fordert, sondern gezielte Anpassungen entlang klarer Prioritäten.
Leitung Risikocontrolling in einem Finanzinstitut
Als quantitative Analystin war mir wichtig, dass fachliche Details nicht verwässert werden. Die Methodik schafft hier einen guten Ausgleich: Validierung bleibt technisch fundiert, wird aber durch einfache Benchmarks und Szenarien ergänzt, die auch im Ausschuss verständlich sind. Das erleichtert es, Unsicherheiten offen anzusprechen, ohne den Eindruck zu erwecken, das Modell sei grundsätzlich unbrauchbar. Ergebnisse werden differenzierter eingeordnet, und genau das stärkt die Glaubwürdigkeit.
Im Komitee war lange unklar, wie weit man Modellkennzahlen trauen kann. Die von Oliventi eingeführten Übersichten mit Annahmen, Szenarien und Modellgrenzen haben den Blick verändert. Entscheidungen basieren heute auf einem bewussteren Umgang mit Unsicherheit. Niemand erwartet sichere Vorhersagen, aber es ist klarer geworden, welche Bandbreiten plausibel sind und wann eine Eskalation notwendig ist. Results may vary, und diese Aussage ist jetzt Teil einer strukturierten Entscheidungslogik.
Mitglied eines übergreifenden Risikokomitees