RiskNET eLibrary
Sie möchten Ihre Publikation gerne in unserer eLibrary veröffentlichen?
Methoden
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]
[Quelle: RISIKO MANAGER 05/2012, S. 1, 6-16]
6691 Downloads22.08.2012
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]
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]
12456 Downloads27.06.2012
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]
> 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]
23594 Downloads12.06.2012
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.
9862 Downloads15.03.2012
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).
6955 Downloads23.01.2012
Datei downloaden Zweifellos muss man lange in den Geschichtsbüchern blättern, um eine Phase zu finden, die für die Finanzindustrie ähnlich turbulent war wie die letzten Jahre. Subprimekrise, Staatsschuldenkrise, Eurokrise,... In Zeiten des dramatischen Umbruchs, in denen der Ausnahme- zum Normalzustand geworden ist, wächst in den Banken naturgemäß das Bedürfnis nach Orientierung, nach einer fundierten Analyse der vergangenen Ereignisse und daraus abgeleiteten Handlungsempfehlungen für die "neue Realität", in der sich die Branche nun zurechtfinden muss.
26202 Downloads01.01.2012
Datei downloaden The European Union’s Solvency II regulatory framework, which is currently under development, specifies procedures and parameters for determining solvency capital requirements (SCR) for insurance companies. The proposed standard SCR calculations involve two steps. First, the risks of all individual business units, expressed in terms of Value-at-Risk (VaR), are measured and then, in a second step, aggregated to the company’s overall SCR, using a so-called Standard Formula provided by the regulator. The Standard Formula has two inputs: the individual VaRs of the risk components and their correlations. The appropriate calibration of these input parameters has been the purpose of various Quantitative Impact Studies that have been conducted during recent years.
In this paper, we demonstrate that the derivation of the calibration parameters for the equity risk module with about 25%, on average, the most significant risk component of insurance companies’ total SCR is seriously flawed and gives rise to spurious and highly erratic parameters. As a consequence, an implementation of the Standard Formula with the currently proposed calibration settings is likely to produce inaccurate, erratic and biased capital requirements for equity-risk and, thus, to defeat the purpose of the EU’s Solvency II Directive.
[Mittnik, S., "Solvency II Calibrations: Where Curiosity Meets Spuriosity", Center for Quantitative Risk Analysis (CEQURA), Working Paper Number 04, 2011]
In this paper, we demonstrate that the derivation of the calibration parameters for the equity risk module with about 25%, on average, the most significant risk component of insurance companies’ total SCR is seriously flawed and gives rise to spurious and highly erratic parameters. As a consequence, an implementation of the Standard Formula with the currently proposed calibration settings is likely to produce inaccurate, erratic and biased capital requirements for equity-risk and, thus, to defeat the purpose of the EU’s Solvency II Directive.
[Mittnik, S., "Solvency II Calibrations: Where Curiosity Meets Spuriosity", Center for Quantitative Risk Analysis (CEQURA), Working Paper Number 04, 2011]
10281 Downloads21.09.2011
Datei downloaden Die Studie zeigt, u. a. dass die effektive Einbettung des Risikomanagements in die täglichen Arbeitsabläufe auf allen Unternehmensebenen eine einheitliche Infrastruktur im Bereich der Informationstechnologie für quantitative Analysen voraussetzt. Neben der Datenproblematik erkannten die Risikomanager die zunehmende Bedeutung von Szenarioanalysen als notwendigen Zusatz zu quantitativen Simulationen.
42551 Downloads30.08.2011
Datei downloaden In der jüngsten Finanzkrise ist die Verwendung mathematischer Modelle wiederholt für die eingetretenen Fehlentwicklungen und Schäden mit verantwortlich gemacht worden. Die dahinter liegende Argumentationskette lautete ungefähr wie folgt: Die Modelle waren offensichtlich falsch, speziell das benötigte Risikokapitel wurde unterschätzt, und deshalb haben Banken mehr Risiko übernommen, als sie in Wirklichkeit tragen konnten. Implizit wurde dann oft vorgeschlagen, statt auf Modelle besser auf die allgemeine Intuition zu vertrauen, also den gesunden ökonomischen Menschenverstand als Entscheidungsgrundlage zu nehmen. Im vorliegenden Aufsatz wird diese Kritik hinterfragt.
10547 Downloads03.08.2011
Datei downloaden This article seeks to make an assessment of estimation uncertainty in a multi rating class loan portfolio. Relationships are established between estimation uncertainty and parameters such as probability of default, intra and inter rating class correlation, degree of inhomogeneity, number of rating classes used, number of debtors and number of historical periods used for parameter estimations. In addition, by using an exemplary portfolio based on Moody’s ratings, it becomes clear that estimation uncertainty does indeed have an effect on interest rates.
3657 Downloads01.08.2011
Datei downloaden