Konzeption eines DV-Systems zur Quantifizierung von Kreditrisiko unter Berücksichtigung von Bonitätsmigrationen


Diplomarbeit, 2003

89 Seiten, Note: 2,3


Leseprobe


Inhaltsverzeichnis

Abkürzungs- und Symbolverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung

2 Grundlagen
2.1 Kreditrisikodefinition
2.2 Betrachtungsansätze
2.3 Bonitätsmigration
2.4 Systemfunktionalitäten

3 Quantifizierung des Kreditrisikos
3.1 Quantifizierung auf Einzelkreditebene
3.1.1 Anforderungen
3.1.2 Kredit-Exposure und Verlustquote
3.1.3 Konzept des erwarteten und unerwarteten Verlustes
3.1.4 Value at Risk als Kreditisikomaße
3.1.5 Scoring- und Rating-Verfahren
3.1.6 Mapping von internen auf externe Ratings
3.1.7 Bonitätsmigrationsansatz
3.1.7.1 Risikobetrachtung bei statischer Bonitätsklassenzuordnung
3.1.7.2 Risikobetrachtung auf Basis von Migrationsmatrizen
3.1.7.3 Bonitätsklassenmigration über mehrere Perioden
3.2 Quantifizierung auf Portfolioebene
3.2.1 Migrationsansatz im Portfoliokontext
3.2.2 Allgemeine Betrachtung von Korrelationen
3.2.3 Migrationen in speziellen Kreditportfoliomodellen
3.2.3.1 CreditMetricsTM
3.2.3.1.1 Beispielportfolio mit zwei Schuldnern
3.2.3.1.2 Ansatz zur Risikobestimmung in realen Portfolios
3.2.3.2 CreditPortfolioViewTM

4 Konzeption des DV-Systems
4.1 Technische Anforderungen an das DV-System
4.2 Datenbeschaffung
4.3 Aufbau des Systems

Zusammenfassung

Literaturverzeichnis

Anhangsverzeichnis

Anhang

Abkürzungs- und Symbolverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 2.2/1: Risikoadjustierte versus risikoindifferenzierte Konditionengestaltung

Abbildung 3.1.2/1: Historische Rückzahlquoten von US-Anleihen

Abbildung 3.1.3/1: Die Ermittlung des Erwarteten Verlustes

Abbildung 3.1.3/2: Abweichungen vom erwarteten Risikoergebnis

Abbildung 3.1.4/1: Der Credit Value at Risk

Abbildung 3.1.5/1: Grundstruktur für ein internes Rating

Abbildung 3.1.7.3.1/1: Bonitätsmigration über mehrere Perioden

Abbildung 3.2.2/1: Zusammenhang zwischen Risiko und Rendite im Zwei- Anlagenfall

Abbildung 3.2.3.1.1/1: Bestimmung der Portfoliostandartabweichung

Abbildung 3.2.3.1.1/2: Bestimmung der Portfoliostandartabweichung

Abbildung 3.2.3.1.1/3: Abhängigkeit von Ratingänderung unter Normalverteilungsannahme

Abbildung 3.2.3.2/1: CreditPortfolioViewTM Aufbauschema

Abbildung 3.2.3.2/2: Schätzung und Entwicklung der Wachstumsrate des Bruttoinlandsprodukt

Abbildung 3.2.3.2/3: Abhängigkeiten zwischen Ausfallraten und makroökonomischen Einflussfaktoren

Abbildung 3.2.3.2/4: Korrelation der Residualterme

Abbildung 3.2.3.2/5: Monte-Carlo-Simulation von makroökonomischen Einflussfaktoren

Abbildung 4.1/1: Verschiedene Schichten des OLAP-Würfels

Abbildung 4.2/1: Organisation der Datenbeschaffung

Abbildung 4.3/1: Die Beziehung der Module untereinander und zu systemunabhängigen Datenbeständen

Abbildung 4.3/2: Modularer Aufbau des DV-Systems

Abbildung 4.3/3: Datenversorgung der Module mittels Data Marts

Tabellenverzeichnis

Tabelle 3.1.7.1/1: Bestimmung des erwarteten Verlustes bei statischer Bonitätsklassenzuordnung

Tabelle 3.1.7.2/1: Migrationsmatrix für vier Ratingklassen

Tabelle 3.1.7.2/2: Wahrscheinlichkeitsverteilung der Anleihepreise

Tabelle 3.2.3.1.1/1: Migrationsmatrix über ein Jahr in % (one-year transition matrix)

Tabelle 3.2.3.1.1/2: Gemeinsame Übergangswahrscheinlichkeiten ohne Korrelation

Tabelle 3.2.3.1.1/3: Gemeinsame Übergangswahrscheinlichkeiten mit Korrelationkoeffizient von 0,3

Tabelle 3.2.3.1.1/4: Mögliche Wertentwicklungen der Anleihen

Tabelle 3.2.3.1.1/5: Die möglichen Portfoliowerte am Jahresende

Tabelle 3.2.3.1.1/6: CVaR - Bestimmung des 1 % Quantils

Tabelle 3.2.3.1.1/7: Korrelation der Branchenindizes

Tabelle 3.2.3.1.2/2: Übergangswahrscheinlichkeiten und Ratinggrenzen

Tabelle 3.2.3.1.2/3: Mappen standartisierter Renditeänderungen zu Rating- Szenarien

Tabelle 3.2.3.2/1: Auswertung der Simulierten Ausfallraten

1 Einleitung

Das Firmenkreditgeschäft, welches einst als Königsklasse des Bankgeschäfts betrachtet wurde, ist mehr und mehr zum Wertevernichter geworden.[1] Die erreichten Gewinnmargen sind sehr gering oder sogar negativ. Da erscheint es wie ein Lichtblick, wenn Basel II durch eine neue Reglementierung die Margen in die Höhe treiben wird. Doch beruhen die höheren Margen auf eine entsprechend erhöhte Eigenkapitalhinterlegung.

Die Banken sind nun am Zug. Um zahlungskräftigen Kunden auch weiterhin günstige Kreditangebote zu bieten, bedarf es ein von der Aufsichtbehörde akzeptiertes Kreditrisikomodell.[2] Ohne eigenes Modell werden die zur Kreditrisikobestimmung notwendigen Parameter von der Kommission vorgegeben.[3] Dadurch fällt ein nicht unerheblicher Vorteil bei der Bestimmung der Eigenkapitalhinterlegung weg. Ein geeignetes Risikobewertungsverfahren ist somit ein Erfolgsfaktor.

Die Kreditkundenbewertung gerät ins Blickfeld. Wie werden Kunden beurteilt und auf welche Weise werden die Bewertungen zur Kreditrisikomessung genutzt? Dabei stellt sich insbesondere die Frage, wie stabil eine Kreditkunden- oder Unternehmensbewertung im Zeitverlauf ist.

Die angesprochenen Fragen sollen in dieser Arbeit beantwortet werden. Zuvor findet eine Begriffabgrenzung statt, um das verwendete Kreditrisikoverständnis, die möglichen Betrachtungsansätze, den Bonitätsmigrationsansatz und die notwendigen Funktionalitäten für ein Kreditrisikobewertungssystem darzulegen.

Ziel dieser Arbeit ist die Konzeption eines Datenverarbeitungssystems. Im Laufe dieser Arbeit werden verschiedene Ansätze zur Quantifizierung von Kreditrisiken vorgestellt und erläutert. Im dritten Kapitel werden anfangs Kreditrisiken auf Einzelkreditebene bei einperiodischer Betrachtung berechnet. In diesem Zusammenhang wird der Credit Value at Risk vorgestellt. Anschließend werden Scoring- und Ratingverfahren voneinander abgegrenzt und darauf aufbauend wird der Bonitätsmigrationansatz beschrieben.

Die Quantifizierung auf Portfolioebene macht eine Untersuchung von Korrelationsbeziehungen notwendig. Zwei Verfahren, die auf Migrationansätzen basieren, werden vorgestellt. CreditMetricsTM und CreditPortfolioViewTM. Nach ausführlicher Beschreibung der Verfahren wird ein DV-System auf Basis von CreditPortfolioViewTM entworfen.

Anfangs werden die technischen Anforderungen an das System verfasst. Dabei wird die Integration in ein bestehendes System berücksichtigt. Die Datenbeschaffung ist eine der aufwendigsten Aufgaben in diesem System, da viele Daten von externen Anbietern beschafft werden müssen. Mögliche Beschaffungswege werden aufgezeigt.

Die Funktionsweise und der Aufbau der Funktionen werden ausführlich dargestellt. Dazu werden alle Teilergebnisse erläutert und die Simulationsdurchläufe beschrieben. Die Funktionen werden anschließend sinngemäß in Module zusammengefasst.

Abschließend soll die Fähigkeit des Systems frühzeitig negative Entwicklungen aufzuspüren diskutiert werden.

Im fünften Kapitel werden noch einmal die Kernaussagen dieser Arbeit zusammengefasst und eine abschließende Erkenntnis über das DV-System verfasst.

2 Grundlagen

2.1 Kreditrisikodefinition

In der betriebswirtschaftlichen Literatur existieren verschiedene Definitionen des Kreditrisikobegriffs. An dieser Stelle wird eine mögliche Einordnung vorgenommen.

Die Bonität beschreibt die Fähigkeit und Bereitschaft eines Schuldners seinen Zahlungsverpflichtungen nachzukommen.[4] In der vorliegenden Arbeit wird die Verzögerung von Zahlungen dem Liquiditätsrisiko zugeordnet und vereinfachend unterstellt, dass zu jeder Zeit Zahlungswilligkeit vorliegt.[5] Auch wird die Möglichkeit eines Verlustes von Zins- und Tilgungszahlungen durch den Einfluss hoheitlicher Maßnahmen von Staaten nicht explizit berücksichtigt werden, da das Länderrisiko oder auch Transferrisiko nicht durch den Kreditnehmer beeinflusst werden kann.

Der Begriff Kreditrisiko beschreibt die Gefahr von Verlusten aufgrund von Bonitätsverschlechterungen eines Vertragspartners bis hin zum Ausfall.[6] Als Ausfall oder auch Default gilt, wenn ein Kreditnehmer die im Kreditvertrag festgelegten Forderungen[7] nicht vollständig zum vereinbarten Zeitpunkt begleicht.[8] Nach dem Baseler Ausschuss für Bankenaufsicht gilt der Ausfall als eingetreten, wenn es unwahrscheinlich ist, dass der Schuldner[9] seine Zahlungsverpflichtungen erfüllen kann und/oder der Schuldner bereits seit mehr als 90 Tagen mit einer Zahlungsverpflichtung im Verzug ist.[10] Die daraus entstehenden Verluste lassen sich mit statistischer Wahrscheinlichkeit voraussehen bzw. erwarten.[11] Solche erwarteten Verluste werden über die Standartrisikokosten bereits bei der Kreditvergabe verrechnet.[12] Deshalb ist es entscheidend zwischen Abweichungen, die innerhalb des Erwartungshorizontes liegen und solchen, die echte Verlustüberraschungen darstellen, zu differenzieren.[13] Im Folgenden werden diese negativen unerwarteten Abweichungen als Kreditrisiko verstanden.

Die Begriffe Ausfall- und Bonitätsrisiko ermöglichen eine detaillierte Betrachtung des Kreditrisikos. Das Ausfallrisiko beschreibt den innerhalb eines vorgegebenen Konfidenzniveaus über den erwarteten Ausfall hinausgehenden möglichen Kreditausfall bei Insolvenz des Kreditnehmers. Dagegen beschreibt das Bonitätsrisiko einen migrationsinduzierten möglichen Wertverlust innerhalb eines gegebenen Konfidenzniveaus, der über den erwarteten Verlust hinausgeht.[14] Das Bonitätsrisiko ist umfassender als das Ausfallrisiko, da es den Kreditausfall als Extremfall der Bonitätsverschlechterung bereits einbezieht. Wird das Ausfallereignis aus dieser Betrachtung ausgegrenzt so bleibt nur das Bonitätsänderungsrisiko.[15] Das Bonitätsrisiko lässt sich somit in ein Ausfall- und ein Bonitätsänderungs- bzw. Migrationsrisiko[16] zerlegen.[17] Das Bonitätsrisiko wird in dieser Arbeit als Kreditrisiko i. e. S. verstanden.[18]

2.2 Betrachtungsansätze

Das erwartete Kreditrisiko eines festgelegten Planungshorizontes lässt sich über Risikoprämien, die Standartrisikokosten, auf die Kreditnehmer verteilen. Wege zur Ermittlung der Risikoprämie werden in Abschnitt 3.1.3 aufgezeigt. Wichtig ist es, zu berücksichtigen, dass bei Ausfall eines Schuldners nicht nur Zins- und Tilgungszahlungen, sondern auch die ihm auferlegte Risikoprämie ausbleibt. Demnach muss diese so ausgelegt sein, dass sie diesen unsicheren Prämienausfall ebenfalls kompensiert.[19] Es existieren vier verschiedene Betrachtungsansätze zur Verteilung der Kreditrisikokosten auf Kreditkunden bzw. Kreditkundengruppen.

Bei allen folgenden Betrachtungen, ist eine Segmentierung nach Kreditarten möglich. Die kreditartenabhängige Verteilung der Risikokosten ist unabhängig von der Betrachtungsform und somit entsteht keine Auswirkung auf die Gesamtrisikoverteilung. Deshalb wird die Segmentierung nach Kreditarten an dieser Stelle vernachlässigt.

Geht man davon aus, dass Kreditausfälle und Bonitätsänderungen zufällig eintreten und nicht vom Kreditsachbearbeiter beeinflusst werden können, so ist nur eine Verrechnung standardisierter Risikoprämien sachgerecht.[20] Die Risikoprämien werden bei einer solchen risikoundifferenzierten Konditionspolitik auf den Zinssatz aller Kunden verteilt. Dies ist in Abbildung 2.2/1 als konstanter Zinssatz dargestellt. Alle Kunden werden mit gleichen Risikokonditionen behandelt und die Prämien werden nur von dem Kreditvolumen beeinflusst. Die Bank verhält sich wie eine Versicherung, die das Risiko über eine Menge von Klienten streut.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2.2/1: Risikoadjustierte versus risikoindifferenzierte Konditionengestaltung[21]

Eine branchen- oder geschäftsfeldabhängige Betrachtung ermöglicht es, die Konditionen gerechter zu vergeben. Branchen mit größerer Anfälligkeit gegen konjunkturelle Schwankungen, starken Wettbewerb, hohen Innovationsdruck und anderen Risiko erhöhenden Einflüssen zahlen höhere Risikoprämien. Diese unterschiedliche Anfälligkeit belegt das Statistische Bundesamt.[22] Das Gesamtrisiko wird mit einer branchenabhängigen Risikogewichtung auf die Kundengruppe gestreut. Dieser Ansatz führt dazu, dass zukunftssichere Unternehmen in Risiko anfälligen Branchen schlechtere Konditionen bekommen, als vergleichbar sichere Unternehmen in Risiko unanfälligen Branchen.[23] Diese Unternehmen werden bessere Konditionen fordern und ein Nachgeben von Seiten der Bank führt zu einer Unterdeckung des Gesamtrisikos. Bezogen auf Abbildung 2.2/1 könnte jeder Branche ein individueller einheitlicher Zins zugeordnet werden.

Derartige Probleme werden mit Hilfe der Einteilung in Risikoklassen, oder auch Rating-Stufen, umgangen. Die Bank bewertet den Kreditnehmer nach Unternehmensbonität und Sicherheiten.[24] Dem Kreditnehmer wird nach Beurteilung eine Risikoklasse und somit eine angepasste Risikoprämie zugeordnet. Gute Unternehmen zahlen somit weniger Risikoprämie als ihre schlechter bewerteten Konkurrenten, auch wenn sie in der gleichen Branche aktiv sind.[25] Dieser Sachverhalt ist in Abbildung 2.2/1 mit einem steigenden Zinssatzverlauf dargestellt.

Eine genauere Einteilung bringt eine unternehmens- bzw. einzelkundenabhängige Betrachtung. In diesem Fall ist es notwendig jeden Kunden zu prüfen und ihm ein individuelles Kreditangebot mit eigens für diesen Kunden bestimmter Risikoprämie zu erstellen.[26] Dabei lässt sich das Gesamtrisiko erschwert auf die einzelnen Verträge umlegen. Derartige Prüfverfahren sind kostenintensiv und somit nur für entsprechend große Kreditvolumen angebracht.

Eine ungerechte Risikokostenverteilung führt zum Verlust an sicheren Kunden und zum Zugewinn an unsicheren Kunden.[27] Dadurch entsteht eine Risikounterdeckung und der Risikobeitrag steigt weiter an. Eine gerechte Risikokostenverteilung ist ein wichtiger Erfolgsfaktor im Kreditgeschäft.[28]

2.3 Bonitätsmigration

Die Einordnung eines Kreditnehmers in eine Ratingklasse ist eine statische Bonitätsinformation. Sie ist Zeitpunkt bezogen und in der Lage Anleihen aufgrund von Bonitätsinformationen zu unterscheiden und ihnen angepasste Risikoprämien zuzuordnen.[29]

Die Bonität des Kreditnehmers kann sich aber, speziell bei langfristigen Krediten, im Laufe der zeit verändern. Das heißt, es kann sich zur Kreditlaufzeit herausstellen, dass sich die Bonität des Schuldners verbessert oder verschlechtert hat. In diesen Fällen wäre die vereinbarte Risikoprämie, welche Zeitpunkt bezogen ermittelt wurde, nicht mehr gerechtfertig oder unzureichend. Die Bonitätsmigration stellt diese Entwicklung des Kredites dar.

Die dynamische Bonitätsinformation sollte genutzt werden, um Risikoprämien variabel zur Laufzeit des Kredites zu bestimmen. „Selbst wenn eine laufende Bonitätsbeurteilung vorgenommen wird, ist eine Erhöhung des Risikozuschlags nicht möglich, da sich die Zinsbindungsfristen festverzinslicher Kredite in der Regel auf mehrere Jahre oder sogar die gesamte Laufzeit beziehen.“[30]

Die Bonitätsmigration kann den Banken als Frühwarnsystem dienen und die Ermittlung des aktuellen Portfoliorisikos ermöglichen, aber nicht das Risiko langfristiger Zinsbindungen reduzieren.

2.4 Systemfunktionalitäten

Einem Datenverarbeitungssystem zur Quantifizierung des Kreditrisikos muss eine entsprechende Methodik hinterlegt sein, um aus Eingaben und Daten aus Datenbanken verschiedener Art aussagekräftige Outputs zu generieren. Dazu sind grundlegende Funktionen zur Erfassung, Verarbeitung und Ausgabe von Informationen notwendig. Diese Funktionen sollten über eine Benutzeroberfläche bedienbar sein.

Das System muss mit Maßnahmen zum Datenschutz und zur Datensicherheit versehen werden, da gesetzlich geschützte Daten gehandhabt werden.[31]

Es soll die Möglichkeit geben, den gegenwärtigen Wert eines Kredites abzurufen, wobei unter Wert die Gesamtheit aller ausstehenden Zins- und Tilgungszahlungen verstanden werden soll.[32] Ferner soll zu jedem Kredit der Credit Value at Risk abrufbar sein. Für das Portfolio sollte der Zeithorizont des Credit Value at Risk auch langfristig wählbar sein, um zum Beispiel einen alle 20, 50 oder 100 Jahre maximal einmal zu erwartenden Verlust zu bestimmen.[33]

Das System sollte ein „Backtesting“ erlauben. D.h. beim Auftreten einer systematischen Abweichung zwischen erwarteten und eingetretenen Zielgrößen, muss dies erkennbar sein. Für diesen Fall ist es notwendig das System korrigierbar ist, bzw. Nachbesserungen unterstützt.[34]

Es soll ein Frühwarnsystem integriert sein, welches abstürzende Kredite anhand von Merkmalveränderungen erkennt und meldet. Gleiches gilt für das Warnen vor negativen Portfolioeffekten.[35] Dabei soll ein ausreichender zeitlicher Vorsprung gegeben werden, um das Nutzen von erkannten Chancen und das Vermeiden, Reduzieren oder Kompensieren von Risiken zu ermöglichen.[36]

Auch muss die Kontrolle über die aktuelle Gesamtrisikodeckung des Portfolios in Anbetracht der von den Kunden eingeforderten Risikoprämien gegeben sein.

„Es sollte ein integriertes Informationssystem entwickelt werden, das in der Lage ist, alle Daten, die aus den Unternehmensbereichen bei der Unternehmensführung eingehen, zu verwalten und entsprechende Analysen und Berichte (standardisiert und automatisiert) zu erstellen.“[37] Dabei sollen sowohl interne als auch externe Informationen berücksichtigt werden.[38]

3 Quantifizierung des Kreditrisikos

3.1 Quantifizierung auf Einzelkreditebene

3.1.1 Anforderungen

Es muss sichergestellt werden, dass die aktuelle Risikoübernahme nicht den Erfolg oder gar die Existenz des Unternehmens gefährdet. Somit müssen mit der Quantifizierung des Kreditrisikos folgende Fragen beantwortet werden: Steht die aktuelle Risikoübernahme in einem vertretbaren Verhältnis zum Haftungskapital? Ist die Solvenz des Unternehmens gefährdet bzw. ergeben sich langfristig Engpässe?[39]

Die Daten, welche der Risikoquantifizierung zugrunde liegen, müssen die Realität so vollständig abbilden, wie es die Aufgabendurchführung und die Wirtschaftlichkeit erfordert.[40]

Um die Akzeptanz der einzuführenden Quantifizierungsverfahren zu gewährleisten, ist es bedeutend auf die Umsetzbarkeit und Integrationsfähigkeit der Verfahren zu achten. Je nachvollziehbarer ein Verfahren ist, desto höher ist die Akzeptanz bei den zukünftigen Nutzern.[41]

Die schnelle und richtige Interpretierbarkeit der Risikogröße hat maßgeblichen Einfluss auf das Erkennen von Schwachstellen in einer Unternehmung.[42] Damit die ermittelte Kennzahl bzw. Risikogröße leicht interpretierbar ist, sollte sie am besten in absoluten Geldeinheiten ausgedrückt werden. Ferner sollte der Wert als drohender Vermögensverlust interpretierbar sein, um den Zusammenhang zwischen Risikoübernahme und Haftungskapital zu verdeutlichen. Auch sollten die Eintrittswahrscheinlichkeiten eines möglichen Verlustes in der Kennzahl Berücksichtigung finden. [43]

Um die Aktualität der Risikoschätzung sicher zu stellen, müssen Prognosen in die Ermittlung einfließen. Eine Ermittlung der Risikokosten nur durch Rückgriff auf Vergangenheitswerte verletzt dieses Kriterium.[44]

Die Risikoquantifizierung sollte sich an unternehmensexternen Daten orientieren, um die Subjektivität bei der Bewertung gering zu halten.[45] Zumindest darf die Abteilung, die das Risiko bewertet, keinen direkten Vorteil daraus ziehen können.[46]

Für das ganze Unternehmen müssen Risikomessverfahren definiert und hinreichend geklärt und erläutert werden. Um eine unternehmensweite Konsistenz bei Risikomessung und Risikobewertung zu garantieren, müssen die Datenbasen und die verwendeten Methoden vereinheitlicht sein. Gleiche Risikoarten müssen immer mit gleichen Messverfahren und gleichen Kennzahlen beurteilt werden.[47]

3.1.2 Kredit-Exposure und Verlustquote

Bei Ausfall eines Kredites geht der Bank im seltensten Fall das volle Kreditvolumen verloren.[48] Davon ausgehend, dass der Ausfall erst im Zeitverlauf nach dem Abschluss des Kreditvertrages stattfinden wird, ist die Wahrscheinlichkeit hoch, dass sich das Volumen seit dem Abschluss durch Tilgungszahlungen bereits vermindert hat. Somit gilt es die aktuelle Ausfallhöhe zu bestimmen. Dieser Betrag wird auch als Kredit-Exposure (Expose at Default) bezeichnet.[49]

Die Ausfallhöhe im Defaultzeitpunkt setzt sich aus der Summe des nicht getilgten Kreditbetrags und der ausgebliebenen Zinszahlungen zusammen. Bei korrekter ökonomischer Berechnung muss an dieser Stelle der Barwert, also der abdiskontierte Buchwert, dieser Zahlungen ermittelt werden.[50] Ebenfalls zu berücksichtigen ist die Kontokorrentkreditlinie des Schuldners. Es ist davon auszugehen, dass diese bei drohender Insolvenz ausgeschöpft wird.[51] Der gesamte vom Ausfall bedrohte Betrag, bezogen auf einen Zeitpunkt, ist der Brutto-Kredit-Exposure.

Bei Ausfall des Kredites werden die bei Vertragsabschluss vereinbarten Sicherheiten eingefordert.[52] Dazu setzt die Bank die Zwangsvollstreckung oder ein Insolvenzverfahren an.[53] Je nach Art[54] der Sicherheit wird bei Insolvenz ein Teilverlust an Sicherheitswerten erwartet. Durch eine schnelle Liquidation erfahren die Sicherheiten eine zusätzliche Abwertung. Wird der Verkauf gewollt oder ungewollt verzögert, entstehen dem Kreditgeber zusätzliche Zinskosten, welche den Wert der Sicherheiten ebenfalls reduzieren.[55] Der verbleibende Wert wird durch die Rückzahlungsquote (Recovery Rate) abgeschätzt. Die Sicherheiten lassen sich nach Rangstellung der beanspruchten Gläubigerposition unterscheiden. Dies zeigt Abbildung 3.1.2/1 beispielhaft anhand der Sicherheitsklassifikation von US- Anleihen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.1.2/1: Historische Rückzahlquoten von US-Anleihen[56]

Der Wert, welcher entsteht wenn die Rückzahlungsquote von 1 abgezogen wird, ist der Loss given Default (LGD). Diese Zahl gibt die Ausfallquote bezogen auf das ausstehende Kreditvolumen an. „Der Netto-Exposure berechnet sich … als Produkt der Größen Brutto-Exposure und Loss given Default.“[57]

Ist der Zeitpunkt erreicht in dem alle noch ausstehenden Zins- und Tilgungszahlungen über Sicherheiten gedeckt sind, besteht kein Ausfallrisiko mehr. Zu diesem Zeitpunkt ist die Rückzahlungsquote gleich eins, bzw. der LGD gleich null. Bei dynamischer Betrachtung der Risikoprämien ist ab diesem Zeitpunkt keine Prämie mehr zu erheben bzw. zu berücksichtigen.

3.1.3 Konzept des erwarteten und unerwarteten Verlustes

Der erwartete Verlust (Expected Loss) stellt den Erwartungswert für den Kreditausfall dar. Bezogen auf einen Kredit lässt er sich berechnen, indem das ausstehende Kreditvolumen mit der erwarteten Ausfallwahrscheinlichkeit des Kredites multipliziert wird. Auf diese Weise lässt sich eine Standartrisikoprämie für den Kredit bestimmen, welche der Höhe des erwarteten Verlustes entspricht.

Zur Bestimmung des erwarteten Verlustes sind zwei Einflussgrößen von Relevanz: Der Netto Kredit-Exposure[58] und die erwartete Ausfallrate. Verfahren zum Ermitteln der erwarteten Ausfallrate oder Auffallwahrscheinlichkeit (Probability of Default) lassen sich in eine der folgenden vier Kategorien einordnen.[59]

- Durchschnittliche Ausfallraten der Vergangenheit im Eigeninstitut werden ausgewertet und garantieren eine an den Kundenstamm angepasste Risikoprämie. Allerdings wirken sich dabei die Nachteile historischer Analyseverfahren aus. Je größer die Menge der berücksichtigten Daten gewählt wird, desto stabiler ist der Ergebniswert, aber umso niedriger ist auch der Einfluss jüngster Geschehnisse auf die zukünftigen Risikoprämien.[60]
- In einem Marktsegment[61] beobachtete Insolvenzen werden für das Kalkulieren branchen- bzw. marktsegmentspezifische Risikoprämien genutzt. Es werden die marktsegmentspezifischen Ausfallwahrscheinlichkeiten auf die vergebenen Kredite des Kreditinstituts[62] übertragen. Somit wird die Objektivität gewahrt. Problem behaftet ist dabei die eindeutige Zuordnung der Unternehmungen in Branchen und Marktsegmente.[63]
- Risikoinduzierte Preis-/Kursunterschiede unterschiedlich beurteilter Bonds werden auf Kredite in den gleichen Ratingklassen übertragen und als Kreditrisiko interpretiert. Von Vorteil ist, dass der Kapitalmarkt Bonitätsveränderungen schneller antizipiert als Rating-Agenturen.[64] Auf diese Weise werden angepasste Risikoprämien für jede Ratingklasse vergeben. Bonds sind allerdings zu jedem Zeitpunkt liquidierbar und somit unterscheiden sich die Kurven der Wertveränderung von Krediten und Bonds.[65] Ferner wird angenommen, dass die Märkte die Bonitätsunterschiede korrekt bepreisen.[66]
- Die Ausfallraten der Unternehmen werden individuell anhand des Optionspreismodells geschätzt. Dabei wird unterstellt, dass sich das Unternehmenskapital aus Eigenkapital und Fremdkapital zusammensetzt.[67] Das Fremdkapital besteht dabei in Form von Wertpapieren, welche abgezinst herausgegeben und zum Nominalwert zurückgezahlt werden (Zero-Bonds).[68] Zwei Ereignisse können bei Fälligkeit eintreten: Der Unternehmenswert ist größer als die Verbindlichkeiten oder der Unternehmenswert ist kleiner als die Verbindlichkeiten und reicht nicht aus, diese vollständig zurückzuzahlen. Problematisch ist neben der Annahme, dass sich das Eigenkapital in einer bestimmten Richtung entwickelt auch die Datenbeschaffung.[69]

Die Abbildung 3.1.3/1 zeigt die Berechnung des erwarteten Verlusts anhand der vorgestellten Faktoren.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.1.3/1: Die Ermittlung des Erwarteten Verlustes[70]

Aufgrund der zufälligen Abweichung vom Erwartungswert kann ein höherer oder niedrigerer Verlust eintreten, als der durch die Standartrisikokosten gedeckte. Um diese Abweichung ex ante zu schätzen wird unterstellt, dass die Abweichung vom Erwartungswert normalverteilt ist. Somit lässt sich der unerwartete Verlust (Unexpected Loss) durch die Standartabweichung bestimmen.

Zur ex post Bestimmung des Risikoergebnisses sind von den Standartrisikokosten die Ist-Risikokosten abzuziehen.[71] Ein negatives Risikoergebnis wird dann als Unerwarteter Verlust bezeichnet.[72]

Für den Fall, das der Unerwartete Verlust kleiner Null ist, wirkt sich diese Abweichung Ertrags erhöhend aus. Dieser Wert kann als Chance angesehen werden.[73] Der zusätzliche Ertrag ist zu thesaurieren und bei zukünftigem Eintreten eines Unerwarteten Verlustes als Ausgleichsposten zu verwenden.

Abbildung 3.1.3/2 zeigt einen möglichen Verlauf der Risikoergebnisse. Gefahr besteht für die Bank, wenn die thesaurierten Risikoprämienüberschüsse nicht ausreichen, den eingetretenen Unerwarteten Verlust zu decken.[74] Dies gilt insbesondere in dem Fall mehrjähriger auftretender unerwarteter Verluste.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.1.3/2: Abweichungen vom erwarteten Risikoergebnis[75]

3.1.4 Value at Risk als Kreditisikomaße

Das Kreditrisiko ist nicht normalverteilt. Das bedeutet, es kann mit einer geringen Wahrscheinlichkeit zu sehr hohen Verlusten kommen.[76] Diese Asymmetrie zwischen Gewinn- und Verlusterwartung ist begründet in der Möglichkeit eines Totalausfalls des Kredites.[77] Der Value at Risk (VaR) ist ein Downside-Risikomaß, d. h. es werden nur die Verlustgefahren und keine Chancen angezeigt.[78] Der erwartete Verlust wird dabei nicht als Verlust verstanden, da dieser über die Standartrisikokosten bereits gedeckt ist. Der Value at Risk ermöglicht es, die Gefahr eines hohen Verlustes abzuschätzen. Der VaR ist nicht nur eine einzelne Kennzahl, sondern variiert mit der vorgegebenen Prognosesicherheit[79] und dem Prognosehorizont[80].[81]

Mit Hilfe des Credit Value at Risk (CVaR)[82] kann das Kreditinstitut anhand einer Sicherheitswahrscheinlichkeit[83] (α) Eigenkapital in einer Menge bereitstellen, dass es zum Absichern der mit α geschätzten Verluste ausreicht.[84] An der Größe des gewählten Konfidenzintervalls zeigt sich wie risikoavers die Bank ist.[85] Dabei gilt je größer das Intervall gewählt wird, umso risikoaverser und vorsichtiger ist das Kreditinstitut. Abbildung 3.1.4/1 zeigt beispielhaft die Konfidenzintervalle mit einer Sicherheitswahrscheinlichkeit von 95 % und 99 %. Ein Credit Value at Risk in Höhe von 50 Millionen Euro mit einem 99 % Konfidenzintervall und einem Betrachtungszeitraum von 1 Jahr lässt sich interpretieren als ein statistisch alle 100 Jahre innerhalb eines Jahres eintretender Ausfall in Höhe von 50 Millionen Euro oder höher.[86] Ein Beispiel zur Ermittlung des Value at Risk ist in Tabelle 3.2.3.1/8 gegeben. In dem Abschnitt 3.2.3.1 wird die Vorgehensweise auch ausführlich beschrieben.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.1.4/1: Der Credit Value at Risk[87]

Um unerwartete Verluste ex ante zu schätzen, ist in Abschnitt 3.1.3 vorgestellten Ansatz die Unterstellung eines normalverteilten Risikoverlaufs notwendig. Beim CVAR ist diese Annahme nicht mehr erforderlich. Der CVaR ist aussagekräftiger als der Erwartete Verlust, da im CVaR der Eintritt eines Unerwarteten Verlustes im vorgegebenen Maß[88] berücksichtigt wird.[89]

3.1.5 Scoring- und Rating-Verfahren

Um eine erste Entscheidungsbasis für das Akzeptieren oder Ablehnen eines poten- tiellen Kreditkunden aufzubauen, muss die Bank ein Wertungssystem entwickeln.

Ein Schritt in diese Richtung sind Scoring- oder Punktwertverfahren. Hierbei wird der potentielle Kreditnehmer anhand zuvor entwickelter Kriterien bewertet.[90] Diese Kriterien können sowohl qualitativer als auch quantitativer Natur sein. Zu den quantitativen[91] Kriterien gehören ausgewählte Werte oder Kennzahlen aus dem Jahresabschluss und zu den qualitativen[92] Kriterien gehören Daten wie Unternehmensalter, Branche oder die Rechtsform des Unternehmens. Die Kriterien werden entweder präskriptiv mittels Erfahrungswerten des Kreditmanagements oder deskriptiv mittels statistischer Auswertung[93] historischer Datenbestände von Jahresabschlüssen bestimmt.[94] Die erreichte Punktzahl in jedem Kriterium wird gewichtet, anschließend über die Menge der Kriterien aufaddiert und gibt somit Auskunft über die Kreditwürdigkeit des Kunden.[95] Jeder Punktzahl ist eine Entscheidungsregel und Risikoklasse zugeordnet.[96]

Die Qualität der Analyse hängt allerdings stark von der Qualität und Quantität der gesammelten Daten ab. So wären statistische Verfahren wie die Multivariate Diskremanzanalyse am effektivsten, wenn die in der Stichprobe betrachteten Kunden sich strukturell[97] möglichst gering unterscheiden.[98] Dagegen spricht die Tatsache, dass ein möglichst großer Stichprobenumfang das Ergebnis stabilisiert. Die Kreditwirtschaft bemängelt, dass diese Verfahren zu stark an der Vergangenheit orientiert sind und vornehmlich Bilanzdaten einbeziehen.[99]

Spätestens mit der Einführung von Basel II ist die Eigenkapitalunterlegung eines Kreditengagements abhängig vom Rating[100] des Kreditnehmers.[101] Demnach müssen Banken für Kredite an Unternehmen mit schlechtem Rating eine höhere Eigenkapitalquote[102] am Kreditvolumen halten.[103] Rating bezeichnet ein objektives, aktuelles und skaliertes Urteil über die künftige Zahlungsfähigkeit des Wirtschaftssubjektes.[104] Die Ratingurteile lassen sich in zwei Kategorien weiter untergliedern: Die Güteklassen (Investment grade) und die Risikoklassen (Speculative grade).[105] Innerhalb dieser Kategorien gibt es weitere Unterstufen.[106] Verlangt wird eine Unterscheidung von Mindestens 7 Ratingklassen für nicht ausgefallene und 1 Ratingklasse für ausgefallene Kreditnehmer.[107] Für standardisierte Ratingverfahren spricht zum einen die verbesserte Vergleichbarkeit und Akzeptanz, zum anderen aber auch die Verhältnismäßigkeit der Kosten.[108]

Die Banken benötigen also in naher Zukunft Ratingverfahren um den Anforderungen von Basel II gerecht zu werden und die daraus resultierenden Vorteile zu nutzen.[109] Dabei werden grundsätzlich zwei Ansätze unterschieden: Der interne Ratingansatz (IRB) und der externe Ratingansatz oder Standartansatz.

Interne Ratings werden von Kreditsachbearbeitern der Kreditinstitute im Rahmen der Kreditwürdigkeitsprüfung und Kreditüberwachung vergeben.[110] Das Vorgehen ist in Abbildung 3.1.5/1 illustriert. Die benötigten Daten werden vom Kreditnehmer zur Verfügung gestellt. Neben der Auswertung und Gewichtung ausgewählter Zahlen des Jahresabschlusses werden auch die Unternehmenspläne in Bezug auf ihre Realitätsnähe bzw. Realisierbarkeit geprüft und gewertet.[111] Auch weitere Qualitative Kriterien, wie die Qualifikation des Managements, die Erfahrung im Betrieb und die Zeiten für Weiterbildungen, werden berücksichtigt.[112] Auch werden der Exposure und der Grad der Deckung mit Sicherheiten ermittelt. Leider ist das entstehende Urteil durch ein gewisses Maß an Subjektivität geprägt, da bei der Gewichtung der quantitativen und qualitativen Faktoren Erfahrungswerte der Analysten einfließen.[113]

Der interne Raningansatz ist in den Basis-Ansatz (IRB Foundation) und den Fortgeschrittenen Ansatz (IRB Advanced) unterteilt. Dabei gelten für den IRB Advanced erhöhte Anforderungen, aber auch ein erhöhtes Einsparungspotential durch sinkende Eigenkapitalanforderungen.[114] Bei dem Basis-Ansatz beruht nur die Ausfallwahrscheinlichkeit (PD) auf Basis eigener Einschätzungen des Kreditinstituts. Angaben über die Ausfallquote (LGD) und den Kredit-Exposure (EAD) erfolgen über Vorgaben des Baseler Ausschusses für Bankenaufsicht. Dagegen wird bei dem Fortgeschrittenen Ansatz eine interne Einschätzung aller genannten Merkmale verlangt.[115]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.1.5/1: Grundstruktur für ein internes Rating[116]

Als externe Ratings werden Bonitätsurteile bezeichnet, die von unabhängigen Agenturen[117] vergeben werden. Diese Agenturen müssen von der Bankaufsicht zertifiziert sein, damit auf Grundlage ihrer Ratings Entscheidungen zur Eigenkapitalunterlegung getroffen werden dürfen.[118] Meist beauftragt der Kreditnehmer das Rating und trägt auch die entstehenden Kosten.[119] Der externe Ratingansatz oder auch Standartansatz ist in den einfachen Ansatz (Simple Standardised) und in den umfassenden Ansatz (Comprehensive Standardised) untergliedert.[120] Allerdings ist der Standartansatz bei Eigenkapitalermittlung von dem Baseler Ausschuss für Bankenaufsicht benachteiligt, um den Kreditinstituten einen Anreiz zu schaffen die interne Steuerung von Kreditrisiken weiterzuentwickeln.[121]

Die Vorgehensweise der Ratingagenturen bei der Beurteilung der Bonität ist Geschäftsgeheimnis bzw. Geschäftsgrundlage und somit nicht zugänglich. Lediglich die einfließenden Faktoren werden veröffentlicht. Diese mangelnde Transparenz des Ratingsystems stellt einen Kritikpunkt an externen Ratings dar.[122] Andererseits wird auf diese Art und Weise eine Manipulation von Seiten der Unternehmen vermieden, welche ihre Bilanz- und Unternehmenszahlen entsprechend der Gewichtung im Rating beugen würden.[123]

Das externe Rating ist keine Garantie für eine objektive Bewertung. Dies zeigt sich in dem Fall, wenn ein Unternehmen verschiedene Ratingurteile von unterschiedlichen Ratinagenturen bekommt.[124]

3.1.6 Mapping von internen auf externe Ratings

Banken nutzen externe Ratings als Benchmark für eigene Analysen, als Backtesting des eigenen Bewertungsverfahrens oder zur Informationsvervollständigung.[125] Probleme ergeben sich beim Einsatz externer Ratings im eigenen Kreditgeschäft, da die Informationen über Kreditausfallraten nicht identisch sind. Die Anzahl der hauseigenen Ratingklassen stimmt in der Regel nicht mit der Anzahl externer Klassen überein. Eine Überführung in externe Klassen hat zur Folge, dass ein Teil der eigenen Engagements nicht übernommen werden kann. Dies führt zu Fehlern bei Bestimmung der Ausfallwahrscheinlichkeit.[126]

Erster Ansatz einer Rating-Zusammenführung ist die Parallelisierung von externen und internen Ratings.[127] Auf diese Weise wird zumindest ein Anteil des eigenen Portfolios extern geratet. [128] So ermöglicht es einen Benchmark des eigenen Systems.

Besser ist es, wenn mit Hilfe externer Ratings mittlere Ausfallwahrscheinlichkeiten für bankinterne Ratingklassen ermittelt werden.[129] Auf diese Weise ist ein Vergleich zu jedem anderen Ratingsystem durchführbar und es können externe Daten zur Vervollständigung der eigenen Datenbasis genutzt werden.

Banken, welche ihr Ratingsystem nicht veröffentlichen wollen oder kein eigenes anerkennungsfähiges System verfügen, dürfen zur Berechnung der aufsichtsrechtlichen Eigenkapitalquote auf externe Ratings zurrückgreifen.[130] Um dies aber durchführen zu können müssen interne und externe Ratings konsistent und vergleichbar sein. Es fehlen die Risikogewichte, welche den Ratings zugeordnet werden müssen. Diese Gewichte wird liegen in der Verantwortung nationaler Aufsichtsbehörden. Allerdings wurde ein solches Zuordnungsverfahren von der Bankenaufsicht noch nicht vorgestellt.[131]

3.1.7 Bonitätsmigrationsansatz

3.1.7.1 Risikobetrachtung bei statischer Bonitätsklassenzuordnung

Grundannahme dieses Ansatzes ist es, dass sich die Bonitätsinformationen über einen Kreditnehmer im Zeitverlauf nicht ändern. Bei der Vergabe des Kredites wird die Bonität des Kunden anhand eines standardisierten Ratings bestimmt und bekommt Geltung für die gesamte Kreditlaufzeit. Eine augenblickliche Information soll den Zusammenhang zwischen Risikoprämie und Bonitätsbewertung herstellen.[132] Auf dieser Annahme basierend lässt sich die Auffallwahrscheinlichkeit eines Kredites finden, indem die historische Ausfallwahrscheinlichkeit aller Kredite in der gleichen Bonitätsklasse, d. h. mit der gleichen Bonitätsbeurteilung, ausgewertet werden.[133] Somit lässt sich das Portfolio aller vergebenen Kredite in Gruppen einteilen, die Bonitätsklassen. Auch wenn die Bonitätsklassen damit eine gruppeninterne Homogenität der Ausfallwahrscheinlichkeiten bedingen wird damit keine Homogenität der Risikoursachen unterstellt.[134] Eine Einteilung in Bonitätsklassen sollte mit ausreichend vielen Abstufungen geschehen, wobei die Menge der Abstufungen auch von der Größe des Kreditinstitutes, bzw. der Größe des Kreditportfolios, abhängt. Wiederum gilt, dass die Einteilung in möglichst viele Klassen und die Stichprobengröße innerhalb einer Klasse in Konflikt stehen.

Zur Bestimmung des Kreditrisikos soll jeder Bonitätsklasse eine gruppenspezifische Ausfallwahrscheinlichkeit und Rückzahlquote bzw. die daraus berechnete Verlustquote (LGD) zugeordnet werden.[135] Mit diesen Faktoren lässt sich der Erwartete Verlust (EL) kalkulieren.

Dieser Ansatz lässt sich relativ einfach auf eine mehrperiodische Betrachtung erweitern. Dazu wird ein Abzinsungsfaktor i benötigt, um die Barwerte der zukünftigen erwarteten Ausfälle zu berechnen. Die Tabelle 3.1.7.1 zeigt eine solche Berechnung über zwei Perioden anhand von drei ausgewählten Bonitätsklassen.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.1.7.1/1: Bestimmung des erwarteten Verlustes bei statischer Bonitätsklassenzuordnung[136]

3.1.7.2 Risikobetrachtung auf Basis von Migrationsmatrizen

Die Zahlungsfähigkeit eines Kreditnehmers kann sich verschlechtern ohne eine Insolvenz oder eine Zahlungsstörung hervorzurufen. Durch das Sinken (downgrading) seiner Bonitätsbeurteilung im Betrachtungszeitraum wechselt der Schuldner die Bonitätsklasse und gehört einer Gruppe mit höherer Ausfallwahrscheinlichkeit an.[137] Das gleiche gilt auch in die andere Richtung.

Das heißt der Kreditnehmer kann durch Verbesserung (upgrading) seiner Bonität im Betrachtungszeitraum auch eine Bonitätsklasse mit niedrigerer Ausfallwahrscheinlichkeit erreichen.[138] Dieser Sachverhalt kann am Anleihemarkt beobachtet werden. „Betrachtet man eine festverzinsliche Anleihe (Bond) eines privaten Emittenten wie einer Bank oder einer Industrieunternehmung, so stellt man im Kurs stets einen Abschlag gegenüber einer vergleichbaren Bundesanleihe (gleiche Laufzeit, gleicher Kupon) fest.“[139] Dieser Abschlag orientiert sich an der Bonität, wobei gilt, je niedriger die Bonität, desto höher der Abschlag.[140]

Die Bonitätsübergänge und die damit verbundene Veränderung der Ausfallwahrscheinlichkeit sollen bei der folgenden Betrachtung Berücksichtigung finden. Die Bonitätsklasse ist nicht länger statisch, sondern wird als dynamische Größe verstanden. Um die Wahrscheinlichkeiten eines Bonitätsübergangs zu quantifizieren bedient man sich der Migrationsmatrizen.

Migrations- oder Übergangsmatrizen werden jährlich von den Ratinginstituten herausgegeben. Sie werden durch historische Auswertung öffentlich gehandelter Anleihen erzeugt.[141] Eine Übergangsmatrix zeigt die möglichen Ratingentwicklungen von Ausgangszeitpunkt zum Zielzeitpunkt. Dabei wird in der Literatur der Zeitraum von einem Jahr bevorzugt, weil in diesem Zeitraum auch die relevanten Daten, wie z. Bsp. die Jahresabschlüsse, anfallen.[142] Die Matrix verbindet die möglichen Bonitätsänderungen mit der Wahrscheinlichkeiten für deren Eintritt.[143] Ein Übergang vom Ausfallereignis zu einem anderen Rating ist immer gleich Null, weil diese Entwicklung nicht möglich ist.[144] Die Summe aller Einträge einer Zeile beträgt 100 %. Tabelle 3.1.7.2/1 zeigt eine solche Migrationsmatrix in vereinfachter Form.

Innerhalb einer Migrationsmatrix lassen sich folgende Gesetzmäßigkeiten beobachten:[145]

- Es ist umso wahrscheinlicher in der eigenen Bonitätsklasse zu bleiben, je besser diese Klasse ist.
- Schuldner aus schlechteren Bonitätsklassen haben eine größere Wahrscheinlichkeit ihre Bonitätsklasse zu verbessern, als Schuldner guter Bonitätsklassen.
- Bei Schuldnern aus guten Bonitätsklassen ist die Schwankungsbreite geringer als bei jenen aus schlechteren Klassen.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.1.7.2/1: Migrationsmatrix für vier Ratingklassen[146]

Erster Schritt zur Bestimmung des Kreditrisikos unter Verwendung von Migrationsmatrizen ist die Betrachtung der Wertentwicklung der Anleihe in Abhängigkeit zu ihrem Rating in einem Jahr.[147] Der Marktrisikoeffekt sei an dieser Stelle nicht berücksichtigt, d.h. es wird davon ausgegangen, dass die Zinskurven vollkommen gleich bleiben. Bezogen auf eine Anleihe mit dem Rating B aus Tabelle 3.1.7.2/1 stellt sich die Wertentwicklung wie in Tabelle 3.1.7.2/2 dar.

Die mögliche Wertentwicklung quantifiziert das Risiko aber noch nicht. Hierzu ist es notwendig, die dargestellte Verteilung zu berücksichtigen. Dies kann mit Hilfe der Standartabweichung geschehen. Da das Kreditrisiko nicht standartnormalverteilt ist, sondern eine schiefe Verteilung aufgrund der Möglichkeit eines Totalausfalls aufweist, wird an dieser Stelle auf den Credit Value at Risk zurückgegriffen.[148]

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.1.7.2/2: Wahrscheinlichkeitsverteilung der Anleihepreise[149]

Der Credit Value at Risk für das 5%-Quantil, bzw. für das 95 % Konfidenzintervall, berechnet sich durch aufsummieren der Wahrscheinlichkeiten wi, bis erstmalig die Wahrscheinlichkeit von 5 % überschritten ist. Dies ist der Fall bei 4 % + 11 %. Der Wert, der mit einer Wahrscheinlichkeit von 95 % im Betrachtungszeitraum von einem Jahr nicht unterschritten wird, ist demnach 83.

3.1.7.3 Bonitätsklassenmigration über mehrere Perioden

Rating-Übergangsmatrizen werden bei der Bestimmung der erwarteten Ausfälle berücksichtigt, so dass es möglich ist die zeitlichen Verläufe der Ausfällwahrscheinlichkeiten in die Ermittlung einfließen zu lassen.[150] Wie bei den statischen Bonitätsklassen wird jeder Klasse eine Ausfallwahrscheinlichkeit zugeordnet. Durch die Migrationswahrscheinlichkeiten lassen sich diese bonitätsklassenspezifischen Ausfallwahrscheinlichkeiten in Relation zu dem erwarteten Rating am Jahresende verteilen.

Zur Bestimmung dieser Werte wird auf Markovketten zurrückgegriffen.[151] Eine endliche Markovkette ist durch folgende Eigenschaften definiert:[152]

- Das System (hier: der Kreditnehmer) kann sich in einer endlichen Anzahl von Zuständen (hier: die Bonitätsklassen) befinden.
- Es handelt sich um diskrete und nicht um stetige Zustände.
- Die Wahrscheinlichkeit, dass das System von einem Zustand in einen anderen Zustand wechselt, ist unabhängig von dem vorausgehenden Zustand. - Diese Voraussetzung wird auch als Markov-Eigenschaft bezeichnet.
- Die Wahrscheinlichkeit des Wechsels ist unabhängig von dem Zeitpunkt der Laufzeit des Kredites.

Die Abbildung 3.1.7.3/1 zeigt das im Folgenden angesprochene Szenario. Die Verbindungslinien stellen die entsprechenden Migrationswahrscheinlichkeiten aus der Migrationsmatrix dar. Mit Hilfe der Markovkette[153] ließe sich nun die Wahrscheinlichkeit berechnen, dass ein Rating zum Beispiel der Güte A im Zeitverlauf das Rating B annimmt und schließlich zum Ende der Betrachtung bei einer Bewertung von C platziert wird.[154] Interessanter ist allerdings die Frage, wie wahrscheinlich es ist, dass dieses Rating im Zeitverlauf ausfällt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.1.7.3.1/1: Bonitätsmigration über mehrere Perioden[155]

Hauptproblem dieses Modells ist die Nicht-Einhaltung der Markoveigenschaft. „Sie ist bei Krediten nicht in jedem Fall gültig, da der Übergang von einer Ratingklasse in eine andere in der Praxis mitunter schon davon abhängt, welchen Klassen der Kredit zugeordnet ist.“[156]

3.2 Quantifizierung auf Portfolioebene

Ein Kreditportfolio lässt sich über zwei Dimensionen diversifizieren.[157] Als erste Dimension sollen die Wirtschaftssektoren bzw. Branchen benannt werden. Diese Dimension kann auch weiter nach räumlichen Kriterien zerlegt werden. Die zweite Dimension ist die Größe der vergebenen Kredite oder auch als die Granularität bezeichnet. Ein Kreditunternehmen, welches sich auf Unternehmen aus einem bestimmten Wirtschaftszweig spezialisiert, versäumt es, das Risiko zu streuen. Kommt es in diesem Sektor zu einer wirtschaftlichen Krisensituation, so ist das ganze Kreditportfolio gefährdet. In diesem Zusammenhang wird dies auch als Vermeidung von Klumpenrisiken bezeichnet.[158]

Um Kreditrisiken im Portfolio zu bewerten, ist es als erstes notwendig mögliche Wertentwicklungen des Portfolios abzuschätzen. Eine Wahrscheinlichkeitsverteilung soll jedem denkbaren Portfolioverlust eine Eintrittswahrscheinlichkeit zuordnen.[159] Dabei werden zwei Arten von Verfahren unterschieden: Simulationsgestützte Verfahren (Simulation-based portfolio approach) und Verfahren mit analytischer Herleitung der Verteilung. (Analytic-based portfolio approach).

Ist eine Wahrscheinlichkeitsverteilung der denkbaren Portfolioverluste erstellt, lässt sich, mit Hilfe des Credit Value at Risk und des gewünschten Konfidenzintervalls, ein Risikowert ableiten.

3.2.1 Migrationsansatz im Portfoliokontext

Um den Migrationsansatz auf das Portfolio zu übertragen, ist es notwendig, eine Matrix zu den gemeinsamen Übergangswahrscheinlichkeiten zu erstellen. Dieser Vorgang wird auch als Bestimmung der Joint Migration bezeichnet.[160] Es sind alle möglichen Konstellationen zu berücksichtigen. Das heißt, die Zahl der Elemente in der Matrix ist gleich der Anzahl der unterschiedenen Bonitätszustände potenziert mit der Anzahl der betrachteten Anleihen.[161] Dann gilt es, mit dieser Matrix eine Matrix der möglichen Wertentwicklung des Portfolios aufzustellen. Dazu wird zuvor eine Wahrscheinlichkeitsverteilung der Anleihepreise jeder Anleihe benötigt.[162] Sind alle möglichen Portfoliowertentwicklungen berücksichtigt, lässt sich nun der Credit Value at Risk bestimmen.

3.2.2 Allgemeine Betrachtung von Korrelationen

Aus der Portfoliotheorie von Markowitz ist bekannt, dass ein Wertpapier-Portfolio aus verschiedenen Aktien weniger Risiko birgt als die Summe der Einzelrisiken der Aktien im Portfolio.[163] Dies veranschaulicht Abbildung 3.2.2/1. Die dargestellten Korrelationen werden im nächsten Absatz in Bezug auf Kreditkorrelationen erläutert.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.2.2/1: Zusammenhang zwischen Risiko und Rendite im Zwei-Anlagenfall[164]

Es wird davon ausgegangen, dass unterschiedliche Geschäftsfelder neben unterschiedlichen Wettbewerbsbedingungen auch unterschiedliche Chancen und Risiken aufweisen und somit nicht zwangsläufig auf die gleichen Einflüsse[165] reagieren.[166] Es bestehen Beziehungen zwischen Geschäftsfeldern oder Branchen welche bewirken, dass eine Verschlechterung der Bonität des einen Geschäftsfeldes zu einer Verbesserung der Bonität des anderen Geschäftsfeldes führt.[167] Diese Annahme lässt sich auf die Planung eines Kreditportfolios übertragen.[168]

Über Korrelationen lassen sich Risikointerdependenzen zweier Kreditnehmer oder Branchen abbilden. Korrelationen können Werte zwischen +1 und -1 besitzen.[169] Dabei bedeutet ein Wert von +1, dass die Kreditnehmer oder Branchen vollständig identisch auf einen bestimmten Einfluss reagieren. Bei einem Wert von Null sind die Reaktionen völlig unabhängig und bei einem Wert von -1 würden sich die Reaktionen gegensätzlich verhalten.[170] Im letztgenannten Fall würde sich das Risiko der betrachteten Parteien sogar stark reduzieren. Auch hier gilt stets die schiefe Verteilung des Kreditrisikos und darauf beruht auch die Tatsache, dass sich das Risiko zweier perfekt gegensätzlich reagierender Kredite nicht aufheben kann, da ein sicherer Kredit einen ausfallenden Kredit nicht ausgleichen kann. Für alle Korrelationen unter +1 lassen sich Diversifikationseffekte erzielen. D.h., wenn die betrachteten Kreditnehmer bzw. Branchen nicht vollständig gleich auf die Ausgangsmerkmale reagieren, verringert sich das Gesamtrisiko im Portfolio durch eine Kombination beider Kreditnehmer bzw. Branchen.

Das Risiko welches sich durch die Portfoliozusammensetzung nicht reduzieren lässt, wird als systematisches Risiko bezeichnet. Für dieses Risiko muss die Bank eine Prämie verlangen.[171] Bei perfekter Diversifikation geht das unsystematische Risiko gegen null.[172] Das bedeutet, je mehr die Banken das Risiko streuen können, desto günstiger kann ein Kredit angeboten werden. Dies bestätigt sich bei der Betrachtung von Rückversicherern gegenüber Banken.

3.2.3 Migrationen in speziellen Kreditportfoliomodellen

3.2.3.1 CreditMetricsTM

Die amerikanische Bank J. P. Morgan stellte 1997 die spezifizierte Version des zuvor entwickelten Bewertungsverfahrens RiskMetricsTM. Das neue Verfahren ist notwendig, da die Bewertung von Kreditrisiko schwieriger ausfällt als die Bewertung von Handels- und Marktrisiken.[173]

CreditMetricsTM ist ein Verfahren zur Bewertung von Kreditrisiken unter Berücksichtigung von Bonitätsmigrationen und Portfolioeffekten.[174] Dabei wird bei den Ratingklassen eine Homogenität von Ausfall- und Migrationswahrscheinlichkeit ausgegangen. Im Rahmen der Korrelationsbetrachtung ist in diesem Verfahren der Optionspreistheoretische Ansatz verankert, nach welchem der Wert der Aktiva des Unternehmens Einfluss auf die Bonitätszustände nimmt.[175] Sinkt der Wert der Unternehmensaktiva unterhalb des Wertes des Fremdkapitals ist der Zustand des Ausfalls erreicht.

3.2.3.1.1 Beispielportfolio mit zwei Schuldnern

Im Folgenden soll die Funktionsweise des Systems an einem Beispiel mit 2 Kreditnehmern vorgestellt werden. Zur Bestimmung des Kreditrisikos im Portfolio ist eine Migrationsmatrix notwendig, welche die Übergangswahrscheinlichkeiten der im Portfolio vertretenen Ratingklassen angibt. Die im Beispiel genutzte Übergangsmatrix ist in Tabelle 3.2.3.1.1/1 abgebildet.[176]

Die Übergangsmatrix beruht auf statistischer Auswertung von Datenbeständen der Ratingagenturen. Dabei sei noch einmal darauf hingewiesen, dass eine statistische Auswertung nur bei ausreichend großen Stichproben gute Ergebnisse abwirft.[177] Problematisch ist die Datenbasis, weil auf diese Weise lediglich extern beurteilte Betriebe berücksichtigt werden. Es wäre von Vorteil, wenn bankinterne Daten von KMU in die Berechnung einfließen könnten.[178]

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.1.1/1: Migrationsmatrix über ein Jahr in % (one-year transition matrix)[179]

Das Beispielportfolio setzt sich aus einem Schuldner mit dem Rating A und einem mit dem Rating BBB zusammen. Dabei wird unterstellt, dass diese Schuldner nicht korreliert sind, sich also völlig unabhängig voneinander verhalten. Diese Annahme ermöglicht es, die gemeinsamen Übergangswahrscheinlichkeiten durch Multiplikation des Vektors der Entwicklungsmöglichkeiten des jeweiligen Schuldners zu erzeugen. Für die im Beispiel betrachteten Ratings der Kategorie A und BBB sind also die Vektoren für die Migrationswahrscheinlichkeiten von A, bzw. von BBB zu anderen Ratingstufen relevant. Um die erste Zeile der Matrix der gemeinsamen Übergangswahrscheinlichkeiten zu erstellen wird nun die Wahrscheinlichkeit, dass der BBB geratete Kreditnehmer 2 das Rating AAA erreicht der Reihe nach mit den Wahrscheinlichkeiten des Kreditnehmer 1 für ein erreichen der Stufen AAA, AA, A, BBB, BB, B, CCC und Default multipliziert. Die Produkte stellen die gemeinsamen Wahrscheinlichkeiten dar. Dieser Vorgang wird für alle Ratingentwicklungen von Kreditnehmer 2 wiederholt. Die Ergebnisse dieses Vorgehens sind in Tabelle 3.2.3.1.1/2 abgebildet.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.1.1/2: Gemeinsame Übergangswahrscheinlichkeiten ohne Korrelation[180]

Die Annahme einer Korrelation von Null ist realitätsfremd.[181] Deshalb wird die Matrix der gemeinsamen Übergangswahrscheinlichkeiten mit einer Korrelation von 0,3 neu berechnet.[182] Es wird somit unterstellt, dass die Kreditnehmer nicht vollständig unabhängig auf gesamtwirtschaftliche Faktoren reagieren. Die neue Matrix ist in Tabelle 3.2.3.1.1/3 abgebildet.

Im Folgenden wird allerdings mit den unkorrelierten Datensatz gearbeitet. Die Berücksichtigung der Korrelation wird zu einem späteren Zeitpunkt ausführlich erläutert.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.1.1/3: Gemeinsame Übergangswahrscheinlichkeiten mit Korrelationkoeffizient von 0,3[183]

Bevor die Wertentwicklung des Portfolios abgeschätzt werden kann, müssen die Wertentwicklungen für jede Anleihe abgeschätzt werden. Hierbei gibt es das Problem, dass die zukünftige Wertentwicklung nicht nur von der Bonität des Schuldners, sondern auch von der Marktzinsentwicklung abhängt.[184] Es gehen also Marktrisiko und Kreditrisiko ineinander über. Um den Marktrisikoeffekt auszuschalten, wird der Wert für den Fall berechnet, dass keine Marktzinsveränderung erfolgt. JP Morgan unterstellt die Annahme, dass die Zinskurven nach einem Jahr den Forwardzinsätzen, also den Terminzinssätzen, entsprechen. Zu berücksichtigen ist noch, dass der Wert im Ausfall gleich dem Basiswert multipliziert mit der erwarteten Rückzahlquote (Recovery Rate) ist. Im Beispiel wurde auf die von Standard & Poor’s (S&P) ermittelte Rückzahlquote von 51,13 je 100 Nennwert zurückgegriffen. Daraus ergeben sich folgende Wertentwicklungsmöglichkeiten (siehe Tabelle 3.2.3.1.1/4).

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.1.1/4: Mögliche Wertentwicklungen der Anleihen[185]

Werden nun die Daten über die Wertentwicklung in die Matrix der gemeinsamen Übergangswahrscheinlichkeiten übertragen, ergibt sich eine Matrix mit möglichen Portfolioentwicklungen.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.1.1/5: Die möglichen Portfoliowerte am Jahresende[186]

Alle möglichen Ausprägungen der Wertentwicklung des Portfolios sind nun gegeben und die dazu gehörigen Wahrscheinlichkeiten sind ebenfalls bekannt. Der Portfolioerwartungswert kann durch Multiplizieren jeden Wertfeldes mit der ihm zugeordneten Eintrittswahrscheinlichkeit und anschließender Aufsummierung aller dieser Produkte gebildet werden. Der Portfolioerwatungswert für das Beispiel beträgt 213,63. Die Berechnung ist in Abbildung 3.2.3.1.1/1 dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.2.3.1.1/1: Bestimmung des Portfolioerwartungswertes[187]

Da der Erwartungswert allein noch keine ausreichende Aussagekraft besitzt, wird auch die Standartabweichung bestimmt. Die Standartabweichung entspricht der Volatilität beim Marktrisiko, welche dort ebenfalls eine durchschnittliche Abweichung darstellt.[188] An der Beispielberechnung in Abbildung 3.2.3.1.1/2 wird deutlich, dass wiederum über alle 64 möglichen Entwicklungszustände gerechnet werden muss. Es besteht die Möglichkeit, die Streuung der Recovery Rate zu berücksichtigen, indem jeder Defaultwert zusätzlich mit dem Quadrat der Rückzahlquoten-Standartabweichung multipliziert wird. Im Folgenden wird der VaR-Ansatz bevorzugt und deshalb von einer Berechnung dieses Spezialfalls abgesehen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.2.3.1.1/2: Bestimmung der Portfoliostandartabweichung[189]

JP Morgan lässt aber auch eine weitere Methode zur Quantifizierung des Kreditrisikos zu, den Credit Value at Risk. Anhand der vorliegenden Daten wird der CVaR für das 1%-Quantil bestimmt, also für ein Konfidenzintervall von 99%.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.1.1/6: CVaR - Bestimmung des 1 % Quantils[190]

Zur Berechnung des CVaR werden alle Wahrscheinlichkeiten aufaddiert, bis der Quantil von 1% überschritten wird.[191] Begonnen wird beim schlechtesten Ereignis, dem Ausfall beider Schuldner. Anschließend wird analog zur Wertsteigerung die gemeinsame Wahrscheinlichkeitsmatrix durchlaufen.[192] Einfacher ist dies durchzuführen, wenn die Werte der möglichen Wertentwicklungen zuvor in eine aufsteigende Reihenfolge gebracht werden und ihnen die zugehörigen Wahrscheinlichkeiten zugeordnet sind. Im Beispiel (Tabelle 3.2.3.1.1/6) werden die Wahrscheinlichkeiten kumuliert, bis mit der Addition von 1,06 % die kumulierte Wahrscheinlichkeit auf 1,37 % steigt und somit erstmalig die Grenze von 1 % übersteigt. Der zugeordnete Wert beträgt 204,40. Ein Wert von 204,40 wird mit einer Wahrscheinlichkeit von 99 % innerhalb eines Jahres nicht unterschritten. Die Abweichung zum Erwartungswert beträgt somit 213,63 - 204,40 = 9,23 und ist damit größer als die Standartabweichung, welche 3,35 beträgt. Dieser Unterschied ist wiederum mit der Schiefe der Verteilung des Kreditrisikos zu begründen, welche bei der Berechnung der Standartabweichung unberücksichtigt bleibt.[193]

Die Korrelationen werden in CreditMetricsTM mit dem Asset-Value-Modell berechnet. Das Verfahren läuft in vier Schritten ab:[194]

- Die Schätzung der Varianzen von Renditeänderungen von Länder- und Branchenindizes geschieht problemlos, analog zu der Messung der Marktrisiken.
- Berechnung von Korrelationen zwischen Renditeänderungen jeweils zweier verschiedener Unternehmen. Dazu werden die Unternehmensumsätze den Indizes zugeordnet.
- Eine Standartnormalverteilte Verteilung für Änderungen der Vermögenswerte wird unterstellt. Die in Abbildung 3.2.3.1.1/3 zeigt die Abhängigkeit vom Unternehmensergebnis und Ratingänderung. Dabei sind die empirisch beobachteten Wahrscheinlichkeiten aus der Migrationsmatrix rechnerisch durch die Ratinggrenzen (ZRating) dargestellt.
- Unter Verwendung der Normalverteilungen der Unternehmensrenditen gemäß Schritt 3, sowie den in Schritt 2 ermittelten Korrelationen, lassen sich Wahrscheinlichkeiten für alle Kombinationen paarweiser Ratingveränderungen berechnen. Dem zugrunde liegt der statistische Sachverhalt, dass die Summe normalverteilter Zufallsvariablen wieder normalverteilt ist.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.2.3.1.1/3: Abhängigkeit von Ratingänderung unter Normalverteilungsannahme[195]

Das Asset-Value-Modell benutzt zwar historische Daten, doch beziehen sich die Daten auf Kursveränderungen aus der jüngeren Vergangenheit und somit ist diese Analyse weniger stark vergangenheitsorientiert. Bedenklich ist allerdings, dass nur Aktiengesellschaften in diese Analyse einbezogen werden.[196]

Um den Einfluss der Korrelation zu berücksichtigen, wird ein „Ein-Faktor-Modell“ verwendet. D.h., wie in Tabelle 3.2.3.1.1/3 demonstriert, werden die Beziehungen zwischen zwei Parteien mit einem Korrelationskoeffizienten ausgedrückt.[197]

Um das Beispiel fortzuführen wird jetzt unterstellt, dass Schuldner 1 seine Umsätze zu 90 % in der Länder-Branchen-Kombination amerikanische Lebensmittelindustrie generiert. Die restlichen 10 % der Umsätze sind nicht weiter zuordenbar, weil dies unternehmensspezifisch anfallen. Die Umsätze vom Schuldner 2 lassen sich zu 75 % der amerikanischen und zu 25 % der deutschen Automobilindustrie zuteilen. Trotzdem sind 20 % der Unternehmensbewegung spezifisch.

Die Korrelationsmatrix der Branchen- und Länderindizes wird aus den Aktienkursinformationen abgeleitet. Somit werden effiziente und marktgerichtete Informationen verwendet. Nachteilig ist, dass Nicht-Aktiengesellschaften bei der Ermittlung von Korrelationen nicht einbezogen sind.[198]

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.1.1/7 zeigt die Länder-Branchen-Matrix auf Grund derer sich, unter Berücksichtigung der Umsatzanteile, die Korrelationen zwischen den Schuldnern bestimmen lassen.

80 % der Bewegungen von Schuldner 1 sind abhängig vom Index. Nun muss die Volatilität bestimmt werden, damit die Gewichtungsfaktoren berechnet werden können.[200] Dabei wird damit begonnen die Gesamtvolatilität auf eins zu normieren, um später die Normalverteilung nutzen zu können. Die Volatilität des für Schuldner 2 relevanten Index berechnet sich folgendermaßen:

Abbildung in dieser Leseprobe nicht enthalten

Auf Basis der Volatilität σ´ wird anschließend die 80 % Abhängigkeit zu Indexinduzierten Schwankungen für die normierte Gewichtung einbezogen.[201]

Abbildung in dieser Leseprobe nicht enthalten

Davon ausgehend, dass unternehmensspezifische Umsätze nicht korreliert sind, lässt sich der Zusammenhang zwischen den Schuldner 1 und Schuldner 2 mit den Indizes bestimmen.

Abbildung in dieser Leseprobe nicht enthalten

Die Schuldner sind also mit dem Koeffizienten 0,3 korreliert. Dies ist bereits in Tabelle 3.2.3.1.1/3 dargestellt.

3.2.3.1.2 Ansatz zur Risikobestimmung in realen Portfolios

Reale Portfolios bestehen in der Regel aus einer Vielzahl von Krediten, so dass eine analytische Bewertung, wie es im vorherigen Abschnitt vorgestellt wird, kaum mehr möglich ist. Stattdessen wird auf Simulationen zurückgegriffen.[202] J. P. Morgan benutzt die Monte Carlo Simulation.[203] Auf diese Art und Weise müssen nicht alle möglichen Wertentwicklungen des Portfolios bestimmt werden. Stattdessen wird eine Stichprobe von möglichen Szenarien erzeugt und ausgewertet.

Das Vorgehen bei der Simulation wird in drei Schritte gegliedert:[204]

- Generieren von möglichen Szenarien unter Annahme normalverteilter[205] Rendite- und Unternehmensentwicklungen
- Bestimmen der Portfoliowerte für jedes Szenario
- Zusammenfassen der Ergebnisse

Das Beispiel wird zur Demonstration des Simulationsansatzes auf 3 Unternehmen erweitert. Tabelle 3.2.3.1.2/1 zeigt zur Linken die Migrationswahrscheinlichkeiten der drei Unternehmen und auf der rechten Seite die zugeordneten Grenzen innerhalb der Standartnormalverteilung.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.1.2/2: Übergangswahrscheinlichkeiten und Ratinggrenzen[206]

Bevor die Szenarien erzeugt werden, seien noch Korrelationen von 0,3 zwischen U1 und U2, 0,1 zwischen U1 und U3 sowie 0,2 zwischen U2 und U3 berücksichtigt. Die folgende Tabelle zeigt 10 mögliche Szenarien. Auf der rechten Seite sind den Szenariowerten, bezogen auf die Unternehmensindividuellen Ratinggrenzen, wieder Ratingurteile zugeordnet.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.1.2/3: Mappen standartisierter Renditeänderungen zu Rating-Szenarien[207]

Anhand der Tabelle 3.2.3.1.2/3 lassen sich den Szenarien je nach Rating der Unternehmen Werte zuordnen. Dies erfolgt wie bereits in Tabelle 3.2.3.1.1/4 angedeutet. Durch Aufsummieren der Werte innerhalb eines Szenarios ergibt sich eine mögliche Entwicklung des Portfolios. Werden alle möglichen Szenarioentwicklungen ihrer Größe nach geordnet, lässt sich wiederum ein Credit Value at Risk bilden Da die Ergebnisse normalverteilt sind reicht es in diesem Fall zum Beispiel den 11. kleinsten Wert, als 1 % Quantil in einer Stichprobe von 1000 Ausprägungen, zu bestimmen.[208] Grundsätzlich gilt: Je größer die Anzahl der Szenarien, desto repräsentativer ist das Ergebnis.[209]

3.2.3.2 CreditPortfolioViewTM

Als Verfeinerung und Weiterentwicklung des Rating-Migrationsansatzes stellt McKinsey & Co das Verfahren CreditPortfolioViewTM vor. Dieses Verfahren ist in der Lage Ausfallrisiko und Migrationsrisiko durch Berücksichtigung makroökonomischer Einflussgrößen[210] zu quantifizieren.[211] Grundlegend wird hierbei unterstellt, dass einem gut diversifizierten Kreditportfolio die Entwicklungen der makroökonomischen Einflussgrößen als wesentliche Ursache für die Volatilität der Ausfallraten und für Rating-Migrationen der Schuldner zugeordnet werden können.[212] Während im CreditMetricsTM mit durchschnittlichen Übergangsmatrizen gearbeitet wird, welche den aktuellen Stand der Wirtschaft nicht wiedergeben, greift CreditPortfolioViewTM auf Übergangsmatrizen zurück, welche segmentspezifisch auf die aktuelle wirtschaftliche Lage konditioniert sind.[213] Dabei wird insbesondere auf das zyklische Verhalten von Aufschwung und Rezession geachtet. Bei der Berechnung von Korrelationen ist bei CreditPortfolioViewTM also keine Betrachtung der Aktienrendite notwendig, wie es bei CreditMetricsTM der Fall ist.[214] Somit werden auch Branchen, welche zu großen Bestandteilen aus Nicht- Aktiengesellschaften bestehen, repräsentativ abgebildet.

Es bestehen zwei Möglichkeiten zur Berücksichtigung von makroökonomischen und konjunkturellen Einflüssen:[215]

- Die historischen Daten werden in Rezessions- und Nicht-Rezessions-Jahre geteilt. Daraus werden jeweils Übergangsmatrizen abgeleitet, so dass eine Matrix für ein folgendes gutes Jahr und die andere im Falle eines schlechten Jahres gilt. Als Ergebnis lassen sich so zwei verschiedene VaR Kalkulationen berechnen.
- Die Beziehung zwischen Übergangsmatrizen und makroökonomischen Faktoren kann direkt modelliert werden. Durch die Simulation von makroökonomischen Schockereignissen lässt sich die Entwicklung der Übergangswahrscheinlichkeiten schätzen.

Die Quantifizierung des Kreditrisikos erfolgt bei CreditPortfolioViewTM in zwei Komponenten. Die erste Komponente beschreibt die Ermittlung der gemeinsamen Wahrscheinlichkeitsverteilung von Kredit-Exposure und Rückzahlungsquote.[216] Die zweite Komponente ist die zentrale Komponente des Verfahrens. Hier werden die sektorspezifischen bedingten Migrationswahrscheinlichkeiten unter Berücksichtigung von makroökonomischen Einflussfaktoren[217], wie zum Beispiel dem Branchen-Konjunkturindex, ermittelt.[218] In der Abbildung 3.2.3.2/1 ist der schematische Aufbau dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.2.3.2/1: CreditPortfolioViewTM Aufbauschema[219]

Bei dem in der Modellierung eingehenden Kredit-Exposure kann es sich sowohl um liquide als auch um illiquide Kreditpositionen handeln. Ähnlich wie bei CreditMetricsTM wird der Marktwert eines Kredittitels am Ende des Prognosehorizonts durch die Diskontierung der noch ausstehenden Zahlungen ermittelt, mit dem Unterschied, dass hier statt der Forward-Rates die rating-klassen- spezifische Zins-Struktur-Kurve zum Abzinsen angewendet wird.[220] Handelt es sich um einen illiquiden Kredit, so ist der zukünftige Wert durch Diskontierung der bis zum Planungshorizont erwarteten Verluste zu bestimmen.

Die zweite Komponente soll, wie bereits erwähnt, makroökonomische Einflüsse verschiedener Wirtschaftssektoren bewerten. Die Empirie belegt, dass die verschiedenen Wirtschaftssektoren und Branchen verschieden stark auf die Konjunkturzyklen, bzw. auf makroökonomische Einflüsse, reagieren.[221] Es ergibt sich daraus die Annahme, dass während eines Aufschwungs weniger Kredite ausfallen als in einer Rezession. Auf ein Ratingurteil bezogen bedeutet das: Es ist im Falle des wirtschaftlichen Aufschwungs wahrscheinlicher, dass sich das Rating verbessert und im Falle des Abschwungs ist die Wahrscheinlichkeit für die Abwertung des Ratings größer.[222]

Es reicht nicht aus, den Gesamtmarktindex[223] zu betrachten, da verschiedene Sektoren unterschiedlich stark reagieren. Deshalb müssen branchen- bzw. sektorspezifische makroökonomische Einflussfaktoren identifiziert und herausgefiltert werden, welche den Entwicklungsverlauf der Ausfallraten des spezifischen Sektors im Wesentlichen beeinträchtigen. Identifizieren lassen sich solche Faktoren mit Hilfe der multivariaten Diskriminanzanlayse[224]. Zur Begrenzung des Rechenaufwandes ist es sinnvoll, die Anzahl der Faktoren auf 2 bis 4 zu begrenzen. Die wichtigsten Einflussfaktoren sind demnach die Wachstumsrate des Bruttoinlandprodukts, die Geld- und Kapitalmarktzinssätze, die Arbeitslosenquote und der Börsenindex.[225] In Abhängigkeit der Relevanz dieser Faktoren für den jeweilig betrachteten Kreditnehmersektor werden spezifische funktionale Beziehungen zu den Ausfallraten hergeleitet.[226] Unter Berücksichtigung dieser Beziehungen werden im CreditPortfolioViewTM die bedingten Übergangswahrscheinlichkeiten berechnet. Die Herleitung und Berechnung der genannten Größen wird im Folgenden in vier Schritten erläutert.[227]

Der erste Schritt besteht darin die historischen Zeitreihen der Einflussgrößen für die Ermittlung der sektorspezifischen Ausfallraten zusammenzustellen. Dabei sollen Wirtschaftsektoren mit homogenen Reaktionen auf die ausgewählten Einflussgrößen gebildet werden. Jeder Sektor wird in der weiteren Betrachtung separat angegangen. Ein Sektor könnte zum Beispiel die Baufinanzierung sein. In den Sektoren lassen sich spezifische Migrationsraten beobachten.

Zweiter Schritt ist es mittels einer Regressionsanalyse eine funktionale Beziehung zwischen dem Wert eines makroökonomischen Einflussfaktoren eines Jahres zu den in vorausgegangenen Jahren erreichten Werten herzustellen. Die Gleichung (1) in Abbildung 3.2.3.2/3 stellt diesen Sachverhalt dar.

Der makroökonomische Einflussfaktor i (z.B. Baukonjunktur) des Sektors j (z.B. Baufinanzierung) für das Planjahr t (z.B. 2004) wird Abhängigkeit von den Werten der Jahre t-1 (z.B. 2003) bis t-n (z.B. 1995) bestimmt.[228] Der Faktor αi gibt an, wie stark der zu ermittelnde Einflussfaktor von der Ausprägung der Faktors in der Vergangenheit abhängt. Unerwartete Entwicklungen des Einflussfaktors durch zufällige Schockereignisse werden mit dem Einbeziehen eines normalverteilten Korrekturfaktors εj,i,t berücksichtigt.[229] Die Schätzung der Einflussfaktoren kann auch mehrere Jahre in die Zukunft erfolgen. Dargestellt ist das Ergebnis einer solchen Berechnung in Abbildung 3.2.3.2/2.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.2.3.2/2: Schätzung und Entwicklung der Wachstumsrate des Bruttoinlandsprodukt[230]

Dritter Schritt ist es, eine Beziehung zwischen den im ersten Schritt zusammengestellten sektorspezifischen Ausfallraten und den im zweiten Schritt hergeleiteten makroökonomischen Einflussgrößen herzustellen. Damit wird es möglich, für jeden Sektor von Kreditnehmern eine Ausfallrate in Abhängigkeit zur makroökonomischen Entwicklung vorauszuberechnen.[231] Die prognostizierte Ausfallrate (Pj,t*) des Sektors j im Jahr t ist abhängig von einer sektorspezifischen Zusammensetzung von makroökonomischen Einflussgrößen. Dargestellt ist dies in Gleichung (2) und (3) in Abbildung 3.2.3.2/3. Aus allen messbaren Einflussfaktoren werden nur jene ausgewählt die signifikanten Einfluss auf die Ausfallratenentwicklung des betrachteten Sektors haben. Mit dem Gewichtungsfaktor bj,i lassen sich die Einflussfaktoren in ihrer Zusammensetzung steuern, um eine bestmögliche Prognose der sektorspezifischen Ausfallraten zu ermöglichen.[232] Abweichungen innerhalb eines Sektors, zum Beispiel durch Innovation, werden mit dem Residualterm vj,t als normalverteilte Zufallsgröße einbezogen.[233]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.2.3.2/3: Abhängigkeiten zwischen Ausfallraten und makroökonomischen Einflussfaktoren[234]

Die Funktion zur Bestimmung der sektorspezifischen Ausfallraten ist also von drei Variablen abhängig: Den Ausprägungen der Einflussfaktoren in der Vergangenheit, der Zufallsentwicklung auf makroökonomischer Ebene und den Zufallsentwicklungen der Sektoren.

Abbildung in dieser Leseprobe nicht enthalten

Das bedeutet, die Entwicklung der sektorspezifischen Ausfallraten unterliegt im Wesentlichen der Zufallsentwicklung der beiden Residualterme. Die Annahme diese seien normalverteilt, ermöglicht es, ihren Verteilungsverlauf durch Kenntnis der Standartabweichung und des Erwartungswertes abzubilden.[235] Ferner lässt sich in historischen Zeitreihen eine Abhängigkeit in der Entwicklung der beiden Residualterme feststellen. Abbildung 3.2.3.2/4 führt die Korrelation formal aus.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.2.3.2/4: Korrelation der Residualterme[236]

Zur simulationsgestützten Entwicklung der Ausfallraten bietet sich wiederum die Monte-Carlo-Simulation an. Abbildung 3.2.3.2/5 demonstriert das Vorgehen der Schritte eins bis drei. Die durchschnittliche Ausfallrate eines Sektors ergibt „… sich aus dem Durchschnitt der in der Vergangenheit realisierten Ausfallraten. Sie ist also eine bei dem langfristigen Konjunkturtrend (durchschnittliche Konjunkturlage) zu erwartende Ausfallrate, bei der Einflüsse der zyklischen Konjunkturentwicklungen geglättet werden.“[237]

Im vierten Schritt wird die Kennzahl Risikofaktor (rt,j) eingeführt. Dieser Faktor ist das Verhältnis zwischen prognostizierter Ausfallrate (Pt,j*) und durchschnittlicher Ausfallrate (Pt,j) eines Sektors. Somit drückt er die relative Abweichung von der durchschnittlichen Ausfallrate an.[238] Der Risikofaktor gilt bezogen auf den Betrachtungszeitraum für den ausgewählten Sektor. (Formal: rt,j = Pt,j* / Pt,j)

Grundsätzlich lassen sich drei Risikofaktoren unterscheiden.[239]

- Ein Risikofaktor von 1 bedeutet, dass die prognostizierte Ausfallrate genau der durchschnittlichen Ausfallrate entspricht und somit das Risiko weder erhöht noch reduziert wird.
- Ein Risikofaktor größer als 1 lässt auf eine anstehende Rezession schließen. Die Rating-Migrationen werden vermehrt zu schlechteren Ratings verlaufen, das Risiko wird dadurch erhöht.
- Ein Risikofaktor unter 1 sagt dementsprechend einen Aufschwung voraus. Die Migrationen wirken sich öfter rating-verbessernd aus. Das Risiko wird dadurch vermindert.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3.2.3.2/5: Monte-Carlo-Simulation von makroökonomischen Einflussfaktoren[240]

Die Simulationsergebnisse lassen sich also durch Dividieren mit der durchschnittlichen Ausfallrate in Risikofaktoren ausdrücken. Ein Beispiel soll zum Simulationsansatz hinführen.

Bei einfacher Durchführung der Simulation wird ein Wert von 17,4 % als Ausfallrate bestimmt. Durchschnittliche Ausfallrate ist 6,8 %. Daraus ergibt sich ein Risikofaktor von 17,4 % / 6,8 % also 2,56.[241] Der Faktor ist größer als eins und kündigt somit eine Rezession und ein steigendes Ausfallrisiko an.

In der Tabelle 3.2.3.2/1 werden Ausschnitte der Ergebnisse von 1000 Simulationen gezeigt. Die Ergebnisse sind nach sinkendem Risikofaktor in Rangfolge gebracht. Jedes Ergebnis hat eine Wahrscheinlichkeit von 0,1 %. Der Risikofaktor von 1,0 wird in Position 381 der Rangfolge erreicht. Somit liegen 38,0 % der simulierten Werte unterhalb des Risikofaktors von eins, d.h. bei Eintritt eines Szenarios aus diesem Wertbereich fallen weniger Kredite aus als die durchschnittliche Ausfallrate angibt. Mit einer Wahrscheinlichkeit von 38,1 % kann also in dem betrachteten Sektor davon ausgegangen werden, dass die Rating-Bewertungen im nächsten Jahr gleich bleiben oder sich verbessern.[242]

Anhand der Tabelle 3.2.3.2/1 lässt sich auch der VaR zum 1 % - Quantil bestimmen. Bei dem 989. Wert in der Rangfolge ist 1 % überschritten. Damit ist die Aussage verknüpft, dass eine Ausfallrate von 25,8 % mit einer Wahrscheinlichkeit von 99 % im Laufe des Jahres nicht überschritten wird.

Wichtig ist es zu erwähnen, dass die Erweiterung der Schätzung auf mehrere Perioden in die Zukunft relativ unproblematisch ist. Es wird lediglich mit Schätzwerten in Periode t + 1 gerechnet. Dabei ist allerdings zu berücksichtigen, dass der Schätzfehler mit zunehmendem Blick in die Zukunft ansteigt. Dass wird auch in Abbildung 3.2.3.2/5 deutlich.

Die Annahmen die für CreditPortfolioViewTM getroffen wurden stellen eine Unsicherheit dar. So stützt sich das Modell auf die Annahme, dass Beziehungen, welche innerhalb historischer und beobachteter Daten existieren, auf die Zukunft übertragbar sind. Über diese Beziehung besteht jedoch Ungewissheit.[243]

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2.3.2/1: Auswertung der Simulierten Ausfallraten[244]

4 Konzeption des DV-Systems

Im vorausgehenden Abschnitt hat sich gezeigt, dass CreditPortfolioViewTM durch die Berücksichtigung makroökonomischer Einflussfaktoren für die Schätzung der Kreditrisiken aller Kundengruppen geeignet ist. Die Einflussfaktoren garantieren den Bezug zur aktuellen wirtschaftlichen Situation und bei der Korrelationsberechnung werden die Nicht-Aktiengesellschaften gleichermaßen berücksichtigt. Im Folgenden wird aufgezeigt, was bei der Umsetzung dieses Verfahrens zu berücksichtigen ist.

4.1 Technische Anforderungen an das DV-System

Die Daten sollen von einem Data Warehouse verwaltet werden. Das Data Warehouse garantiert eine logisch-konsistente Integration aller internen und externen Daten.[245] Ferner ermöglicht es auch eine geplante Redundanz durch Speicherung aggregierter Daten auf mehreren Stufen zu Gunsten kürzerer Antwortzeiten. Dies ist insbesondere in Bezug auf viele Simulationsdurchläufe von Nutzen, da weniger Datenbankanfragen notwendig werden.

Die Generierung von aggregierten Daten erfolgt unter Verwendung des Online Analytical Processing (OLAP). OLAP ermöglicht es Datenbestände in einem multidimensionalen Datenwürfel abzubilden und dann alle erdenkbaren Schnitte (Slices) oder Würfelungen (Dices) abzurufen.[246] Auf diese Weise werden komplexe Datenbankanfragen unterstützt. Es eignet sich daher gut, um sehr große Mengen an historischen Daten abzurufen.[247] Bezogen auf das zu entwickelnde DV-System setzt sich der Würfel wie in Abbildung 4.1/1 gezeigt zusammen. Im Beispiel sind allerdings nur Schnitte gezeigt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4.1/1: Verschiedene Schichten des OLAP-Würfels[248]

Die im System benötigten Daten werden zum Teil von Dienstleistungsbetrieben angeboten. In Bezug auf makroökonomische Einflussfaktoren sei hier Beispielsweise das Statistische Bundesamt genannt. Es ist notwendig, dass das DV-System über Schnittstellen verfügt, welche das Verwenden externer Daten und Datenquellen ermöglicht. Die Datenquellen sollten vor Ort gespiegelt werden, um Ausfälle in Folge von Verbindungsproblemen zu vermeiden. Alle Datenquellen werden vom Data Warehouse verwaltet.

Die Anforderungen an die Systemverfügbarkeit sind hoch. Alle Daten müssen auf Sicherungsdatenbanken in regelmäßigen Abständen gesichert werden. Da es sich auch um vertrauliche Kundeninformationen handelt ist ein geeigneter Zugriffs- und Zugangskontrolle sowie eine Benutzerkontrolle zu berücksichtigen.[249]

Weil das Datenverarbeitungssystem auf einem Simulationsansatz stützt, ist bei der Auswahl der geeigneten Hardware ein hoher Rechenaufwand zu berücksichtigen.[250]

4.2 Datenbeschaffung

In diesem Abschnitt sollen die benötigten Datenquellen bzw. die benötigten Daten angeführt werden. Zuerst werden die benötigten Daten und die dazugehörigen Quellen beschrieben, dann erfolgt eine graphische Darstellung (Abbildung 4.2/1) zur Organisation der Datenbeschaffung.

Die historischen Ausfallraten aller erdenklichen Kreditnehmergruppen werden benötigt. Je größer die Ansammlung dieser Daten ist, umso repräsentativer sind die daraus abgeleiteten Ergebnisse. Speziell die Einteilung in viele Sektoren von Kreditnehmern, welche für eine genaue Anpassung der Einflussfaktoren an die Sektoren notwendig ist, benötigt eine breite Datenbasis. Diese Datenbasis sollte zum größten Teil im operativen System bereits vorhanden sein, ist dies nicht der Fall oder sind diese Datenbestände von mangelnder Qualität, so ist der Zukauf von externen Datenbeständen notwendig. Die entsprechende Datenbank (DB) wird in der Abbildung 4.3/1 nur „Ausfallraten“ benannt. Die Ausfallraten sind dimensionslos und liegen im Wertebereich von 0 bis 1.

Die historische Entwicklung der makroökonomischen Einflussfaktoren ist für die Vorhersage zukünftiger Ausprägungen der Einflussfaktoren notwendig. Auch die Konjunkturindezes der Branchen können ein Mittel zur Abbildung der Gesamtwirtschaftlichen Einflüsse sein. Diese Daten werden von Dienstleistungsbetrieben bereitgestellt.[251] Hier gilt, je weiter die Daten zurückreichen, desto mehr funktionelle Zusammenhänge lassen sich im historischen Verlauf überprüfen. In der Veranschaulichung werden die historischen Einflussfaktoren lediglich „Einflussfaktoren“ genannt. Die Einflussfaktoren sind dimensionslos und können beliebige Werte annehmen. Wahrscheinlich sind Werte zwischen - 1 und + 1.

Zur Berechnung des aktuell ausstehenden und gefährdeten Kreditbetrages des Schuldners sind kundenspezifische Informationen notwendig. Dazu gehören Informationen über den Kreditvertrag, insbesondere die Höhe der ausstehenden Zins- und Tilgungszahlungen, aber auch der aktuelle Kontostand des Kunden, welcher gegebenenfalls positiv zu berücksichtigen ist. Die Entwicklung des Kontostandes kann in eine Früherkennung der Insolvenzgefährdung einfließen. Da sich diese Informationen auf den Kunden beziehen werden sie in Folgenden als „Kundendaten“ bezeichnet. Dazu gehört auch das Rating der Kreditnehmer. Hierbei kann es sich allerdings um bankinterne Ratingergebnisse oder um Urteile von Ratingagenturen handeln.

Da für die Funktionen im DV-System jeweils eine Scheibe von Daten, bezogen auf den multidimensionalen Datenwürfel des Data Warehouses (Abbildung 4.1/1) notwendig ist, sollten die Abfragen mit Hilfe eines OLAP-Werkzeuges erfolgen. Auf diese Weise kann den hohen Datenanforderungen der Funktionen nachgekommen werden ohne das System auszubremsen. Um die Performance weiterhin zu verbessern ist es möglich Data Marts zu bilden. Data Marts sind spezialisierte analytische Teildatenbanken, welche Daten kontrolliert redundant zum Data Warehouse speichern und somit das Data Warehouse entlasten.[252] Die Entlastung ist am größten, wenn jedes Programmmodul über ein eigenes angepasstes Data Mart verfügt. Die Module werden in Abbildung 4.3/2 vorgestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4.2/1: Organisation der Datenbeschaffung[253]

Die in Abbildung 4.2/1 dargestellten Informationsquellen werden über die Middleware ins Data Wareouse eingespeist. Die Daten können aus verschieden Quellen in das Data Warehouse gelangen. Dazu gehören bankexterne Quellen, welche sich in Amtliche und Nicht-Amtliche Institutionen untergliedern lassen und bankinterne Quellen.[254] Die Middleware stellt sicher, dass Daten in einheitlicher Form abgelegt und korrekt bezeichnet werden. Dies kann sich insbesondere bei automatischen Abfragen an externe Informationsanbieter zu Problemen führen, da jeder Anbieter möglicherweise über ein anderes Datenmodell verfügt.[255] Aber auch die Datenformate verschiedener bankinterner Systeme aus dem operativen Einsatz müssen durch Verwendung von Middleware genormt im Data Warehouse abgelegt werden.

4.3 Aufbau des Systems

In der Abbildung 4.3/1 ist das DV-System in sieben Schritten dargestellt. Die Schritte stellen jeweils eine Systemfunktionen dar, welche zur Quantifizierung des Kreditrisikos im Portfolio notwendig ist. Dabei werden in der Darstellung die Beziehungen der Funktionen untereinander und zu den systemunabhängigen Datenbanken aufgezeigt. Mit systemunabhängigen Daten sind Datenbanken bezeichnet auf welche das DV-System nur lesend zugreift. Diese Datenbestände werden vom Data Warehouse verwaltet und von anderen bankinternen Systemen oder externen Systemen mit Daten versorgt. Im Weiteren erfolgen eine Beschreibung der genanten Funktionen und eine Zusammenfassung von Funktionen zu Modulen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4.3/1: Die Beziehung der Module untereinander und zu systemunabhängigen Datenbeständen[256] Die Bildung von Sektoren, also Gruppen von Kreditnehmern, erfolgt anhand der Abhängigkeit der Kreditnehmer zu betrachteten makroökonomischen Einflussgrößen. An dieser Stelle werden zwei Datenbestände relevant. Erstens die historischen Ausfallraten verschiedenster Markt-, Länder-, Branchenkombinationen und zweitens die Entwicklung der Einflussgrößen in der Vergangenheit. Mit Mustererkennungsverfahren, wie der multivariaten Diskiminanzanalyse oder dem Data Mining, ist es möglich bestehende Zusammenhänge aufzudecken. Dabei wird überprüft, ob zwischen Gruppen bezüglich bestimmter Merkmale signifikante Unterschiede bestehen.[257] Diese Zusammenhänge lassen sich mit Gewichtungsfaktoren dosieren. Sektor j wird der Einflussfaktor Xj,i mit einem Gewicht von βj,i zugeordnet. Dabei steht der Index i für den betrachteten Einflussfaktor, zum Beispiel die Arbeitslosenquote. Formal wurde die Sektorbildung in Abbildung 3.2.3.2/3 Gleichung (3) gezeigt. Die Sektoren sind nur einmal zu bilden. In Zukunft können und müssen Kontrolldurchläufe stattfinden, um eventuelle Veränderungen der Abhängigkeiten der Sektoren zu bestimmten Einflussfaktoren aufzudecken.

Für die Schätzung der Entwicklung der makroökonomischen Einflussfaktoren im Betrachtungszeitraum t ist es notwendig historische Verläufe des betrachteten Einflussfaktors zu untersuchen. Als Werkzeug dient dazu das Data Mining[258] mit Verfahren wie Zeitreihen- oder Regressionsanalysen.[259] Ziel ist es jedem historischen Wert (t-n) des betrachteten Faktor mit einem Gewichtungsfaktor αi,n zu bewerten und eine möglichst sichere Prognose für den Wert in t zu erstellen. Zusätzlich ist eine zufällige Veränderung zu berücksichtigen. Dies erfolgt unter Annahme der Normalverteilung.[260] Im Simulationsdurchlauf wird eine große Anzahl von Schätzvorgängen durchgeführt. Auf diese Weise gehen ebenso viele Zufallsereignisse in die Betrachtung ein. Existieren in der Einflussfaktoren- Datenbank weit in der Zeit zurückreichende Daten, so lässt sich die Güte der gewählten Gewichte vielfach überprüfen in dem ein in der Vergangenheit liegender Wert vermeintlich geschätzt wird. Abbildung 3.2.3.2/3 zeigt in Gleichung (1) die formale Darstellung dieser Funktion.

Die dritte Funktion fügt die Ergebnisgrößen der vorherigen Funktionen zusammen. Mit Hilfe der Gewichtung βi lassen sich die prognostizierten Einflussgrößen, unter Berücksichtigung von Unsicherheit im betrachteten Sektor, sektorspezifisch zusammenfassen. Jeder für den Sektor j relevante Einflussfaktor i wird mit einem Gewicht βi multipliziert und ergibt somit eine sektorspezifische Mischung aus Einflussfaktoren. Wird nun auf die simulierten Einflussfaktoren aus Funktion 2 zurückgegriffen, ist es möglich eine Entwicklung der Sektoren zu simulieren. Auch hier gilt, wie bei den folgenden Funktionen die auf simulierte Werte zugreifen, dass mit einer Stichprobe von Daten und nicht nur mit einem Wert gerechnet wird. Es existieren also eine Menge möglicher Entwicklungen für jeden Sektor.

Die vierte Funktion soll die funktionellen Zusammenhänge zwischen der Entwicklung des Sektor j und den sektorspezifischen Ausfallraten abbilden. Durch Vergleiche zwischen Verlauf der Entwicklung auf den Sektor und dem Verlauf der Ausfallraten des Sektors ist es möglich eine Abhängigkeit nachzuweisen und auszudrücken. Somit lässt sich zu der prognostizierten Entwicklung des Sektor j eine sektorspezifische und entwicklungsabhängige Prognose für die Ausfallrate im Zeitraum t berechnen. Auch in dieser Funktion sind Testläufe möglich, indem wiederum ein bekannter Wert als unbekannt geschätzt wird. Mit der Abweichung zwischen Wert und Schätzung lässt sich die Güte der Funktion messen. In Zukunft muss der funktionelle Zusammenhang auf Richtigkeit überprüft werden, er muss aber nicht für jede Risikoquantifizierung neu bestimmt werden.

Die Bildung des Risikofaktors eines Sektors ist durch die vorangegangenen Funktionen stark vereinfacht. Die geschätzte Ausfallwahrscheinlichkeit des Sektor j wird durch die Ausfallwahrscheinlichkeit des Sektors j in t-1 dividiert und ergibt somit einen Ausfallratenänderungsindex, den Risikofaktor. Nach den Simulationsdurchgängen wird überprüft wie viele Risikofaktoren der Stichprobe kleiner sind als der „risikolose“ Risikofaktor eins. Prozentual zur Größe der Stichprobe ausgedrückt berechnet sich auf diese Weise die Migrationswahrscheinlichkeit für ein upgrading der Kreditnehmerratings innerhalb eines Sektors. Entsprechend lässt sich mit der Menge der Werte über dem Risikofaktor von 1 die Migrationswahrscheinlichkeit für ein downgrading der Ratings eines Sektors berechnen.

Die Berechnung der Exposition erfolgt in zwei Schritten. Notwendig ist dafür die Ermittlung des Exposures und der Verlustquote (LGD). Der Exposure beschreibt alle zum Zeitpunkt der Ermittlung ausstehenden Zins- und Tilgungszahlungen. Diese ausstehenden Zahlungen sollen barwertig in die Ermittlung eingehen und werden deshalb mit einem ratingspezifischen Diskontsatz abgezinst. Dazu ist nebst der Tabelle für Diskontsätze der Ratingstufen auch ein Ratingabruf zu jedem Kreditnehmer notwendig. Dem Barwert der offen stehenden Zahlungen lässt sich nun der Wert der Sicherheiten und des aktuellen Kontoguthaben gegenüberstellen. Dabei muss berücksichtigt werden, dass die Gegenwerte, bzw. Sicherheiten, zu einem Teil unsicher sind. Mit einer Simulation verschiedener normalverteilter Verlustquoten sollen die Sicherheiten abgewertet werden. Danach sind sie vom Exposure zu subtrahieren und es bleibt ausstehende unsichere Exposure, die Exposition.

Die siebte und letzte Funktion führt alle Teilergebnisse zusammen und ermöglicht die Quantifizierung des Risikos. Die Teilergebnisse bestehen aus den Ausfallraten der Sektoren j, den Migrationswahrscheinlichkeiten der Sektoren j und die Exposition der Kreditnehmer. Hierbei ist zu berücksichtigen, dass es sich bei den Ausfallraten der Sektoren noch um eine Stichprobe von möglichen Ausprägungen handelt. Diese sind mit Hilfe des VaR-Ansatzes zu einem Wert zu reduzieren. Das Konfidenzintervall sollte allerdings nicht zu groß gewählt werden, da in diesem Fall die Entwicklungen sehr pessimistisch ausfallen. Die genaue Bestimmung des Konfidenzintervalls sollte nach Probeläufen oder einen Benchmark mit einem anderen System stattfinden. Die Ausfallrate oder Ausfallwahrscheinlichkeit eines Sektors j ermöglicht nun in Verbindung mit der Exposition der Kreditnehmer in einem Sektor die Bestimmung des erwarteten Verlustes des Teilportfolios für Sektor j. Durch die Verwendung der Migrationswahrscheinlichkeit kann dieser Wert erhöht oder vermindert werden, je nachdem wie sehr eine Verbesserung oder eine Verschlechterung der Ratings zu erwarten ist. Hier gilt es einen funktionellen Zusammenhang zwischen Migrationswahrscheinlichkeit und Wertveränderung durch Migration im Teilportfolio zu finden. Auf diese Weise wird die Gesamtentwicklung des Portfolios in die Betrachtung einbezogen und es wird nicht nur die Ausfallgefährdung berücksichtigt, wie es bei Verfahren ohne Migrationsansatz der Fall ist. Zur Berechnung des Risikos im Kreditportfolio der Bank sind nun lediglich die Risikowerte aller Teilportfolios über alle Sektoren aufzusummieren.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4.3/2: Modularer Aufbau des DV-Systems[261]

Die nun erstellten Module lassen sich spezifisch mit Daten versorgen. Durch eine Abtrennung der Informationsversorgung der Module vom Data Warehouse mit Hilfe von Data Marts ist sichergestellt, dass massive Datenbankanfragen bei Analysen die Leistungsfähigkeit des Data Warehouses nicht beeinträchtigen. Dies gilt insbesondere für Modul I, welches bei der Einteilung der Kreditnehmer in Sektoren viele Kombinationen zu prüfen hat. Bei Modul II ist ein Data Mart denkbar aber nicht unbedingt notwendig. Hier werden zwar bei Simulationen große Datenmengen benötigt, diese können aber nach einmaligen Abruf für alle Simulationsdurchläufe funktionsintern zwischengespeichert werden. In der Abbildung 4.3/3 ist die Datenversorgung dargestellt. Weil die Datenflüsse zwischen den Modulen vernachlässigt wurden ist Modul IV ebenfalls nicht dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4.3/3: Datenversorgung der Module mittels Data Marts[262]

Um das anfangs geforderte Frühwarnsystem an das vorgestellte System zu ergänzen ist hauptsächlich die Definition von Grenzwerten oder Warnschwellen notwendig. Diese Grenzwerte können sich auf die dynamischen Kontendaten[263] der Kreditnehmer, die Teilergebnisse der Module I und II oder dem Gesamtergebnis aus Modul IV beziehen. Die hier vorgestellten Entwicklungen, welche mit den jeweiligen Faktoren aufgedeckt werden können, werden bereits im Risikoergebnis von Modul IV berücksichtigt. Diese sensibleren beiläufigen Analysen sollen lediglich mögliche Entwicklungen aufzeigen, welche von Sachbearbeitern geprüft werden müssen. Auf diese Weise wird sichergestellt, dass keine Überraschung eintritt.

Die Ergebnisse aus Modul I sind die Sektoren, die Einflussgrößenentwicklung und die Sektorentwicklung. Verändern sich die Sektoren, so dass diese in Zukunft stärker von anderen Einflussgrößen abhängen, ist diese Entwicklung genau zu beobachten. Das Risikopotential des ganzen Sektors steigt dadurch an. Derartige Entwicklungen müssen frühzeitig erkannt werden. Die Entwicklung der Einflussfaktoren und die Sektorentwicklung werden in der Risikobestimmung bereits ausreichend berücksichtigt.

Modul II bringt die Risikofaktoren und die Migrationsraten hervor. Sektor bezogen lassen sich hier Trends ermitteln, nach denen die Sektoren beurteilt werden können. Je nachdem, ob Sektoren tendenziell eher zu Aufschwung oder zu Rezession neigen sollte der Sektor langfristig ausgebaut oder abgebaut werden.

Das Gesamtergebnis des DV-System, welches von Modul IV hervorgebracht wird, erlaubt die Beobachtung der Risikoentwicklung im Gesamtportfolio. Diese Größe vereinigt alle zuvor genannten Entwicklungen. Es gilt wiederum den Entwicklungstrend zu ermitteln, um eventuelle Gefahren zu erkennen.

Mit dem simulationsbasierten System ist es möglich, beliebig Werte in der Zukunft zu bestimmen. Allerdings nimmt die Unsicherheit bei dem Ergebnis stark zu, je weiter der Blick in die Zukunft gerichtet wird.

Bezogen auf Kontodaten können Informationen über Kontostandsführung, Umsatzverarbeitung, tägliche Buchungen, Kontoführung, Kreditrahmen, Überziehung, Zinsrechnung in die Beobachtung einfließen und bei Abweichung von den Norm- und Grenzwerten müssen Warnmechanismen das Kreditrisikomanagement und betroffene Filialen oder Kreditsachbearbeiter informieren.[264] Wie sensibel diese Mechanismen reagieren, kann durch Diskriminanzanalysen oder durch Erfahrungswerte von Kreditsachbearbeitern festgestellt werden. Auf diese Weise kann gegebenenfalls ein falsches Ratingurteil entlarvt werden.

Zusammenfassung

In dieser Arbeit wurde ein DV-System zum quantifizieren von Kreditrisiken unter Berücksichtigung von Bonitätsmigrationen konzipiert. Das vorgestellte System ermöglicht es, die Kreditrisiken in sektorspezifischen Teilportfolios zu bestimmen. Dabei werden sowohl historische Ausfallraten sowie makroökonomische Entwicklungen berücksichtigt. Veränderungen der Kreditwerte, welche auf Migrationsänderungen basieren, finden ebenfalls Berücksichtigung.

In der theoretischen Grundlage wurde das Kreditrisiko in Ausfall- und Migrationsrisiko zerlegt. Es wurden verschiedene Betrachtungsansätze zur Risikokostenverrechnung vorgestellt, wobei die Einteilung in Ratingklassen am ausbaufähigsten erschneit. Daran schloss sich die Darstellung der Bonitätsmigration an. Anschließend wurden die von einem DV-System zur Kreditrisikoquantifizierung benötigten Systemfunktionen verfasst.

Die Anforderungen an Kreditrisikobewertungsverfahren zeigten die wesentlichen Voraussetzungen. Dazu gehörten die Akzeptanz, die Konsistenz, die Aktualität und die Interpretierbarkeit. Zunächst wurden verschiedene Verfahren zur Bewertung des Risikos von Einzelkrediten beschrieben. Unter anderen auch Verfahren mit Bonitätsmigrationsansatz. Dann wurde die Betrachtung auf Portfolioebene ausgedehnt. An dieser Stelle wurde die Notwendigkeit der Beachtung von Korrelationseffekten erwähnt, da sich diese risikoreduzierend auf das Portfolio auswirken. Anschließend wurden zwei spezielle Kreditportfoliomodelle vorgestellt, welche einen Migrationsansatz benutzen. Zuerst wurde CreditMetricsTM detailliert beschrieben. Dieses System eignet sich gut für den Migrationsansatz, ist aber durch modellabhängige Annahmen nur begrenzt für das Kreditgeschäft verwendbar. CreditPortfolioViewTM betrachtet nicht jeden Kreditnehmer, wie es bei erstgenannten Verfahren der Fall ist, sondern fasst Kreditnehmer zu Gruppen, den Sektoren, zusammen. Die Bildung von Sektoren geschieht in Abhängigkeit zu makroökonomischen Einflussfaktoren. Alle Unternehmen, die auf gleiche Einflüsse gleich reagieren werden in einen Sektor zusammengefasst. Dies geschieht durch Auswertung von historischen Ausfallwahrscheinlichkeiten und historischen Verläufen makroökonomischer Einflussfaktoren. Mit Hilfe der Monte-Carlo Simulation werden zukünftige Ausprägungen der makroökonomischen Einflussfaktoren geschätzt und durch den funktionellen Zusammenhang zwischen Ausfallwahrscheinlichkeit und Ausprägung der makroökonomischen Variable lassen sich zukünftige Ausfallraten der Sektoren simulieren. Die Simulationsergebnisse können mittels CVaR ausgewertet werden. Die Migrationswahrscheinlichkeit wird durch die Relation von zukünftiger Ausfallrate zu heutiger Ausfallrate abgebildet.

Die technischen Anforderungen an das Datenverarbeitungssystem wurden formuliert. Dem Data-Warehouse kommt dabei ein hoher Stellenwert zu, da eine homogene Datenansicht die Grundlage zur Integration von neuen Systemen in das bestehende System ist. Es wurde gezeigt, dass ein Großteil der Daten von außerhalb beschafft werden muss. Das System soll diese Einbindung unterstützen. Zusätzliche Probleme können bei der Angleichung der externen Daten an das interne Datenmodell entstehen.

Der Ablauf im DV-System wird anhand der aufeinander folgenden Funktionen beschrieben. Dabei wurden die in jeder Funktion notwendigen Daten und die zu tätigenden Auswertungen beschrieben.

Das System setzt sich aus sieben Funktionen zusammen. Der größte Teil der Funktionen, die Funktionen 1 - 4, ließen sich in Modul I zusammenfassen. Hier werden Sektoren ermittelt, die Entwicklung von Einflussfaktoren geschätzt, Einflussfaktoren den Sektoren zugeordnet und Ausfallraten prognostiziert.

Modul II umfasst die Bildung von Risikofaktoren. Diese sind für die Ermittlung der Sektormigrationsraten notwendig, welche in diesem Modul entwickelt werden.

Modul III bezieht sich auf bankinterne Informationen. Unter Verwendung von Kontoinformationen der Kreditnehmer, Ratingbeurteilungen und Berücksichtigung der ausstehenden Zahlungen wird der Exposure ermittelt. Durch Anwenden der bankintern gültigen Rückzahlquote wird die Exposition des gesamten Kreditportfolios bestimmt.

Modul IV wird von den Modulen I-III mit Daten versorgt. In diesem Modul erfolgt die Auswertung der Teilergebnisse. Mit Anwendung der prognostizierten Ausfallrate auf die Exposition, lässt sich der Risikowert ermitteln. Dazu kommt die Rücksichtnahme auf die Entwicklung der Migrationraten, welche den Risikowert erhöhen oder reduzieren können. Auf diese Weise lässt sich das Risiko für das gesamte Portfolio und ohne die Wertveränderungen der Kredite durch veränderte Zahlungsfähigkeit der Kreditnehmer zu ignorieren.

Die ermittelten Daten wurden anschließend auf ihre Interpretierbarkeit für ein Frühwarnsystem hin untersucht, wobei insbesondere die Migrationswahrscheinlichkeit als sektorbezogene Größe sich als tauglich erweist, frühzeitig negative Entwicklungen aufzuzeigen.

Durch die zunehmende Konkurrenzsituation im Kreditgeschäft und die Reglementierungen von Basel II ist es notwendig, das Kreditrisiken möglichst korrekt und langfristig planbar werden. Nur so ist in Zukunft mit einer ausreichenden Gewinnsituation zu rechnen. Zumindest im Controllingbereich der Kreditbanken sollte mit den Migrationsansätzen gerechnet werden. Auf diese Weise ist es möglich, frühzeitig eine negative Entwicklung im Gesamt- oder Teilkreditportfolio zu erkennen und dieser Entwicklung langfristig entgegenzuwirken. Sei es durch Vermeidung von Kreditvergabe an Kunden aus den gefährdeten Sektoren oder durch eine Anpassung der verrechneten Risikokosten. Das hier konzipierte DV-System eignet sich zur Bewertung von sektorbezogenen Teilportfolios ebenso wie zur Gesamtportfoliobewertung. Eine Umsetzung des Konzepts führt zu einer Verbesserung des Risikomanagements gegenüber Ansätzen ohne Migrationsansatz und ist daher sinnvoll.

Literaturverzeichnis

Altrock, F. / Hakenes, H. (2000): Die Kalkulation ausfallbedrohter Finanztitel mit Rating-Übergangsmatrizen, Diskussionsbeitrag, 00-02, Münster.

Ammann, M. / Jovic, D. / Schmid, C. (2001): Der „IRB-Ansatz“ als strategische Herausforderung für Banken. In: Der Schweizer Treuhänder, 10/01, http://www.treuhaender.ch/pdf/artikel/a02_0803.pdf, Abruf am 2003- 10-12.

Aubel, P. (2000): Anleiherating und Bonitätsrisiko: Eine empirische Untersuchung der Renditespreads am deutschen Markt, http://hsss.slub- dresden.de/pub2/dissertation/2001/wirtschaftswissenschaften/99466237 3031-6621/994662373031-6621.pdf, Abruf am 2003-09-18.

Baseler Ausschuss für Bankenaufsicht (2003): Konsultationspapier: Überblick über die Beue Baseler Eigenkapitalvereinbarung, Übersetzung der Deutschen Bundesbank, http://www.bundesbank.de/bank/download/pdf/Overview_Deutsch.pdf, Abruf am 2003-10-12.

Barlage, T. (1980): Die Risikoprämie am deutschen Aktienmarkt: Eine empirische Untersuchung, Berlin.

Beatge, J. (1998): Stabilität des Bilanzbonitätsindikators und Bepreisung von Kreditrisiken. In: Oehler, A. (1998, Hrsg.): Credit Risk und Value at Risk Alternativen: Herausforderungen für das Risk Management, Stuttgart, S. 1 - 27.

Becker, H. (2001): Externes und internes Rating - vergleichbar oder zwei Paar Schuhe?. In: Börsen-Zeitung, 05.10.2001, http://www.iwk- muenchen.de/institut/presse/20011005_boersenzeitung.html, Abruf am 2003-10-20.

Behringer, S. (2001): Cash-flow und Unternehmensbeurteilung: Berechnungen und Anwendungsfelder für die Finanzanalyse, 8., neu bearbeitete und erweiterte Auflage, Berlin.

Bolder, M. / Lehrbass, F. / Lesko, M. / Vorgrimmler, S. (2002): Modellierung von Netto-Exposures im Hypothekenbankgeschäft. In: Die Bank, 06-02, Köln, S. 405 - 409.

Boos, K. / Schulte-Mattler, H. (2001): Basel II: Credit Risk Migration Techniques im IRB-Ansatz. In: Die Bank, 7-01, Köln, S. 470 - 477.

Börner, C. (2002): Grundzüge der Migrationsanalyse zur Ermittlung des Bonitätsrisikos auf Portfolioebene, (Working Paper), http://www.uni- koeln.de/wisofak/bankseminar/veroeff/mub/81/boerner2.pdf, Abruf am 2003-10-12.

Brakensiek, T. (1991): Die Kalkulation und Steuerung von Ausfallrisiken im Kreditgeschäft der Banken, Frankfurt am Main.

Bröker, F. / Lehrbass, F. (o.Jg.): Kreditportfoliomodelle in der Praxis, http://www.math.ethz.ch/~degiorgi/CreditRisk/ftp/broeker_CreditRisk ModelsInPractice.pdf, Erscheinungsdatum 2002-03-22. Abruf am 2003- 10-12.

Brückner, B. (1997): Neue Wege in der Bonitätsbeurteilung von Firmenkunden: Konzept und Entwicklung eines integrierten Systems, Frankfurt am Main, Berlin, Bern, New York, Paris, Wien.

Büschgen, H. (1998): Bankbetriebslehre: Bankgeschäfte und Bankmanagement, 5., vollständig überarbeitete und erweiterte Auflage, Wiesbaden.

Büschgen, H. (1994): Leistungsorientierte Anreizsysteme in der Vertriebssteuerung von Banken. In: Schierenbeck, H. / Moser, H. (Hrsg.): Handbuch Bankcontrolling, Wiesbaden, 1994, S. 518 - 545.

Deloitte & Touche (2003): Die Auswirkungen des neuen Baseler Eigenkapitalakkords (Basel II) auf Kredit- und Finanzdienstleistungsinstitute, http://www.uni- trier.de/uni/fb4/wpc/Basel2.ppt, Abruf am 2003-09-20.

Dicken, A. (1997): Kreditwürdigkeitsprüfung: Kreditwürdigkeitsprüfung auf Basis des betrieblichen Leistungsvermögens, Hamburg.

Dierkes, F. (1986): Die Kreditüberwachung im Bankbetrieb: Ein theoretischer Beitrag zur Überwachung des Firmenkredites, Berlin.

Dinkelmann, R. (1995): Kriterien und Instrumente zur Risikofrüherkennung im Firmenkundengeschäft, Bern, Stuttgart, Wien.

Drzik, J. / Strothe, G. (1997): Die sieben Stufen des Kreditrisikomanagements. In: Die Bank, 5-97, Köln, S. 260 - 263.

Elsas, R. / Krahnen, J. (2001): Grundsätze ordnungsgemäßen Ratings: Anmerkungen zu Basel II. In: Die Bank, 4-01, Köln, S. 298 - 304.

Engelen, K. (2003): Sanio dämpft Streit um Bankenkapital: Deutscher Chefunterhändler hält Gegensätze zwischen Europa und den USA für überbrückbar. In: Handelsblatt, vom 2003-10-06, Düsseldorf.

Everling, O. (2003): Vertane Gelegenheiten. In: Financial Times Deutschland, 190/40, 2003, Hamburg, Frankfurt am Main, Berlin, S. 26.

Fritz, M. (1991): Indikatorkonstellationen zur Bonitätsbeurteilung von Unternehmen im Rahmen des Kreditmanagements, München.

Füser, K. (2001): Intelligentes Scoring und Rating - Moderne Verfahren zur Kreditwürdigkeitsprüfung , Wiesbaden.

Gaida, S. (1997): Kreditrisikokosten-Kalkulation mit Optionspreisansätzen. Die empirische Anwendung eines Modells von Longstaff und Schwartz auf risikobehaftete Finanztitel, Münster.

Gantenbein, P. (2000): Kredit Risikomanagement, http://www.sbf.unisg.ch/ org/sbf/web.nsf/0/92eaf435427eb07dc1256c3a0054dc52/$FILE/Kreditr isiken.pdf, Abruf am 2003-09-20.

Gaumert, U. (1999): Zur Diskussion um die Modellierung besonderer Krursrisiken in VaR-Modellen. In: Eller, R./Gruber, W./Reif, M. (Hrsg.): Handbuch Kreditrisikomodelle und Kreditderivate, Stuttgart, 1999, S. 71 - 102.

Glasen, F. (1993): Wissensbasiertes Informations-Management zur Kreditwürdigkeitsprüfung: ein System zum Erarbeiten von Informationen aus heterogenen Wirtschaftsdatenbanken, Konstanz.

Gruenert, J. / Kleff, V. / Norden, L. / Weber, M. (2002): Mittelstand und Basel II: Der Einfluss der neuen Eigenkapitalvereinbarung für Banken auf die Kalkulation von Kreditzinsen, Arbeitsbericht 01-07, überarbeitete Fassung, Mai 2002, http://bank.bwl.uni-mannheim.de/LS/Research/ papers/GrunertKleffNorderWeber2002.pdf, Abruf am 2003-10-12.

Grundke, P. (2000): Kreditportfoliorisikomodelle - Ein geeignetes Instrumentarium zur aufsichtsrechtlichen Erfassung von Ausfallrisiken?, http://www.uni- koeln.de/veroeff/mub/mub83kreditportfoliomodelle.pdf, Abruf am 2003-10-12. In: Zeitschrift für Bankrecht und Bankwirtschaft, 12.Jg., April 2000, S. 101 - 112.

Guthoff, A. (2001): Die Ermittlung der Risikoprämien unter Berücksichtigung des banksystematischen Risikos, Frankfurt am Main.

Haas, P. (1999): Portfolioeffekte in der Kreditrisikomessung. In: Bank-Forum, März 1999, No. 16, http://www.financetrainer.com/web_bankforum/165.pdf, Abruf am 2003-10-15.

Hansen, R. (2001): Das Rating wird zum Angelpunkt. In: Handelsblatt, vom 2001- 04-24, Düsseldorf.

Heidorn, T. (1999): Arbeitsberichte der Hochschule für Bankwirtschaft Nr. 12: Kreditrisiko (CreditMetrics), http://www.hfb.de/Dateien/ Arbeitsbericht12.pdf, Abruf am 2003-10-15.

Heinke, V. (1998): Bonitätsrisiko und Credit rating festverzinslicher Wertpapiere: eine empirische Untersuchung am Euromarkt, Bad Soden/Ts.

Holst, J. (2001): Risikomanagement im Finanzbereich, Göttingen.

Huhn, K. (2001): Mittelstands-Rating kann Kredite verteuern. In: Financial Times Deutschland, vom 25.04.2001, Hamburg, Frankfurt am Main, Berlin.

Huschens, S. (2000): Dresdner Beiträge zu Quantitativen Verfahren Nr.30/00 Value- at-Risk-Berechnung durch historische Simulation, http://www.tu- dresden.de/wwqvs/VaR/varhist.pdf, Abruf am 2003-09-18.

Hüls, D. (1995): Früherkennung insolvenzgefährdeter Unternehmen, Düsseldorf.

Hüttemann, P. (1997): Kreditderivate im europäischen Kapitalmarkt, Wiesbaden.

JP Morgan (1997a): CreditMetrics Press Realease, http://www.DefaultRisk.com/ press_release_creditmetrics.htm, 1997-04-02, Abruf am 2003-10-02.

Juncker, K. / Rühle, J. (2002): Firmenkundengeschäft: Firmenkredite: Mit Basel II zu besseren Margen. In: Mm 31 (2002) 2, S. 31 - 35.

Kantardzic, M. (2003): Data Mining: Concepts, Models, Methods, and Algorithms, Louisville.

Kassberger, S. / Wentges, P. (1999): Die Schätzung der Ausfallwahr- scheinlichkeiten von Unternehmen. In: Eller, R./Gruber, W./Reif, M. (Hrsg.): Handbuch Kreditrisikomodelle und Kreditderivate, Stuttgart, 1999, S. 23 - 50.

Kilb, T. (2002): Credit Rating in Banken: interne Verfahren im Vergleich, Bamberg.

Lechtenbörger, J. (2001): Date Warehouse Schema Design, Berlin.

Lehrbaß, F. (1999): Risikomessung für ein Kreditportfolio - ein Methodenvergleich. In: Die Bank, 2-99, Köln, S. 130 - 134.

Lienhard, P. (1987): Risikokapital-Finanzierung aus Sicht der Banken: Grundlagen, Ausprägungen und Konzeptionsvorschlag, Bern.

Lusti, M. (2002): Datawarehousing und Data Mining: Eine Einführung in entscheidungsunterstützende Systeme, 2., überarbeitete und erweiterte Auflage, Berlin, Heidelberg.

Marderbacher, M. (1999): Früherkennung von Kreditrisiken: Dynamische Kontodatenanalyse zur Risikofrüherkennung, Wien.

Meier, C. (1996): Lehren aus Verlusten im Kreditgeschäft Schweiz, Bern, Stuttgart, Wien.

Mertens, P. / Back, A. / Becker, J. / König, W. / Krallmann, H. / Rieger, B. / Scheer, A. / Seibt, D. / Stahlknecht, P. / Strunz, H. / Thome, R. / Wedekind, H. (1997): Lexikon der Wirtschaftsinformatik, Dritte, vollständig neu überarbeitete und erweiterte Auflage, Berlin, Heidelberg.

Moser, H. / Quast, W. (1994): Organisation des Risikomanagements in einem Bankkonzern. In: Schierenbeck, H. / Moser, H. (1994, Hrsg.): Handbuch Bankcontrolling, Wiesbaden, S. 663 - 686.

Neuberger, D. (1999): Rating im Kreditgeschäft mit kleinen und mittleren Unternehmen. In: Rostocker Schriften zum Bankrecht, Heft 4, 1999, Rostock, S. 7 - 28.

Overbeck, L. (1999): Die Portfolioversion des Asset-Value-Modells für das Kreditrisiko. In: Eller, R. / Gruber, W. / Reif, M. (1999): Handbuch Kreditrisiko und Kreditderivate, Stuttgart, S. 100 - 119.

Pasternak, N. (2002): Kreditrisiko - ökonomische und rechtliche Grundlagen, http://www.rrz.uni-hamburg.de/Kapitalmaerkte/download/ SeminarWiSe200203Folien1.pdf, Abruf am 2003-09-18.

Perridon, L. / Steiner, M. (1997): Finanzwirtschaft der Unternehmung, 11., überarbeitete und erweiterte Auflage, München.

Prognos (2003): trendletter, 2/2003, 14. Jahrgang,http://www.prognos.de/tr/p_tr_03_2.pdf, Abruf am 2003-11-08.

Rams, A. (2003): Rating für den Mittelstand - Chance oder Risiko. In: CWG- Dialog, Ausgabe 01/03, Chemnitz, S. 1 - 9.

Rehkugler, H. (2001a): Bilanzanalyse und Kreditwürdigkeitsprüfung, WS 01-02, http://www.vwl.uni-freiburg.de/fakultaet/bwlI/pdf/ws_01-02/Portfolio_V_WS_01-02_4.pdf, Abruf am 2003-10-20.

Rehkugler, H. (2001b): Übung: Finanzanalyse und Portfoliomanagement , WS 01 - 02 http://www.vwl.uni-freiburg.de/fakultaet/bwlI/pdf/ws_01-02/Bilanzanalyse_V_WS_01-02.pdf, Abruf am 2003-10-20.

Rehnert, H. (1997): Kreditrisikocontrolling in Sparkassen - Mosaikstein der Gesamtbanksteuerung. In: Eller, R./Gruber, W./Reif, M. (Hrsg.): Handbuch Kreditrisikomodelle und Kreditderivate, Stuttgart, 1999, S. 385 - 422.

Riekeberg, M. (2002): Kredit-Pricing bei Firmenkunden unter Berücksichtigung von Bonitätsmigration und Credit Value at Risk-Werten. In: Österreichisches Bank-Archiv, Nr. 6, 2002, Wien, S. 457 - 469.

Rohmann, M. (2000): Risikoadjustierte Steuerung von Ausfallrisiken in Banken, Bonn.

Röhm, U. (2002): Online Analytical Processing with a Cluster of Databases, Berlin.

Ruppert, T. (1993): Das Bonitätsrisiko: ein integrietes Konzept für das Risikomanagement, Wien.

Rüsberg, L. (1992): Banken-Rating: Rendite, Risiko und Wachstum von Kreditinstituten, Wiesbaden.

Saunders, A. / Allen, L. (2002): Credit Risk Measurement, New York.

Schierenbeck, H. (2001a): Ertragsorientiertes Bankmanagement - Band 1, 7., vollständig überarbeitete und erweiterte Auflage, Wiesbaden.

Schierenbeck, H. (2001b): Ertragsorientiertes Bankmanagement - Band 2, 7., vollständig überarbeitete und erweiterte Auflage, Wiesbaden.

Schmied, B. (2002): Pricing credit linked financial instruments: theory and empirical evidence, Berlin, Heidelberg, New York, Barcelona, Hong Kong, Mailand, Paris, Tokyo.

Schmoll, A. (1994): Strukturanalyse von Ausfallrisiken im Kreditportfeuille. In: Schierenbeck, H. / Moser, H. (1994): Handbuch Bankcontrolling, Wiesbaden, S. 863 - 886.

Schmoll, A. (1987): Früherkennung von Kreditrisiken: Organisatorische Ansätze zur Gestaltung eines betrieblichen Frühwarnsystems. In: Bühler, W. / Schmoll, A. (1987, Hrsg.): Kreditmanagement, Wien, S. 181 - 213.

Schneider-Gädicke, K. (1987): Strukturanalyse von Ausfallrisiken im Kreditportfeuille. In: Schierenbeck, H. (1987, Hrsg): Neuere Entwicklungen auf den Finanzmärkten, Frankfurt am Main.

Schönbucher, P. (2000): Credit Risk Modelling and Credit Derivates, Bonn.

Schröder, G. (2000): . In: Oehler, A. (2000, Hrsg.): Kreditrisikomanagement - Portfoliomodelle und Derivate, Stuttgart, S 274 - 288.

Schulte-Mattler, H. / Tysiak, W. (2002): Basel II: Neue IRB-Formel für den Mittelstand. In: Die Bank, 12-02, Köln, S. 836 - 841.

Schulte-Mattler, H. (2002): Basel II: Start der Quantitative Impact Study 3. In: Die Bank, 11-02, Köln, S. 768 - 773.

Schulte-Mattler, H. / Stausberg, T. (1998): Quantifizierung von Kreditrisiken unter Verwendung von Übergangswahrscheinlichkeiten. In: Die Bank, 10-98, Köln, S. 633 - 638.

Schumann, M. / Mertens, P. / Bodendorf, F. / König, W. / Picot, A. (2001): Grundzüge der Wirtschaftsinformatik, 5., neu bearbeitete Auflage, Berlin u.a.

Schwaiger, W. (2003): Das Rating nach Basel II und die neuen Kreditkonditionen, http://zwickl.ibab.tuwien.ac.at/soegner/ent/BaselNewVentures0304.pdf, Abruf am 2003-09-10.

Schwaiger, W. (1999): Ausfallrisiko und Erfolg von Kredit-Portfolios, http://www.uibk.ac.at/c/c4/c434/forschung/dateien/kredpf.pdf, Abruf am 2003-09-10.

Schwicht, P. / Neske, C. (1997): CreditMetrics - neues System zur Risikoanalyse. In: Die Bank, 8-97, Köln, S. 470 - 473.

Siegert, H. (2003): Risikomanagement in der Bankbetrieblichen Praxis, http://www.siegert-partner.de/Vorlesung/RiskManagement_Teil2_D1.pdf, 2003, Abruf am 2003-09-20.

Spellmann, F. / Unser, M. (2000): Zinsänderungsrisiko und Bonitätsänderungsrisiko integriert betrachtet - ein Überblick über den

Stand der Literatur. In: Oehler, A. (2000, Hrsg.): Kreditrisikomanagement - Portfoliomodelle und Derivate, Stuttgart, S. 261 - 279.

Statistisches Bundesamt (2002): Insolvenzen von Unternehmen in Deutschland, http://www.destatis.de/basis/d/insol/insoltab1.htm, 2003-03-26, Abruf am 2003-09-25.

Stocker, G. (1997): Prämiendifferenzierung bei der Versicherung kommerzieller Bankkredite anhand von Risikoklassen, Frankfurt am Main.

Taistra, G. / Tiskens, C. (2001): Basel II, http://www.kfw.de/DE/Research/PDF/bratislava_dt.pdf, Abruf am 2003-09-25.

Thiermeier, M. (1989): Risiko und Risikobeurteilung bei Krediten an inländische Betriebe eines deutschen Unterkonzerns, Krefeld.

Trost, W. / Ostrovsky, A. (2003): Russland erhält Bonitätsgütesiegel. In: Financial Times Deutschland, 195/41, 2003, Hamburg, Frankfurt am Main, Berlin, S. 17.

Wagner, W. (1991): Rating mittlständischer Unternehmen: Fundierung und Konzeption einer standardisierten Unternehmensbeurteilung, Frankfurt am Main, Bern, New York, Paris.

Wächtershäuser, M. (1971): Kreditrisiko und Kreditentscheidung im Bankbetrieb, Wiesbaden.

Wehrsporn, U. (2001): Standartabweichung und Value at Risk als Maße für das Kreditrisiko. In: Die Bank, 08-01, Köln, S. 582 - 588.

Weinhardt, B. (2002): Unternehmensfinanzierung mit dem Kapitaldienstleistungsgrad©: Ganzheitliche Bonitätsbeurteilung für ein Basel II gerechtes Rating, Wiesbaden.

Weinrich, G. (1978): Kreditwürdigkeitsprognosen: Steuerung des Kreditgeschäftes durch Risikoklassen, Wiesbaden.

Wiesmayr, C. (1999): Credit Value At Risk - Zukunft, nicht Modeerscheinung. In: Schmoll, A. (1999, Hrsg.): Kreditrisiken erfolgreich managen, Wiesbaden, S. 247 - 273.

Wohlert, D. (1997): Die Benchmark zur Messung von Kreditrisiken: JP Morgans CreditMetrics. In: Eller, R./Gruber, W./Reif, M. (Hrsg.): Handbuch Kreditrisikomodelle und Kreditderivate, Stuttgart, 1999, S. 337 - 358.

Wöhle, C. (2003): Vorlesung Corporate Finance - 9. Leverage, Rating und Default, http://www.wwz.unibas.ch/bama/lehre/oberstufe/CF-SS03_09%20LDR_neu.pdf, Abruf am 2003-10-20.

Zellweger, B. (1987): Kreditwürdigkeitsprüfung in Theorie und Praxis, Bern, Stuttgart, Wien.

Anhangsverzeichnis

Abbildung A 1: S&P’s und Moodys Ratingabstufungen

Abbildung A 2: Beschäftigungsentwicklung verschiedener Branchen

Abbildung A 3: Sicherungsschwerpunkte nach § 9 BDSG

Abbildung A 4: Systematik der Informationsquellen

Anhang

Abbildung in dieser Leseprobe nicht enthalten

Abbildung A 1: S&P’s und Moodys Ratingabstufungen [265]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung A 2: Beschäftigungsentwicklung verschiedener Branchen [266]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung A 3: Sicherungsschwerpunkte nach § 9 BDSG[267]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung A 4: Systematik der Informationsquellen [268]

[...]


[1] Vgl. Juncker/Rühle (2002), S. 31.

[2] Vgl. Deloitte & Touche (2003), S. 46.

[3] Vgl. Schwaiger (2003), S. 3.

[4] Vgl. Barthel (2001), S. 7.

[5] Vgl. Spellmann/Unser (2000), S. 263.

[6] Vgl. Pasternack (2002), S. 7.

[7] Forderungen aus einem Kreditvertrag sind Zins- und Tilgungszahlungen.

[8] Vgl. Siemens (2001), S. 15.

[9] Die Begriffe „Kreditnehmer“, „Schuldner“ und „Kunde“ werden im Folgenden synonym verwendet.

[10] Vgl. Schulte-Mattler (2002), S. 770.

[11] Vgl. Schierenbeck (2001b), S. 256.

[12] Vgl. Rolfes/Schierenbeck/Schüller (1998), S.11 f und Büschgen (1998), S. 931.

[13] Vgl. Wächterhäusers (1971), S. 68 und Schierenbeck (2001b), S. 256.

[14] Vgl. Schierenbeck (2001b), S. 256.

[15] Vgl. Schierenbeck (2001a), S.314 f.

[16] Im Weiteren werden die Begriffe „Bonitätsänderungsrisiko“ und „Migrationsrisiko“ synonym verwendet.

[17] Vgl. Schmid (2002), S.11.

[18] Vgl. Büschgen (1998), S.928 f.

[19] Vgl. Büschgen (1998), S.744.

[20] Vgl. Büschgen (1994), S. 529.

[21] In Anlehnung an Schierenbeck (2001a ), S. 308.

[22] Statistisches Bundesamt (2002)

[23] Vgl. Stocker (1997), S. 145 ff und Fritz (1991), S. 112.

[24] Vgl. Schmoll (1994), S. 875.

[25] Scoring- und Ratingverfahren sind im Abschnitt 3.1.5 detailliert beschrieben.

[26] Vgl. Schierenbeck (2001a), S.308.

[27] Vg. Kilb (2002), S. 3 f.

[28] Vgl. Schierenbeck (2001a), S.309.

[29] Vgl. Heinke (1998), S.44 ff.

[30] Riekeberg (2002), S.457 f.

[31] Vgl. Biethahn/Cvjetkovic/Orthey/Muksch/Nissen (2000), S.36 f.

[32] Genaue Abgrenzung des gegenwärtigen Kreditwertes erfolgt in Abschnitt 3.1.2.

[33] Vgl. Wiesmayr (1999), S.248.

[34] Elsas/Krahnen (2001), S. 301 f.

[35] Vgl. Cluse/Kalhoff/Peukert (2001), S.116 f.

[36] Vgl. Büschgen (1998), S. 691.

[37] Holst (2001), S.32 f.

[38] Vgl. Schneider-Gädicke (1987), S. 32.

[39] Vgl. Holst (2001), S. 20 f.

[40] Vgl. Weinhardt (2002), S. 222.

[41] Vgl. Brakensiek (1991), S. 65 und Dinkelmann (1995), S. 175.

[42] Vgl. Dinkelmann (1995), S. 174 f.

[43] Vgl. Holst (2001), S. 20 und Wiesmayr (1999), S. 249 f.

[44] Vgl. Siemes (2002), S. 54 f.

[45] Vgl. Brakensiek (1991), S. 302 und Holst (2001), S.20 f.

[46] Vgl. Elsas/Krahnen (2001), S. 301 f.

[47] Vgl. Moser/Quast (1994), S. 675.

[48] Vgl. Hölscher (1987), S. 15.

[49] Vgl. Bolder/Lehrbass/Lesko/Vorgrimmler (2002), S. 405 f.

[50] Vgl. Schierenbeck (2001a), S. 316 und Bolder/Lehrbass/Lesko/Vorgrimler (2002), S. 406.

[51] Vgl. Cluse/Kalkhoff/Peukert (2001), S. 114 f.

[52] Vgl. Thiermeier (1988), S. 295.

[53] Vgl. Hölscher (1987), S. 15.

[54] Sicherheiten können z. B. in Form von Grundstücksverpfändung, Warenverpfändung, Bürgschaft u. a. vorliegen. Vgl. Lienhard (1987), S. 43 ff.

[55] Vgl. Büschgen (1998), S. 929 und Schierenbeck (2001a), S. 317.

[56] In Anlehunug an Berblinger (1996), S. 55.

[57] Bolder/Lehrbass/Lesko/Vorgrimmler (2002), S. 407.

[58] Der Netto Kredite-Exposure wird in Abschnitt 3.1.2 erläutert.

[59] Vgl. Rolfes/Schierenbeck/Schüller (1998), S. 123.

[60] Vgl. Holst (2001), S. 86.

[61] Ein Marktsegment kann räumlich, nach Rechtsform oder nach Branchenzugehörigkeit gebildet werden. Vgl. Dierkes (1986), S. 103 ff.

[62] Die Begriffe „Kreditinstitut“ und „Bank“ werden im Folgenden synonym verwendet.

[63] Vgl. Brakensiek (1991), S. 279 - 296.

[64] Vgl. Siegert (2003) S. 19.

[65] Vgl. Rolfes/Schierenbeck/Schüller (1998), S. 126 f.

[66] Vgl. Riekeberg (2002), S. 458.

[67] Vgl. Rehnert (1999), S. 405 f.

[68] Vgl. Peridon/Steiner (2002), S. 517 ff.

[69] Vgl Hüttmann (1997), S. 82 ff.

[70] In Anlehunug an Wöhle (2003), S. 22 und Gantenbein (2000), S. 24.

[71] Vgl. Siegert (2003), S. 17.

[72] Vgl. Büschgen (1998), S. 931 f.

[73] Vgl. Wächterhäuser (1971), S.68 f.

[74] Vgl. Büschgen (1998), S.931 f und Brakensiek (1991), S. 80.

[75] In Anlehnung an Büschgen (1998), S. 932.

[76] Vgl. Gaumert (1999), S. 80.

[77] Vgl. Wohlert (1997), S. 339.

[78] Vgl. Holst (2001), S. 81.

[79] Im Weiteren ist die Güte der Prognose (Prognosesicherheit) mit der Größe des Konfidenzintervalls gleichzusetzen.

[80] In der Literatur wird hierbei auch von „Haltedauer“ und „Betrachtungszeitraum“ gesprochen.

[81] Vgl. Huschens (2000), S. 4.

[82] Die Begriffe „Value at Risk“ und „Credit Value at Risk“ werden im Folgenden synonym verwendet.

[83] Mit Hilfe der Sicherheitswahrscheinlichkeit (α) wird der Konfidenzintervall (1-α) bestimmt.

[84] Vgl. Overbeck (1999), S. 114.

[85] Vgl. Wehrsporn (2001), S. 582.

[86] Vgl. Wiesmayer (1999), S. 251.

[87] In Anlehnung an Wiesmayr (1999), S. 251.

[88] Das Konfidenzintervall ist das Maß, welches den Einfluss bestimmt in welcher der Unerwartete Verlust auf den VaR wirkt.

[89] Vgl. JP Morgan (1997a), S. 5.

[90] Vgl. Weinrich (1978), S. 34 f.

[91] Vgl. Fritz (1991), S. 39 - 41.

[92] Vgl. Stocker (1997), S. 128 - 150.

[93] Mit Hilfe der Diskriminanzanalyse oder Künstlichen Neuralen Netzen (KNN) lassen sich in historischen Datenbeständen Muster erkennen. Diese ermöglichen es insolvenzgefährdete Unter- nehmen frühzeitig zu erkennen. Vgl. Schierenbeck (2001a), S. 327 - 330 und Baetge (2000) S. 3 ff.

[94] Vgl. Dicken (1997), S.199 und Kilb (2002), S. 39.

[95] Neuberger (1999), S. 17 f.

[96] Vgl. Schierenbeck (2001a), S. 326.

[97] Strukturelle Unterscheidungsmerkmale von Kreditkunden sind u. a. Branche, Standort und Rechtsform. Die Merkmale lassen sich noch differenzierter betrachten. Z. B. mit dem Grad der Rivalität der Branche. Siehe dazu Brückner (1997), S.62 - 81.

[98] Vgl. Büschgen (1998), S. 949 f.

[99] Vgl. Dickens (1997), S.199.

[100] Die Begriffe „Rating“, „Ratingurteil“ und „Bonitätsurteil“ werden im Folgenden synonym verwendet.

[101] Vgl. Engelen (2003) und Hansen (2001).

[102] Bisher bestand eine einheitliche Eigenkapitalunterlegung von 8 %. In Zukunft ist beim

Standartansatz eine Unterlegung von 1,6 % bei AAA Ratings und bis zu 12 % bei CCC+ Ratings geplant. Vgl. Schulte-Mattler/Tysiak (2002), S. 841 und Baseler Ausschuss für Bankenaufsicht (2003), S. 4 f..

[103] Vgl. Huhn (2001).

[104] Vgl. Füser (2001), S. 37 und Rams (2003), S. 2.

[105] Vgl. Hüls (1995), 282 f.

[106] Siehe Abbildung A 1 im Anhang.

[107] Vgl. Deloitte & Touche (2003), S. 64.

[108] Vgl. Wagner (1991), S. 131 - 135.

[109] Vgl. Behringer (2003), S.142 f und Rams (2003), S. 2.

[110] Vgl. Kilb (2002), S. 64.

[111] Vgl. Aubel (2000), S. 21 ff.

[112] Vgl. Wagner (1991), S.191.

[113] Vgl. Kassberger/Wentges (1999), S. 29.

[114] Vgl. Taistra/Tiskens (2001), S. 14 ff.

[115] Vgl. Baseler Ausschuss für Bankenaufsicht (2003), S. 6.

[116] In Anlehnung an Ammann/Jovic/Schmid (2001), S. 918.

[117] Beispielhaft seien an dieser Stelle die internationalen Agenturen Moody’s und Standard & Poor’s genannt, welche den weltweiten Ratingmarkt dominieren. Vgl. Everling (2003), S. 26.

[118] Vgl. Kfw (2001), S. 24.

[119] Vgl. Kilb (2002), S. 56.

[120] Vgl. Taistra/Tiskens (2001), S. 14 ff.

[121] Vgl. Boos/Schulte-Mattler (2001), S. 470.

[122] Vgl. Aubel (2000), S. 20 f.

[123] Vgl. Everling (1991), S. 295 f.

[124] Vgl. Siemens (2001), S. 55 f.

[125] Vgl. Kfw (2001), S. 24 f.

[126] Vgl. Holterhus/Gebauer (1998), S. 127.

[127] Vgl. Rohmann (2001), S. 110 ff.

[128] Vgl. Holterhus/Gebauer (1998), S. 127.

[129] Vgl. Grunert/Kleff/Norden/Weber (2002), S. 21.

[130] Vgl. Becker (2001), S. 1.

[131] Vgl. Becker (2001), S. 1.

[132] Vgl. Heinke (1998), S.44 f.

[133] Vgl. Barthel (2001), S. 10 f.

[134] Vgl. Börner (2002), S. 3 f.

[135] Vgl. Börner (2002), S. 9 f.

[136] In Anlehnung an Börner (2002), S. 6.

[137] Vgl. Börner (2002), S. 6 f und Everling (1997), S. 274 f.

[138] Allerdings konnte beim Anleiherating eine schnellere Kursabwertung bei downgrading als Aufwertung bei upgrading beobachtet werden. Heinke führt diese Asymmetrie auf die asymmetrische Verlustverteilung und die Risikoaversion der Investoren zurück. Vgl Heinke (1998), S. 472 ff.

[139] Wohlert (1997), S. 340.

[140] Diese Entwicklung ließ sich am 08.10.2003 in umgekehrter Richtung an einem prominenten Beispiel beobachten. Russland bekam das Länder-Ratingurteil „Investment Grade“ verliehen und die Werte der Bonds nahmen zu. Vgl. Trost/Ostrovsky (2003), S. 17.

[141] Vgl. Saunders/Allen (2002), S.84 ff.

[142] Vgl. Wohlert (1999), S. 340.

[143] Vgl. Schulte-Mattler/Stausberg (1998), S. 635.

[144] Vgl. Rehnert (1999), S. 411.

[145] Vgl. Varnholt (1997), S. 205.

[146] In Anlehnung an Schierenbeck (2001b), S. 278.

[147] Vgl. Wohlert (1999), S. 342.

[148] Der Credit Value at Risk ist im Abschnitt 3.1.4 detailliert beschrieben.

[149] In Anlehnung an an Schierenbeck (2001b), S. 279.

[150] Vgl. Altrock/Hakenes (2000), S. 1.

[151] Vgl. Altrock/Hakenes (2000), S. 3 ff.

[152] Vgl. Rehnert (1999), S. 409.

[153] Vgl. Altrock/Hakenes (2000), S. 2 ff.

[154] Vgl. Rehnert (1999), S. 409.

[155] In Anlehnung an Börner (2002), S. 10 und Rehnert (1999), S. 410.

[156] Vgl. Rehnert (1999), S. 411.

[157] Vgl. Schierenbeck (2001b), S. 299 ff.

[158] Vgl. Zellweger (1987), S. 13.

[159] Vgl. Lehrbaß (1999), S. 130.

[160] Vgl. Haas (1999), S. 2.

[161] Vgl. Wohlert (1997), S. 346 ff.

[162] Die Wahrscheinlichkeitsverteilung wurde bereits in Abschnitt 3.1.7.2 angesprochen.

[163] Vgl. Perridon/Steiner (2002), S. 60 ff.

[164] In Anlehnung an Peridon/Steiner (2002), S. 263.

[165] Ein Einfluss, im Folgenden auch als Ausgangsmerkmal bezeichnet, welcher Kreditnehmer bzw. Branchen in Beziehung zueinander setzt, kann mit Hilfe der Clusteranalyse aufgedeckt werden. Vgl. Fritz (1991), S. 130 - 161.

[166] Vgl. Büschgen(1998), S. 556.

[167] Vgl. Barthel (2001), S. 11.

[168] Vgl. Drzik/Strothe (1997), S. 260 ff.

[169] Vgl. Schierenbeck (2001b), S. 311 f.

[170] Vgl. Perridon/Steiner (2002), S. 263.

[171] Vgl. Guthoff (2001), S. 12.

[172] Vgl. Guthoff (2001), S. 40.

[173] Vgl. JP Morgan (1997a), S. iii f.

[174] Vgl. JP Morgan (1997b), S. 1.

[175] Vgl. Gaida (1997), S. 53 ff und Grundke (2000), S. 79.

[176] In der Tabelle werden die Ratingsymbole von Standard & Poor’s genutzt. Jede andere Ratingeinteilung ist ebenfalls nutzbar. Vgl. JP Morgan (1997a), S. 20.

[177] Vgl. Schwaiger (1999), S. 21 ff.

[178] Die Anpassung interner Rating an externe Ratingskalen ist in Abschnitt 3.1.6 angesprochen.

[179] In Anlehnung an Standard & Poor’s (1996).

[180] In Anlehnung an Wohlert (1999), S. 347 und JP Morgan (1997a), S. 36.

[181] In Abschnitt 3.2.2 werden die Annahmen über die Existenz der Korrelation vorgestellt.

[182] Vgl. JP Morgan (1997a), S. 36 ff.

[183] In Anlehnung an JP Morgan (1997a), S. 38.

[184] Vgl. Wohlert (1997), S. 342 f.

[185] In Anlehnung an Haas (1999), S. 1 und JP Morgan (1997a), S. 11 f.

[186] In Anlehnung an Wohlert (1997), S. 348 und JP Morgan (1997a), S. 12.

[187] In Anlehnung an Wohlert (1997), S. 349.

[188] Vgl. Wohlert (1997), S. 343.

[189] In Anlehnung an Wohlert (1997), S. 349.

[190] In Anlehnung an Holst (2001), S. 89.

[191] Vgl. Holst (2001), S. 86 ff.

[192] Vgl. Wohlert (1997), S. 349.

[193] Vgl. Wohlert (1997), S. 344.

[194] Vgl. Wohlert (1997), S. 351 ff.

[195] In Anlehnung an Schulte-Mattler/Stausberg (1998), S. 634 und Wohlert (1997), S. 352.

[196] Vgl. Schwicht/Neske (1997), S. 474 f.

[197] Vgl. Hamerle/Rösch (2003), S. 200.

[198] Vgl. Schwicht/Neske (1997), S. 474 f.

[199] In Anlehnung an JP Morgan (1997a), S. 98.

[200] Vgl. Heidorn (1999), S. 18.

[201] Vgl. JP Morgan (1997a), S. 99 f.

[202] Vgl. Heidorn (1999), S. 25.

[203] Vgl. Wohlert (1997), S. 354 f.

[204] Vgl. JP Morgan (1997a), S. 113 ff.

[205] Die Annahme der Normalverteilung bekommt durch die Anpassung der Ratinggrenzen (ZRating) siehe Abbildung 3.2.3.1/1 ihre Gültigkeit.

[206] In Anlehnung an JP Morgan (1997a), S. 114.

[207] In Anlehnung an JP Morgan (1997a), S. 115 f.

[208] Vgl.Heidorn (1999), S. 25 f.

[209] Vgl. JP Morgan (1997a), S. 117 f.

[210] Unter makroökonomischen Einflussgrößen werden im Folgenden Indizes wie zum Beispiel die Wachstumsrate des Bruttoinlandproduktes verstanden.

[211] Vgl. Schierenbeck (2001b), S. 282 f.

[212] Vgl. Hamerle/Rösch (2003), S. 201.

[213] Vgl. Grundke (2000), S. 86.

[214] Vgl. Hamerle/Rösch (2000), S. 3.

[215] Vgl. Saunders/Allen (2002), S. 107.

[216] Vgl. Schierenbeck (2001b), S. 283.

[217] In der Literatur wird bei „makroökonomischen Einflussfaktoren“ von Wirtschaftssektoren auch von „gemeinsamen Hintergrundfaktoren“ gesprochen.

[218] Vgl. Hamerle/Rösch (2000), S.4 und Schierenbeck (2001b), S. 284.

[219] In Anlehnung an. Schierenbeck (2001b), S. 283.

[220] Vgl. Schierenbeck (2001b), S. 283 f.

[221] Siehe Abbildung A 2 im Anhang.

[222] Vgl. Schierenbeck (2001b), S. 284.

[223] Unter Gesamtmarktindex wird hier ein einheitlicher Faktor zur Abbildung der gesamtwirtschaftlichen Entwicklung verstanden.

[224] Vgl. Baetge (2000) S. 3 f und Schierenbeck (2001a), S. 327 ff.

[225] Vgl. Schierenbeck (2001b), S. 285 und Schröder (2000), S. 284.

[226] Vgl. Schröder (2000), S. 285.

[227] Vgl. Schierenbeck (2001b), S. 286 ff.

[228] Vgl. Schierenbeck (2001b), S. 286.

[229] Vgl. Saunders/Allen (2002), S. 109 f.

[230] In Anlehnung an Schierenbeck (2001b), S. 287.

[231] Vgl. Schierenbeck (2001b), S. 286.

[232] Vgl. Schierenbeck (2001b), S. 287.

[233] Vgl. Saunders/Allen (2002), S. 109.

[234] In Anlehnung an Schierenbeck (2001b), S. 286 f und Saunders/Allen (2002), S. 109 f.

[235] Vgl. Schierenbeck (2001b), S. 288.

[236] In Anlehnung an Schierenbeck (2001b), S. 288.

[237] Schierenbeck (2001b), S. 290.

[238] Vgl. Saunders/Allen (2002), S. 110 f.

[239] Vgl. Schierenbeck (2001b), S. 290.

[240] In Anlehnung an Schierenbeck (2001b), S. 289.

[241] Vgl. Saunders/Allen (2002), S. 110 f.

[242] Vgl. Schierenbeck (2001b), S. 292.

[243] Vgl. Grundke (2000), S. 86 f.

[244] In Anlehnung an Schierenbeck (2001b), S. 292.

[245] Vgl. Mertens/Back/Becker/König/Krallmann/Rieger/Scheer/Seibt/Stahlknecht/Strunz/Thome/ Wedekind (1997), S. 105.

[246] Vgl. Mertens/Bodendorf/König/Picot/Schumann (1998), S.72 f.

[247] Vgl. Röhm (2002), S.15 f.

[248] In Anlehnung an Mertens/Bodendorf/König/Picot/Schumann (1998), S.73.

[249] Siehe Abbildung A 3 im Anhang.

[250] Vgl. Bröker/Lehrbass (o.Jg.), S. 10.

[251] Der Dienstleister prognos bietet zum Beispiel Entwicklungs- und Prognosedaten von 68 verschiedenen Branchen. Vgl. Prognos (2003), S. 3.

[252] Vgl. Lusti (2002), S. 135 ff.

[253] In Anlehnung an Lusti (2002), S. 134.

[254] Siehe Abbildung A 4 im Anhang.

[255] Glasen (1993), S. 62 f.

[256] Eigene Darstellung.

[257] Vgl. Rehkugler (2001a), S. 103 f.

[258] Unter dem Bregriff Data Mining werden Verfahren, Methoden und Algorithmen zur Mustererkennung in Datenbeständen zusammengefasst. Vgl. Mertens/Back/Becker/König/ Krallmann/Rieger/Scheer/Seibt/Stahlknecht/ Strunz/Thome/Wedekind (1997), S. 104 f.

[259] Vgl. Kantardzic (2003), S. 79 ff.

[260] Vgl. Rehkugler (2001b), S. 80 f.

[261] Eigene Darstellung.

[262] In Anlehnung an Lechtenbörger (2001), S. 24..

[263] Vgl. Marderbacher (1999), S. 21 - 23.

[264] Vgl. Schmoll (1987), S. 201 f.

[265] In Anlehnung an Everling (1991), S. 38 f.

[266] In Anlehnung an Prognos (2003), S. 3.

[267] In Anlehnung an Biethahn/Cvjetkovic/Orthey/Muksch/Nissen (2000), S. 36 f.

[268] In Anlehnung an Schmoll (1987), S. 192.

Ende der Leseprobe aus 89 Seiten

Details

Titel
Konzeption eines DV-Systems zur Quantifizierung von Kreditrisiko unter Berücksichtigung von Bonitätsmigrationen
Hochschule
Georg-August-Universität Göttingen  (Wirtschaftsinformatik Abt.2)
Veranstaltung
Diplomarbeit
Note
2,3
Autor
Jahr
2003
Seiten
89
Katalognummer
V27684
ISBN (eBook)
9783638296625
ISBN (Buch)
9783640858781
Dateigröße
778 KB
Sprache
Deutsch
Schlagworte
Konzeption, DV-Systems, Quantifizierung, Kreditrisiko, Berücksichtigung, Bonitätsmigrationen, Diplomarbeit
Arbeit zitieren
Mario Sommer (Autor:in), 2003, Konzeption eines DV-Systems zur Quantifizierung von Kreditrisiko unter Berücksichtigung von Bonitätsmigrationen, München, GRIN Verlag, https://www.grin.com/document/27684

Kommentare

  • Noch keine Kommentare.
Blick ins Buch
Titel: Konzeption eines DV-Systems zur Quantifizierung von Kreditrisiko unter Berücksichtigung von Bonitätsmigrationen



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden