Communitygithub.com

MikeCheng1208/BattleTree

Erkennen und Erklären von Risikoverschiebungen (Risk Drift) in Kreditportfolios über die Zeit mittels Vintage-Analyse, Migrationsmatrizen und Konzentrationskennzahlen. Verwenden Sie dies bei der Überwachung von Portfoliokreditqualitätstrends, der Erstellung von Risikoberichten für den Vorstand, der Durchführung von Stresstests oder wenn Risikokennzahlen von den Risikoappetit-Schwellenwerten abweichen.

Was ist BattleTree?

Diese Fähigkeit (Skill) ermöglicht die umfassende Überwachung und Quantifizierung von Veränderungen im Risikoprofil eines Kreditportfolios über die Zeit. Sie ist besonders nützlich für die quartalsweise Risikoberichterstattung, die Erkennung von Verschlechterungen in der Kreditvergabequalität, die Überwachung von Konzentrationsgrenzen und die Durchführung von Stresstests. Der Skill ist als universeller AI-Agent-Skill konzipiert und kann auf Plattformen wie Claude Code, Cursor oder Codex eingesetzt werden. Die Methodik umfasst sieben Schritte: Vintage-Kurvenanalyse, Erstellung von Kreditmigrationsmatrizen, Verfolgung von Konzentrationsverschiebungen, ein Frühwarnindikator-Dashboard, eine Attributionsanalyse zur Zerlegung der Drift-Ursachen, die Überlagerung von Stressszenarien und schließlich die Erstellung eines umfassenden Berichts mit Handlungsempfehlungen. Ein zentraler Output ist der Portfolio-Risiko-Drift-Bericht, der ein Risiko-Dashboard mit Ampelsystem, Vintage-Analysen, Migrationszusammenfassungen, eine Drift-Attribution und Ergebnisse von Stresstests enthält. Die Analyse folgt dem VMIC-Framework (Vintage, Migration, Indicators, Concentration).

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/MikeCheng1208/BattleTree/tree/HEAD/.agents/skills/portfolio-risk-drift-detection

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Erkennung von Portfolio-Risikoverschiebungen (Risk Drift)

Überblick

Überwachen und quantifizieren Sie Veränderungen des Risikoprofils eines Kreditportfolios im Zeitverlauf. Diese Fähigkeit wendet Vintage-Analyse, Kreditmigrationsmatrizen, Konzentrationsverfolgung und Frühwarnindikatoren an, um Abweichungen vom Risikoappetit des Instituts zu erkennen, bevor Verluste eintreten. Zu den Ergebnissen gehören eine Trendzerlegung, eine Zuordnung der Drift-Treiber und umsetzbare Empfehlungen für Portfoliomanagement-Ausschüsse.

Verwendungszweck

  • Quartalsweise Portfolio-Risikoberichterstattung an Vorstand und Risikoausschüsse
  • Erkennung von Verschlechterungen der Kreditvergabequalität über verschiedene Jahrgänge (Vintages) hinweg
  • Überwachung von Konzentrationsgrenzverletzungen (Geografie, Branche, Kreditnehmer)
  • Stresstests der Portfoliowiderstandsfähigkeit unter adversen Szenarien
  • Bewertung der Auswirkungen von Kreditpolitikänderungen auf die Portfoliozusammensetzung
  • Reaktion auf Frühwarnsignale aus Verzugs- oder Migrationstrends

Erforderliche Eingaben

EingabeBeschreibungFormat
Kreditdatensatz (Loan Tape)Vollständiges Portfolio mit Vergabe- und LeistungsdatenDarlehensebene-Extrakt
Vintage-TagsVergabequartal/-jahr für jedes DarlehenDatumsfeld
RisikobewertungenInterne Risikostufen oder PD-BänderBewertungsskala
LeistungsdatenVerzugsstatus, Abschreibungen, ÄnderungenMonatliche Momentaufnahmen
RisikoappetitVom Vorstand genehmigte Grenzen und SchwellenwerteRichtliniendokument
MakroindikatorenArbeitslosigkeit, HPI, BIP, ZinsprognosenWirtschaftsdaten-Feed

Methodik

Schritt 1 – Vintage-Kurvenanalyse

Erstellen Sie kumulative Ausfall- und Verlustkurven nach Vergabejahrgang:

  • Zeichnen Sie die kumulative Netto-Abschreibungsrate (NCO) nach der Anzahl der Monate im Bestand für jeden Jahrgang auf
  • Vergleichen Sie aktuelle Jahrgänge mit etablierten Benchmarks zu entsprechenden Zeitpunkten
  • Berechnen Sie den Vintage-Abweichungsindex: Verhältnis der aktuellen Jahrgangs-NCO zur Benchmark-NCO zum gleichen Monat im Bestand
  • Markieren Sie Jahrgänge, bei denen der Abweichungsindex 1,2 übersteigt (20 % schlechter als der Benchmark)
  • Zerlegen Sie Abweichungen in einen Volumeneffekt (Mischungsverschiebung) vs. einen Raten-(Qualitäts-)Effekt

Schritt 2 – Erstellung einer Kreditmigrationsmatrix

Erstellen Sie Übergangsmatrizen, die die Ratingbewegungen zwischen den Perioden zeigen:

  • Erstellen Sie für jeden Berichtszeitraum eine NxN-Migrationsmatrix (vierteljährlich empfohlen)
  • Berechnen Sie die Aufstufungsrate, die Herabstufungsrate und die Stabilitätsrate für jede Stufe
  • Berechnen Sie den gewichteten durchschnittlichen Migrationsscore (WAMS): positiv = Portfolioaufwertung, negativ = Portfolioverschlechterung
  • Vergleichen Sie aktuelle Migrationsmuster mit historischen Normen (3-Jahres-, 5-Jahres-Durchschnitte)
  • Identifizieren Sie Stufen mit abnormaler Herabstufungsgeschwindigkeit (>1,5-fache historische Rate)

Schritt 3 – Verfolgung von Konzentrationsverschiebungen

Überwachen Sie die Portfoliokonzentration in wichtigen Dimensionen:

  • Geografisch: Engagement nach Bundesland/MSA im Vergleich zu Grenzen
  • Branche/Sektor: NAICS-Code-Konzentration im Vergleich zu Diversifikationszielen
  • Kreditnehmergröße: Einzelnamenkonzentration und Top-10/Top-25-Engagement
  • Produktmix: Fest vs. variabel, besichert vs. unbesichert, befristet vs. revolvierend
  • Risikostufenverteilung: Prozentsatz in den Kategorien „Pass“, „Watch“, „Substandard“, „Doubtful“

Berechnen Sie den Herfindahl-Hirschman-Index (HHI) für jede Dimension und verfolgen Sie den Trend. Markieren Sie jede Dimension, in der der HHI gegenüber dem Vorquartal um >10 % steigt oder die Richtliniengrenze überschreitet.

Schritt 4 – Dashboard der Frühwarnindikatoren

Berechnen Sie die folgenden Frühindikatoren und stellen Sie deren Trend dar:

  • 30-Tage-Verzugsrate nach Jahrgang und Produkt (frühestes Signal)
  • Roll-Rate-Analyse: Wahrscheinlichkeit des Übergangs von aktuell → 30 DPD → 60 DPD → 90 DPD → Abschreibung
  • Wahrscheinlichkeitsmigration des Ausfalls (PD): Gewichtete durchschnittliche PD des Portfolios im Vergleich zu früheren Perioden
  • Trend des Verlusts bei Ausfall (LGD): Wiederherstellungsraten bei eingetretenen Ausfällen
  • Erwarteter Kreditverlust (ECL) nach CECL/IFRS 9: Bewegung der lebenslangen Verlustschätzung
  • Anteil der kritisierten Aktiva: Klassifiziert + besondere Erwähnung als Prozentsatz der gesamten Darlehen

Schritt 5 – Attributionsanalyse

Zerlegen Sie die beobachtete Drift in Grundursachen:

  • Vergabequalität: Sind Neuzugänge risikoreicher als der historische Durchschnitt?
  • Alterungseffekt: Entwickeln sich ältere Darlehen wie für ihr Alter erwartet?
  • Wirtschaftsumfeld: Können makroökonomische Faktorenverschiebungen die beobachtete Migration erklären?
  • Politikänderungen: Haben aktuelle Änderungen der Kreditpolitik das Risikoprofil verändert?
  • Portfolioabfluss: Konzentrieren sich Tilgungen in risikoärmeren Segmenten, sodass ein riskanterer Restbestand zurückbleibt?

Verwenden Sie einen Zerlegungsrahmen: Gesamtdrift = Vergabeeffekt + Alterungseffekt + Konjunktureffekt + Mischungseffekt + Resteffekt

Schritt 6 – Überlagerung von Stressszenarien

Projizieren Sie die Portfolioperformance unter Stress:

  • Wenden Sie regulatorische Stressszenarien (CCAR schwerwiegend advers) auf das aktuelle Portfolio an
  • Berechnen Sie gestresste PD, LGD und ECL für jedes Szenario
  • Vergleichen Sie gestresste Verluste mit Kapitalpuffern und Kreditverlustrückstellungen
  • Bewerten Sie, ob die beobachtete Drift die Anfälligkeit für Stress erhöht hat
  • Quantifizieren Sie das zusätzliche Kapital, das erforderlich ist, wenn die Drift im aktuellen Tempo anhält

Schritt 7 – Berichtserstellung und Empfehlungen

Erstellen Sie einen umfassenden Drift-Bericht mit:

  • Portfolio-Risiko-Dashboard mit Ampelindikatoren
  • Trenddiagramme für alle wichtigen Kennzahlen (mindestens 12 Quartale Horizont)
  • Spezifische Drift-Ergebnisse mit Ursachenzuordnung
  • Vergleich mit Risikoappetit-Schwellenwerten (innerhalb / in der Nähe / überschritten)
  • Empfohlene Managementmaßnahmen (Vergabe verschärfen, Rückstellungen erhöhen, Absicherung)

Ausgabespezifikation

## Portfolio-Risiko-Drift-Bericht — [Zeitraum]

### Risiko-Dashboard
| Kennzahl | Aktuell | Vorquartal | Veränderung zum Vorjahr | Appetitgrenze | Status |
|----------|---------|------------|------------------------|---------------|--------|
| Gewichtete durchschnittliche PD | X,XX% | X,XX% | +/- X Basispunkte | X,XX% | [G/G/R] |
| Gewichteter durchschnittlicher LGD | XX,X% | XX,X% | +/- X Prozentpunkte | XX,X% | [G/G/R] |
| NCO-Rate | X,XX% | X,XX% | +/- X Basispunkte | X,XX% | [G/G/R] |
| 30+ DPD | X,XX% | X,XX% | +/- X Basispunkte | X,XX% | [G/G/R] |
| HHI (Geo) | X.XXX | X.XXX | +/- XXX | X.XXX | [G/G/R] |
| Anteil kritisierter Aktiva | X,XX% | X,XX% | +/- X Basispunkte | X,XX% | [G/G/R] |

### Vintage-Analyse
- Jahrgang mit der schlechtesten Performance: [Quartal] — [X]% über Benchmark bei [N] MOB
- Jahrgänge auf der Beobachtungsliste: [Liste]

### Migrationszusammenfassung
- Gewichteter durchschnittlicher Migrationsscore: [X,XX] (negativ = sich verschlechternd)
- Stufen mit erhöhter Herabstufungsgeschwindigkeit: [Liste]

### Drift-Attribution
- Vergabequalität: [X]% der gesamten Drift
- Wirtschaftsumfeld: [X]% der gesamten Drift
- Mischungs-/Abflusseffekt: [X]% der gesamten Drift
- Auswirkungen von Politikänderungen: [X]% der gesamten Drift

### Stresstest-Auswirkungen
- Basis-ECL: $[X] Mio.
- Schwerwiegend adverser ECL: $[X] Mio. (+[X]%)
- Kapitaladäquanz unter Stress: [Angemessen / Grenzwertig / Unzureichend]

### Empfehlungen
1. [Maßnahme — Verantwortliche Stelle — Zeitplan]
2. [Maßnahme — Verantwortliche Stelle — Zeitplan]
3. [Maßnahme — Verantwortliche Stelle — Zeitplan]

Analyse-Framework

Wenden Sie das VMIC-Framework an:

  • Vintage — Vergleichen Sie Kohorten-Performance-Kurven mit Benchmarks
  • Migration — Verfolgen Sie Kreditstufenübergänge auf Richtungsänderungen
  • Indikatoren — Überwachen Sie Frühwarnsignale für Verzug und Verluste
  • Concentration — Messen Sie Diversifikationsänderungen in verschiedenen Dimensionen

Beispiele

Beispiel 1 – Verschlechterung der Kreditvergabequalität

Ergebnis: Auto-Darlehen aus dem 3. Quartal 2025 zeigen eine 30-Tage-Verzugsquote von 4,2 % bei 6 MOB gegenüber 2,8 % Benchmark (Abweichungsindex: 1,50). Attribution: 68 % Vergabequalität (durchschnittlicher FICO-Wert sank nach Politikänderung um 22 Punkte), 32 % Konjunktur (regionaler Anstieg der Arbeitslosigkeit). Empfehlung: Mindest-FICO auf den Wert vor der Änderung zurücksetzen, für betroffene MSAs einen geografischen Risiko-Overlay anwenden.

Beispiel 2 – Konzentrationsverletzung

Ergebnis: Das CRE-Büroengagement erreichte 342 % des Kernkapitals (Grenze: 300 %). Der HHI für die Branchenkonzentration stieg im Quartalsvergleich um 18 %. Die Migrationsmatrix zeigt, dass 12 % der CRE-Bürodarlehen im Quartal herabgestuft wurden (historische Norm: 4 %). Empfehlung: Neue CRE-Bürovergaben pausieren, die Bearbeitung notleidender Kredite beschleunigen, dem Vorstand innerhalb von 30 Tagen einen Sanierungsplan vorlegen.

Richtlinien

  • Verwenden Sie mindestens 12 Quartale historischer Daten für Trendanalyse und Benchmark-Erstellung
  • Wenden Sie sowohl absolute Schwellenwerte als auch Änderungsratenauslöser für Frühwarnungen an
  • Trennen Sie die Portfoliodrift von erwarteten Alterungsmustern durch altersbereinigte Kennzahlen
  • Validieren Sie Vintage-Kurven anhand der tatsächlichen Verlustentstehung, bevor Sie sie als Benchmarks verwenden
  • Stimmen Sie Ergebnisse mit ALCO, Kreditrisikoausschuss und Finanzabteilung (Rückstellungsadäquanz) ab
  • Präsentieren Sie Migrationsmatrizen auf der einzelnen Stufenebene, nicht aggregiert als bestanden/nicht bestanden
  • Dokumentieren Sie alle Datenquellen, Ausschlüsse und Methodenannahmen

Validierungs-Checkliste

  • Vintage-Kurven sind altersbereinigt für einen fairen Vergleich zwischen Kohorten
  • Migrationsmatrizen sind vollständig (alle Stufen vertreten, Zeilen summieren sich auf 100 %)
  • Konzentrationskennzahlen spiegeln aktuelle ausstehende Beträge wider, nicht nur Zusagen
  • Frühwarnindikatoren verwenden über alle Zeiträume hinweg konsistente Definitionen
  • Die Attributionsanalyse berücksichtigt alle wesentlichen Drift-Treiber
  • Stressszenarien sind aktuell (abgestimmt mit der neuesten CCAR/DFAST-Leitlinie)
  • Risikoappetit-Schwellenwerte spiegeln die vom Vorstand genehmigten Grenzen wider, nicht informelle Ziele
  • Der Bericht enthält sowohl quantitative Kennzahlen als auch kontextuelle Erläuterungen
  • Datenqualitätsprobleme werden offengelegt und deren Auswirkungen auf Schlussfolgerungen bewertet
  • Empfehlungen werden nach Dringlichkeit und erwarteter Auswirkung priorisiert

Individual skills in this repo

This repo contains 12 individual skills — each has its own dedicated page.

MikeCheng1208/BattleTree

Index-based file discovery using ABOUTME headers. Use INSTEAD of grep or Explore agent when searching for files by purpose or feature. Faster and more accurate than scanning code. Invoke this skill when user asks "which files handle X", "where is Y implemented", or when you need to find files related to a feature or task.

MikeCheng1208/BattleTree

Factor modeling and portfolio construction (Markowitz, Black-Litterman, constraints, turnover).

MikeCheng1208/BattleTree

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

MikeCheng1208/BattleTree

Analyze the CustomGPT.ai Labs Innovation workbook and cost tracking data to surface portfolio-level insights, trends, and recommendations for where to focus Innovation efforts.

MikeCheng1208/BattleTree

Personal meta-skill for Arach. Use this as the entry point to understand arach's projects, conventions, and available skills. Activates on "arach's projects", "what does arach work on", or when working in any arach/* repo.

MikeCheng1208/BattleTree

High-converting landing pages. Copy + design + implementation. Triggers: landing page, conversion page.

MikeCheng1208/BattleTree

Expert in building portfolios that actually land jobs and clients - not just showing work, but creating memorable experiences. Covers developer portfolios, designer portfolios, creative portfolios,...

MikeCheng1208/BattleTree

Automate Klipfolio tasks via Rube MCP (Composio). Always search tools first for current schemas.

MikeCheng1208/BattleTree

Minimalist, typography-focused portfolio design system inspired by neo-brutalist and Swiss design principles. Emphasizes bold typography, generous whitespace, monochromatic color schemes, and elegant simplicity for developer/designer portfolios.

MikeCheng1208/BattleTree

Portfolio allocation and rebalancing optimizer. Manages asset allocation across stocks/cash/bonds, performs periodic rebalancing, and ensures diversification according to market regime and risk tolerance.

MikeCheng1208/BattleTree

Optimize project portfolio selection under constraints using mathematical optimization

MikeCheng1208/BattleTree

Build a GitHub portfolio that gets you hired — curate 3-5 polished projects, craft compelling READMEs, deploy live demos, tell a coherent story across your repos, and align everything to AI-native development roles. Use when preparing your GitHub for job searches, deciding what to pin, or auditing your public presence.

Verwandte Skills