Aufrufe
vor 2 Jahren

RISIKO MANAGER 03.2018

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.

14

14 RISIKO MANAGER 03|2018 nur bei einer Veränderung der Verschuldungshöhe, sondern auch bei einer Verschiebung der Schuldenstruktur ändern. Zwischen der Wahrscheinlichkeit eines Systemstresses im Bankensektor und dem Rating von Staaten wurde ein statistisch signifikanter negativer Zusammenhang nachgewiesen. Dies impliziert, dass der Staaten-Banken-Nexus in den meisten Ländern relativ stark ist. Eine Entflechtung der Abhängigkeitsbeziehung und die damit verbundene Reduzierung der Eventualverbindlichkeiten dürften sich daher positiv auf das Rating von Staaten auswirken. Demnach könnten regulatorische Änderungen, wie beispielsweise verschärfte Bail-in-Regelungen für Banken oder höhere Kapitalanforderungen, zu Ratingverbesserungen bei den Staaten führen. Fazit und Ausblick Zur quantitativen Bonitätsbeurteilung von Staaten können unterschiedliche empirisch-statistische Ratingmodelle verwendet werden. Vor dem Hintergrund der speziellen Datenstruktur bei Staaten und der geringen Ausfallhistorie stellt sich insbesondere die Ordered-Logit-Regression als geeignetes Modell dar. Daher wurde in dieser Arbeit ein Ordered-Logit-Modell konzipiert, das die Determinanten des Ratings von Staaten empirisch ermittelt. Insgesamt weist das Modell dabei eine gute Erklärungs- und Prognosekraft auf. Die Ergebnisse zeigen, dass das BIP pro Kopf, die Staatsverschuldung in Relation zum BIP, die Wahrscheinlichkeit für einen Systemstress im Bankensektor, die Abweichung der Inflationsrate von einem stabilen Preisniveau, der Haushaltssaldo in Relation zum BIP sowie die Devisenreserven eine signifikante Erklärungskraft für das Rating von Staaten haben. Beim realen BIP-Wachstum, der Arbeitslosenquote, der Nettoauslandsverschuldung in Relation zum BIP sowie dem Leistungsbilanzsaldo in Relation zum BIP konnte dagegen keine Signifikanz festgestellt werden. Hinsichtlich der Prognosekraft erzielt das Modell eine Hit Rate von über 50 Prozent, wobei lediglich gut 5 Prozent der vorhergesagten Ratings um mehr als eine Stufe von der tatsächlichen Klassifizierung abweichen. Das konzipierte Ordered-Logit-Modell eignet sich damit zur quantitativen Risikoanalyse sowie zur Plausibilisierung von Ratings. Allerdings können qualitative Risikofaktoren durch das Modell nur eingeschränkt abgebildet werden. Insbesondere bei Staaten sind weiche Bonitätsmerkmale, wie politische Rahmenbedingungen, jedoch von hoher Relevanz für die Ratingeinstufung. Daher ist bei jeder Kreditwürdigkeitsprüfung weiterhin eine individuelle Einschätzung über die qualitativen Bonitätsmerkmale der Staaten erforderlich, um den quantitativ ermittelten Ratingscore gegebenenfalls anzupassen. Quellenverzeichnis sowie weiterführende Literaturhinweise: Acharya, V. V., Drechsler, I., Schnabl, P. (2014): A pyrrhic victory? Bank bailouts and sovereign credit risk, in: The Journal of Finance, 69. Jg., Nr. 6, S. 2689-2739. Afonso, A. (2002): Understanding the determinants of sovereign debt ratings: Evidence for the two leading agencies, Lissabon 2002. Afonso, A., Gomes, P., Rother, P. (2011): Short and longrun determinants of sovereign debt credit ratings, in: International Journal of Finance and Economics, 16. Jg., Nr. 1, S. 1-15. Amato, J. D., Furfine, C. H. (2004): Are credit ratings procyclical?, in: Journal of Banking & Finance, 28. Jg., Nr. 11, S. 2641-2677. De Bruyckere, V., Gerhardt, M., Schepens, G., Vander Vennet, R. (2013): Bank / sovereign risk spillovers in the European debt crisis, in: Journal of Banking & Finance, 37. Jg., Nr. 12, S. 4793-4809. Cantor, R., Packer, F. (1996): Determinants and impact of sovereign credit ratings, in: Federal Reserve Bank of New York - Economic Policy Review, 2. Jg., Nr. 2, S. 37-53. Chee, S. W., Fah, C. F., Nassir, A. M. (2015): Macroeconomics determinants of sovereign credit ratings, in: International Business Research, 8. Jg., Nr. 2, S. 42-50. Chen, H., Chen, W. H., Hsu, C. J., Huang, Z., Wu, S. (2004): Credit rating analysis with support vector machines and neural networks: A market comparative study, in: Decision Support Systems Journal, 37. Jg., Nr. 4, S. 543-558. Crouhy, M., Galai, D., Mark, R. (2001): Prototype risk rating system, in: Journal of Banking & Finance, 25. Jg., Nr, 1, S. 47-95. Datschetzky, D., Hauser-Rethaller, U., Hudetz, T., Kuo, Y. D., Tscherteu, A. (2004): Rating models and validation, Wien 2004. Fitch (2017): Sovereign rating criteria, New York 2017. De Guzman, C., Sheth, A. (2017): Moody’s Investors Service: Government of Japan - A1 stable: Annual credit analysis - 17 October 2017, New York 2017. Hilscher, J., Nosbusch, Y. (2010): Determinants of sovereign risk: Macroeconomic fundamentals and the pricing of sovereign debt, in: Review of Finance, 14. Jg., Nr. 2, S. 235-262. Mellios, C., Paget-Blanc, E. (2006): Which factors determine sovereign credit ratings?, in: The European Journal of Finance, 12. Jg., Nr. 4, S. 361-377. Menard, S. (2010): Logistic regression: From introductory to advanced concepts and applications, Thousand Oaks: Sales Publications Verlag, 2010. Orphanides, A. (2003): The quest for prosperity without inflation, in: Journal of Monetary Economics, 50. Jg., Nr. 3, S. 633-663. Packer, F. (2003): Mind the gap: Domestic versus foreign currency sovereign ratings, in: Bank of International Settlement Quarterly Review - September 2003, Basel 2003. Reinhart, C. M. (2002): Default, currency crises, and sovereign credit ratings, in: The World Bank Economic Review, 16. Jg., Nr. 2, S. 151-170. Rowland, P., Torres, J. L. (2004): Determinants of spread and creditworthiness for emerging market sovereign debt: A panel data study, Bogotá 2004. Theil, H. (1971): Principles of econometrics, Hoboken: John Wiley & Sons Verlag, 1971. Verbeek, M. (2017): A guide to modern econometrics, 5. Aufl., Hoboken: John Wiley & Sons Verlag, 2017. Wald, A. (1943): Tests of statistical hypotheses concerning several parameters when the number of observations is large, in: Transactions of the American Mathematical Society, 54. Jg., Nr. 3, S. 426-482. Wolff, E. N. (1991): Capital formation and productivity convergence over the long term, in: The American Economic Review, 81. Jg., Nr. 3, S. 565-579. Autoren Daniel Hagemann, Master Student an der FOM Hochschule in Düsseldorf. Prof. Dr. Frank Lehrbass, FOM Hochschule für Oekonomie & Management und Geschäftsführer L*PARC Unternehmensberatung.

Marktrisiko 15 Zinskurven und Bewertung CCP-spezifische Bewertung Identische Derivate weisen – abhängig von der zentralen Gegenpartei, über die sie abgewickelt werden – unterschiedliche Preise auf. Dieses meist als „CCP-Basis“ bezeichnete Phänomen, das jüngst auch zwischen LCH und EUREX aufgetreten ist, bleibt bisher in der Bewertung und anderen Bankfunktionen häufig unberücksichtigt. Der vorliegende Artikel diskutiert diese Herausforderung und die Möglichkeiten, auf sie zu reagieren. Einleitung Im Rahmen der internationalen Neuordnung der Märkte für OTC-Derivate wurde insbesondere für Standardzinsswaps die Pflicht zur Abwicklung über eine zentrale Gegenpartei (CCP) eingeführt [Europäische Union 2012]. Hierbei tritt die CCP als alleinige Gegenpartei in die zwischen zwei Geschäftspartnern geschlossenen Derivategeschäfte ein. Die Geschäftspartner können grundsätzlich zwischen mehreren CCPs auswählen. Relevant sind im Folgenden das London Clearing House (LCH) und die Chicago Mercantile Exchange (CME) für Geschäft in USD sowie LCH und EUREX Clearing (EUREX) für Geschäft in EUR. Gegenstand dieses Artikels ist nun die Feststellung, dass für ansonsten identisch ausgestattete Derivate (im wichtigsten Anwendungsfall Plain-Vanilla Zinsswaps) unterschiedliche Par-Raten am Markt zu beobachten sind. Dies ist abhängig davon, über welche CCP das Derivat letztlich abgewickelt werden soll. Dieses „CCP-Basis“ getaufte Phänomen wurde bereits vor einigen Jahren zwischen LCH und CME beobachtet. Es wurde in jüngster Zeit auch für EUR Swaps über LCH und EUREX intensiv diskutiert [Rennison 2013, Wood 2015, Qu 2016, Smith 2017]. Die CCP-Basis wird zwar in der Regel in besagtem Kontext von Swaps diskutiert, sie ist jedoch auch in anderen Zinsderivaten zu finden und zukünftig auch beispielsweise im Swaptionmarkt nicht auszuschließen (sofern sich die entsprechenden Clearingangebote am Markt etablieren). Im Folgenden wird die Fragestellung untersucht, ob und wie diese Basis in der täglichen Bewertung der Derivate beachtet werden sollte („CCP-spezifische Bewertung“) und welche Auswirkungen und Überlegungen sich für nachgelagerte Bankfunktionen ergeben. Nomenklatur Der Klarheit halber sei einleitend kurz die Nomenklatur in den nachfolgenden Ausführungen beschrieben. In der Differenzierung zwischen Payer- und Receiver-Swap wird stets die Perspektive eines Händlers eingenommen, der in einem Payer-Swap die fixe Seite zahlt und in einem Receiver-Swap diese erhält. Es gilt für die Par-Raten und eines Swaps der Laufzeit T entsprechend die Ordnung (bzw. bei entsprechender Identifizierung ). Die CCP-Basis ist nun definiert als Differenz der mittleren Kurse zwischen zwei CCPs. Konkret ist die Basis zwischen der LCH und einer anderen CCP [ Endnote 1]: . Aufgeschlüsselt nach Payer- und Receiver-Swap ergibt sich bei positiver Basis und ausreichender Größe dieser Basis relativ zur Geld/Briefspanne (genauer: ) mit Geld/Brief-Spanne ) die Ordnung . Diese Relation ist aktuell am Markt zu beobachten ( Tab. 01). Zusammenfassend ist es für den Käufer der Swaps im direkten Vergleich günstiger (vor Anrechnung käuferspezifischer Kostenfaktoren), einen Payer-Swap, der über die andere CCP abgewickelt wird, zu kaufen und umgekehrt günstiger, in einen Receiver-Swap, der über die LCH abgewickelt wird, einzusteigen. Mithin hat die Basis nicht den Effekt, die Abwicklung über eine bestimmte CCP insgesamt für den Käufer zu verteuern (dies wäre über die Vergrößerung des B/A-Spreads zu erreichen). Vielmehr kommt es zu einer Ausdifferenzierung der Preise für das Eingehen von Payer- und Receiver-Swaps zwischen den CCPs. Theorien zur Entstehung Die Entstehung der CCP-Basis wurde bei ihrem ersten Auftreten zwischen CME und LCH intensiv diskutiert. Seinerzeit wurde insbesondere die folgende Argumentation angeführt, die Differenzen in Angebot und Nachfrage an den einzelnen CCPs mit der Pflicht eines initialen Einschusses (Initial Margin, kurz IM) bei der jeweiligen CCP in Zusammenhang bringt [Becker 2015, Wood/Becker 2015]. Konkret wurde die positive Basis zwischen CME und LCH für USD-Zinsswaps ( Abb. 01) darauf zurückgeführt, dass US-amerikanische Fonds vornehmlich das Zinsrisiko ihrer Anlagen (festverzinsliche Wertpapiere etc.) über Swaps, die über die CME abgewickelt werden, absichern. Die hierzu benötigten Swaps führen bei den beteiligten Händlern zu einem entsprechenden Receiver-Überhang in

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_07.2019
RISIKO MANAGER 08.2019
RISIKO MANAGER 09.2019
RISIKO MANAGER 10.2019
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.