Aufrufe
vor 1 Jahr

RISIKO MANAGER 06.2018

  • Text
  • Banken
  • Risiken
  • Institute
  • Risiko
  • Simulation
  • Insbesondere
  • Zinsen
  • Historischen
  • Kurzlaufend
  • Regulierung
RISIKO MANAGER ist das führende Medium für alle Experten des Financial Risk Managements in Banken, Sparkassen und Versicherungen. Mit Themen aus den Bereichen Kreditrisiko, Marktrisiko, OpRisk, ERM und Regulierung vermittelt RISIKO MANAGER seinen Lesern hochkarätige Einschätzungen und umfassendes Wissen für fortschrittliches Risikomanagement.

16

16 RISIKO MANAGER 06|2018 trahenten kann das betroffene Geschäftsfeld hinsichtlich aller verfügbaren Kundenund Kontenkriterien detailliert beschrieben werden. Die ökonomischen und buchhalterischen Komponenten einer Verlustdatenbank sind in Abb. 02 zusammengefasst. Für die Verwendung des Adressrisikoergebnisses als Verlustdatenbank spricht auch die Tatsache, dass nicht nur schlagend gewordene Risiken, sondern auch realisierte Gewinne durch verbesserte Bonitäten oder Wertsteigerungen von Sicherheiten angezeigt werden. Für den späteren Einsatz einer künstlichen Intelligenz (KI) zur Untersuchung der Verlustdatenbank ist dies von erheblicher Bedeutung. Nur so lassen sich gleichermaßen positive wie negative Einflüsse von Veränderungen von Risikofaktoren ermitteln. Homogenen Bankengruppen wie der Genossenschaftlichen FinanzGruppe Volksbanken Raiffeisenbanken sowie der Sparkassen-Finanzgruppe stehen eine immense Anzahl vergleichbarer Datensätze zu Ratings und zum Vorgehen bei der Sicherheitenbewertung zur Verfügung. Die Kalkulation des Adressrisikoergebnisses begann bereits vor mehr als 15 Jahren, sodass eine Historie von mehr als drei Konjunkturzyklen mit so außergewöhnlichen Ereignissen wie der Finanzmarktkrise und der Dieselaffäre bei Volkswagen verfügbar ist. Für den Einsatz künstlicher Intelligenz als Analyse- und Prognoseinstrument sind solche Datenmengen nahezu paradiesisch. Nutzung von Expertenwissen für das Anlernen künstlicher Intelligenz KI-Systeme allein erzeugen damit allerdings noch keinen Mehrwert. Millionen von Geschäftsdaten hinsichtlich möglicher Korrelationen zwischen schlagend werdenden Adressrisiken und mehreren hundert pro Datensatz verfügbaren Kunden- und Kontenkriterien zu untersuchen, stellt zwar nicht mehr unbedingt eine technische Herausforderung dar, würde aber noch immer einige Zeit in Anspruch nehmen. Die größten Risiken einer ungefilterten Untersuchung aller verfügbaren Daten liegen aber darin, dass entscheidende Risiken nicht erkannt oder Scheinkorrelationen identifiziert werden, deren tatsächliche Steuerungsrelevanz eingeschränkt oder schlimmstenfalls nicht vorhanden ist. Der gesunde Menschenverstand, die Erfahrung und das Wissen von Experten, potenzielle Risikotreiber zu identifizieren und zu sammeln, sind damit auch im KI-Zeitalter gefragt. Die größten Kunden des Kreditportfolios, der größte Arbeitgeber am Ort, eine dominierende Branche in der Region oder wesentliche Absatzmärkte eigener Kunden sollten mithilfe menschlicher Expertise genauso in eine Risikoinventur einfließen wie „weiche“ Risikofaktoren. Das Alter des geschäftsführenden Gesellschafters eines Betriebs bestimmt Risiken aus einem Generationenwechsel, ein Wechsel des Familienstands durch Scheidung kann gleichermaßen zu Ausfällen führen. Abb. 03 Instrument Ableitung des Value at Risk aus der Verlustdatenbank Szenarien Interne Schadensfälle Interpretation BestFit-Technik Verlusthäufigkeitsverteilungen (Anzahlen) Verlusthöhenverteilung (Euro) Verlusthäufigkeitsverteilungen (Anzahlen) Verlusthöhenverteilung (Euro) Regelwerk abhängig vom verfolgten Ansatz und der Datenverfügbarkeit Mögliche Ansätze zur Ermittlung der Gesamtverteilung des OpVaR: » Monte-Carlo-Simulation » Varianz-Kovarianz-Ansatz » Historische Simulation Gesamtverlustverteilung VaR (z. B. 99 % p. a.) Schadensfälle Datenpool * BestFit-Technik Verlusthäufigkeitsverteilungen (Anzahlen) Verlusthöhenverteilung (Euro)

Kreditrisiko 17 Entscheidend ist, dass es möglich ist, eine Verbindung zwischen einem schlagend gewordenen Risiko und einem identifizierten potenziellen Risiko herzustellen. Kundenkriterien wie Alter und Familienstand eines Kreditnehmers liegen als markierte Informationen vor. Informationen zur konjunkturellen Entwicklung oder zu Bilanzen wichtiger Kunden lassen sich durch die automatische Analyse von Medien oder Veröffentlichungen zum Beispiel des statistischen Bundesamts gewinnen. Aufgabe der Risikoinventur ist es, die Kunden zu benennen, bei denen eine Bonitätsverschlechterung die größten Verluste bedeuten würden. Zudem werden die Sicherheiten und die Sicherheitenkategorien identifiziert, bei denen ein Wertverfall zu dem größten Anstieg der erwarteten Verluste führen würde. Darüber hinaus definiert eine Bank die Rahmenbedingungen, die nach Experteneinschätzung die Gefahr einer Bonitätsverschlechterung oder eines Sicherheitenwertverfalls bei Kunden erhöhen würden. Sind diese Vorarbeiten abgeschlossen, haben Banken und Sparkassen durch die vielfältigen Mittel kognitiver Systeme und automatisierter Analyse die Möglichkeit, Korrelationen zwischen diesen Faktoren und signifikanten Abweichungen zwischen den erwarteten und den tatsächlichen Wertverlusten zu erkennen. Mehrwert eines Paradigmenwechsels in der Kreditrisikosteuerung Einen Zusammenhang zwischen den schlagend werdenden Verlusten der Vergangenheit mit den durch Experten identifizierten Risiken im Portfolio einer Bank herzustellen, hat einen zentralen Vorteil: Risiken werden transparenter, und die Anknüpfungspunkte für eine aktive Risikosteuerung werden klarer. Die Ableitung eines Risikos aus den Verlusterfahrungen der Vergangenheit plus eine Simulation der Entwicklung der mittels künstlicher Intelligenz ermittelten Risikotreiber zeichnet ein schärferes Bild der tatsächlichen Risikosituation eines Kreditinstituts. Die Definition von Risikotreibern und die Identifikation von Korrelationen mit den benannten Risikotreibern mittels einer Big-Data- Analyse ermöglicht die Definition von Frühwarnindikatoren, die die Institute zur Risikosteuerung einsetzen können. Wie in der Steuerung operationeller Risiken, wo zum Beispiel die Temperatur in einem Serverraum als ein Frühwarnindikator für Serverprobleme benannt und der verantwortliche Risikomanager mittels SMS oder E-Mail über das Überschreiten eines Schwellenwerts informiert wird, kann man sich eine analoge Vorgehensweise in der Kreditrisikosteuerung vorstellen: Die Veröffentlichung einer Gewinnwarnung des größten Arbeitgebers einer Region führt umgehend zu einer Information der Kundenbetreuer der zehn größten Baufinanzierungen in dieser Region. Diese können dann den Risikogehalt der Engagements prüfen und sofern möglich, das Risiko reduzieren oder ein höheres Risiko in der Risikoinventur erfassen. Die Ableitung des Value at Risk aus der Verlustdatenbank ist in Abb. 03 zusammengefasst. Hier zeigt sich ein weiterer zentraler Vorteil der Vorgehensweise: Durch die zeitnahe Ermittlung von Frühwarnindikatoren und deren Berücksichtigung in der Risikoquantifizierung, passen Institute die Höhe der erforderlichen Risiken die gebotene Eigenkapitalunterlegung frühzeitig und laufend an ein sich änderndes Marktumfeld an. Dies führt zu einer Dynamisierung eines sich bisher eher träge verändernden Risikos: Ähnlich wie in der Marktpreisrisikosteuerung, in der bei einer historischen Simulation des Value at Risk in Zeiten nervöser werdender Märkte durch die Volatilität der relevanten Zinsen und Kurse automatisch auch das Risiko steigt, führt ein Anstieg der identifizierten Risikotreiber direkt zu einer Steigerung des Kreditrisikos. Lange bevor eine regulatorisch geforderte Eigenkapitalunterlegung anzuheben wäre, könnten mittels einer solchen Risikofrüherkennung abfedernde Maßnahmen eingeleitet werden, um eine später erforderliche Erhöhung des Eigenkapitals zu umgehen. Besser als beim Einsatz klassischer Kreditrisikomodelle könnten Institute auf die sich ändernden Rahmenbedingungen und Portfoliozusammensetzungen reagieren und so die Gefahr bevorstehender Verluste frühzeitig identifizieren und durch geeignete Steuerungsmaßnahmen aktiv reduzieren. Autor Lars Holzgraefe, Manager im Bereich Banking, Sopra Steria Consulting.

RISIKO MANAGER

RISIKO MANAGER 01.2019
RISIKO MANAGER 02.2019
RISIKO MANAGER 03.2019
RISIKOMANAGER_04.2019
RISIKO MANAGER 05.2019
RISIKO MANAGER 06.2019
RISIKO MANAGER 01.2018
RISIKO MANAGER 02.2018
RISIKO MANAGER 03.2018
RISIKO MANAGER 04.2018
RISIKO MANAGER 05.2018
RISIKO MANAGER 06.2018
RISIKO MANAGER 07.2018
RISIKO MANAGER 08.2018
RISIKO MANAGER 09.2018
RISIKO MANAGER 10.2018
RISIKO MANAGER 01.2017
RISIKO MANAGER 02.2017
RISIKO MANAGER 03.2017
RISIKO MANAGER 04.2017
RISIKO MANAGER 05.2017
RISIKO MANAGER 06.2017
RISIKO MANAGER 07.2017
RISIKO MANAGER 08.2017
RISIKO MANAGER 09.2017
RISIKO MANAGER 10.2017
RISIKO MANAGER 01.2016
RISIKO MANAGER 02.2016
RISIKO MANAGER 03.2016
RISIKO MANAGER 04.2016
RISIKO MANAGER 05.2016
RISIKO MANAGER 06.2016
RISIKO MANAGER 07.2016
RISIKO MANAGER 08.2016
RISIKO MANAGER 09.2016
RISIKO MANAGER 10.2016
RISIKO MANAGER 01.2015
RISIKO MANAGER 02.2015
RISIKO MANAGER 03.2015
RISIKO MANAGER 04.2015
RISIKO MANAGER 05.2015
RISIKO MANAGER 06.2015
RISIKO MANAGER 07.2015
RISIKO MANAGER 08.2015
RISIKO MANAGER 09.2015
RISIKO MANAGER 10.2015
RISIKO MANAGER 11.2015
RISIKO MANAGER 12.2015
RISIKO MANAGER 13.2015
RISIKO MANAGER 15-16.2015
RISIKO MANAGER 17.2015
RISIKO MANAGER 18.2015
RISIKO MANAGER 19.2015
RISIKO MANAGER 20.2015
RISIKO MANAGER 21.2015
RISIKO MANAGER 22.2015
RISIKO MANAGER 23.2015
RISIKO MANAGER 24.2015
RISIKO MANAGER 25-26.2015
 

Copyright Risiko Manager © 2004-2017. All Rights Reserved.