Extremereignis

Die meisten Dinge im Leben bewegen sich in einem gewohnten Rahmen. Der Aktienkurs schwankt um ein paar Prozent, der Fluss steigt im Frühjahr etwas an, der Stromverbrauch ist abends höher als nachts. Ein Extremereignis ist ein Vorfall, der weit außerhalb dieses gewohnten Rahmens liegt. Es passiert selten, oft nur alle Jahrzehnte, richtet dafür aber enormen Schaden an. Beispiele sind ein Kurssturz von dreißig Prozent an einem Tag, eine Flut, wie sie seit hundert Jahren nicht auftrat, oder ein flächendeckender Stromausfall. Der Begriff ist bewusst weit gefasst und wird in der Finanzwelt, der Klimaforschung und der Technik gleichermaßen benutzt.

Warum seltene Fälle den größten Schaden anrichten

Wer Risiken einschätzt, schaut meist auf den Durchschnitt. Genau das ist bei Extremereignissen der falsche Blick. Der durchschnittliche Börsentag verrät nichts über den einen Tag, an dem ein Fonds die Hälfte seines Werts verliert. Ein einziges solches Ereignis kann mehr Geld vernichten als zehn gute Jahre eingebracht haben.

Dazu kommt ein Denkfehler, der sehr verbreitet ist. Weil etwas noch nie passiert ist, halten viele Menschen es für unmöglich. Tatsächlich heißt es nur, dass der Beobachtungszeitraum zu kurz war. Der Statistiker Nassim Taleb hat dafür das Bild vom schwarzen Schwan geprägt: In Europa hielt man alle Schwäne für weiß, bis in Australien schwarze auftauchten.

Für Banken und Versicherungen ist das kein Gedankenspiel, sondern Vorschrift. Aufsichtsbehörden verlangen, dass Institute auch harte Krisenfälle durchrechnen. Diese Rechnungen heißen Stresstests. Sie fragen nicht, was wahrscheinlich passiert, sondern was im schlimmen Fall passieren würde.

Wie man das Seltene berechenbar macht

Das Kernproblem ist der Mangel an Beispielen. Ein KI-Modell lernt aus Daten aus der Vergangenheit. Kommt ein Fall darin nur einmal oder gar nicht vor, kann das Modell ihn nicht zuverlässig erkennen. Es optimiert stattdessen auf den Normalfall, weil sich damit die meisten Punkte holen lassen. Ein Betrugserkenner, der bei einem Betrugsanteil von 0,1 Prozent einfach immer „kein Betrug“ sagt, liegt in 99,9 Prozent der Fälle richtig und ist trotzdem nutzlos.

Die Statistik hat dafür ein eigenes Werkzeug, die Extremwerttheorie. Sie betrachtet nicht alle Daten, sondern nur die höchsten Ausschläge, etwa die jährlichen Höchststände eines Flusses. Für diese Ausschläge gelten eigene mathematische Verteilungen. Damit lässt sich abschätzen, wie hoch ein Pegel alle hundert Jahre steigen dürfte, obwohl man nur fünfzig Jahre Messdaten hat.

In der KI helfen zusätzlich zwei Tricks. Man erzeugt künstliche Beispiele für seltene Fälle, damit das Modell überhaupt etwas zu lernen hat. Und man gewichtet Fehler unterschiedlich: Ein übersehenes Extremereignis kostet im Training viel mehr Strafpunkte als ein falscher Alarm. Beides verschiebt die Aufmerksamkeit des Modells vom Durchschnitt zum Rand.

Vom Hochwasserschutz bis zum Rechenzentrum

In Finanznachrichten taucht der Begriff meist als Tail-Risiko auf, wörtlich Schwanzrisiko. Gemeint ist der äußere Rand der Wahrscheinlichkeitskurve, wo die seltenen, teuren Fälle sitzen. Kennzahlen wie der Value at Risk versuchen, dieses Risiko in eine Zahl zu fassen. Nach der Finanzkrise 2008 galt genau das als schwere Fehleinschätzung: Die Modelle hielten den Zusammenbruch für praktisch ausgeschlossen.

In der Klimaforschung geht es um Hitzewellen, Starkregen und Dürren. Hier hat sich die Lage verschoben, denn die Erwärmung macht manche Extreme deutlich häufiger. Ereignisse, die früher alle fünfzig Jahre auftraten, kommen mancherorts alle zehn Jahre. Historische Daten allein reichen für die Planung von Deichen oder Kanalnetzen deshalb nicht mehr aus.

Auch in der Technik ist das Thema präsent. Ein selbstfahrendes Auto muss mit der Situation umgehen, die es nie im Training gesehen hat. Betreiber von Rechenzentren planen für den gleichzeitigen Ausfall mehrerer Systeme. In beiden Fällen gilt dieselbe Regel: Nicht der Normalbetrieb entscheidet über die Sicherheit, sondern der seltene schlechte Tag.