Systemische Risikomessung. Kennzahlen, Beurteilung und Empirie


Hausarbeit, 2016

16 Seiten, Note: 2,0


Leseprobe

Inhaltsverzeichnis

Abkürzungsverzeichnis

Symbolverzeichnis

1. Einleitung

2. Systemische Risikomessung: Definition, Anforderungen und Kennzahlen
2.1 Kennzahlen zur systemischen Risikomessung: CoVaR
2.2 Kennzahlen zur systemischen Risikomessung: SES, MES und SRISK

3. Vergleich und kritische Betrachtung der Erklärungsfaktoren der Maßzahlen

4. Fazit

Literaturverzeichnis

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Symbolverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Einleitung

Die Finanzmarktkrise 2007 - 2009 hatte ihren Ursprung in der Schieflage einiger weniger Unternehmen des Finanzsektors. Dabei handelte es sich hauptsächlich um Banken aus den USA, die mit der „platzenden Immobilienblase“ zu kämpfen hatten. Diese anfangs nur auf den Finanzsektor der USA begrenzte Krise führte besonders nach dem Ausfall von Lehman Brothers zu einer weltweiten Rezession.[1]

Seit dieser Finanzmarktkrise werden Unternehmen wie Banken und Versicherungen stärker reguliert. Dabei steht nicht mehr nur das Institut als Individuum im Fokus, sondern auch der Beitrag, den es zum Risiko auf dem gesamten Markt leistet. Wenn systemrelevante Institute in eine Schieflage geraten, kann dies negative Auswirkungen auf die gesamte Wirtschaft haben.[2] Dieses Risiko nennt sich systemisches Risiko und wird im Rahmen der makroprudenziellen Aufsicht überwacht. Durch die richtige Messung und Regulierung systemischer Risiken kann es zukünftig möglich sein, Finanzkrisen im Ursprung zu bekämpfen. Dazu gibt es verschiedene Ansätze. Die Bankenaufsicht verfolgt u.a. mit Basel III einen indikatorbasierten Ansatz. Führende Wissenschaftler auf diesem Gebiet empfehlen, kapitalmarktbasierte Maßzahlen zur Messung des systemischen Risikos zu verwenden.[3] In dieser Arbeit wird das systemische Risiko definiert und verschiedene kapitalmarktbasierte Maßzahlen mithilfe wissenschaftlicher Literatur vorgestellt. Dabei wird vor allem die Frage geklärt, was diese Kennzahlen genau messen und inwiefern sie sich unterscheiden. Darüber hinaus wird erörtert, welche empirischen Erklärungsfaktoren es für die Ausprägungen dieser Maße gibt.

In Kapitel 2 wird der Begriff der systemischen Risikomessung definiert. Außerdem werden Anforderungen an geeignete Maßzahlen erläutert. In Abschnitt 2.1 werden die Maßzahlen vorgestellt, die auf dem Konzept des VaR beruhen. Abschnitt 2.2 beschäftigt sich mit den Maßzahlen, die auf Grundlage des ES entwickelt wurden. Kapitel 3 geht daraufhin kritisch auf Unterschiede und empirische Erklärungsfaktoren der Kennzahlen ein. Abgeschlossen wird die Arbeit mit einer Zusammenfassung der wichtigsten Ergebnisse und einem kurzen Ausblick.

2. Systemische Risikomessung: Definition, Anforderungen und Kennzahlen

Um die Kennzahlen der systemischen Risikomessung bewerten zu können, ist es notwendig, eine klare Definition des systemischen Risikos zu kennen. Neben dieser Definition werden in diesem Kapitel Anforderungen an eine kapitalmarktbasierte Maßzahl für systemisches Risiko gestellt und die Abgrenzung dieser Maßzahlen zum indikatorbasierten Ansatz erläutert.

Bei der Definition des systemischen Risikos wird ein exogenes unerwartetes Ereignis vorausgesetzt, welches dazu führt, dass ein oder mehrere Institute des Finanzsektors in eine finanzielle Schieflage geraten und Liquiditätsprobleme bekommen. Daraus resultiert eine Kette von Problemen auf dem Finanzmarkt, die weitere Institute in Schwierigkeiten bringen und zu Verlusten oder Preisvolatilitäten führen.[4] Diese Übertragungseffekte resultieren zum einen aus den engen Verflechtungen und gegenseitigen Vertragsverpflichtungen und zum anderen aus Preiseffekten und Liquiditätsspiralen.[5] Dadurch sind die Verluste und somit die Probleme der Institute eng korreliert und verstärken sich gegenseitig. Das systemische Risiko soll diese Beziehung berücksichtigen und den Beitrag quantifizieren, den der Ausfall eines Instituts zu einem systemweiten Scheitern leisten würde.[6]

Die Treiber des systemischen Risikos sind damit vor allem die Verflechtungen und Korrelationen der Institute. Aber auch die Unterkapitalisierung bzw. zu hohe Verschuldung oder fehlende Liquidität eines Instituts können signifikante negative Einflüsse auf das gesamte System ausüben.[7] Diese Faktoren erhöhen das systemische Risiko besonders bei einem gemeinsamen Auftreten. Zur Messung dieses Risikos werden verschiedene Ansätze verfolgt. In dieser Arbeit wird vor allem der Einsatz kapitalmarktbasierter Maßzahlen diskutiert. Eine Anforderung an eine solche Maßzahl ist, dass sie das Risiko durch individuelle Institute, die so verflochten und groß sind und damit negative Übertragungseffekte auf andere Institute ausüben könnten, genauso darstellt wie das Risiko kleinerer Institute, die als Teil einer Herde ähnlich systemrelevant sind. Außerdem sollte die Maßzahl das Risiko erkennen, welches sich in Form von Blasen o.ä. im Hintergrund ausbildet und nur zu Krisenzeiten klar identifizierbar ist.[8]

Neben dem Ansatz der kapitalmarktbasierten Maßzahlen für systemische Risiken gibt es den indikatorbasierten Ansatz.[9] Dieser wird u.a. bei Basel III verwendet. Er zeichnet sich durch eine einfache Messung und hohe Datenverfügbarkeit aus. Allerdings werden die Übertragungswege bzw. Treiber des systemischen Risikos nicht oder kaum dargestellt und das Herdenverhalten von Instituten nicht modelliert.[10] In dieser Arbeit liegt der Fokus auf Maßzahlen, die auf Basis von Kapitalmarktdaten berechnet werden. Diese sollen möglichst jegliche Faktoren, die das systemische Risiko erhöhen, berücksichtigen und den Regulierungsbehörden anzeigen, wie sie Anreize schaffen können, damit Institute ihr Risiko für das System minimieren. Nachdem die dafür notwendige Definition des systemischen Risikos erörtert ist und die Anforderungen an geeignete Maßzahlen beschrieben wurden, werden die kapitalmarktbasierten Maßzahlen in den folgenden zwei Abschnitten genau definiert.

2.1 Kennzahlen zur systemischen Risikomessung: CoVaR

In diesem Abschnitt wird der CoVaR als kapitalmarktbasierte Maßzahl zur Messung des systemischen Risikos beschrieben und empirische Daten aus der wissenschaftlichen Literatur diskutiert. Der CoVaR ist eine Modifikation des Value at Risk (VaR), der in der Finanzbranche sehr verbreitet ist, um Risiken zu messen. Der VaR misst allerdings lediglich das Risiko eines einzelnen Instituts, ohne das makroökonomische Umfeld zu betrachten.[11] Adrian und Brunnermeier (2011) haben den VaR erweitert und damit die Möglichkeit geschaffen, den Beitrag eines Instituts zum systemischen Risiko zu quantifizieren. Dieser CoVaR wird in zahlreichen Publikationen diskutiert und wurde u.a. durch Girardi und Ergün (2012) modifiziert. Zur Annäherung an die Erweiterungen, wird der VaR an dieser Stelle kurz definiert.

Beim VaR handelt es sich um ein sogenanntes Downside-Risikomaß, d.h., dass nur negative Abweichungen berücksichtigt werden.[12] Das ist der Fall, weil sich der VaR auf den linken Rand der Verteilung der Erträge konzentriert. Darüber hinaus können bei der Berechnung des VaR aktuelle Daten genutzt werden.[13] Der VaR eines Instituts ist der Verlust V, der mit einer Wahrscheinlichkeit von mindestens α am Risikohorizont nicht überschritten wird.[14] Das Risiko eines einzelnen Instituts spiegelt jedoch nicht direkt das systemische Risiko wider, da die in Kapitel 2 genannten Faktoren wie Verflechtungen und Korrelationen mit anderen Instituten nicht betrachtet werden. Aus diesem Grund haben Adrian und Brunn erm ei er (2011) die Messung des CoVaR eingeführt. „Co“ steht für „conditional, contagion or comovement“ und der CoVaR von Institut i stellt das Risiko dar, dem das System bzw. der gesamte Finanzsektor ausgesetzt ist, wenn Institut i in eine Notlage gerät.[15] Häufig wird der CoVaR auch in dieser Form [Abbildung in dieser Leseprobe nicht enthalten]dargestellt. Dabei kann es sich bei j und i jeweils um Institute wie Banken oder auch um das gesamte Finanzsystem handeln.[16] Der CoVaR ist in diesem Fall der VaR eines Instituts j, wenn Institut i einen Verlust V in Höhe des VaR verzeichnet:

Abbildung in dieser Leseprobe nicht enthalten[17]

Mit [Abbildung in dieser Leseprobe nicht enthalten] kann berechnet werden, welches Institut am schlimmsten betroffen ist, falls eine Krise eintritt. Umgekehrt kann mit [Abbildung in dieser Leseprobe nicht enthalten] ermittelt werden, wie das gesamte Finanzsystem betroffen ist, falls Institut i in Schwierigkeiten gerät.[18] In dieser Arbeit wird von letzterer Beziehung ausgegangen, da es die verbreitetere Definition ist.[19] Der umgekehrte Weg ist wie beschrieben ebenfalls möglich. Je nach Systemrelevanz, Verflechtungen, Verschuldungsgrad und den weiteren Treibern aus Kapitel 2 können die CoVaRs der verschiedenen Institute sehr voneinander abweichen.

Adrian und Brunnermeier (2011) haben zusätzlich den ACoVaR^1 eingeführt, der die Differenz zwischen dem [Abbildung in dieser Leseprobe nicht enthalten], wenn ein Institut in einer Notlage ist, und dem[Abbildung in dieser Leseprobe nicht enthalten] im normalen Zustand berechnet.[20] Der[Abbildung in dieser Leseprobe nicht enthalten] im normalen Zustand lässt sich als[Abbildung in dieser Leseprobe nicht enthalten]' darstellen, da das Risiko, dass Institut i in eine Schieflage gerät, nicht betrachtet wird. Damit lässt sich folgende Formel für den marginalen Risikobeitrag des Instituts i zum Risiko des Instituts j formulieren:

Abbildung in dieser Leseprobe nicht enthalten[21]

[Abbildung in dieser Leseprobe nicht enthalten] zeigt somit, wie sich eine Schieflage von Institut i zusätzlich auf das System auswirken würde.[22] Der [Abbildung in dieser Leseprobe nicht enthalten]ist damit neben dem[Abbildung in dieser Leseprobe nicht enthalten] ein geeignetes Risikomaß, um den Risikobeitrag von Institut i zum systemischen Risiko zu messen. Gegenüber dem VaR liegen weitere Vorteile vor. Der VaR bezieht sich lediglich auf das Risiko individueller Institute. Bei zwei Instituten mit gleichem VaR kann es somit dennoch einen großen Unterschied zwischen den ΔCoVaRs geben. Der geringe Zusammenhang zwischen VaR und ΔCoVaR wurde von Adrian und Brunnermeier (2011) ebenfalls empirisch bestätigt. Dazu untersuchten sie 240 Portfolios aus vier Branchen des Finanzsektors über einen Zeitraum von 24 Jahren.[23] Insofern zeigt sich, dass es nicht ausreicht, den VaR als Maßzahl zu verwenden und die Anwendung des ΔCoVaR bei der systemischen Risikomessung sinnvoll sein kann.

Da sich systemisches Risiko im Hintergrund aufbaut und nur in Krisenzeiten sichtbar wird, ist es wichtig, dass das Risikomaß nicht prozyklisch ist. Um dies zu verhindern, schlagen Adrian und Brunnermeier (2011) die Verwendung eines vorausgeschätzten ΔCoVaR vor. Dabei verwenden sie Charakteristika der Institute wie Größe, Verschuldungsgrad und die betriebene Fristentransformation.[24] In einer Studie mit 1226 Instituten kommen sie zu dem Ergebnis, dass der systemische Risikobeitrag eines Instituts größer ist, wenn diese Charakteristika ausgeprägter ausfallen.[25] Damit werden die Risikotreiber, die in Kapitel 2 beschrieben werden, durch den vorausgeschätzten ΔCoVaR dargestellt. Außerdem ist diese Maßzahl nicht nur auf die Größe fixiert. Es kommt nicht ausschließlich darauf an, ob ein Institut „too big to fail“ ist, sondern auch auf die Verflochtenheit im System, z.B. wenn eine kleine Bank ein Teil einer großen Herde ist. Dies bildet diese Maßzahl ebenfalls ab.[26] Darüber hinaus hätte der vorausgeschätzte ΔCoVaR während des Kreditbooms von 2003 - 2006 ein hohes systemisches Risiko gezeigt und der Wert des vierten Quartals 2006 hätte mehr als die Hälfte der Kovarianzen während der Finanzkrise vorausgesagt.[27] Damit ist der vorausgeschätzte ΔCoVaR eine Maßzahl zur Messung des systemischen Risikos, die den Anforderungen aus Kapitel 2 entspricht. In Kapitel 3 wird diese Maßzahl mit weiteren verglichen und die Anwendbarkeit kritisch überprüft. Um den ΔCoVaR einordnen zu können, werden an dieser Stelle eine Modifikation des ΔCoVaR und die Gründe für diese Anpassung kurz erläutert. Eine detaillierte Betrachtung wäre allerdings zu umfassend für den Rahmen dieser Arbeit.

Girardi und Ergün (2012) modifizieren den CoVaR, hauptsächlich indem sie annehmen, dass das Ereignis, welches ein Institut in Schieflage bringt, nicht genau dann eintritt, wenn die Erträge R des Instituts dem VaR entsprechen (R = VaR), sondern schon, wenn sie nahe am VaR sind (R ≤ VaR).[28] Damit können weitere verschiedene Stress-Ereignisse getestet werden. Empirisch zeigt der ΔCoVaR von Girardi und Ergün (2012) in einer Studie von 2000 bis 2008, dass Banken, die im Wertpapiergeschäft tätig sind, den größten Beitrag zum systemischen Risiko leisteten. Wie Adrian und Brunnermeier (2011) konnten sie feststellen, dass Querschnittsdaten lediglich einen schwachen Zusammenhang zwischen VaR und ΔΟονηΚ aufweisen. Damit können die Kapitalanforderungen bei Betrachtung des VaR und des ΔCoVaR zum Teil stark abweichen. Außerdem weist der ΔCoVaR von Girardi und Ergün (2012) auf einen starken Anstieg des systemischen Risikos in den 12 Monaten vor Juni 2007, dem Beginn der Finanzmarktkrise, hin.[29]

Da sowohl der ΔCoVaR von Adrian und Brunnermeier als auch von Girardi und Ergün ein erhöhtes systemisches Risiko vor der Finanzmarktkrise erkennen, hätte die Verwendung dieser kapitalmarktbasierten Maßzahl durch den Regulator die Krise in der Ausprägung eventuell verhindern können. Zur genauen Einordnung der Effektivität des ΔCoVaR wird die Betrachtung weiterer Kennzahlen im folgenden Abschnitt Aufschluss geben.

2.2 Kennzahlen zur systemischen Risikomessung: SES, MES und SRISK

Die kapitalmarktbasierten Maßzahlen, die in diesem Abschnitt thematisiert werden, basieren auf dem Prinzip des Expected Shortfalls (ES). Deshalb ist eine kurze Betrachtung des ES an dieser Stelle sinnvoll. Anschließend werden die Maßzahlen und die entsprechende Empirie in der wissenschaftlichen Literatur vorgestellt.

Im Gegensatz zum VaR bietet der ES die Vorteile, dass er subadditiv ist und die Verluste jenseits des α-Quantils berücksichtigt.[30] Dies geschieht, indem der Erwartungswert der Verluste im (1-a)-Quantil ermittelt wird. Der ES stellt somit den bedingten erwarteten Verlust eines Instituts dar, falls der Verlust das α-Quantil überschreitet.[31] Acharya et al. (2010) erweitern den ES, um die erwarteten Verluste eines Institutes im Krisenfall und den Beitrag zu einer systemischen Krise berechnen zu können. Diese Kennzahl nennen sie Systemic Expectet Shortfall (SES). Wenn der Regulator mithilfe der Höhe dieser Kennzahl eine Steuer erhebt, haben die Banken den Anreiz, ihre negativen Effekte auf das System zu senken. Je niedriger diese externen Effekte und somit je niedriger der Beitrag zu einer systemischen Krise wäre, desto geringer würde auch diese Steuer ausfallen.[32] Bei seiner Berechnung berücksichtigt der SES den Marginal Expected Shortfall (MES) und den Verschuldungsgrad eines Instituts.[33] Der MES quantifiziert den durchschnittlichen Verlust des Instituts, wenn das gesamte Finanzsystem einen Verlust erleidet, der das α-Quantil übersteigt:

[...]


[1] Vgl. Acharya/Engle/Richardson (2012), S. 59.

[2] Vgl. Brownless/Engle (2016), S. 2.

[3] Vgl. Benoit/Colliard/Hurlin/Perignon (2015), S. 2ff.

[4] Vgl. Schwarcz (2008), S. 198.

[5] Vgl. Adrian/Brunnermeier (2011), S. 1.

[6] Vgl. Acharya/Engle/Richardson (2012), S. 59.

[7] Vgl. Brownless/Engle (2016), S. 2.

[8] Vgl. Adrian/Brunnermeier (2011), S. 1.

[9] Vgl. Bank für Internationalen Zahlungsausgleich (2011), S. 8ff.

[10] Vgl. Benoit/Colliard/Hurlin/Perignon (2015), S. 20ff.

[11] Vgl. Adrian/Brunnermeier (2011), S. 1.

[12] Vgl. Hartmann-Wendels/Pfingsten/Weber (2015), S. 276f.

[13] Vgl. Jorion (2006), S. 5.

[14] Vgl. Hartmann-Wendels/Pfingsten/Weber (2015), S. 277.

[15] Vgl. Adrian/Brunnermeier (2011), S. 2.

[16] Vgl. Adrian/Brunnermeier (2011), S. 8.

[17] Hartmann-Wendels/Pfingsten/Weber (2015), S. 329.

[18] Vgl. Adrian/Brunnermeier (2011), S. 7f.

[19] Vgl. Girardi/Ergün (2012), S. 3.

[20] Vgl. Adrian/Brunnermeier (2011), S. 2.

[21] Hartmann-Wendels/Pfingsten/Weber (2015), S. 329.

[22] Vgl. ebd.

[23] Vgl. Adrian/Brunnermeier (2011), S. 18f.

[24] Vgl. ebd., S. 19.

[25] Vgl. ebd., S. 20.

[26] Vgl. ebd., S. 21f.

[27] Vgl. ebd., S. 24f.

[28] Vgl. Girardi/Ergün (2012), S. 4.

[29] Vgl. Girardi/Ergün (2012), S. 22.

[30] Vgl. Acerbi/Nordio/Sirtori (2001), S. 6.

[31] Vgl. Acharya/Pedersen/Philippon/Richardson (2010), S. 7.

[32] Vgl. ebd., S. 5.

[33] Vgl. ebd.

Ende der Leseprobe aus 16 Seiten

Details

Titel
Systemische Risikomessung. Kennzahlen, Beurteilung und Empirie
Hochschule
Universität Osnabrück
Note
2,0
Autor
Jahr
2016
Seiten
16
Katalognummer
V354747
ISBN (eBook)
9783668409040
ISBN (Buch)
9783668409057
Dateigröße
448 KB
Sprache
Deutsch
Schlagworte
Value at Risk, VaR, Expected Shortfall, ES, Systemisches Risiko, CoVaR, SRISK, MES, SES, Kennzahlen zur Risikomessung, Riskomessung, Maßzahlen systemische Risiko, Finanzkrisen verhindern, Bankenregulierung, Kapitalmarktbasierte Maßzahlen, makroprudenzielle Aufsicht, Basel 3
Arbeit zitieren
Markus Engelmann (Autor), 2016, Systemische Risikomessung. Kennzahlen, Beurteilung und Empirie, München, GRIN Verlag, https://www.grin.com/document/354747

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Systemische Risikomessung. Kennzahlen, Beurteilung und Empirie



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