FINMA warnt vor Hypothekenrisiken. Wie Banken jetzt Tragbarkeit, Immobilienbewertung und Reputationsrisiken stärken – und KI dabei gezielt einsetzen können.
FINMA-Hinweise zu Hypotheken: Weckruf für Schweizer Banken
Rund 1‘200 Milliarden Franken Hypothekenvolumen in der Schweiz – auf diesem Pulverfass stehen die Banken aktuell. Gleichzeitig ziehen sich die Konjunkturwolken im Spätherbst 2025 wieder etwas zu, die Zinsen bleiben volatil und die Immobilienpreise sind vielerorts auf hohem Niveau stabil.
Genau in dieses Umfeld platzt die neue FINMA-Aufsichtsmitteilung 02/2025 zu Risiken im Immobilien- und Hypothekarmarkt. Sie ist mehr als ein technisches Papier: Sie ist ein deutliches Signal an die Institute, dass Principles-based Regulation bei Hypotheken ausgereizt ist – insbesondere bei Tragbarkeit, Bewertungen und Ausnahmen.
Für Banken, Versicherer und Vermögensverwalter bedeutet das: Wer jetzt nicht nachschärft, riskiert nicht nur Aufsichtsprobleme, sondern auch Reputationsschäden. Gleichzeitig eröffnet die Situation eine Chance, KI-Lösungen in der Schweizer Finanzbranche sehr konkret für Risiko- und Compliance-Automatisierung einzusetzen.
In diesem Beitrag aus unserer Reihe „KI in der Schweizer Finanzbranche: Banking & Vermögensverwaltung“ schauen wir uns an,
- wo die FINMA die grössten Schwachstellen im Hypothekargeschäft sieht,
- welche regulatorischen Erwartungen sich daraus ableiten,
- und wie Banken mit datengetriebenen und KI-basierten Ansätzen diese Anforderungen effizient erfüllen – und geschäftlich nutzen – können.
1. Wo die FINMA Handlungsbedarf im Hypothekarmarkt sieht
Die Message der FINMA ist klar: Hypotheken bleiben ein zentrales systemisches Risiko für den Schweizer Finanzplatz. Drei Risikofelder stehen im Fokus:
- Kreditausfallrisiko (Tragbarkeit)
- Bewertungsrisiko (Immobilienbewertung)
- Reputationsrisiko (z.B. heikle Kreditnehmer, aggressive Strukturen)
Die Aufsichtsarbeiten 2021–2024 waren alles andere als oberflächlich:
- 27 Banken und 18 Versicherungen wurden zu Underwriting-Kriterien befragt.
- 24 Vor-Ort-Kontrollen bei Banken, 7 bei Immobilien- und Hypothekarfonds.
- 6 Vor-Ort-Prüfungen mit Fokus Gewerbehypotheken.
- Stresstests bei 13 Banken.
Das Ergebnis: Principles-based Regulation wird vielerorts maximal ausgereizt. Genau das ist der Punkt, an dem Aufsicht ungemütlich wird.
Kernaussage der FINMA: Tragbarkeit und Bewertungen sind oft zu optimistisch, Ausnahmen zu breit und zu wenig kontrolliert, Reputationsrisiken unzureichend gesteuert.
Für Institute heisst das: Die Erwartungshaltung der FINMA ist jetzt dokumentiert – und damit auch messbar.
2. Tragbarkeit: Wo Banken aktuell zu locker unterwegs sind
2.1 Was die FINMA konkret kritisiert
Die FINMA stellt fest, dass viele Banken
- interne Tragbarkeitsschwellen zu tief ansetzen,
- zahlreiche Kredite bewusst ausserhalb dieser Kriterien vergeben (ETP – Exceptions to Policy),
- diese Ausnahmen zwar irgendwo erfassen, aber nicht konsequent limitieren, überwachen und auswerten.
Regulatorische Basis ist u.a. Art. 72d CAO: Die Bank muss sicherstellen, dass Tragbarkeit systematisch und nach nachhaltigen Kriterien beurteilt wird.
Die neue Guidance geht weiter und nennt Beispiele für nachhaltige Tragbarkeit:
- Robust gegenüber Zinsanstiegen über mehrere Jahre (kein kurzfristiges Schönrechnen anhand aktueller Sätze).
- Konsistente Annahmen zur Zinsbelastung, zu Nebenkosten und zum Einkommen.
- Klare, dokumentierte Schwellenwerte und Prozesse für Ausnahmen.
2.2 Was das praktisch für Kreditprozesse bedeutet
Für Banken reicht ein statisches Excel-Sheet mit einer 5%-Zinsannahme nicht mehr. Gefragt sind:
- Standardisierte, nachvollziehbare Tragbarkeitstools, die für alle Kunden gleich funktionieren.
- Automatisierte Checks, die ETP-Fälle zuverlässig identifizieren.
- Portfoliosicht auf die Kumulation von Ausnahmen nach Segment, Region, Berater, Produkt.
2.3 Wo KI hier konkret hilft
Genau an dieser Stelle wird KI im Retail- und Firmenkundengeschäft hoch relevant:
- Regelbasierte Engines + Machine Learning bewerten Tragbarkeit konsistent und können aus historischen Ausfällen lernen, welche Kombinationen von Faktoren tatsächlich riskant sind.
- Anomalie-Erkennung identifiziert Berater oder Filialen mit überdurchschnittlich vielen riskanten ETP-Fällen.
- Simulationstools modellieren Zinsanstiege und Einkommensschocks für das gesamte Portfolio in Sekunden.
Meine Erfahrung: Institute, die Tragbarkeit mit KI-gestützten Modellen und klaren Governance-Regeln kombinieren, senken ihre Ausfallraten deutlich und können trotzdem selektiv wachsen – weil sie Risikoprofile feiner segmentieren.
3. Immobilienbewertung: Vom Bauchgefühl zum datengetriebenen Modell
3.1 Schwachstellen in der Praxis
Die FINMA beobachtet qualitative Mängel in der Bewertungspraxis, zum Beispiel:
- Zu tiefe Kapitalisierungssätze bei Renditeobjekten – und damit zu hohe Verkehrswerte.
- Unzureichende Dokumentation der Bewertungsmethoden.
- Fehlende oder zu seltene Validierung der Bewertungsmodelle.
Die anerkannte Selbstregulierung (z.B. der Bankenbranche) ist als Mindeststandard zu verstehen. Viele Institute bleiben aber genau auf diesem Niveau – anstatt die Regeln im Rahmen der eigenen Risikopolitik gezielt zu verschärfen.
3.2 Regulatorische Erwartung: Dokumentieren, validieren, nachschärfen
Die FINMA erwartet, dass Institute
- Bewertungsmethoden und statistische Grundlagen sauber dokumentieren,
- Modelle mindestens jährlich validieren und Abweichungen analysieren,
- Segment-spezifische Regeln für Loan-to-Value (LTV) und Amortisation festlegen, nicht nur „one size fits all“.
Besonders im Fokus: Renditeliegenschaften und Buy-to-let-Finanzierungen. Hier empfiehlt die FINMA ausdrücklich
- tiefere Belehnungsgrenzen und
- höhere Amortisationsanforderungen.
3.3 Wie KI-gestützte Bewertungsmodelle FINMA-konform werden
Automatisierte Bewertungsmodelle (AVM) sind in der Schweiz längst angekommen. Die Frage ist: Sind sie auditierbar und aufsichtskonform?
Ein moderner Ansatz umfasst:
- Hybrid-Modelle: Kombination aus hedonischen Modellen, Marktdaten, Mieteinnahmen und – wo sinnvoll – Expertenschätzung.
- Explainable AI (XAI): Modelle, die nachvollziehbar aufzeigen, warum ein Objekt mit CHF X bewertet wird (Lage, Baujahr, Rendite, Vergleichsobjekte usw.).
- Model Governance: Versionierung, jährliche unabhängige Validierungen, Backtesting gegen Transaktionspreise.
- Policy-Verknüpfung: Bewertungsresultate sind direkt mit LTV-Limiten und Amortisationsplänen verknüpft.
So lässt sich die FINMA-Erwartung „Methode dokumentieren und jährlich validieren“ elegant mit einer datengetriebenen, KI-gestützten Bewertungsplattform erfüllen.
4. Reputationsrisiken: Mehr als nur ein Imageproblem
4.1 Warum Reputationsrisiken im Kreditgeschäft zunehmen
Die FINMA spricht explizit von „grossen Reputationsrisiken im Kreditgeschäft“. Gemeint sind etwa:
- Finanzierungen von Objekten oder Kunden, die politisch oder gesellschaftlich heikel sind (ESG, Geldwäschereirisiken, mediale Exponiertheit).
- Aggressive Strukturen (high LTV, wenig Eigenmittel, hohe Risiken für Privatkunden).
- Fälle, in denen sich bei Zinsanstieg massenhaft Kunden in finanzieller Schieflage wiederfinden.
Hier geht es nicht nur um FINMA-Auflagen, sondern um öffentlichen und politischen Druck.
4.2 FINMA-Erwartung: Systematische Erfassung und Steuerung
Die Behörde empfiehlt, Reputationsrisiken
- systematisch zu erfassen,
- zu limitieren und zu überwachen,
- so zu dokumentieren, dass ein sachkundiger Dritter den Entscheid nachvollziehen kann.
Praktisch heisst das: Reputationsrisiko gehört nicht in eine separate Excel-Liste, sondern in den regulären Kreditentscheidungsprozess – idealerweise direkt im Antragsworkflow dokumentiert.
4.3 KI als Radar für Reputationsrisiken
Auch hier können Banken KI gezielt nutzen:
- NLP-Modelle (Natural Language Processing) scannen öffentliche Quellen auf negative Berichte zu Grosskunden, Entwicklern oder Projekten.
- ESG-Scoring-Engines kombinieren regulatorische Kriterien, Medienberichte und interne Daten zu einem Reputationsrisiko-Score.
- Case-Based Reasoning unterstützt Kreditentscheider: „Ähnliche Fälle wurden früher so eingestuft und hatten jene Folgen.“
So entsteht ein Frühwarnsystem für Reputationsrisiken, das sich nahtlos in das Hypothekargeschäft integrieren lässt.
5. Von Mindeststandards zu Wettbewerbsvorteilen – mit KI und klarer Governance
Die FINMA-Guidance zu Immobilien- und Hypothekarrisiken ist kein KI-Dokument. Trotzdem öffnet sie für Schweizer Banken, Versicherer und Vermögensverwalter ein klares Spielfeld: Wer Regulierung intelligent mit Daten und KI verbindet, schafft echten Mehrwert.
Ein pragmatischer Fahrplan, den ich für Institute sinnvoll finde:
-
Regelwerk schärfen
- Tragbarkeitsschwellen pro Kundensegment und Objektart überprüfen.
- LTV- und Amortisationsvorgaben für Renditeobjekte und Buy-to-let zeitnah anpassen.
- ETP-Kriterien definieren und klare Limiten setzen.
-
Datenbasis und Modelle professionalisieren
- Zentrale Datensicht auf Hypotheken, Bewertungen, ETP-Fälle und Ausfälle aufbauen.
- Bewertungsmodelle mit XAI-Funktionalität etablieren.
- Jährliche unabhängige Validierung in den Governance-Prozess integrieren.
-
KI-Use-Cases gezielt priorisieren
- Tragbarkeit & Scoring: ML-Modelle für Ausfallwahrscheinlichkeit, integriert in den Kreditprozess.
- Bewertung & Stress Testing: KI-unterstützte Szenarien für Zins-, Preis- und Leerstandsrisiken.
- Reputation & ESG: NLP-basierte Reputationsradare für gewerbliche Kreditnehmer.
-
Transparenz gegenüber Aufsicht und Kunden erhöhen
- Dokumentation der Modelle und Richtlinien FINMA-tauglich aufbereiten.
- Kunden klarer und frühzeitiger über Tragbarkeit, Risiken und Alternativen informieren.
- Intern eine Kultur fördern, in der ETP nicht als „Trick“, sondern als bewusst gesteuertes Instrument verstanden wird.
Das Ergebnis: weniger Überraschungen, robustere Portfolios und mehr Spielraum in Wachstumsphasen.
6. Wie es in der Serie „KI in der Schweizer Finanzbranche“ weitergeht
Die FINMA-Guidance zu Hypothekarrisiken zeigt sehr plastisch, wie Regulierung, Risiko und KI zusammenhängen. Wer seine Hypothekenprozesse jetzt modernisiert, schafft gleichzeitig eine Basis für weitere KI-Anwendungen – von Robo-Advisory für Immobilieninvestoren bis hin zu personalisierter Betreuung für Hypothekarkunden.
In den nächsten Beiträgen der Serie gehen wir unter anderem darauf ein,
- wie Vermögensverwalter KI für ESG- und Immobilienrisiken ihrer Kundenportfolios nutzen können,
- welche Governance-Strukturen nötig sind, um KI-Modelle FINMA-konform zu betreiben,
- und wie sich KI-basierte Risiko- und Compliance-Lösungen pragmatisch in bestehende Kernbanksysteme integrieren lassen.
Wer jetzt handelt, nutzt die FINMA-Guidance nicht nur als Pflichtlektüre, sondern als Anstoss für ein moderneres, KI-unterstütztes Hypothekargeschäft – und damit als echten Wettbewerbsvorteil im Schweizer Markt.