6
6 RISIKO MANAGER 07|2018 Paradigmenwechsel zur Überwindung von Finanzkrisen Logik-basiertes Risikomanagement Die globale Finanzkrise der Jahre 2007/09 wurde durch mehrere miteinander verflochtene, sich gegenseitig verstärkende Ereignisse verursacht. Die von der US-Regierung bestellte Financial Crisis Inquiry Commission (FCIC) machte insbesondere dramatische Fehler im Risikomanagement von Finanzdienstleistern als einen der Haupttreiber der Krise aus und forderte von ihnen neue Herangehensweisen zur Konzipierung von Risiken und Risikobewertung. Die Frage nach Alternativen zu klassischer Risikobewertung ist insofern nicht nur von akademischem Interesse, sondern ergibt sich als Notwendigkeit aus der systematischen Aufarbeitung der globalen Finanzkrise, durch die Deutschland nach einer Studie der DZ Bank Wohlstandseinbußen von fast 500 Mrd. Euro entstanden [vgl. Wallstreet Online 2013]. Zu den Auswirkungen dieser Krise, die auf längere Sicht am meisten Anlass zur Sorge bieten, gehört die Erschütterung des Vertrauens in Institutionen, sowohl in privatwirtschaftliche Unternehmen wie in Regulatoren. Vertrauen, das unabdingbar für deren Bestand und den ganzer Finanzsysteme ist.
ERM 7 Innovation im quantitativen Risikomanagement Historische Erfahrungen, die mindestens bis zur holländischen Tulpenkrise im 17. Jahrhundert zurückreichen, und gegenwärtige Entwicklungen, etwa die Konstruktion mehrerer und neuer komplex strukturierter Finanzprodukte [beispielsweise sogenannte Bespoke Tranche Opportunities, siehe Bloomberg 2015] lassen vermuten, dass der nächste Crash in nicht allzu ferner Zukunft liegen wird. In dieser Situation ist die Erkenntnis, dass die Limitationen gängiger Risikobewertung bereits eine hinreichende Ursache für Verwerfungen auf Finanzmärkten sein können, eine unerlässliche Voraussetzung, um – darauf aufbauend – der Gefahr mit einem Alternativvorschlag zur Quantifizierung von Extremrisiken zu begegnen. Meine Dissertation nimmt also folgende Fragen zu ihrem Ausgang: 1. Sind konventionelle Instrumente der Risikobewertung von Banken überhaupt effektiv und, wenn nein, unter welchen Bedingungen versagen sie? 2. Wie kann die Messung von Extremrisiken in komplexen Finanzsystemen verbessert werden? Die Arbeit stößt damit eine lang überfällige Diskussion über Innovation im quantitativen Risikomanagement an, indem sie folgende Kernthese aufstellt und untermauert: Konventionelle, also wahrscheinlichkeitsbasierte Risikomodelle erweisen sich als ineffektiv bei Extremrisiken, wohingegen strukturelle, Logik-basierte Modelle geeignet sind. Was ist Risikomodellierung für Banken eigentlich, und worin besteht ihre Funktion? Effektives Risikomanagement ist die zentrale Aufgabe und – so wird es häufig ergänzt – Kompetenz von Finanzdienstleistern (kurz, Banken). Während ersteres unumstritten ist, da die Absorption, die Verbriefung und Weitergabe von Risiken (in jedoch unterschiedlichem Ausmaß) den Kern des Geschäftsmodells von Banken darstellen, gilt es letzteres angesichts der Tatsache, dass eben jene Banken nicht trotz, sondern auch wegen ihrer Risikomanagement-Praktiken am härtesten von der globalen Finanzkrise getroffen wurden, zu bezweifeln. Risikomanagement wird als Prozess definiert, der neben der quantitativen Risikobewertung, was wiederum gleichbedeutend mit Risikomessung ist, durch Risikomodellierung erfolgt und schließlich den Gegenstand meiner Dissertation bildet, viele weitere Schritte einschließt: Risikoidentifika tion, Kommunikation zwischen Fachab teilung und Geschäftsführung, Risiko bewältigungsmaßnahmen (Risk Response Planning) und Risikoüberwachung. Diese definitorische Abgrenzung erlaubt es, den Wert meiner Arbeit, ohne diesen schmälern zu wollen, besser einzuordnen: Selbst wenn eine gute Antwort auf die zweite Forschungsfrage gegeben wurde, was derzeit noch nicht ausreichend bewertbar ist (weil Resonanz aus Forschung und Praxis ausstehen), dann wurde zwar ein wertvolles Tool zur Quantifizierung und Modellierung von Extremrisiken geschaffen. Diese Leistung kann aber per se nicht gewährleisten, dass einerseits die neue Methode mit Bedacht oder verantwortungsvoll von Risikomanagern angewendet wird oder andererseits der umfassendere Risikomanagementprozess, die eigentliche Entscheidungsfindung, besser gelingt. Bei der Risikomodellierung geht es nun um eine genaue Beschreibung von Risiken, also im Kontext der Finanzindustrie von möglichen Verlustereignissen, die künstlich als Markt-, Kredit- oder Liquiditätsrisiken etc. kategorisiert werden. Im Fall quantitativer Risikobewertung geschieht diese Beschreibung anhand einer formalen Sprache und klassischerweise wird dabei die konventionelle Wahrscheinlichkeitstheorie herangezogen. Ein konkret von Banken benutztes und sehr populäres Risikomodell beziehungsweise -maß ist beispielsweise der sogenannte Value at Risk. Unter der Voraussetzung einiger Annahmen liefert er eine Antwort auf die Frage, welcher maximale Verlust innerhalb eines gegebenen Zeitraums mit einer bestimmten Wahrscheinlichkeit nicht überschritten wird. Ein Value at Risk von 15 Mio. Euro bei einer Haltedauer von einem Tag und einem Wahrscheinlichkeitsniveau von 99 Prozent bedeutet etwa, dass die Bank für die betrachtete Risikoposition (beispielsweise das Halten eines Wertpapiers) von einem Tag auf den nächsten mit einer Wahrscheinlichkeit von 1 Prozent einen finanziellen Schaden von mehr als 15 Mio. Euro erleiden wird. Sinn und Zweck der Risikomodellierung ist somit zum einen die Quantifizierung identifizierter möglicher Verlustereignisse, um diese in ihrem Gewicht verstehbar und handhabbar zu machen. Zum anderen besteht ihre Funktion in Vorhersagen über Risiken oder Verluste, wofür die Wahrscheinlichkeiten ins Spiel kommen. Probleme mit dem bestehenden Paradigma Die finanzwissenschaftliche Literatur kennt einige Schwachstellen bestehender Ansätze und Theorien und diskutiert diese durchaus kritisch. Auf der Mikroebene werden Einwände gegen konkrete Modelle wie Value at Risk vorgetragen. So erfüllt dieses beispielsweise nicht ein anerkanntes Postulat (nämlich sogenannte Subadditivität), welches für die Kohärenz von Risikomodellen oder -maßen erforderlich ist, was aber nur in der Weiterentwicklung von Value at Risk zu einem anderen probabilistischen Risikomodell mündet (der sogenannte Expected Shortfall), das zwar einiges besser kann, aber immer noch nicht gut genug für die Messung extremer Risiken ist. Denn auf globaler Ebene werden in der Literatur grundlegendere Probleme besprochen, wobei das Augenmerk auf den folgenden drei Defiziten bisheriger Ansätze liegt: 1. Verteilungsformen (Funktionen, die jedem identifizierten Verlustwert eine Wahrscheinlichkeit zuordnen) basieren auf teils realitätsfernen Annahmen. 2. Stationarität (das heißt, dass allgemein statistische Eigenschaften wie das arithmetische Mittel, die Varianz oder Autokorrelation zeitunabhängig sind) wird nicht kritisch genug geprüft. 3. Korrelationen zwischen Risiken oder auch Handelspositionen werden nicht gut verstanden. Klassische Modelle betrachten oft nur li-
