Ausgabe 04 / 2007 - BankPraktiker

Beitrag
» Der VaR zu
einem bestimmten
Niveau (z.B. 99,9%)
beschreibt den Scha-
den für das betrach-
tete Portfolio, der
mit einer Wahr-
scheinlichkeit von
99,9% nicht überschritten
wird. «
8 Vgl. zur Modellierung bspw. Hamerle/Liebig/
Rösch, Credit Risk Factor Modeling and the
Basel II IRB Approach, Deutsche Bundesbank,
Discussion Paper, Series 2: Banking and Financial
Supervision 02/2003.
224 04 / 2007 BankPraktiker
lationsansätzen oder mithilfe eines sog. versicherungsmathematischen
Ansatzes.
III. Default-Mode-Portfoliomodelle:
Kennzahlen der Schadensverteilung
Nachdem die Schadensverteilung des Kreditportfolios
ermittelt wurde, können unterschiedliche
Kennzahlen zur Einschätzung des Portfoliorisikos
ermittelt werden. Zwei wesentliche
Kennzahlen der Schadensverteilung sind:
a) Erwarteter Schaden (Expected Loss, EL)
Der EL beschreibt den Schaden des Portfolios,
der im Mittel über alle möglichen Kombinationen
von Ausfällen bzw. Nicht-Ausfällen der
Schuldner des Portfolios zu erwarten ist.
b) Value at Risk (VaR)
Der VaR zu einem bestimmten Niveau (z.B.
99,9%) beschreibt den Schaden für das betrachtete
Portfolio, der mit einer Wahrscheinlichkeit
von 99,9% nicht überschritten wird. D.h.: 99,9%
aller möglichen Schadenskombinationen liegen
unter bzw. entsprechen genau diesem Wert und
nur 0,1% aller möglichen Schadenskombinationen
sind höher als dieser Wert.
Diese Kennzahlen können wiederum auf den
einzelnen Schuldner im Portfolio geschlüsselt
werden, um den Beitrag des jeweiligen Schuldners
zum Portfoliorisiko zu ermitteln.
IV. Nutzen von Kreditportfoliomodellen
Der Einsatz von Portfoliomodellen im bankinternen
Steuerungsprozess bietet eine Vielzahl
von Vorteilen. Als wesentliche sind zu nennen:
ß
ß
Verbesserung der Risikotransparenz: Die
Messung des Kreditrisikos wird durch
den Einsatz von statistischen Modellen
objektiviert und deutlich verbessert.
Insbesondere wird erst hierdurch eine
zielgenaue Identifikation und Quantifizierung
des Kreditrisikos sowie von Konzentrationsrisiken
(Branchen, Regionen
etc.) ermöglicht.
Ermittlung der Risikokonzentration
im Portfolio: Durch die Ermittlung von
Risikobeiträgen einzelner Schuldner
ß
ß
oder Segmente zum Portfoliorisiko ist
es möglich, die Stärke der Konzentration
des Kreditrisikos zu erkennen. So
kann beispielsweise bestimmt werden,
welchen Anteil die zehn riskantesten
Schuldner am Portfoliorisiko haben.
Durchführung von Szenarioanalysen,
Stresstests: Durch die Untersuchung
der Auswirkung von Veränderungen der
Inputgrößen PD, LGD und EAD auf das
Portfoliorisiko ist es möglich, Schieflagen
frühzeitig zu erkennen.
Einsatz in der Risikosteuerung: Die
Ergebnisse der Portfolioanalyse stellen
die Grundlage für eine Vielzahl von
Methoden und Maßnahmen der Risikosteuerung
(z.B. Bepreisung oder Bewertung
von Risikotransfermaßnahmen) dar.
V. Umsetzung eines Kreditportfoliomodells
in einem mittelständischen
Kreditinstitut
Die folgenden Ausführungen beschreiben die
praktische Umsetzung eines Portfoliomodells
und beziehen sich dabei in weiten Teilen auf
die eingangs erwähnte Kooperation.
1. Ermittlung der Inputgrößen
Für die Modellierung der Bausteine eines Portfoliomodells
ist es notwendig, die Schätzungen
für jeweils homogene Segmente durchzuführen.
Im vorliegenden Fall bietet sich die Aufteilung in
„Firmen-/Gewerbekunden“, „Privatkunden“ sowie
„Eigenanlagen/Beteiligungen“ an.
a) Modellierung von PD und Ausfallkorrelation
Zur Modellierung der PD sowie der Ausfallkorrelation
eignen sich sog. statistische Defaultmodelle.
Diese werden auf Basis von Ausfallhistorien,
die auch im Rahmen von Basel II
vorgehalten werden müssen, geschätzt. Modelliert
wird ein funktionaler Zusammenhang zwischen
den vorliegenden Schuldnerinformationen
(Kennzahlen, Ratingklassen etc.) und der
Wahrscheinlichkeit, dass ein Schuldner innerhalb
eines Jahres ausfällt.
Die Ausfallkorrelationen werden ebenfalls
auf Basis einer Erweiterung dieser Modelle
geschätzt 8 .