IDEAS home Printed from https://ideas.repec.org/h/spr/sprchp/978-3-658-38225-4_9.html
   My bibliography  Save this book chapter

Machine Learning in der Banksteuerung – Eine Analyse der marktzinsunabhängigen Ausübung von impliziten Optionen nach § 489 BGB

In: Digitale Transformation im Controlling

Author

Listed:
  • Marius Demary

    (DataLab GmbH)

  • Frank Lehrbass

    (FOM Hochschule für Oekonomie und Management)

  • Svend Reuse

    (FOM Hochschule für Oekonomie und Management)

Abstract

Zusammenfassung Risikomodelle in Banken galten lange Zeit als die fortschrittlichsten Modelle, die in der Praxis eingesetzt werden. Mit den Anforderungen des BCBS 239 an die Datenqualität und die zunehmende Komplexität, die die Digitalisierung ermöglicht, stellt sich die Frage, ob und wie Machine Learning und andere Trends der Digitalisierung Einfluss auf die Gesamtbanksteuerung und die Risikomodelle von Banken haben. Am Beispiel von impliziten Optionen wird in diesem Beitrag die Wirkungsweise von Machine Learning im Kontext aufsichtsrechtlicher Anforderungen analysiert. Als Ergebnis lässt sich einerseits festhalten, dass Machine Learning aufsichtsrechtlich nicht negiert wird. Andererseits kann mit den durchgeführten Analysen in R aufgezeigt werden, dass ein echter Mehrwert für die Banksteuerung durch den Einsatz von Machine Learning erreicht werden kann.

Suggested Citation

  • Marius Demary & Frank Lehrbass & Svend Reuse, 2022. "Machine Learning in der Banksteuerung – Eine Analyse der marktzinsunabhängigen Ausübung von impliziten Optionen nach § 489 BGB," Springer Books, in: Jessica Hastenteufel & Susanne Weber & Thomas Röhm (ed.), Digitale Transformation im Controlling, chapter 0, pages 129-144, Springer.
    • Handle: RePEc:spr:sprchp:978-3-658-38225-4_9
    DOI: 10.1007/978-3-658-38225-4_9
    as

    Download full text from publisher

    To our knowledge, this item is not available for download. To find whether it is available, there are three options:
    1. Check below whether another version of this item is available online.
    2. Check on the provider's web page whether it is in fact available.
    3. Perform a search for a similarly titled item that would be available.

    More about this item

    Statistics

    Access and download statistics

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:spr:sprchp:978-3-658-38225-4_9. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    We have no bibliographic references for this item. You can help adding them by using this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: Sonal Shukla or Springer Nature Abstracting and Indexing (email available below). General contact details of provider: http://www.springer.com .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.