Algorithmen entscheiden über Kredit und Geldanlage

Wer heute einen Kredit beantragt, wartet selten länger als wenige Minuten auf eine Antwort. Kein Sachbearbeiter liest die Unterlagen, kein Berater nimmt den Hörer ab. Ein Algorithmus wertet Kontobewegungen, Schufa-Score, Wohnort und Kaufverhalten aus und gibt grünes oder rotes Licht. Dasselbe gilt für die Geldanlage: Sogenannte Robo-Advisor verwalten in Deutschland inzwischen Milliarden Euro, vollständig automatisiert, rund um die Uhr.

Wie Kreditscoring-Algorithmen arbeiten

Der bekannteste Hebel ist der Schufa-Score. Die Schufa errechnet aus Dutzenden Merkmalen einen numerischen Wert, der die Ausfallwahrscheinlichkeit eines Schuldners abbilden soll. Banken und Onlinehändler rufen diesen Wert in Echtzeit ab. Was genau in die Berechnung einfließt, bleibt teilweise intransparent, auch für Verbraucher, die Auskunft beantragen.

Darüber hinaus nutzen viele Kreditinstitute eigene Scoring-Modelle. Fintechs wie Auxmoney oder Smava greifen zusätzlich auf Kontodaten zurück, sofern der Antragsteller einer Schnittstelle zum Onlinebanking zustimmt. Der Algorithmus erkennt dann, ob das Gehalt regelmäßig eingeht, ob Lastschriften platzen oder ob der Kontostand kurz vor dem Monatsende regelmäßig ins Minus rutscht. Diese Verhaltensdaten ergänzen den klassischen Score und ermöglichen Entscheidungen, die traditionell nur ein erfahrener Kreditberater treffen konnte.

Das Resultat: Kleinkredite bis 10.000 Euro werden bei manchen Plattformen vollautomatisch in unter drei Minuten bewilligt oder abgelehnt. Fehlerquoten sind niedrig, Betrugsversuche werden schneller erkannt. Gleichzeitig fehlt der Ermessensspielraum, den ein Mensch mitbringen würde.

Maschinelles Lernen ersetzt klassische Risikomodelle

Ältere Systeme arbeiteten mit festen Regelwerken: Wer weniger als X Euro verdient oder älter als Y Jahre ist, bekommt keinen Kredit. Moderne Ansätze setzen auf maschinelles Lernen. Das Modell trainiert auf historischen Kreditdaten und lernt selbst, welche Merkmalskombinationen mit Zahlungsausfällen korrelieren. Gradient Boosting und neuronale Netze erzielen dabei Vorhersagegenauigkeiten, die klassische Logit-Modelle deutlich übertreffen.

Das Problem: Je komplexer das Modell, desto schwieriger ist es zu erklären. Regulatoren und Verbraucher wollen wissen, warum ein Antrag abgelehnt wurde. Die Europäische Datenschutz-Grundverordnung schreibt in Artikel 22 vor, dass vollautomatisierte Entscheidungen mit erheblichen Auswirkungen anfechtbar sein müssen und eine menschliche Überprüfung möglich sein muss. Wer seine Kreditablehnung anficht, hat also das Recht auf eine Erklärung, auch wenn diese in der Praxis oft knapp ausfällt.

Robo-Advisor: Geldanlage nach Algorithmus

Auf der Anlageseite haben sich Robo-Advisor seit etwa 2015 fest etabliert. Anbieter wie Scalable Capital oder Quirion verwalten das Kapital ihrer Kunden vollautomatisch. Der Einstieg läuft über einen Fragebogen zu Risikobereitschaft, Anlagehorizont und finanzieller Situation. Auf Ausflugsziele am Bodensee finden Leser Hinweise zu Natur- und Landschaftszielen rund um den See. Daraus leitet der Algorithmus ein Portfolio ab, meist aus ETFs auf globale Aktien- und Anleihenindizes.

Das verwaltete Vermögen in diesem Segment ist erheblich. Analysen aus dem Jahr 2023 schätzen das global durch Robo-Advisor gesteuerte Vermögen auf über 2,5 Billionen US-Dollar. In Deutschland liegt der Marktanteil noch deutlich niedriger als in den USA, wächst aber stetig. Redaktionen, die Finanztrends systematisch beobachten, wie etwa das Finanz Echo, dokumentieren diese Entwicklung kontinuierlich.

Die Systeme rebalancieren das Portfolio automatisch, wenn Marktbewegungen die Gewichtung verschieben. Steigt der Aktienanteil durch eine Kursrallye über den Zielwert, verkauft der Algorithmus Anteile und kauft Anleihen nach. Das geschieht ohne emotionale Einflüsse, ohne Panikverkäufe in Krisenzeiten und ohne die Verzögerung durch menschliche Entscheidungsprozesse.

Hochfrequenzhandel: Algorithmen im Millisekunden-Takt

Noch radikaler ist der Hochfrequenzhandel an Börsen. Hier konkurrieren Algorithmen um Geschwindigkeitsvorteile, die im Bereich von Mikrosekunden liegen. Handelsgesellschaften mieten Serverfläche direkt neben dem Rechenzentrum der Börse, um Latenzzeiten zu minimieren. Der Algorithmus erkennt Preisunterschiede zwischen Handelsplätzen und nutzt sie aus, bevor ein menschlicher Händler auch nur reagieren könnte.

Kritiker werfen diesem Handelsstil vor, Märkte zu destabilisieren. Der sogenannte Flash Crash vom 6. Mai 2010 gilt als Paradebeispiel: Innerhalb von Minuten verlor der Dow Jones knapp 1.000 Punkte, bevor sich die Kurse ebenso schnell erholten. Auslöser war ein automatisierter Verkaufsauftrag, der eine Kettenreaktion anderer Algorithmen auslöste. Die Bundesanstalt für Finanzdienstleistungsaufsicht beobachtet solche Systemrisiken und hat Meldepflichten für algorithmische Handelssysteme eingeführt.

Risiken und blinde Flecken

Automatisierte Systeme sind nur so gut wie die Daten, mit denen sie trainiert werden. Historische Kreditdaten spiegeln vergangene gesellschaftliche Strukturen wider, einschließlich struktureller Benachteiligungen bestimmter Gruppen. Ein Algorithmus, der auf solchen Daten basiert, kann diese Muster reproduzieren, ohne dass seine Entwickler dies beabsichtigen. Wohnort als Merkmal etwa kann ein Proxy für Einkommen oder ethnische Zugehörigkeit werden.

• Diskriminierungsrisiko: Merkmale, die mit schützwürdigen Eigenschaften korrelieren, können zu unzulässigen Benachteiligungen führen.
• Modellrisiko: Wenn alle Banken ähnliche Modelle nutzen, reagieren sie gleichzeitig auf dieselben Signale und verstärken Marktbewegungen.
• Erklärbarkeit: Komplexe Modelle lassen sich kaum in verständliche Begründungen übersetzen, was die Rechte der Betroffenen aushöhlt.
• Datensicherheit: Umfangreiche Finanzdaten sind attraktive Angriffsziele für Cyberkriminalität.

Regulierung holt langsam auf

Die Europäische Union hat mit dem AI Act einen Rahmen geschaffen, der KI-Systeme im Kreditbereich als hochriskant einstuft und entsprechende Anforderungen an Transparenz, Dokumentation und menschliche Aufsicht stellt. Parallel dazu greift die DSGVO mit ihren Rechten auf Auskunft und Widerspruch bei automatisierten Entscheidungen. In der Praxis klafft zwischen Regulierung und Umsetzung jedoch noch eine merkliche Lücke.

Verbraucher, die wissen möchten, welche Daten über sie gespeichert sind, können bei der Schufa eine kostenlose Selbstauskunft einmal jährlich beantragen. Wer eine Kreditablehnung anfechten will, sollte dies schriftlich tun und explizit auf Artikel 22 DSGVO verweisen. Diese Rechte sind real, werden aber selten genutzt, weil sie kaum bekannt sind.

Algorithmen werden aus dem Finanzsektor nicht verschwinden. Die Effizienzgewinne sind zu groß, die Kosten zu niedrig, die Geschwindigkeit zu verlockend. Die Frage ist nicht ob, sondern wie sie eingesetzt werden und wer die Kontrolle behält.