KI-Underwriting und Fraud Detection in der Kreditvergabe

# KI-Underwriting und Fraud Detection in der Kreditvergabe

Ein 27-jähriger Freelancer ohne Kreditkarte, mit dünner FICO-Historie und stabilen Einnahmen von drei Gig-Plattformen geht zu einer traditionellen Bank und wird innerhalb von Sekunden abgelehnt. Derselbe Antragsteller stellt einen Antrag bei einem digitalen Kreditgeber und erhält in weniger als einer Minute eine Zusage, zu einem Zinssatz, den die Bank nicht anbieten konnte. Am Kreditnehmer hat sich nichts geändert. Geändert haben sich die Daten und das Modell, das sie liest.

Diese Lektion behandelt beide Hälften moderner Lending Intelligence: wie KI entscheidet, wer einen Kredit bekommt (Underwriting), und wie KI Kriminelle davon abhält, das Geld zu stehlen (Fraud Detection).

Warum FICO allein Geld (und Kreditnehmer) liegen lässt

FICO ist ein Credit Score, der überwiegend aus Ihrer Kredithistorie gebildet wird: wie viele Schulden Sie tragen, ob Sie pünktlich zahlen, wie lange Ihre Konten offen sind. Für Menschen mit langer Kredithistorie funktioniert das gut. Für alle anderen funktioniert es schlecht.

Das Consumer Financial Protection Bureau schätzt, dass rund 45 bis 50 Millionen Erwachsene in den USA "credit invisible" oder "unscorable" sind, das heißt, sie haben zu wenig Historie für einen belastbaren Score. Zugewanderte, junge Berufstätige und Selbstständige dominieren diese Gruppe.

Für einen Kreditgeber ist eine dünne Historie nicht dasselbe wie ein schlechter Kreditnehmer. Es fehlen einfach Informationen. KI-Underwriting füllt diese Lücke.

Von Scorecards zu Gradient-Boosted-Modellen

Traditionelles Underwriting nutzte eine Scorecard: eine einfache punktbasierte Tabelle, in der jedes Attribut (Einkommen, Schuldenquote, Zahlungsverzüge) Punkte addiert oder abzieht. Transparent, aber grob.

Digitale Kreditgeber setzen zunehmend Gradient-Boosted Trees ein (Modelle wie XGBoost oder LightGBM). Diese bauen hunderte kleiner Entscheidungsbäume in Serie, wobei jeder neue Baum die Fehler des vorherigen korrigiert. Das Ergebnis erfasst nichtlineare Muster, die eine Scorecard übersieht, zum Beispiel, dass eine hohe Schuldenquote unproblematisch ist, wenn sie mit einem über Jahre stabilen Einkommen zusammentrifft, aber riskant, wenn das Einkommen schwankt.

Der Treibstoff sind alternative Daten: Signale jenseits der Kreditauskunftei. Häufige Beispiele:

• Cash-Flow-Daten aus einem verknüpften Bankkonto (über einen Aggregator wie Plaid): Regelmäßigkeit des Einkommens, Häufigkeit von Überziehungen, Sparpuffer.
• Miet- und Nebenkostenzahlungen, die Rückzahlungsverhalten vorhersagen, in FICO aber selten auftauchen.
• Beschäftigungs- und Gehaltsverifikation.

Cash-Flow-Underwriting ist heute eine anerkannte Praxis. Das CFPB hat Cash-Flow-Daten öffentlich als Weg diskutiert, den Zugang zu Krediten zu erweitern, und die in den USA finalisierten Open-Banking-Regeln bringen vom Verbraucher freigegebene Daten in den Mainstream.

Was das Modell tatsächlich ausgibt

Das Modell gibt nicht "genehmigen" oder "ablehnen" aus. Es gibt eine Probability of Default (PD) aus: die geschätzte Wahrscheinlichkeit, dass der Kreditnehmer innerhalb eines festgelegten Zeitraums nicht zurückzahlt. Der Kreditgeber kombiniert die PD dann mit Kreditbetrag, Laufzeit und eigenen Kapitalkosten, um den Kredit zu bepreisen (risikobasiertes Pricing).

# Simplified: model gives PD, business logic decides price
pd = model.predict_proba(applicant_features)[0][1]  # z. B. 0.06 = 6 % Ausfallrisiko

if pd < 0.03:
    decision, apr = "approve", 0.089
elif pd < 0.10:
    decision, apr = "approve", 0.159   # höherer Preis für höheres Risiko
else:
    decision, apr = "decline", None

Das Modell schätzt das Risiko. Menschen und Policy setzen Schwellenwerte und Preise.

Der regulatorische Haken: Sie müssen die Entscheidung erklären

Hier unterscheidet sich Fintech von den meisten KI-Anwendungen. Nach dem US-Equal Credit Opportunity Act (ECOA) und der zugehörigen Regulation B muss ein Kreditgeber, der Kredit verweigert, dem Antragsteller konkrete Gründe nennen. "Der Algorithmus hat Nein gesagt" ist rechtswidrig.

Daraus folgt eine harte Restriktion: Das Modell muss erklärbar sein. Teams nutzen Werkzeuge wie SHAP (SHapley Additive exPlanations), das eine Vorhersage einzelnen Features zuordnet, um die erforderlichen Adverse Action Notices zu erzeugen ("abgelehnt aufgrund: hohe aktuelle Kreditauslastung, kurze Beschäftigungshistorie").

Zwei weitere Restriktionen sind relevant:

• Fair Lending / Disparate Impact. Ein Modell darf Ethnie, Geschlecht oder einen engen Proxy dafür nicht verwenden. Selbst eine neutrale Variable (etwa die Postleitzahl) kann ein unzulässiger Proxy sein, wenn sie eine geschützte Gruppe benachteiligt. Kreditgeber führen vor dem Deployment Fairness-Tests durch.
• Model Risk Management. Aufsichtsbehörden erwarten dokumentierte Validierung, Monitoring und Governance, in Anlehnung an die Leitlinie der Federal Reserve, bekannt als SR 11-7.

Die Lehre: In der Kreditvergabe schlägt ein etwas weniger genaues Modell, das Sie erklären und verteidigen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, oft eine Black Box, die Sie nicht erklären kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

🎬 [VIDEO: "Explainable AI with SHAP" - youtube.com - eine klare Erläuterung, wie SHAP die Vorhersage eines Modells den einzelnen Input-Features zuordnet]

Fraud Detection: ein völlig anderes Problem

Underwriting fragt "wird diese Person zurückzahlen?". Fraud Detection fragt "existiert diese Person überhaupt, und ist diese Transaktion legitim?". Beide laufen mit unterschiedlicher Geschwindigkeit. Underwriting darf eine Minute dauern. Fraud Scoring muss in Millisekunden erfolgen, bevor Geld fließt.

Zwei Arten von Betrug

• First-Party Fraud: eine echte Person lügt (überhöhtes Einkommen, keine Absicht zurückzuzahlen).
• Third-Party Fraud: jemand nutzt eine gestohlene oder synthetische Identität. Synthetic Identity Fraud, also die Verknüpfung einer echten Sozialversicherungsnummer mit einem erfundenen Namen und einer erfundenen Historie, ist eine der am schnellsten wachsenden Formen und notorisch schwer zu erkennen, weil die "Person" neu aussieht, nicht betrügerisch.

Transaktionsgraphen und das Aufspüren von Fraud Rings

Regeln auf Einzeltransaktionsebene ("markiere jede Überweisung über 5.000 Dollar") fangen plumpen Betrug. Organisierte Fraud Rings umgehen sie, indem sie die Aktivität über viele kleine Konten verteilen. Um Ringe zu fassen, müssen Sie Beziehungen betrachten, nicht nur Transaktionen.

Hier kommt der Transaktionsgraph ins Spiel. Jedes Konto wird als Knoten modelliert, jede Überweisung, jedes gemeinsam genutzte Gerät, jede gemeinsame Telefonnummer oder Bank als Kante. Fraud Rings leuchten als dichte Cluster auf: fünfzig "verschiedene" Antragsteller, die sich drei Geräte teilen und Gelder auf ein Konto lenken.

Graph Neural Networks (GNNs) lernen Muster über diesen Strukturen. Anstatt ein Konto isoliert zu scoren, berücksichtigt ein GNN das Verhalten der Nachbarn. Ein Konto, das allein betrachtet unauffällig ist, aber einen Schritt von zehn bekannten Mule-Konten entfernt liegt, wird markiert.

Ein einfaches Muster, auf das Kreditgeber achten:

• Viele neue Konten, innerhalb eines kurzen Zeitfensters erstellt, mit überlappenden Device Fingerprints.
• Gelder, die auf eine kleine Zahl von Cash-out-Punkten zulaufen.
• Antragsdaten, die subtil wiederverwendet werden (gleicher Arbeitgeber, gleiche Adressformatierung, fortlaufende E-Mail-Adressen).

Geschwindigkeit zählt: Real-Time Scoring

Fraud-Entscheidungen fallen inline. Ein typischer Ablauf:

1. Antrag oder Transaktion kommt an.

2. Features werden aus einem Feature StoreFeature StoreEin zentrales Repository zur Verwaltung von ML-Features, das Konsistenz zwischen Training und Serving sicherstellt.Vollständige Definition ansehen → gezogen (vorberechnete, aktuell gehaltene Signale wie "Gerät diese Woche auf 8 Konten gesehen").

3. Ein Modell liefert in Millisekunden einen Risk Score.

4. Niedriger Score: weiter. Mittel: Step-up-Authentifizierung (zusätzliche Verifikation). Hoch: blockieren und prüfen.

Der Graph wird vorberechnet und laufend aktualisiert, damit die Live-Entscheidung schnell bleibt. Der Tradeoff, den jedes Fraud-Team steuert: blockieren Sie zu aggressiv, entstehen False Positives (echte Kunden werden blockiert, genannt "Friction"), blockieren Sie zu wenig, steigen die Verluste.

Alles zusammen: der Stack des digitalen Kreditgebers

Verfolgen Sie einen Antragsteller durch einen modernen digitalen Kreditgeber:

1. Identitäts- und Fraud-Prüfung zuerst. Ist das eine echte Person? Erinnern Gerät, E-Mail und Antragsmuster an einen bekannten Ring? Ein GNN plus Regeln scoren das in Echtzeit. Fällt es hier durch, läuft das Underwriting nie an.

2. Datenaggregation. Mit Einwilligung des Antragstellers werden Banktransaktionen abgerufen und Einkommen und Beschäftigung verifiziert.

3. Underwriting-Modell. Das Gradient-Boosted-Modell gibt aus Bureau-Daten plus alternativen Daten eine Probability of Default aus.

4. Pricing und Policy. Die PD wird in eine Zusage/Ablehnung und einen Zinssatz übersetzt, unter Beachtung der Fair-Lending-Regeln.

5. Explainability-Schicht. Bei Ablehnung werden die Adverse-Action-Gründe erzeugt, mit SHAP oder Ähnlichem.

6. Laufendes Monitoring. Beobachten von Model Drift (Leistungsverfall, wenn sich Konjunktur oder Kundenmix verschieben) und von Fraud Rings, die sich an das Modell anpassen.

Beachten Sie, dass KI an zwei sehr unterschiedlichen Punkten auftaucht, zwei sehr unterschiedliche Aufgaben erfüllt, unter zwei sehr unterschiedlichen Zeitbudgets.

Wo Teams Fehler machen

• Genauigkeit über Erklärbarkeit stellen. In der Kreditvergabe ist ein nicht erklärbares Modell ein Compliance-Risiko, kein Asset.
• Drift ignorieren. Ein Modell, das in einer Phase niedriger Zinsen und niedriger Arbeitslosigkeit trainiert wurde, kann sich bei geänderten Bedingungen unbemerkt verschlechtern. Monitoring ist nicht optional.
• Fraud als statisch behandeln. Betrüger passen sich innerhalb von Wochen an. Ein Modell, das nicht neu trainiert wird, ist eine Karte der Angriffe des letzten Quartals.
• Data Leakage in Fraud-Graphen. Informationen zu nutzen, die zum Entscheidungszeitpunkt tatsächlich nicht verfügbar wären, bläht die Test-Performance auf und bricht in der Produktion zusammen.

Wichtigste Erkenntnisse

• KI-Underwriting erweitert den Zugang, weil es alternative Daten liest (Cash Flow, Miete, Payroll), die FICO ignoriert, und macht "Thin File"-Antragsteller zu scorebaren Kreditnehmern.
• Gradient-Boosted-Modelle geben eine Probability of Default aus, kein Ja oder Nein. Geschäftsregeln und risikobasiertes Pricing machen aus dieser Wahrscheinlichkeit eine Entscheidung.
• Erklärbarkeit ist eine rechtliche Anforderung, keine Nettigkeit. ECOA und Regulation B zwingen Kreditgeber, jede Ablehnung zu begründen, daher sind Werkzeuge wie SHAP und Fair-Lending-Tests Kern des Stacks.
• Fraud Detection läuft in Millisekunden und hängt von Beziehungen ab. Transaktionsgraphen und Graph Neural Networks fangen Fraud Rings, die Regeln auf Einzeltransaktionsebene übersehen.
• Beide Systeme verfallen ohne Monitoring. Model Drift und sich anpassende Betrüger machen Retraining und Governance zu einer laufenden, nicht einmaligen Aufgabe.