RiskNET eLibrary


The Liquidity Coverage Ratio (LCR), of Basel III sets the bank’s potential cash outflows in relation to its capacity to counterbalance them by creating hypothetical inflows from assets which are believed to be repoable or saleable. The implementation of the LCR in a bank seems to be a straightforward exercise, which can somehow be seen as decoupled from the more sophisticated internal models a bank might use to manage its funding liquidity economically.
If a bank, however wants to be able to manage the LCR not only monthly in retrospective – as mandatory in Basel III – but on an on-going, forward-looking basis, it will need to simulate its future balance sheet. This is already very near to economic risk management techniques.
Fiedler 3797 Downloads 26.09.2012
Datei downloaden
Eine im Jahr 2012 durchgeführte Befragung deutscher Kreditinstitute bietet Orientierung über den aktuellen Stand und Herausforderungen hinsichtlich der Quantifizierung operationeller Risiken. Der sich in Richtung komplexer Fragestellungen verschobene Umgang mit operationellen Risiken wird dabei branchenweit analysiert, um Transparenz im Thema zu schaffen. Genauer beleuchtet werden unter anderem die im operationellen Risiko eingesetzten Methoden, der Aspekt der Verzahnung mit anderen Themengebieten sowie die konkrete Ausgestaltung der von den Instituten genutzten Quantifizierungsmodelle.

[Autoren: Marion Hoffstetter und Marc Daferner]
MQuick 4748 Downloads 25.09.2012
Datei downloaden
Risk Kit ist ein Werkzeug für das Rapid Prototyping von Risikoanalysen und Monte-Carlo Simulationen. Der vorliegende Text beschreibt an einem Beispiel wie Monte-Carlo Simulationen und Risikoanalysen mit Risk Kit durchgeführt werden können.
Wehrspohn 5329 Downloads 28.08.2012
Datei downloaden
Die aktuelle Finanz- und Wirtschaftskrise hat einige sehr wichtige Erkenntnisse der Ökonomie wieder einmal in Erinnerung gerufen: 1. Nicht vorhergesehene, schwerwiegende Ereignisse und rasante Kursbewegungen an den Kapitalmärkten (Crashs) sind wahrscheinlicher und schwerwiegender, als das die meisten traditionellen Prognose- und Risikomanagementmodelle indizieren. 2. Gerade makroökonomische Umfeldveränderungen (Schocks) gehören zu den offensichtlichen Risiken von Unternehmen. Sie werden aber im Vergleich zu den internen Risiken noch recht wenig beachtet. 3. Die Modelle für die Risikoquantifizierung, speziell bei Banken und Versicherungen, sind wie alle Modelle fehlerbehaftet und die verwendeten Parameter sind unsicher – und genau diese Modellunsicherheit wird selbst kaum berücksichtigt.

[Quelle: RISIKO MANAGER 05/2012, S. 1, 6-16]
Gleissner 3680 Downloads 22.08.2012
Datei downloaden
The Liquidity Coverage Ratio (LCR) in Basel III deals with funding or illiquidity risk of individual banks. For a given (stress) scenario, the banks’ risk adjusted cash exposure (Total Net Cash Outflows) in 30 days is calculated and set into relation with its High Quality Liquid Asset (HLA) holdings. The underlying idea is to ensure that the bank can cover an eventual cash shortage in the first month with the cash it could get by ‘liquifying’ its HLA.
Although in principal this concept is addressing the problem of a bank’s illiquidity correctly, it is too raw to be used or a bank’s internal liquidity risk management. From the various possible enhancements, we will focus in this article on the bank’s CounterBalancing Capacity, the economically more elaborated version of the HLA. In the LCR there are only three classes of liquifiability of securities: HLA1, HLA2, and the rest which is considered as ‘not liquid’. In practice, an asset’s liquifiability can range from ‘immediately liquifiable’ (e.g. in a central banks refinancing window) to piecewise liquifiability in time with changing haircuts and prices and is also scenario-dependent.

Specifying the liquifiability of each asset separately would be arduous and hardly consistent. To circumvent this, we define an algorithm to assign a number to each individual asset (its Liquifiability Index LiX). The LiX expresses for a pre-defined scenario the asset’s assumed liquifiability as a number, e.g. from zero (completely illiquid) to 100 (best conceivable liquifiability). We will subsequently fine-tune an asset’s LiX to mirror the asset’s specific liquifiability relative to an average asset with the same credit rating. Because the LiX numbers are linearly ordered (0, 1, 2, ... , 99, 100) we can then for practical purposes sort assets with a comparable LiX in liquifiability groups (e.g. from 80 to 90) and assume they have (almost) the same liquifiability in our model. The first is to group securities together that will behave similarly in the chosen scenario.

[Authors: Matthias Küstner, Robert Fiedler and Darren Brooke]
Fiedler 4059 Downloads 27.06.2012
Datei downloaden
Betriebswirtschaftliche Simulationen werden häufig genannt, wenn es um geeignete Methoden zur Vorbereitung von Managemententscheidungen gerade in turbulenten Zeiten geht. Der breite Einsetzbarkeit dieser Methoden und der mit Ihnen verbundene Nutzen scheinen daher dem Management transparent. Jedoch ist die Wahrnehmung, dass Simulationen, verglichen mit anderen Methoden, weiterhin eine Art Schattendasein führen. Die empirische Evidenz zur Nutzung von Simulationen durch Unternehmen im deutschsprachigen Raum ist aber bisher sehr begrenzt. Daher kann man über mögliche Gründe für diese Vermutung nur spekulieren. Dies zum Anlass nehmend hat sich die Studie „Simulationen in der Unternehmenssteuerung“, die in Kooperation der Technischen Universität Hamburg-Harburg, der RiskNET GmbH und der C21 Consulting GmbH durchgeführt wurde, folgenden Fragen gewidmet:
> In welcher Relation steht der Einsatz von Simulationsmethoden im Vergleich zu anderen Steuerungsinstrumenten?
> Welche Unternehmen und betrieblichen Funktionen setzen Simulationsmethoden ein und seit wann?
> Welche Gründe sprechen für bzw. gegen einen Einsatz von Simulationen?
> Welche (operativen) Schwierigkeiten werden beim Einsatz wahrgenommen?
> Wie werden die Simulationsergebnisse genutzt?
> Welche Bedeutung messen Unternehmen dem Einsatz von Simulationen bei?

Ziel der Studie war es, ein differenziertes Bild zum Einsatz von Simulationen in der Unternehmenspraxis zu gewinnen. Im Mittelpunkt stand die Identifikation von möglichst allgemeingültigen Zusammenhängen und Faktoren, die diese wahrgenommene Diskrepanz zwischen Nutzen und Anwendung dieser Methoden erklären (oder widerlegen). Aus diesem Grund konzentriert sich die Studie nicht auf eine bestimmte Simulationsmethode.

[Autoren: Matthias Meyer/Frank Romeike, Jan Spitzner]
Romeike 16261 Downloads 12.06.2012
Datei downloaden
Risikomanagement-Studie von FH CAMPUS 02 (Graz) und Risk Experts zu Verbreitung, Bedeutung und Erwartungen für 2012.
Theuermann 2219 Downloads 23.04.2012
Datei downloaden
Für die gemeinsame Studie vom Bundesverband der deutschen Industrie e.V. (BDI) und PricewaterhouseCoopers (PwC) wurden 1.021 Unternehmen des deutschen Mittelstands verschiedener Branchen und Größen befragt – von kleineren Firmen mit weniger als 250 Mitarbeitern bis hin zu größeren mit mehr als 5.000 Mitarbeitern. Die wesentlichen Ergebnisse belegen, dass das Thema wichtig ist und zeigen auf in welchen Bereichen Handlungsbedarf besteht.
BDI 4539 Downloads 15.03.2012
Datei downloaden
Einerseits: Prognosen, Planung und Budgetierung sind wichtig. Als Steuerungsinstrumente und Elemente des Risikomanagements sind sie nicht mehr weg zu denken. Mehr noch: an der kurz- und mittelfristigen Absatzprognose hängt letztlich die gesamte betriebswirtschaftliche Ausrichtung des Unternehmens, von der Produktionsplanung, über die Ressourcenplanung (Einkauf, Investition, Personal) bis hin zu Finanzen. Andererseits: "Die Abwesenheit von Stabilität – das ist die neue Normalität". Diese Quintessenz aus den Erfahrungen der letzten Jahre in Finanz- und Realwirtschaft zeigt, dass die klassische Prognosetechnik und Geschäftsplanung an ihre Grenzen stößt. Mehr noch: auch und gerade dort, wo Märkte vergleichsweise stabil erscheinen, offenbaren Planung und Budgetierung Schwächen. Als bürokratische Instrumente gehen sie den Weg allen Bürokratischen: sie breiten sich aus und drohen zum Selbstzweck zu werden, ohne die eigentliche Steuerungswirkung noch zu entfalten. Klassische Prognoseverfahren, Planung und Risikomanagement stecken also in einem Dilemma. Dies betrifft nicht nur Konzerne, sondern reicht weit in den Mittelstand hinein. Die Aufgabe lautet, komplexe Situationen plan- und steuerbar zu halten, mindestens aber, die bisherige Prognose und Planung zu beleben. Hier nun kommen Prognosemärkte ins Spiel (synonym: elektronischer Prognosemarkt (EPM), Zukunftsbörse, Zukunftsmarkt, Informationsmarkt).
RainerVinkemeier 3893 Downloads 23.01.2012
Datei downloaden
Emerging systemic risks are currently widely discussed as a new type of risk in the modern world. Developed to take account of the ’increasing complexity’ (Renn & Keil 2008) and the connectedness of social, ecological and economic systems, the concept is used here as a context for discussing selected results obtained in the research project Zukunft Küste – Coastal Futures. Based on different conceptional approaches (such as the Ecosystem Services approach) and a range of tools the project has assessed various ecological and socio-economic impacts of offshore wind power generation in the North Sea. Since only one complete windpark has installed so far these results are based on assumptions using Germany’s offshore wind energy targets for 2030 as a basis. The characteristics of systemic risks, namely complexity of causes and effects, uncertainty and ambiguity, are used as a framework for placing specific results into a wider systems context. This is helpful for assessing the cumulative impacts that can arise from large-scale offshore wind farm installation and the interaction of offshore wind farming with other marine uses. Whilst it is possible to establish a range of cause and effect relationships within the case study system, the concept of systemic risk offers a useful vantage point for understanding that these do not imply linear pathways of change or predictable outcomes. [Autoren: Marcus Lange (Institut für Küstenforschung am GKSS-Forschungszentrum Geesthacht, Deutschland), Benjamin Burkhard (Christian-Albrechts-Universität Kiel, Deutschland), Kira Gee1 & Andreas Kannen (Institut für Küstenforschung am GKSS-Forschungszentrum Geesthacht, Deutschland)]
MarcusLange 3045 Downloads 23.01.2012
Datei downloaden