Physical Climate Risk Model Developer, Vice President

Die Kernaufgabe besteht darin, physische Klimarisiken und naturbezogene Gefahren in quantifizierbare finanzielle Risiken und Kreditrisiken zu übersetzen. Dazu entwickeln Sie Modelle für Gefahren, Exposition, Vulnerabilität und Auswirkungen, bauen Geodaten-Pipelines für komplexe Klima- und Asset-Datensätze auf und übertragen wissenschaftliche Einflussfaktoren in Kennzahlen, die sich für Stresstests, Szenarioanalysen und Portfolioanalysen eignen. Außerdem integrieren Sie externe Anbieter- und öffentliche Gefahrenmodelle in die internen Risiko- und Portfoliodaten von Citi. Neben der Modellierung hat die Position eine ausgeprägte Governance-Komponente. Sie führen Sensitivitätsanalysen, Benchmarking und Modelltests durch, schreiben produktionsreifen Analysecode und erstellen die technische Dokumentation für die Validierung durch das Model Risk Management (MRM) sowie für regulatorische Prüfungen. Dabei präsentieren Sie Ihre Ergebnisse sowohl vor technischem als auch vor nichttechnischem Publikum. Langfristiges Ziel ist es, eine belastbare Quantifizierung physischer Risiken fest in der Art und Weise zu verankern, wie Citi Klimarisiken über Portfolios, Branchen und Regionen hinweg identifiziert, misst und berichtet. So wird der Klimarisikorahmen der Bank gegenüber Aufsichtsbehörden nachvollziehbar und für das Geschäft nutzbar.

Diese Position vereint drei Bereiche, die nur selten zusammenkommen: Katastrophenmodellierung, Klimawissenschaft und Risikomanagement im Bankensektor. Sie können Ihre Kenntnisse zu CAT-Modellierungsmethoden der Branche, zu Wetter- und Gefahrenmodellen von Anbietern und aus öffentlichen Quellen sowie zu den regulatorischen Anforderungen an die Klimaberichterstattung einer global systemrelevanten Bank vertiefen. Auf der technischen Seite bauen Sie praktische Erfahrung mit Geodatenanalysen, bayesscher Inferenz, räumlicher Statistik und maschinellem Lernen auf – angewandt auf sehr große, unstrukturierte Umwelt- und Asset-Datensätze. Produktionsreifen Code in einer kontrollierten Technologieumgebung zu schreiben, erfordert andere Fähigkeiten als das Erstellen von Forschungsprototypen. Diese Position vermittelt genau diese Kompetenzen. Auch die Governance-Erfahrung ist wertvoll. Methoden für die MRM-Validierung und regulatorische Anforderungen aufzubereiten, schafft die nötige Glaubwürdigkeit für einen späteren Wechsel in das Modellrisikomanagement, die Klimarisikopolitik oder eine übergreifende Führungsrolle im Unternehmensrisikomanagement.

In der Ausschreibung wird ausdrücklich ein weiterführender Abschluss – Master oder Promotion – in einem quantitativen Fachgebiet mit Bezug zu Naturgefahren vorausgesetzt, etwa Hydrologie, Meteorologie, Klimawissenschaften, Umwelt- oder Biowissenschaften, Statistik, Physik, Ingenieurwissenschaften oder Mathematik. Hinzu kommen sechs bis zehn Jahre einschlägige Berufserfahrung in quantitativer Modellierung, Data Science, Klimarisiken, Katastrophenmodellierung oder der analytischen Bewertung von Umweltrisiken. Das ideale Profil verbindet fundierte Kenntnisse in statistischer Modellierung oder Machine Learning mit sehr guten Python-, SQL- und Unix/Linux-Kenntnissen sowie nachgewiesener Erfahrung mit Daten zu Gefahren, Exposition und Vulnerabilität. Vertrautheit mit externen Katastrophenmodellen und Klimadatenquellen ist hier wichtiger als allgemeine Bankerfahrung. Auch die sozialen Kompetenzen sind entscheidend. In der Rolle arbeiten Sie mit Anbietern, Teams der First und Second Line sowie fachlichen Auftraggebern zusammen. Deshalb ist es ebenso wichtig, den Aufbau von Modellen, ihre Annahmen und Grenzen verständlich zu erläutern und kritische Rückfragen souverän anzunehmen, wie die Modelle selbst zu entwickeln.

Da die geforderte Qualifikation ungewöhnlich spezifisch ist – ein weiterführender Abschluss in einem naturgefahrennahen Fachgebiet sowie mindestens sechs Jahre Erfahrung in der Modellierung von Katastrophen-, Klima- oder Umweltrisiken –, sollte Ihr Lebenslauf genau diese Kombination in den Vordergrund stellen und nicht eine allgemeine Data-Science-Laufbahn. Nennen Sie die Gefahren und Modelle, mit denen Sie gearbeitet haben, die verwendeten Datensätze und ob Ihre Arbeit in Stresstests oder aufsichtsrechtliche Berichte eingeflossen ist. Da Citi großen Wert auf Modellgovernance legt, können Sie sich mit Beispielen für Dokumentationen profilieren, die Sie für Validierungsausschüsse oder Aufsichtsbehörden erstellt haben. Konkrete Fälle, in denen Sie Ergebnisse aus der Modellierung physischer Gefahren in Kennzahlen zu finanziellen Auswirkungen oder Kreditrisiken übersetzt oder Modelle in kontrollierte Produktionsumgebungen überführt haben, passen besonders gut zur Stellenbeschreibung. Bereiten Sie sich im Vorstellungsgespräch darauf vor, ein von Ihnen entwickeltes Modell von Anfang bis Ende zu erläutern: Annahmen, Sensitivitäten, Benchmark-Auswahl und Grenzen. Citi legt ausdrücklich Wert auf konstruktive Kritik und verständliche Kommunikation mit nicht-technischen Zielgruppen. Üben Sie daher, Ihre technisch anspruchsvollste Arbeit auch in einfachen Worten zu erklären.

Im Mittelpunkt steht hier die Quantifizierung von Klimarisiken, nicht die Verringerung von Emissionen. Die Rolle konzentriert sich auf die physischen Folgen des Klimawandels – akute Gefahren wie Überschwemmungen und Stürme sowie langfristige Veränderungen wie zunehmende Hitze und den Meeresspiegelanstieg – und zunehmend auch auf naturbezogene Risiken. Die Ergebnisse fließen in die Szenarioanalysen und Stresstests von Citi ein. Die Arbeit bildet die Grundlage dafür, wie eine global systemrelevante Bank die finanziellen Folgen von Umweltveränderungen einschätzt: Welche Vermögenswerte, Branchen und Regionen sind betroffen, wie anfällig sind sie und welche Auswirkungen hat das auf Kreditrisiken und die Stabilität von Portfolios? Damit ist sie zentral für die aufsichtsrechtlichen Anforderungen an das Klimarisikomanagement. Citi hat sich übergeordnet zu Netto-Null-Zielen und nachhaltiger Finanzierung verpflichtet. Der Beitrag dieser Position liegt jedoch vor allem im analytischen Fundament: belastbare, quantitative und governance-konforme Nachweise, mit denen die Bank Umweltrisiken bewerten und steuern kann, statt sie lediglich zu dokumentieren.

Die größte Herausforderung sind die Daten. Datensätze zu physischen Gefahren, Exposition und Vulnerabilität sind lückenhaft, uneinheitlich skaliert und oft an bestimmte Anbieter gebunden. Deshalb fließt viel Arbeit in die Beschaffung, Zusammenführung und Validierung der Eingangsdaten, noch bevor die Modellierung beginnt. Die räumliche Zuordnung über verschiedene Portfolios und Regionen hinweg macht die Aufgabe zusätzlich komplex. Eine weitere Herausforderung besteht darin, die Ergebnisse verständlich zu übertragen. Wissenschaftliche Erkenntnisse und Resultate aus Gefahrenmodellen lassen sich selten direkt in Finanzkennzahlen übersetzen. Zeiträume, Wiederkehrintervalle und Szenarioannahmen mit den Rahmenwerken für Kreditrisiken in Einklang zu bringen, erfordert Urteilsvermögen und wird vom Model Risk Management genau geprüft. Schließlich gilt es, die Anforderungen an Governance auszubalancieren: Die Modelle müssen innovativ genug sein, um neue Klima- und Naturrisiken zu erfassen, zugleich aber stabil, gut dokumentiert und belastbar genug, um Validierungen zu bestehen und den Anforderungen der Aufsichtsbehörden gerecht zu werden. Dieser Spagat dürfte den Arbeitsalltag maßgeblich prägen.

Ein typischer Arbeitstag verbindet konzentrierte technische Arbeit mit Abstimmung. Sie werden voraussichtlich längere Zeit mit dem Schreiben und Debuggen von Python- und SQL-Pipelines verbringen, räumliche Gefahrenlayer verarbeiten, Daten externer Anbieter mit internen Portfoliodaten zusammenführen und Sensitivitäts- oder Benchmark-Tests für Modelle in Entwicklung durchführen. Ein großer Teil des Kalenders ist jedoch der Zusammenarbeit gewidmet. Die Rolle stimmt sich mit externen Anbietern zur Datenbeschaffung sowie mit Teams der First und Second Line zur Entwicklung von Funktionen für die Klimarisikobewertung ab. Regelmäßige Gespräche mit Technologie-, Model-Risk- und Fachverantwortlichen gehören daher dazu. Auch die Dokumentation für Governance und Validierung nimmt kontinuierlich Zeit in Anspruch. Je nach Arbeitszyklus variiert der Schwerpunkt: In ruhigeren Phasen stehen Modellentwicklung und Forschung im Vordergrund. Bei Stresstests, aufsichtsrechtlichen Einreichungen oder Validierungsprüfungen geht es stärker um Tests, Dokumentation und die Präsentation von Ergebnissen für technische wie nicht-technische Zielgruppen.

Die hohe Sichtbarkeit ist ein großer Vorteil. Da die Modellierung physischer Klimarisiken in einer global systemrelevanten Bank in Stresstests, Szenarioanalysen und aufsichtsrechtliche Berichte einfließt, werden überzeugende Arbeitsergebnisse weit über das eigene Team hinaus wahrgenommen – von der Leitung des unternehmensweiten Risikomanagements, dem Model Risk Management und den Aufsichtsbehörden. Mögliche nächste Schritte sind eine stärkere Spezialisierung im Bereich Climate Risk Analytics, der Wechsel in eine übergreifende Führungsrolle im Risikomanagement oder Modellrisikomanagement oder ein Wechsel in Bereiche wie Sustainable Finance und Klimastrategie. Die Kombination aus quantitativer Expertise und Einblick in Governance-Prozesse lässt sich auch in Banken, Versicherungen und der Beratung einsetzen. Citi ordnet die Rolle zudem in eine große Organisation für Daten, Analytics, Reporting und Technologie ein. Dadurch ergeben sich Einblicke in Data Engineering, die technische Implementierung und bereichsübergreifende Programme – Erfahrungen, die die Karriereoptionen von Fachleuten für Modellierung deutlich erweitern können.

Die engste Zusammenarbeit findet intern im Climate Risk Analytics-Team innerhalb von Credit, Climate and Obligor Risk Analytics sowie mit Kolleginnen und Kollegen aus der Organisation für Daten, Analytics, Reporting und Technologie statt. Die Zusammenarbeit mit Technologie-Teams ist kontinuierlich, da die Modelle in kontrollierten Produktionsumgebungen implementiert werden müssen. Über das unmittelbare Team hinaus arbeitet die Rolle mit der First Line of Defence an der Festlegung von Anforderungen und der Beschaffung von Daten sowie mit Funktionen der Second Line, darunter dem Model Risk Management, an Validierung und Governance. Fachliche Auftraggeber und Portfoli Analysten nutzen die Ergebnisse; Präsentationen für nicht-technische Zielgruppen gehören daher regelmäßig zu den Aufgaben. Extern sind Anbieter von Klimadaten und Katastrophenmodellen wichtige Ansprechpartner. Die Rolle bewertet und integriert ihre Modelle und stimmt sich mit ihnen zu Daten über Gefahren, Exposition und Vulnerabilität ab. Aufsichtsbehörden treten seltener, aber mit hoher Bedeutung als Zielgruppe auf – meist mittelbar über Dokumentation und Berichterstattung.