Finanzinstitute spielen eine wichtige Rolle für die Stabilität des Finanzsektors. Sie bekleiden eine entscheidende Rolle als Intermediäre bei der Bereitstellung von Geld und Krediten sowie bei der Übertragung von Risiken zwischen Unternehmen. Diese Intermediärfunktion setzt die Finanzinstitute jedoch verschiedenen Arten von Risiken aus. Die Identifizierung und Messung dieser Risiken ist besonders in schwierigen Zeiten wichtig, in denen ein angeschlagener Finanzsektor zu einem Rückgang der Kreditvergabe führen kann. Vor allem in Zeiten des wirtschaftlichen Abschwungs ist die Rolle der Bereitstellung von Liquidität und Krediten wichtiger denn je. Daher ist die genaue Schätzung der Determinanten für verschiedene Risikoquellen eine äußerst wichtige Aufgabe für die Wirtschaft im Allgemeinen und für Finanzinstitute im Besonderen. In den letzten Jahrzehnten sind die Rechenleistung und die Speicherkapazitäten erheblich gestiegen, während die Kosten stark gesunken sind. Dies ermöglicht es Forschern und Praktikern, fortschrittlichere und rechenintensivere Modelle zu verwenden. Dies ist besonders wichtig für Modelle des maschinellen Lernens, aber auch für Bayesianische Modelle. Die Arbeit beleuchtet die Anwendung fortgeschrittener statistischer und maschineller Lernmethoden für das Kredit- und Marktrisikomanagement. Diese Anwendungen werden in vier unabhängigen Forschungsarbeiten behandelt. Die erste befasst sich mit fortgeschrittenen Bayesianischen Methoden, um den schwierigen Risikoparameter Exposure at Default (EAD) und sein Verhalten in Abschwungphasen zu untersuchen. Das zweite Papier konzentriert sich auf die Kombination von statistischen und maschinellen Lernmethoden, um verschiedene Aspekte der Verlustquote (Loss Given Default, LGD) zu eruieren, wobei ein besonderer Schwerpunkt auf Methoden zur Erklärbarkeit von Maschinellem Lernen liegt. Das dritte Forschungspapier wendet neuronale Netze für die Kalibrierung von Finanzmodellen an, wobei ein besonderer Schwerpunkt auf ihrem Nutzen in der Praxis liegt. Das letzte Forschungspapier befasst sich eingehend mit Nichtlinearität, die mit den Bewegungen der Aktienmärkte einhergeht.

Financial institutions play a major role in the stability of the financial sector. These institutions have a crucial role as intermediaries to support the supply of money and lending as well as the transfer of risk between entities. However, this intermediary function exposes financial institutions to several types of risk. Identification and measurement of these risks is especially important in difficult times, where a distressed financial sector can lead to a reduction of lending activities. Especially in economic downturns, the role of supplying liquidity and lending is more important than ever. Therefore, the precise estimation of the determinants for various sources of risk is a highly important task for the economy in general, and for financial institutions in particular. During the last decades, the computational power and storage capacities increased substantially, whereas the costs declined sharply. This enables researchers and practitioners to use more advanced and computationally intensive methods. This is especially important for machine learning models, but also for Bayesian statistical models. The thesis sheds light on the application of advanced statistical and machine learning methods for credit and market risk management. These applications are handled in four independent research papers. The first deals with advanced Bayesian methods to address the challenging risk parameter Exposure at Default (EAD) and its behavior in downturn periods. The second paper focuses on the combination of statistical and machine learning methods to cope with various aspects of Loss Given Default (LGD) and has a special focus on explainable artificial intelligence methods. The third research paper applies neural networks for the calibration of financial models with a special focus on their real-world benefits. The last research paper addresses in detail the non-linearity entailed in stock market movements.