Durchführung einer zukunftsorientierten Szenarioanalyse
Das Versagen klassischer Risikomaße wie beispielsweise des Value at Risk in der Finanzkrise hat alternative Verfahren zum Risikomanagement in den Vordergrund treten lassen, z.B. Szenarioanalysen und Stresstests. Standard Life Investments zeigt in einem aktuellen Forschungspapier, wie sich eine zukunftsorientierte Szenarioanalyse durchführen lässt, die von üblichen vergangenheitsbasierten Untersuchungen durch die Integrierung qualitativer Expertenmeinungen abweicht. Diese werden über das Bayesian-Belief-Updating-Verfahren angepasst.
Quelle: Standard Life Investments
Weiterhin muss die Vernetzung unterschiedlicher Marktrisikofaktoren untereinander berücksichtigt werden. Traditionell angewandte historische Korrelationen sind erfahrungsgemäß nicht geeignet, so dass von einer Multi-Regime-Umgebung ausgegangen werden muss, in der sich die Fakten im Zeitablauf verändern. Indem ein multivariates Modell über rollierende Zeitfenster verwendet wird, können sich verändernde Marktfaktoren berücksichtigt werden. Die Autoren gehen noch einen Schritt weiter und ergänzen die historischen Daten um zusätzliche Ergebnisse, die sich aus Monte-Carlo-Simulationen ergeben. Zur Gewichtung der Wahrscheinlichkeiten der einzelnen Simulationsergebnisse werden die Expertenmeinungen verwendet und über ein komplexes numerisches Verfahren integriert.
Quelle: Standard Life Investments
Abschließend wird in einer Case Study der Effekt eines Credit Collaps untersucht, bei dem von einem negativen Schock in Höhe von 20 % auf dem Bond-Markt ausgegangen wird. Im Multi-Regime-Modell führt dies zu einem Verlust in ähnlicher Höhe am Aktienmarkt, während ein Standard-Verfahren einen Anstieg des Aktienmarktes um 3 % postulieren würde. Ursache dieses Unterschieds ist, dass die Korrelation im gesamten Zeitablauf relativ gering ist, so dass das Standardverfahren ganz linear diesen Effekt hochrechnet und dabei die Größenordnung des auftretenden Schocks ignoriert. Das Multi-Regime-Modell dagegen berücksichtigt, dass in solchen Extremsituationen die Korrelationen deutlich ansteigen und liefert damit ein besseres Ergebnis. Der Hauptvorteil liegt damit in der Fähigkeit des Modells begründet, die Interdependenz der Faktoren als nicht-lineare Funktion in Abhängigkeit der Schwere der Schocks darzustellen.
