« Debitorenrating: Kreditrisiken im Kundenportfolio | Home

Credit Ratings im Raum: Das iff zeigt die Zukunft der Finanzanalyse

Von Dr. Oliver Everling | 8.September 2026

Am 8. September 2026 zeigte das iff Immersive Finance Forum, wie sich die Analyse von Credit Ratings, Ausfallraten, Zinsstrukturen und Unternehmensverflechtungen verändern kann, wenn Finanzdaten nicht mehr ausschließlich auf einem zweidimensionalen Bildschirm betrachtet werden. Dr. Oliver Everling und Christian Spiekermann präsentierten in einer rund 80-minütigen Session unter dem Titel „Immersive Analytics for Finance“, wie sich komplexe Zusammenhänge räumlich darstellen und in Virtual Reality gemeinsam erkunden lassen. Vortrag, Live-Demonstrationen und Diskussion fanden vollständig in der Kollaborationsumgebung Arthur statt und waren über Meta Quest zugänglich.

Das Forum, das sich künftig jeweils am zweiten Dienstag eines Monats um 18:30 Uhr trifft, knüpft dabei bewusst an das Modell des eff European Finance Forum an. Dr. Oliver Everling dankte deshalb Martin Bloos, dem stellvertretenden Vorsitzenden des eff European Finance Forum, ausdrücklich für seine Teilnahme. Das bewährte Modell des eff, das fachlichen Austausch, hochkarätige Referenten und professionelles Networking miteinander verbindet, steht für das neue immersive Format Pate. Zugleich dankte Everling Gerald Kottmann von der Alice to Bob GmbH für das Sponsoring und insbesondere Christian Salow von der altii GmbH, der die komplette Organisation des Meetings in Arthur auf der Meta Quest übernommen hatte und damit maßgeblich dazu beitrug, dass aus der Idee eines Immersive Finance Forum eine tatsächlich funktionierende Veranstaltung in Virtual Reality wurde.

Im Mittelpunkt des Abends stand die Frage, ob die klassische Darstellung von Finanzdaten auf Bildschirmen den komplexen Zusammenhängen moderner Finanzanalyse noch ausreichend gerecht wird. Everling erläuterte dies zunächst anhand des Ratinggeschäfts. Ein Credit Rating ist seiner Natur nach mehrdimensional. Die Kreditwürdigkeit eines Unternehmens, einer Bank oder eines Finanzinstruments lässt sich nicht auf eine einzelne Kennzahl reduzieren. Kapitalausstattung, Ertragskraft, Liquidität, Verschuldung, Qualität der Vermögenswerte, Management, Geschäftsmodell und Marktumfeld stehen in Beziehung zueinander und müssen gleichzeitig betrachtet werden.

Besonders anschaulich wird dies bei Bankenratings. Das CAMEL-Schema unterscheidet die Dimensionen Capital Adequacy, Asset Quality, Management, Earnings und Liquidity. Hinter jeder dieser Dimensionen stehen wiederum zahlreiche Kennzahlen und qualitative Einschätzungen. Auf einem herkömmlichen Bildschirm werden diese Informationen meist auf verschiedene Tabellen, Grafiken und Seiten verteilt. Der Analyst muss die einzelnen Elemente gedanklich wieder zu einem Gesamtbild zusammensetzen. Die Idee der immersiven Analyse besteht dagegen darin, mehrere Dimensionen gleichzeitig sichtbar zu machen und sie räumlich zueinander in Beziehung zu setzen.

Everling demonstrierte dieses Prinzip zunächst an einer dreidimensionalen Analyse von Finanzdaten. Besonders deutlich wurde der Ansatz bei einer Visualisierung, in der Ratingklassen von AAA bis C mit Laufzeiten von einem bis zehn Jahren kombiniert wurden. Anstelle einer klassischen Matrix entstand ein räumliches Gebilde, durch das sich die Teilnehmer bewegen konnten. Die einzelnen Quader standen für bestimmte Kombinationen aus Bonität und Laufzeit. Ihre Größe und weitere visuelle Eigenschaften vermittelten zusätzliche Informationen über Zinsvolumina und historisch beobachtete Ausfallrisiken.

Wer sich der Visualisierung näherte, konnte erkennen, wie sich die einzelnen Ratingbereiche voneinander unterschieden und wie sich die Risikostruktur mit zunehmender Laufzeit veränderte. Sehr gute Bonitäten, niedrigere Ratingklassen, kurze und lange Laufzeiten bildeten nicht mehr lediglich Zeilen und Spalten einer Tabelle, sondern wurden zu Positionen innerhalb eines gemeinsamen Raumes. Damit wurde der Zusammenhang zwischen Kreditqualität, Laufzeit, Ausfallwahrscheinlichkeit und Risikoprämie unmittelbar sichtbar.

Gerade für Credit Ratings und Fixed-Income-Analysen liegt darin ein besonderer Reiz. Ein Rating gibt zwar eine verdichtete Einschätzung der Kreditwürdigkeit wieder, doch die Bedeutung eines Ratings erschließt sich häufig erst im Zusammenhang mit anderen Faktoren. Welche historischen Ausfallraten sind mit einer Ratingklasse verbunden? Wie verändert sich das Risiko über verschiedene Laufzeiten? Welche Zinsaufschläge verlangt der Markt für unterschiedliche Bonitäten? Wie unterscheiden sich zwei Emittenten gleicher Laufzeit, aber unterschiedlicher Kreditqualität?

In der gezeigten räumlichen Darstellung konnten diese Fragen nicht nur anhand einzelner Zahlen beantwortet werden. Die Teilnehmer sahen die Beziehungen zwischen den Datenpunkten als Teil einer gemeinsamen Struktur. Historisch beobachtete Ausfallrisiken wurden zu einer sichtbaren Dimension des Modells. Dadurch ließ sich beispielsweise erkennen, wo sich höhere Risiken konzentrierten und wie sich diese über die verschiedenen Ratingklassen verteilten.

Ein weiterer Schwerpunkt der Demonstration war das „Zinsgebirge“. Ausgangspunkt waren klassische Renditedaten, wie sie beispielsweise für die Analyse von Zinskurven verwendet werden. Eine gewöhnliche Zinskurve zeigt typischerweise die Verzinsung unterschiedlicher Laufzeiten zu einem bestimmten Zeitpunkt. Fügt man jedoch die Zeit als weitere Dimension hinzu, entsteht eine wesentlich komplexere Datenstruktur.

Genau diese Struktur wurde in ein dreidimensionales Modell übersetzt. Eine Achse stand für die Laufzeit, eine weitere für den zeitlichen Verlauf und die Höhe des Gebildes für das jeweilige Zinsniveau. Was auf einem Bildschirm als Reihe einzelner Kurven oder als dichtes Netz von Linien erscheinen würde, wurde in Virtual Reality zu einer begehbaren Landschaft.

Die Teilnehmer konnten sich dem Zinsgebirge nähern, es aus verschiedenen Blickwinkeln betrachten und seine Form verändern, indem sie das Modell im Raum skalierten. Phasen negativer Zinsen erschienen nicht mehr nur als Werte unterhalb einer Nulllinie, sondern prägten die Topographie der Landschaft. Der Energiepreisschock und die darauf folgenden Veränderungen des Zinsniveaus wurden als deutliche Veränderungen im Relief sichtbar. Auch die inverse Zinskurve ließ sich räumlich erfassen, weil die unterschiedlichen Laufzeitbereiche in ihrer Entwicklung über die Zeit gemeinsam betrachtet werden konnten.

Besonders interessant wurde diese Darstellung durch die Verbindung zur Bonität. Zinsen hängen nicht nur von der Laufzeit ab. Bei Unternehmens- und anderen Kreditinstrumenten spielt die Kreditqualität eine entscheidende Rolle. Zwei Anleihen mit gleicher Laufzeit können völlig unterschiedliche Renditen aufweisen, weil die Märkte das Ausfallrisiko der jeweiligen Emittenten unterschiedlich einschätzen.

In einer erweiterten dreidimensionalen Analyse lassen sich deshalb Laufzeit, Rating und Rendite miteinander verbinden. Die Ratingklasse kann eine Position im Raum bestimmen, die Laufzeit eine weitere Richtung und die Höhe der Zinsen eine dritte Dimension. Historische Ausfallraten oder andere Risikokennzahlen können durch Größe, Füllgrad oder weitere Eigenschaften der dargestellten Objekte ergänzt werden.

Dadurch entsteht ein Modell, in dem sich die zentrale Logik der Kreditmärkte räumlich nachvollziehen lässt: Mit abnehmender Bonität steigen in der Regel die erwarteten Risiken und damit die Risikoprämien, die Investoren für die Übernahme dieses Risikos verlangen. Gleichzeitig verändern sich diese Zusammenhänge mit der Laufzeit und dem allgemeinen Zinsumfeld. Die Visualisierung soll diese ökonomischen Beziehungen nicht vereinfachen oder die zugrunde liegenden Ratingmethoden ersetzen. Sie soll vielmehr ermöglichen, ihre Wechselwirkungen gleichzeitig zu betrachten.

Die Ausfallraten spielten dabei eine besondere Rolle. Tabellen historischer Default Rates sind ein fester Bestandteil vieler empirischer Ratingstudien. Sie zeigen, wie häufig Emittenten bestimmter Ratingklassen innerhalb eines bestimmten Zeitraums tatsächlich ausgefallen sind. In einer klassischen Tabelle lassen sich diese Zahlen zwar präzise vergleichen, doch die Gesamtstruktur bleibt abstrakt. In einer räumlichen Darstellung können die Unterschiede zwischen Ratingklassen und Laufzeiten als Teil eines zusammenhängenden Risikobildes sichtbar werden.

Auch Ratingmigrationen lassen sich auf diese Weise anders denken. Ein Unternehmen, das von A nach BBB herabgestuft wird, verändert nicht nur einen Buchstaben in einer Tabelle. Es bewegt sich innerhalb eines größeren Spektrums von Bonitäten, historischen Ausfallrisiken und Marktprämien. Eine dreidimensionale Darstellung könnte solche Veränderungen als Bewegung durch eine Risikolandschaft zeigen. Für Portfolios mit vielen verschiedenen Positionen lassen sich auf diese Weise möglicherweise Konzentrationen, Risikocluster oder Veränderungen schneller erkennen.

Ein zweites großes Thema des Abends waren Beteiligungs- und Eigentümerstrukturen. Everling griff dabei auf seine langjährige Verbindung zu Palturai GmbH und deren BusinessGraph zurück. Der BusinessGraph verbindet Informationen aus Handelsregistern und weiteren öffentlichen Quellen zu einem Netzwerk wirtschaftlicher Beziehungen.

In einer der gezeigten Strukturen mussten die wirtschaftlich Berechtigten über zahlreiche Beteiligungsebenen hinweg zurückverfolgt werden. In einem Beispiel erstreckte sich der Weg bis zum letztlich dahinterstehenden Eigentümer über elf Ebenen. Auf einem herkömmlichen Bildschirm entsteht bei solchen Strukturen schnell ein Problem: Je mehr Unternehmen und Beteiligungen dargestellt werden, desto dichter und unübersichtlicher wird die Grafik. Linien kreuzen sich, Beschriftungen überlagern sich und einzelne Beziehungen lassen sich kaum noch verfolgen.

In der dreidimensionalen Darstellung wurde diese Struktur zu einem begehbaren Unternehmensnetzwerk. Jeder Quader repräsentierte eine Gesellschaft oder andere Entität. Verbindungslinien stellten die Beziehungen dar. Farben gaben Aufschluss über den Status der Unternehmen. Aktive Gesellschaften, Gesellschaften in Auflösung und bereits aufgelöste Unternehmen konnten auf einen Blick unterschieden werden. Gestrichelte Linien machten historische Beziehungen sichtbar, während weitere Eigenschaften der Kanten zusätzliche Informationen über die Art der Verbindung vermittelten.

Der entscheidende Unterschied bestand darin, dass sich die Teilnehmer um die Struktur herum und durch sie hindurch bewegen konnten. Eine Verbindung, die aus einem Blickwinkel verdeckt war, wurde aus einem anderen sichtbar. Große Unternehmensgruppen ließen sich verkleinern, einzelne Bereiche vergrößern und aus unterschiedlichen Perspektiven betrachten.

Für die Finanzanalyse kann dies weit über die reine Visualisierung hinausgehen. Eigentümerstrukturen, Abhängigkeiten zwischen Gesellschaften, Konzernbeziehungen und wirtschaftliche Berechtigte können für Kreditentscheidungen und Ratings von erheblicher Bedeutung sein. Wer ist letztlich Eigentümer eines Unternehmens? Welche Gesellschaften gehören zur Gruppe? Wo bestehen Abhängigkeiten? Welche historischen Veränderungen gab es?

Everling betonte in diesem Zusammenhang, dass künstliche Intelligenz künftig viele dieser Fragen innerhalb kürzester Zeit beantworten könne. Eine KI wird zunehmend in der Lage sein, große Mengen an Registerdaten und Unternehmensinformationen zu durchsuchen und die Frage nach dem wirtschaftlich Berechtigten schnell zu beantworten.

Für eine fundierte Entscheidung reicht die bloße Antwort jedoch nicht immer aus. Ein Investor oder Kreditgeber möchte möglicherweise auch verstehen, wie die Struktur aussieht, welche Gesellschaften sich in der Nähe einer bestimmten Beteiligung befinden und welche Abhängigkeiten sich aus dem gesamten Netzwerk ergeben. Everling verglich diesen Unterschied mit dem Blick auf einen Baum: Wer unter einem echten Baum steht, erkennt unmittelbar, welcher Ast wohin führt und wie die einzelnen Teile zusammenhängen. Auf einem Foto desselben Baumes kann diese räumliche Beziehung wesentlich schwerer nachvollziehbar sein.

Christian Spiekermann zeigte anschließend den technischen Weg von klassischen Datenquellen in die immersive Umgebung. Dabei wurde deutlich, dass nicht jede Anwendung eine vollständig neue Datenarchitektur benötigt. Daten können beispielsweise aus dem BusinessGraph exportiert oder aus gewöhnlichen Excel-Dateien übernommen werden. Über einen Browser werden sie verarbeitet und anschließend in interaktive dreidimensionale Modelle überführt, die sich in Arthur oder anderen Anwendungen wie Noda darstellen lassen.

Damit entsteht eine Verbindung zwischen vertrauten Arbeitsmitteln und neuen Darstellungsformen. Der Ausgangspunkt kann weiterhin eine Tabelle sein. Die Daten müssen nicht neu erfunden werden. Neu ist vor allem die Art, wie sie betrachtet und gemeinsam diskutiert werden.

Für besondere Aufmerksamkeit sorgte eine weitere Demonstration von Spiekermann: Spatial Link. Die Anwendung lässt sich als eine Art dreidimensionaler Livestream beschreiben. Über den Passthrough-Modus einer Quest-Brille kann die reale Umgebung eines Nutzers in die immersive Welt übertragen werden.

Everling berichtete von einem frühen Test, bei dem Spiekermann virtuell in seinem Arbeitszimmer erschien. Er konnte sich umsehen und auf Nachfrage sogar das Wandthermometer ablesen. Die reale Umgebung wurde damit nicht nur über ein zweidimensionales Video übertragen, sondern zu einem Raum, in dem sich andere Teilnehmer virtuell bewegen konnten.

Die möglichen Anwendungen für die Finanzbranche liegen insbesondere dort, wo die physische Realität Teil einer wirtschaftlichen oder finanziellen Beurteilung ist. Bei Unternehmensbewertungen, Kreditprüfungen und Immobilientransaktionen werden Objekte und Betriebsstätten häufig anhand von Unterlagen, Fotos, Gutachten und Videoaufnahmen beurteilt. Eine gemeinsame räumliche Besichtigung könnte eine zusätzliche Form der Informationsgewinnung ermöglichen.

Auch aus dem Versicherungsbereich wurden Anwendungsfälle diskutiert. Risikobegehungen könnten mit Datenbrillen unterstützt werden. Bei der Schadenaufnahme könnte ein Sachbearbeiter aus der Ferne sehen, was sich am Schadenort befindet, und die vor Ort befindliche Person anleiten. Mit LIDAR-Scans lassen sich Gebäude und Industrieanlagen erfassen und als dreidimensionale Modelle zugänglich machen. Ein solcher digitaler Zwilling könnte anschließend von verschiedenen Beteiligten gemeinsam untersucht werden.

Die Diskussion zeigte darüber hinaus, dass immersive Finanzdatenanalyse bereits von mehreren Teilnehmern in unterschiedlichen Formen erprobt wird. Ein Beispiel bestand darin, Portfoliodaten institutioneller Kunden als begehbare Zeitachse darzustellen. Die Visualisierung enthielt nicht zwangsläufig mehr Informationen als ein herkömmlicher Bericht. Die Informationen wurden jedoch anders wahrgenommen, weil zeitliche Entwicklungen und räumliche Beziehungen körperlich erfahrbar wurden.

Das Zinsgebirge bildete dafür ein weiteres Beispiel. Daten der Bundesbank wurden in Python aufbereitet und anschließend als dreidimensionales Mesh in die virtuelle Umgebung gebracht. Teilnehmer konnten die gesamte Zinslandschaft vor sich sehen, sie greifen, verkleinern oder vergrößern und einzelne Bereiche aus der Nähe untersuchen. Entwicklungen, die in einer Folge von zweidimensionalen Diagrammen erst mühsam miteinander verglichen werden müssten, wurden dadurch als zusammenhängende Form sichtbar.

Das Fazit des Abends lautete deshalb nicht, dass Bildschirme, Tabellen, Ratingmethoden oder statistische Modelle künftig überflüssig würden. Immersive Analytics soll diese Instrumente ergänzen. Die Stärke liegt vor allem dort, wo mehrere Dimensionen gleichzeitig betrachtet werden müssen und wo Beziehungen zwischen Datenpunkten für die Entscheidung von Bedeutung sind.

Für Credit Ratings ist dies besonders naheliegend. Eine Ratingnote fasst eine komplexe Analyse zusammen. Dahinter stehen quantitative und qualitative Faktoren, historische Erfahrungen, Annahmen über die Zukunft und professionelle Beurteilung. Wenn Ratingklassen, Ausfallraten, Laufzeiten, Zinsstrukturen und weitere Informationen in einem gemeinsamen Raum dargestellt werden, kann dies eine zusätzliche Ebene des Verständnisses schaffen.

Everling formulierte die zukünftige Arbeitsteilung entsprechend klar: Künstliche Intelligenz wird Entscheidungen zunehmend vorbereiten. Sie wird Daten sammeln, Informationen strukturieren, Zusammenhänge identifizieren und Analysen beschleunigen. Die Entscheidungen selbst bleiben jedoch eine Aufgabe des Menschen.

Möglicherweise werden diese Entscheidungen künftig zunehmend in Räumen getroffen, in denen nicht nur ein einzelnes Diagramm oder eine Tabelle sichtbar ist, sondern alle relevanten Faktoren gleichzeitig betrachtet werden können.

Data2Space, die Initiative hinter dem Vortrag, will dafür keine eigene Plattform schaffen. Im Mittelpunkt steht vielmehr der Ansatz, Finanz- und Unternehmensdaten in interaktive Räume zu bringen und zu untersuchen, wo die räumliche Darstellung einen tatsächlichen Mehrwert für Analyse und Entscheidungsfindung schafft.

Die Anwendungsfelder reichen von Credit Ratings und Covered Bonds über Portfoliorisiken und Unternehmensbewertungen bis zu Eigentümerstrukturen und Branchenvergleichen. Der Abend beim iff Immersive Finance Forum zeigte vor allem eines: Die entscheidende Innovation besteht nicht allein darin, Daten dreidimensional darzustellen. Sie liegt darin, komplexe finanzielle Zusammenhänge so in einen gemeinsamen Raum zu übertragen, dass Menschen sie gemeinsam betrachten, aus unterschiedlichen Perspektiven untersuchen und auf dieser Grundlage fundiertere Entscheidungen treffen können.

Die nächste Session des iff Immersive Finance Forum findet am Dienstag, 13. Oktober 2026, um 18:30 Uhr erneut in Arthur auf Meta Quest statt. Als Referent ist dann Christian Salow, Geschäftsführer der altii GmbH, vorgesehen.

Themen: Ratings | Kommentare deaktiviert für Credit Ratings im Raum: Das iff zeigt die Zukunft der Finanzanalyse

Kommentare geschlossen.