Interne Ratingverfahren bei Banken zur Beurteilung der Ausfallwahrscheinlichkeit von Schuldnern


Hausarbeit, 2014

19 Seiten, Note: 2,7

Anonym


Leseprobe

Inhaltsverzeichnis

Symbol- und Abkürzungsverzeichnis

Abbildungsverzeichnis

1 Einleitung

2 Abgrenzung externes und internes Rating
2.1 Externes Rating
2.2 Internes Rating

3 Marktgängige Modelle zur Bonitätsbeurteilung
3.1. Übersicht
3.2. Mathematisch-statistische Systeme
3.2.1. Multivariate Diskriminanzanalyse
3.2.2. Regressionsmodelle
3.2.3. Neuronale Netze

4 Moody’s KMV RiskCalc Model
4.1. Anforderungen an das Rating
4.2. Entwicklungsstufen
4.2.1. Auswahl von geeigneten Kennzahlen
4.2.2. Kennzahlenkombination und Validierung
4.2.3. Kalibrierung

5 Resümee

Literaturverzeichnis

Kurzfassung

Ein wesentlicher Erfolgsfaktor für Banken ist in der Fähigkeit zu sehen, eingegangene Kreditrisiken, und damit insbesondere die Ausfallwahrscheinlichkeit ihrer Schuldner, im Zeitablauf möglichst realitätsnah quantifizieren zu können. Hierzu bedienen sich Banken interner Ratingverfahren. Das Hauptziel dieser Arbeit ist es, aufzuzeigen, welche gängigen Methoden zur Berechnung von internen Ratings existieren und wie insbesondere die Methodik der logistischen Regression zur Prognose von Schuldnerausfallwahrscheinlichkeiten anhand von Moody’s KMV RiskCalc verwendet werden kann.

Insbesondere die mathematisch-statistischen Verfahren, wie die Diskriminanzanalyse, Regressionsmodelle und auch die künstlichen neuronalen Netze, werden in dieser Arbeit fokussiert und dabei voneinander abgegrenzt. Anhand von Moody’s KMV RiskCalc wird der Prozessablauf eines internen Ratings erläutert und gezeigt, wie die logistische Regression benutzt werden kann.

Symbol- und Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten.

Abbildungsverzeichnis

Abbildung 1 Methoden zur Bonitätsbeurteilung

Abbildung 2 Anforderungen an Ratingmodelle

Abbildung 3 Kennzahlen und relativer Einfluss des RiskCalc Germany

1 Einleitung

Sowohl im Rahmen der Finanzkrise ab dem Jahr 2007 als auch wegen aufsichtlicher Anforderungen, wie sie sich aus der Baseler Übereinkunft ( Basel II ) ergeben, rückt das Thema der Messung und des Managements von Kreditrisiken immer mehr in das Licht der öffentlichen Aufmerksamkeit. Nachdem sich der wesentliche Teil des Risikos, dem ein Kreditinstitut ausgesetzt ist, aus den Risiken des Kreditgeschäftes ergibt1, soll in dieser Arbeit das Thema Rating näher beleuchtet werden. In den folgenden Ausführungen wird das Ziel verfolgt, gängige Methoden zur Berechnung interner Ratings zu systematisieren und anschließend den Aufbau eines internen Ratings abzubilden. Dazu wird zunächst in Kapitel 2 das Verständnis eines internen Ratings vertieft und hinsichtlich externer Ratings abgegrenzt. Kapitel 3 enthält eine Übersicht über die praxisrelevanten internen Ratingverfahren; es erläutert zudem die mathematisch-statistischen Modelle näher. Anschließend wird der Prozess der Implementierung und Validierung eines internen Ratingverfahrens anhand von Moody’s KMV RiskCalc dargestellt.

2 Abgrenzung externes und internes Rating

Grundsätzlich kann der Begriff Rating als Bewertung der Kreditwürdigkeit eines Unternehmens definiert werden. Hierbei wird die Fähigkeit eines Kreditnehmers beschrieben, den Zahlungsverpflichtungen, die er eingeht, zukünftig nachzukommen.2 Ratings können Bank-intern oder auch von Spezialagenturen, d.h. extern, erstellt werden.3 Nachfolgend werden beide Möglichkeiten vorgestellt.

2.1 Externes Rating

Sofern das zu ratende Unternehmen selbst die Initiative ergreift, durch eine unabhängige Ratingagentur eingestuft zu werden, wird von einem externen Rating gesprochen. Ein externes Rating wird als unabhängig bezeichnet, da keine Geschäftsbeziehung, wie eine eingeräumte Kreditlinie, besteht. Basierend auf einem branchenorientierten Ansatz wird eine Bonitätsanalyse durchgeführt.4 Es werden durch Gespräche mit der Unternehmensführung, durch Befragung der Mitarbeiter und Betriebsbesichtigungen detaillierte Informationen gesammelt, um sodann eine exakte Bewertung des Unternehmens zu generieren. Zusammenfassend kann die intensive Betreuung und der tiefe Einblick in das Unternehmen als Vorteil bezeichnet werden.5 Nachteilig sind sowohl die anfallenden Kosten, die das zu beurteilende Unternehmen selbst zu tragen hat6, als auch die im Einzelfall fehlende Nachvollziehbarkeit7.

2.2 Internes Rating

Fällt ein Kreditinstitut im Rahmen einer Kreditwürdigkeitsprüfung ein Urteil über die Bonität und die daraus resultierende Ausfallwahrscheinlichkeit eines Kreditnehmers, entspricht dies einem internen Rating. Die verwendeten Methoden sowie deren relevante Kriterien werden dem zu beurteilenden Unternehmen nur in seltenen Fällen mitgeteilt.8 Das Ratingverfahren ist standardisiert und berücksichtigt neben quantitativen Kriterien auch qualitative Merkmale.9 Quantitative Merkmale beziehen sich auf die wirtschaftlichen Verhältnisse eines Unternehmens wie die Vermögens-, Finanz- und Ertragslage. Demgegenüber beziehen sich qualitative Kriterien auf die im Unternehmen vorhandene Fach-, Führungs- und Organisationskompetenz.10 Entgegen dem externen Rating entstehen dem Kreditantragsteller bei dem internen Rating keine Kosten. Als Vorteil des internen Ratings ist zudem die Möglichkeit zu nennen, seitens der Bank ergänzende Informationen hinsichtlich der bisherigen Geschäftsverbindung zu berücksichtigen.11

3 Marktgängige Modelle zur Bonitätsbeurteilung

3.1. Übersicht

Grundsätzlich lassen sich die Modelle in drei Kategorien einteilen12:

- Heuristische Modelle
- Kausalanalytische Modelle
- Empirisch-statistische Modelle

Abbildung in dieser Leseprobe nicht enthalten.

Abbildung 1 Methoden zur Bonitätsbeurteilung13

Heuristische Modelle:

Aufgrund von Erfahrungswerten versuchen heuristische Modelle methodisch neue Erkenntnisse zu generieren. Diese Erfahrungswerte basieren unter anderem sowohl auf subjektiven praktischen Erfahrungen als auch auf prognostizierten betriebswirtschaftlichen Zusammenhängen. Heuristische Modelle sind somit von der subjektiven Erfahrung der Kreditexperten abhängig. Eine Validierung auf empirisch-statistischer Basis, bezogen auf die verwendeten Faktoren, findet hierbei nicht statt. In der Praxis fallen unter anderem der „klassische Ratingbogen“, qualitative Systeme und Expertensysteme in die Kategorie der heuristischen Modelle.14

Kausalanalytische Modelle

Sobald keine ausreichend große Stichprobe bei Ratingsegmenten gebildet werden kann, kommen kausalanalytische Modelle zum Einsatz.15 Hierbei leiten diese, basierend auf finanztheoretischen Überlegungen, Zusammenhänge zur Bonität direkt analytisch ab.16 Dieses Vorgehen findet, unter anderem, Anwendung bei einmaligen oder sehr seltenen Finanzierungen großer Projekte, bei denen keine oder nur wenige Vergleichsfälle existieren.17 Gängige Modelle sind das Cashflow-Simulations-Modell sowie das Optionspreismodell.18

3.2. Mathematisch-statistische Systeme

Entgegen heuristischen Modellen, welche hinsichtlich der Bonitätsbeurteilung auf subjektiven Erfahrungen von Kreditexperten beruhen, versuchen empirisch-statistische Modelle Hypothesen auf einem empirischen Datenbestand mithilfe statistischer Verfahren zu authentifizieren. Im Folgenden werden zunächst die in der Praxis am häufigsten verwendeten empirisch-statistischen Modelle - die Diskriminanzanalyse und Regressionsmodelle - vorgestellt.19 Anschließend wird das Modell der Künstlichen Neuronalen Netze beschrieben.

3.2.1. Multivariate Diskriminanzanalyse

Insolvent gewordene Unternehmen weisen bestimmte gemeinsame Merkmale auf, in denen sie sich von den solventen Unternehmen unterscheiden. Auf dieser Annahme beruht das Verfahren der Diskriminanzanalyse, die als Unterscheidungsmittel zwischen solvent und insolvent eine Kennzahl verwendet, welche wiederum aus der mathematisch ermittelten Diskriminanzfunktion abgeleitet wird.20 In der Praxis wird überwiegend die lineare Verknüpfung verwendet; sie soll auch zur folgenden Erläuterung der Funktionsweise als Basis dienen. Grundsätzlich lassen sich die Ausführungen auch auf andere Verknüpfungen übertragen.

Allgemein wird die Diskriminanzfunktion wie folgt definiert:

Abbildung in dieser Leseprobe nicht enthalten.

Hierbei wird eine Linearkombination aus Kennzahlen gebildet, sodass anhand des Diskriminanzwertes D eine Einteilung in solvent und insolvent bei möglichst hoher Trennfähigkeit vorgenommen werden kann. Die in die Funktion eingehende Anzahl finanzieller Kennzahlen wird mit „n“ beschrieben, die Ausprägung der jeweiligen Kennzahl mit und letztlich wird der Koeffizient der jeweiligen Kennzahl i innerhalb der Funktion mit bezeichnet.21 Sobald ein bestimmter Kennzahlenwert unterschritten wird, lautet die Schlussfolgerung „negativ“, andernfalls positiv.22 Zusammenfassend kann gesagt werden, dass das generelle Ziel darin besteht, im Rahmen eines Bonitätsbeurteilungsverfahrens eine möglichst gute Trennung zwischen solventen und insolventen Kreditnehmern zu erhalten.23

Besonders geeignet ist die Multivariate Diskriminanzanalyse für die Analyse von quantitativen Daten, da diese direkt verarbeitet werden können. Insbesondere die Normalverteilung der Bonitätsmerkmale stellt eine formale mathematische Voraussetzung dar. Sofern diese Bedingung in dem Modell nicht erfüllt wird, kann es negative Auswirkungen auf das Ergebnis hinsichtlich der maximalen Trennschärfe haben und sollte im Rahmen der Validierung überprüft werden.24 Kritisch ist zudem der Punkt der Vergangenheitsbetrachtung zu sehen, da die in das Modell integrierten Kennzahlen aus historischem Umfeld stammen.25 Positiv ist sowohl die objektive Ermittlung der Kennzahl26 als auch hohe Trennqualität der Ergebnisse.27

3.2.2. Regressionsmodelle

Regressionsmodelle sind die am häufigsten verwendeten Verfahren zur Bildung von Score-Modellen. Entgegen den oben beschriebenen Anforderungen an die Daten der Diskriminanzanalyse stellen Regressionsmodelle nur geringe Anforderungen an das Datenniveau28, wodurch neben quantitativen auch qualitative Bonitätsmerkmale problemlos verarbeitet werden können.29 Positiv zu bewerten ist zudem der Aspekt, dass die Ergebnisse robuster als die der Diskriminanzanalyse sind.30 Allerdings muss beachtet werden, dass für dieses Modell hinsichtlich der Modellkalibrierung eine repräsentative Stichprobe insolventer Unternehmen zur Verfügung stehen muss.31 Die Eigenschaft der direkten Abbildung des Modellergebnisses als Ausfallwahrscheinlichkeit ist positiv zu werten und erleichtert die Kalibrierung des Ratingmodells.32 Regressionsmodelle haben das Ziel, die Abhängigkeit einer dualen Variable von anderen unabhängigen Variablen zu modellieren. Wird dieses Schema auf Bonitätsbeurteilungsverfahren angewandt, so steht für die abhängig binäre Variable die Gruppe solvent oder insolvent und für die unabhängigen Variablen die Merkmalausprägungen. Es soll somit anhand bestimmter Bonitätsmerkmale die Zugehörigkeit von Kreditnehmern zu den Gruppen solvent und insolvent bestimmt werden. Grundsätzlich existieren zwei Arten von Regressionsmodellen, Logit- und Probit-Modelle. Die Resultate beider Modelltypen unterscheiden sich allerdings nicht wesentlich. Für die Ratingmodellierung wird in der Praxis häufiger das Logit-Modell verwendet33, daher wird auf eine detailliertere Beschreibung des Probit-Modells im weiteren Verlauf verzichtet. Am Ende steht bei der logistischen Regression die Wahrscheinlichkeit p, mit der der betrachtete Fall zur solventen Gruppe gehört.

Die Wahrscheinlichkeit berechnet sich wie folgt34:

Abbildung in dieser Leseprobe nicht enthalten.

Dabei gilt:

Abbildung in dieser Leseprobe nicht enthalten.

Die Koeffizienten werden anhand der Maximum-Linkelhood-Methode geschätzt. Hierbei wird erklärt, mit welcher Anzahl die realen Beobachtungen von Ausfällen mit den Modellprognosen auf der Entwicklungsstichprobe übereinstimmen.35 Durch die Wahl des logistischen Funktionsverlaufes wird sichergestellt, dass nur Werte im Bereich zwischen 0 und 1 berücksichtigt werden und somit als Wahrscheinlichkeiten interpretiert werden können.36

3.2.3. Neuronale Netze

Neuronale Netze, auch künstliche Neuronale Netze genannt37, sind computerbasierte Modelle, die die Funktionen und Prozesse der Informationsverarbeitung in einer Weise zu kopieren versuchen, die den Strukturen des menschlichen Gehirns ähneln.38 Auf Basis empirischer Beobachtungen wird es ermöglicht, eine in bestimmter Hinsicht zunächst nicht exakt beschreibbare Problemstruktur anzupassen. Ausgangsvariablen, wie Kennzahlen aus dem Jahresabschluss, werden durch hintereinander geschaltete Transformationen, Gewichtungen und Summationen in eine quantitative Bonitätsbeurteilung umgesetzt.39 In das Modell eingehende Daten können sowohl von quantitativer als auch qualitativer Natur sein. Dies ist im Gegensatz zu der umfangreichen Datenmenge, welche in der Entwicklungsphase benötigt wird, positiv zu sehen.40 Die komplexe Netzmodellierung sowie das intransparente Innenleben des Modells sind Gründe dafür, warum das Modell - trotz der regelmäßig hohen Trennfähigkeit sowie der geringen Anforderungen an die Eingangsdaten - in der Praxis noch wenig verbreitet ist.41

[...]


1 Vgl. Henking/ Bluhm/ Fahrmeir (2006) V.

2 Vgl. Gleißner/ Füser (2003) S.11.

3 Vgl. Hartmann-Wendels/ Pfingsten/ Weber (2010) S.502-503.

4 Vgl. Fischer/ Holzkämper (2003) S.70-72.

5 Vgl. Sicking (2007) S.219.

6 Vgl. Wambach/ Rödl (2001) S.81.

7 Vgl. Gleißner/ Füser (2003) S.67.

8 Vgl. Fischer/ Holzkämper (2003) S.70-72.

9 Vgl. Dimitrakopoulos/ Spahr (2003) S.160.

10 Vgl. Gleißner/ Füser (2003) S.230.

11 Vgl. Gleißner/ Füser (2003) S.67.

12 Vgl. Henking/ Bluhm/ Fahrmeir (2006) S.210.

13 Übernommen aus Reichling/ Bietke/ Henne (2007) S.47.

14 Vgl. Thonabauer/ Nösslinger (2004) S.33-36.

15 Vgl. Henking/ Bluhm/ Fahrmeir (2006) S.210.

16 Thonabauer/ Nösslinger (2004) S.49.

17 Vgl. Henking/ Bluhm/ Fahrmeir (2006) S.210.

18 Thonabauer/ Nösslinger (2004) S.49-51.

19 Vgl. Thonabauer/ Nösslinger (2004) S. 41.

20 Vgl. Rösler/ Mackenthun/ Pohl (2002) S.648.

21 Vgl. Thonabauer/ Nösslinger (2004) S.41-42.

22 Vgl. Rösler/ Mackenthun/ Pohl (2002) S. 648-651.

23 Vgl. Thonabauer/ Nösslinger (2004) S. 41.

24 Vgl. Thonabauer/ Nösslinger (2004) S. 61 oder auch Henking/ Bluhm/ Fahrmeir (2006) S. 211.

25 Vgl. Gleißner/ Füser (2003) S.151 oder auch Rösler/ Mackenthun/ Pohl (2002) S. 649-650.

26 Vgl. Rösler/ Mackenthun/ Pohl (2002) S.650.

27 Vgl. Alparslan/ Bächstädt/ Geldermann (2007) S.106.

28 Vgl. Henking/ Bluhm/ Fahrmeir (2006) S.212.

29 Vgl. Thonabauer/ Nösslinger (2004) S.61.

30 Vgl. Kaltofen/ Möllenbeck/ Stein (2003)S.14.

31 Vgl. Gleißner/ Füser (2003) S.28.

32 Vgl. Thonabauer/ Nösslinger (2004) S.61.

33 Vgl. Thonabauer/ Nösslinger (2004) S.43-44.

34 Vgl. Thonabauer/ Nösslinger (2004) S.44.

35 Vgl. Kaltofen/ Möllenbeck/ Stein (2003)S.14.

36 Vgl. Alparslan/ Bächstädt/ Geldermann (2007) S.107.

37 Vgl. Rösler/ Mackenthun/ Pohl (2002) S.652.

38 Vgl. Corsten/ May (1996) S.217 ff.

39 Vgl. Rösler/ Mackenthun/ Pohl (2002) S.652.

40 Vgl. Thonabauer/ Nösslinger (2004) S.61.

41 Vgl. Thonabauer/ Nösslinger (2004) S.48.

Ende der Leseprobe aus 19 Seiten

Details

Titel
Interne Ratingverfahren bei Banken zur Beurteilung der Ausfallwahrscheinlichkeit von Schuldnern
Note
2,7
Jahr
2014
Seiten
19
Katalognummer
V294410
ISBN (eBook)
9783656922261
ISBN (Buch)
9783656922278
Dateigröße
487 KB
Sprache
Deutsch
Schlagworte
Rating, Internes Ratingverfahren, Ausfallwahrscheinlichkeit, Schuldner
Arbeit zitieren
Anonym, 2014, Interne Ratingverfahren bei Banken zur Beurteilung der Ausfallwahrscheinlichkeit von Schuldnern, München, GRIN Verlag, https://www.grin.com/document/294410

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Interne Ratingverfahren bei Banken zur Beurteilung der Ausfallwahrscheinlichkeit von Schuldnern



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