Die derzeitige Wirtschaftslage in Europa ist fragil. Spätestens seit dem Kriegsausbruch in der Ukraine und der damit verbundenen Energiekrise in Europa trüben sich die Wachstumserwartungen. Durch die wirtschaftliche Verflechtung zwischen Staaten und Banken ist es in diesen unbeständigen Zeiten wichtig, über Instrumente zu verfügen, um schnell auf veröffentliche Geschäftszahlen von Kreditinstituten reagieren zu können und eigenständig die Bonität von Banken einzuschätzen, da die Anpassung eines externen Ratings oftmals mit einer zeitlichen Verzögerung einhergeht. Daher wird auf Basis von drei Datensätzen mittels maschinellen Lernens versucht, die Determinanten von Emittentenratings von europäischen Banken zu erklären. Unter der Verwendung von Entscheidungsbäumen und logistischen Regressionsmodellen sollen die wesentlichen Einflüsse der binären Klassifikation in die Segmente Investmentgrade und Non-Investmentgrade sowie die ordinale Ratingklasse analysiert werden.

Autorentext

Der AutorGerrit Brendler studierte nach seiner Bankausbildung "Banking & Finance" an der TH Köln sowie "Risk Management & Treasury" an der FOM in Düsseldorf. Seit August 2019 arbeitet er im Treasury einer Bank.

Klappentext

Thematische Einführung, Problemstellung und Zielsetzung.- Datensatz.- Methodik.- Modellierung, Schätzung und Analyse des IG-Ratings.- Modellierung, Schätzung und Analyse der Ratingklasse.- Fazit und Ausblick.- Literaturverzeichnis.

Inhalt
Thematische Einführung, Problemstellung und Zielsetzung.- Datensatz.- Methodik.- Modellierung, Schätzung und Analyse des IG-Ratings.- Modellierung, Schätzung und Analyse der Ratingklasse.- Fazit und Ausblick.- Literaturverzeichnis.