This cumulative dissertation aims to address key challenges in the area of credit risk management that arise from the desire or need to apply machine learning (ML) and / or incorporate public information in modeling default probabilities and credit ratings. Overall, these challenges can be encountered in particular by the skills and tools of credit risk managers, so this thesis aims to provide use cases of innovative methods and approaches, thus expanding the methodological toolbox available to credit risk managers. In Chapter 1, machine learning approaches such as neural networks and tree-based methods are applied to investigate the relation between corporate default and financial frictions. These frictions can be proxied by fundamental features, i.e., cash liquidity, leverage, profitability, and size as well as market features, i.e., absolute share prices, market-to-book ratio, share returns in excess of an index return, and share return volatility. Chapter 2 and 3 incorporate textual features extracted from public information as a comprehensive and valuable source of data that is retrieved and further processed into a learning base for ML applications using NLP techniques. Chapter 2 proposes a methodological framework for extracting textual features from forward-looking Management’s Discussion & Analysis (MD&A) sections of corporate reports and reducing dimensionality to generate features that can be modeled using both traditional methods (e.g., logistic regressions) and ML models. Chapter 3 examines whether topics extracted from qualitative information (MD&A sections) using a Structural Topic Model (STM) provide valuable information for the determination of a company’s creditworthiness.

Diese kumulative Dissertation behandelt zentrale Herausforderungen im Bereich des Kreditrisikomanagements, die sich aus dem Wunsch oder der Notwendigkeit ergeben, maschinelles Lernen (ML) anzuwenden und/oder öffentliche Informationen in die Modellierung von Ausfallwahrscheinlichkeiten und Kreditratings einzubeziehen. Insgesamt können diese Herausforderungen insbesondere durch die Fähigkeiten und Werkzeuge von Kreditrisikomanagern bewältigt werden, so dass diese Arbeit darauf abzielt, Anwendungsfälle innovativer Methoden und Ansätze zu liefern und so den methodischen Werkzeugkasten, der Kreditrisikomanagern zur Verfügung steht, zu erweitern. In Kapitel 1 werden Ansätze des maschinellen Lernens wie neuronale Netze und baumbasierte Methoden angewandt, um den Zusammenhang zwischen Unternehmensausfällen und finanziellen Reibungen in Unternehmen zu untersuchen. Diese Reibungen können durch fundamentale Merkmale, d. h. Liquidität, Verschuldung, Rentabilität und Größe, sowie durch Marktmerkmale, d. h. absolute Aktienkurse, Markt-zu-Buch-Verhältnis, Aktienüberrenditen im Vergleich zum Referenzindex, und Aktienrenditevolatilität, dargestellt werden. In Kapitel 2 und 3 werden Textmerkmale aus öffentlichen Informationen als umfassende und wertvolle Datenquelle herangezogen, die mit Hilfe von NLP-Techniken zu einer Lernbasis für ML-Anwendungen weiterverarbeitet werden. In Kapitel 2 wird ein methodischer Rahmen für die Extraktion von Textmerkmalen aus den Abschnitten "Management‘s Discussion & Analysis" (MD&A) von Unternehmensberichten vorgeschlagen und die Dimensionalität reduziert, um Merkmale zu erzeugen, die sowohl mit traditionellen Methoden (z. B. logistischen Regressionen) als auch mit ML-Modellen modelliert werden können. In Kapitel 3 wird untersucht, ob Themen, die mittels eines strukturierten Themen-Modells (STM) aus qualitativen Informationen (MD&A-Abschnitten) extrahiert werden, wertvolle Informationen für die Bestimmung der Kreditwürdigkeit eines Unternehmens liefern.