Komplementäre Sichtweisen

Die Finanzmarktkrise hat gezeigt, dass die Aussagekraft der existierenden Risikomodelle in schwierigen Marktsituationen begrenzt ist. Dabei sind zum einen methodische Fragen berührt, beispielsweise ob auch massive Spreadausweitungen in den verwendeten Algorithmen angemessen abgebildet werden; zum anderen steht die Parametrisierung (zum Beispiel hinsichtlich Schätzunsicherheiten bei Korrelationen) auf dem Prüfstand und muss in vielen Fällen belastbarer abgeleitet und begründet werden.

Gleichzeitig stellen die aufsichtsrechtlichen Anforderungen verstärkt auf Szenariobetrachtungen im Sinne von Stress- Tests und ähnlichem ab. Entsprechende Analysen haben den klaren Vorteil, in der Regel besser kommunizierbar zu sein, da sie sich auf – hypothetische oder historische – Konstellationen auf Gesamtbank- Ebene beziehen lassen und insofern mit kaufmännischer Intuition und „gesundem Menschenverstand“ unmittelbarer verständlich sind.

Vor diesem Hintergrund stellt sich die Frage, inwieweit sich beide Betrachtungsweisen – Risikomodellierung vs. Szenariobetrachtungen – im Sinne einer verzahnten Gesamt-Perspektive ergänzen können und welche Beschränkungen im jeweiligen Kontext zu beachten sind.

Für die Risikomodellierung ergibt sich aus der Analyse der jüngsten Marktverwerfungen die Anforderung, insbesondere in der Parametrisierung sowie mit Blick auf die abgebildeten Effekte mit höherer Sorgfalt vorzugehen. Dies gilt sowohl für die Steuerung von Marktpreis-, Kredit- als auch von Liquiditätsrisiken, für die sich aus der Analyse der Finanzmarktkrise vielfältige Erkenntnisse ziehen lassen.

Statistische Risikomodellierung
Die Marktpreisrisikosteuerung basiert beispielsweise in vielen Häusern auf dem Konzept der historischen Simulation; dabei werden in der Vergangenheit aufgetretene Veränderungen von Marktparametern wie Zinsen, Aktienkursen oder ähnliches auf das aktuelle Portfolio angewendet und statistisch ausgewertet. Gelegentlich werden dabei insbesondere für die Auswertung von Zinsänderungsrisiken auch gespiegelte Szenarien verwendet, um die Variationsvielfalt zu erhöhen; in diesem Zusammenhang kann natürlich von einer „historischen“ Simulation nicht mehr die Rede sein. Kritischer ist jedoch der Umstand, dass extreme Marktbewegungen (zum Beispiel die Spreadausweitungen ab Herbst 2008) in diesem Ansatz nicht angemessen antizipiert werden können, da sie über die bisherigen Erfahrungen innerhalb des (ohnehin limitierten) Historienzeitraums weit hinausgehen.

Einen Ausweg könnte die systematische Erzeugung stochastischer Szenarien bieten, beispielweise durch den Ansatz von so genannten Jump-Diffusion-Prozessen; diese sind jedoch in der Praxis schwer und nicht ohne weitere Annahmen zu parametrisieren. Ohnehin wird auch in diesem Kontext auf die historische Erfahrung zurückgegriffen, um beispielsweise Volatilitäten und ihre Veränderungen festzulegen; eine Berücksichtigung noch nie dagewesener Szenarien ist zwar methodisch möglich, kann aber nicht in vollem Umfang sichergestellt werden.

Für die Modellierung von Kreditportfolios stellen sich ähnliche Fragen mit Blick auf die zugrunde liegenden Korrelationen, die beispielsweise zwischen Branchen oder Ländern angesetzt werden, um realistische Wechselwirkungen innerhalb der verschiedenen Struktursegmente abzubilden. Typischerweise steht hierfür nur eine schmale historische Datenbasis zur Verfügung, so dass die dabei unvermeidbaren Schätzfehler eine nicht zu unterschätzende Auswirkung auf die Risikomessung haben können (Farner/Koll, 2010).

Eine Weiterentwicklung entsprechender Modelle mit Blick auf diese Unsicherheitsfaktoren ist (insbesondere in analytischen Modellen wie CreditRisk+) grundsätzlich denkbar, aber derzeit nicht die Regel in der praktischen Umsetzung. Ähnliche Überlegungen lassen sich hinsichtlich der Ausfallwahrscheinlichkeiten anstellen, da auch hier häufig historische Mittelwerte zur Kalibrierung der Ratingsysteme herangezogen werden. Insbesondere aber in Krisenzeiten steigen die Ausfallwahrscheinlichkeiten auf breiter Front an und reflektieren damit Korrelationserhöhungen, die in den Normalszenarien derzeit nicht immer in angemessener Weise abgebildet werden.

Die statistischen Risikomodelle haben grundsätzlich den Vorteil, über die Berücksichtigung einer Vielzahl von Szenarien sowie ihrer Eintrittswahrscheinlichkeiten in der resultierenden Verteilung ein vergleichsweise vollständiges Bild der Risikosituation eines Portfolios abzugeben – unter der Voraussetzung, dass die modellierten Szenarien mit Blick auf Methodik und Parametrisierung ein hinreichend detailreiches und „farbiges“ Bild hinsichtlich der möglichen Portfolio-Zustände am Ende des Risikohorizonts zu zeichnen in der Lage sind.

Gleichwohl stellt sich die fundamentale Frage, ob die in den Auswertungen angegebenen Kennzahlen wie Expected Loss oder Value at Risk ausreichen, um Extremszenarien (auch bei hohen Konfidenzniveaus) hinreichend zu beleuchten; statistisch äußerst seltene, aber gleichwohl mögliche Konstellationen werden in diesen Kennzahlen systematisch ignoriert. In jedem Fall sollten daher auch zusätzliche Risikoindikatoren wie Expected Shortfall (gelegentlich Conditional Value at Risk genannt) bei der Risikoermittlung und -beurteilung berücksichtigt werden, die über das vorgegebene Konfidenzniveau hinaus extreme und seltene Szenarien berücksichtigen.

Analyse von Einzel-Szenarien
Parallel zur statistischen Risikomodellierung liefert die Szenarioanalyse relevante Steuerungsimpulse, wie sie auch unter dem Stichwort „Stress-Tests“ in den aktualisierten MaRisk seitens der Bankenaufsicht eingefordert werden (Dürselen/ Schulte-Mattler, 2009). Es wird insbesondere mit Blick auf die Gesamtbank-Perspektive gefordert, über in sich konsistente und ökonomisch plausible Parameterund Portfoliokonstellationen ein belastbares Bild für die nachhaltige Risikotragfähigkeit eines Instituts abzuleiten; dass diese Anforderung auch für das Risikomanagement auf Gruppenebene formuliert wird, unterstreicht die Bedeutung des zugrunde liegenden Konzepts für die praktische Banksteuerung.

Die Szenarien erstrecken sich dabei in konsistenter Weise generell über alle Risikoarten und alle Geschäftsaktivitäten. Im Gegensatz zu Informationen aus Risikomodellen dienen Erkenntnisse aus Szenariobetrachtungen in der Regel eher der Schärfung des Risikoprofils, also der Ableitung von Änderungsbedarf in der strategischen Ausrichtung des Instituts auf einer längeren Sicht oder für einzelne Geschäftsfelder oder -prozesse. Dennoch ist es möglich (und wie die nachfolgenden Beispiele zeigen, auch sachgerecht), Szenariobetrachtungen zur verbesserten Risikoidentifikation in einzelnen Steuerungseinheiten (etwa Portfolios) einzusetzen.

Eine größere Nähe zu konkreten, kurzfristig umzusetzenden Steuerungsimpulsen kann etwa dadurch hergestellt werden, dass unter den betrachteten Krisenszenarien eines als dasjenige identifiziert wird, das nach Meinung der Experten im Institut mit der jeweils höchsten Wahrscheinlichkeit als nächstes eintreten wird (zum Beispiel Downgrade des eigenen Ratings, Krise im Wirtschaftssektor bedeutender Geschäftsfelder oder Verwerfungen an Finanzmärkten). Dieses kann dann auf kurzfristige Sicht (etwa einige Monate) aktiv mit gesteuert werden.

Es muss geklärt werden, wie die Auswahl von Szenarien plausibel begründet und adäquat umgesetzt werden kann. Eine Orientierung an der Geschäfts- und Risikostrategie ist unerlässlich. Auch die angemessene Interpretation der aufsichtsrechtlichen Anforderungen ist in der Praxis nicht trivial und erfordert eine sachgerechte Anpassung an die konkrete Situation des jeweiligen Instituts und seines Geschäftsmodells; insbesondere die Einbettung in die Gesamtbanksteuerung stellt hierbei eine zentrale Herausforderung dar.

Stärken einer komplementären Sichtweise
Vor diesem Hintergrund ergibt sich die Anforderung einer miteinander verzahnten Sichtweise auf das Risikomanagement, in der sich die Stärken beider Ansätze verbinden. Der Unterschied der beiden Methoden liegt unter anderem in der Verwendung der erzeugten Informationen:

• VaR-Modelle werden häufig verwendet, um einen RORAC und damit einen Ertragsanspruch in normalen Zeiten zu formulieren und außerdem eine Rechenregel für den ICAAP zu haben. Manchmal können weitere Impulse gewonnen werden, etwa für die Bepreisung von Produkten hinsichtlich ihrer Risikokapitalkosten. Diese Steuerungsimpulse sind allerdings in Krisenzeiten außer Kraft zu setzen, etwa weil der entsprechende Markt gar nicht mehr funktioniert.
• Szenariobetrachtungen erzeugen kaum steuerungsrelevante Impulse für das tägliche Geschäft. Es soll vielmehr beurteilt werden, aus welchen Szenarien sich existenzbedrohende Situationen ergeben und welche Konsequenzen aus diesen Erkenntnissen für die strategische Ausrichtung des gesamten Instituts gezogen werden müssen, insbesondere unter Berücksichtigung von Risikokonzentrationen.

Weiter müssen die Modelle hinsichtlich Methodik und Parametrisierung auf ihre Praxistauglichkeit sowohl in „normalen“ wie auch in „extremen“ Marktsituationen überprüft werden. Insofern ist der Betrieb der Risikomodelle mit gestressten Parametern eine Ergänzung der Risikomodellierung, etwa zum besseren Verständnis der Sensitivität der Risikokennzahlen auf einzelne Parameter. Szenariobetrachtungen sollten im Sinne realistischer Stress-Tests auf ihre Kommunizierbarkeit für die Geschäftsleitung und auf ihre Steuerungsrelevanz hin analysiert und verbessert werden.

In der Praxis ist ein Nebeneinander beider Ansätze zu beobachten, in dem eine kombinierte Betrachtung jedoch höchstens nachgelagert ist oder sogar überhaupt nicht stattfindet. Dabei ist es lohnend, die Erkenntnisse der unterschiedlichen Perspektiven zusammenzuführen – eine komplementäre Sichtweise, die die Stärken beider Verfahren für eine nachhaltige Banksteuerung nutzt, ist im Grundsatz zweifellos eine der zukünftigen Herausforderungen für das Risikomanagement.

Um dieses Ziel in der Praxis zu erreichen, ergibt sich als erste Anforderung eine gleichartige Datenbasis sowohl für die Risikomodelle wie auch für die Szenarioanalyse; hier ist zum einen auf die Vollständigkeit der zugrunde liegenden Portfolio- und Geschäftsstrukturen und zum anderen auf eine in sich konsistente Parametrisierung zu achten. Obwohl diese Maßgabe selbstverständlich klingt, ist sie im Umfeld konkreter Projektumsetzungen nicht immer auf Anhieb realisierbar, weil die handelnden Personen nicht immer identisch sowie der Datenhaushalt oftmals nicht deckungsgleich sind.

Zusammenführung zweier Welten
Eine weitere Anforderung ist die harmonisierte Beurteilung der Ergebnisse aus beiden Welten. Insbesondere kann die Betrachtung von Risikokennzahlen wie Value at Risk oder Expected Shortfall auf Basis gestresster Parameter in die Irre führen, weil hierbei auf den „Stress im Stress“ abgestellt wird und die Risikomessung nur noch schwer nachvollziehbar (und noch schwerer mit der Risikotragfähigkeit verknüpfbar) ist.

Da die Eintrittswahrscheinlichkeiten konkreter Szenarien ad hoc nicht bekannt sind, wird gelegentlich versucht, diese Größen über Expertenschätzungen näherungsweise zu quantifizieren. Hintergrund hierbei ist die Überlegung, dass in diesem Fall eine mathematische Zusammenführung der vielfältigen Ergebnisseermöglicht werden kann, um einheitliche Steuerungsimpulse auch für die Szenarioanalysenzu generieren. Dabei ist allerdings zum einen zu beachten, dass die Szenarien für diesen Zweck im Wesentlichen „exklusiv“ sein müssen, das heißt, dass sie nicht in einzelnen Komponenten übereinstimmen dürfen, um die Aggregation nicht zu erschweren.

Zum anderen ist diese Zusammenführung ja gerade nicht das Ziel der Analyse einzelner Szenarien; in der Regel dürfte sichergestellt sein, dass die Risikomodellierung die Zusammenführung vieler automatisch generierter Szenarien unter quantitativen Gesichtspunkten zuverlässiger bereitstellt. Die Szenarioanalyse bietet hingegen wertvolle Einblicke in konkrete Einzelfälle – vielversprechender wäre es also, spezifische Konstellationen aus der Vielzahl der Szenarien der statistischen Risikomodelle herauszupräparieren und eingehend zu untersuchen.

Auch bezüglich der Parametrisierung ist eine Zusammenführung beider Welten denkbar. Exemplarisch seien hierzu die Schätzunsicherheiten bei Parametern wie Ausfallwahrscheinlichkeiten oder Korrelationen genannt. Während beispielsweise diese Parameter in der Risikomodellierung für den Normal Case mit ihren Erwartungswerten angesetzt werden, ließen sich für Stress-Szenarien entsprechend verschärfte Parameter bezüglich eines vergleichsweise hohen Konfidenzniveaus verwenden.

Ferner ist zu fragen, ob die Risikomodelle hinreichend flexibel ausgelegt sind, um exemplarische Konstellationen der Szenarioanalyse testweise zu hinterfragen; wünschenswert wäre eine Algorithmik, die Fragestellungen aus dem Umfeld von Stress-Tests im Grundsatz zulässt. Auf der anderen Seite sollten für Szenarioanalysen nicht vollkommen neue Mechanismen eingeführt werden, die für den Normal Case der Risikomodellierung gänzlich unbekannt oder irrelevant sind.

All diesen Aspekten ist gemeinsam, dass sie auf eine Konsistenz zwischen dem Ansatz der Risikomodelle und der Ableitung der Szenarioanalysen abzielen. Denkbar ist darüber hinaus auch eine direkte Verbindung der beiden Verfahren, die in folgendem Beispiel kurz erläutert werden soll.

Praxisbeispiel I: Kreditportfolioanalyse
Am Beispiel der Kreditportfolioanalyse lässt sich im Detail zeigen, wie eine solche Zusammenführung von Risikomodellierung und Szenariobetrachtung neue Erkenntnisse hervorbringt. Dazu kann (hier exemplarisch vorgestellt für Monte- Carlo-Simulationsverfahren) in verschiedenen Varianten vorgegangen werden:

• Zum einen können jene Modellszenarien im Detail mitprotokolliert werden, die auf Ebene des Gesamtportfolios einen vorgegebenen Schwellenwert für den Verlust durch Ausfälle einzelner Adressen überschreiten. Damit lässt sich untersuchen, welches Kreditengagement mit welcher Häufigkeit ausfällt, wenn spezifische Klumpenrisiken schlagend werden; in der Regel ist hier im Vergleich zu den durchschnittlichen Ausfallraten mit erhöhten Eintrittswahrscheinlichkeiten zu rechnen. Eine detaillierte Analyse dieser Extremfälle kann zur Identifikation systematischer Beiträge einzelner Segmente oder Kunden beitragen, durch die gerade krisenhafte Konstellationen auf Portfolio- Ebene erst möglich werden.

• Zum anderen lassen sich spezifische Parameter-Realisationen für Branchenoder Ländersegmente aus der Vielzahl der Szenarien herausfiltern, die in besonderer Weise zum Portfolio-Risiko beitragen (Frisch/Klingeler, 2007). Entsprechende Untersuchungen zeigen, dass sich die Korrelationen auch in „benachbarten“ Segmenten aufgrund der Wechselwirkungen innerhalb des Portfolios niederschlagen. Insbesondere mit Blick auf die Untersuchung von Risiko- und Ertragskonzentrationen lassen sich mit diesem Verfahren wertvolle Impulse für die Verfeinerung konkreter Szenarioanalysen gewinnen.

Auf Basis entsprechender Überlegungen lassen sich realistische Risikokonstellationen zielgenauer ansprechen und eingehender untersuchen. Das Beispiel zeigt, wie die Verknüpfung von Risikomodellen und Szenarioanalysen dazu beiträgt, ein angemessenes Bild von Portfolio- Risiken unter Berücksichtigung struktureller Wechselwirkungen abzuleiten.

Praxisbeispiel II: Außerbilanzielle Aktivitäten
Ein weiteres Beispiel für die Verzahnung von Szenario und Modell ist die Betrachtung der Risiken, die sich aus einem außerbilanziellen Vehikel ergeben. Ein exemplarisches Institut misst strukturelle Refinanzierungsrisiken mit einem VaR-Modell und unterlegt diese im Rahmen der Risikotragfähigkeit mit Risikokapital.

Die Frage ist, wie sich das Institut bezüglich möglicherweise eingeschränkter Refinanzierungsmöglichkeiten des Vehikels am Markt positionieren will. In diesem Fall müsste nicht nur eine Ausstattung mit Liquidität erfolgen; darüber hinaus kann es passieren, dass Assets des Vehikels zeitweise auf die Bilanz des Instituts genommen werden und dort (unter Umständen sehr lange) refinanziert werden müssen. Konsequenzen ergeben sich in diesem Szenario daher einerseits für die Risikotragfähigkeit, andererseits (im Lichte der aktuellen aufsichtsrechtlichen Veröffentlichungen – vgl. BCBS, 2009; CEBS, 2009; FSA, 2009) für die erforderlichen Liquiditätsquellen und insbesondere für den Liquiditätspuffer.

Ausblick
Jenseits dieser exemplarischen Überlegungen entsteht insbesondere auf Ebene der Gesamtbank-Steuerung die Frage, wie eine komplementäre Betrachtung des bereichsübergreifenden Risikos realisierbar ist. Die oben erläuterten Anforderungen werden umso höher, je mehr unterschiedliche Steuerungsbereiche in diesen Prozess involviert werden sollen und je unterschiedlicher die aktuellen Ansätze aus Risikomodellierung einerseits und Szenarioanalyse andererseits auf heutigem Stand sind. Gleichwohl zeigen die Praxisbeispiele, wie es grundsätzlich gelingen kann, die Stärken beider Verfahren miteinander zu verbinden.

Die Vorteile einer in diesem Sinne verknüpften Sichtweise gehen perspektivisch deutlich über die bloße Erfüllung aufsichtsrechtlicher Anforderungen hinaus und können nachhaltig dazu beitragen, ein vollständiges und facettenreiches Bild der Risiko- und Ergebnislage eines Instituts abzuleiten. Zu erwarten ist insofern ein verstärktes Zusammenwachsen beider Ansätze, das sich in künftig höherem Maße auch im Reporting und der Kommunikation der Ergebnisse für die Geschäftsleitung zeigen dürfte.

Die grundsätzlichen Vorteile wie auch die Schwachpunkte beider Ansätze liegen auf der Hand; es wird darauf ankommen, gerade in der verzahnten Kombination von Risikomodellierung und Szenarioanalyse ihre jeweiligen Stärken zusammenzuführen, um eine sachgerechte Banksteuerung zu unterstützen.