Quantitative Messung der Liquiditätsrisiken
Quantitative Messung der Liquiditätsrisiken
Quantitative Messung der Liquiditätsrisiken
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
10<br />
risiko<br />
manager _ erm<br />
Häufigkeitsverteilung (Gumbel-Verteilung) <strong>der</strong><br />
Present Values (Laufzeitband 2 Jahre, baseline =15000, yield=2.88)<br />
1<br />
0,9<br />
0,8<br />
0,7<br />
0,6<br />
0,5<br />
0,4<br />
0,3<br />
0,2<br />
0,1<br />
0<br />
malbedingungen meist hinreichend mit<br />
Normalverteilungen beschreiben lassen,<br />
die extrem selten auftretende Ereignisse<br />
allerdings nicht hinreichend schätzen. Die<br />
Betrachtung <strong>der</strong> Randverteilungen stand<br />
bisher allenfalls bei <strong>der</strong> <strong>Messung</strong> operationeller<br />
Risiken im Vor<strong>der</strong>grund. Da die<br />
entwickelte „Calculation Engine“ jedoch<br />
auf genau diese selten auftretenden Ereignisse<br />
mit meist dramatischen Folgen<br />
abzielt, stehen<br />
die Weibull-Verteilung,<br />
die Gumbel-Verteilung,<br />
die Rossi-Verteilung,<br />
die Frechet-Verteilung sowie<br />
die verallgemeinerte Paretoverteilung<br />
im Prozess <strong>der</strong> zufälligen Erzeugung von<br />
Werten für die Liquidität, die Refinanzierungskosten<br />
als auch zur Modellierung<br />
<strong>der</strong> sich daraus ergebenden Barwerte zur<br />
Verfügung. Eine Implementierung von<br />
Exponentialfunktionen (power laws) befindet<br />
sich <strong>der</strong>zeit in <strong>der</strong> Umsetzung. Die<br />
genannten Verteilungsfunktionen sind<br />
parametrisierbare Funktionen, die Parameterschätzung<br />
erfolgt mittels <strong>der</strong> Maximum-Likelihood-Methode<br />
o<strong>der</strong> mit Hilfe<br />
<strong>der</strong> Euler-Mascheroni-Konstante.<br />
Beispiel für die Modellierung <strong>der</strong><br />
<strong>Liquiditätsrisiken</strong><br />
Nachfolgend sei die Vorgehensweise an<br />
einem Beispiel verdeutlicht: Ein Kreditinstitut<br />
möchte wissen, wie sich seine<br />
Liquiditätslage entwickelt, wenn wichtige<br />
Kontrahenten ausfallen, Än<strong>der</strong>ungen in<br />
t Abb. 05<br />
Gumbel Verteilung<br />
Zufallsgenerierte Present Values<br />
-20280<br />
-19890<br />
-19500<br />
-19110<br />
-18720<br />
-18330<br />
-17940<br />
-17550<br />
-17160<br />
-16770<br />
-16380<br />
-15990<br />
-15600<br />
-15210<br />
-14820<br />
-14430<br />
-14040<br />
-13650<br />
-13260<br />
-12870<br />
<strong>der</strong> unterstellten Zero Curve sowie des<br />
„liquidity spreads“ aufgrund von Marktstörungen<br />
o<strong>der</strong> Verschlechterung des Ratings<br />
des Kreditinstitutes anzunehmen sind.<br />
Für die gegebene Liquiditätsablaufbilanz<br />
werden zunächst dementsprechend die<br />
„baselines“, die „volatility of liquidity“<br />
und „volatility of refunding costs“ je Laufzeitband<br />
festgelegt. Mit diesen Vorgaben<br />
werden mögliche Liquiditätslücken (Gaps)<br />
durch die „Calculation Engine“ zufällig<br />
erzeugt, wobei für die Wahrscheinlichkeit<br />
des Eintretens von Liquiditätslücken und<br />
<strong>der</strong> Höhe <strong>der</strong> Refinanzierungskosten eine<br />
Gumbel-Verteilungsfunktion unterstellt<br />
wird. Die erzeugten „present values“ (simulated<br />
liquidity and refinancing costs,<br />
yield=2.88, baseline=15000, exemplarisch<br />
Laufzeitband 2Y) korrespondieren bei gegebener<br />
Zero Curve und 1500 zufallsgenerierten<br />
Szenarien mit <strong>der</strong> Dichtefunktion<br />
in t Abb. 04.<br />
Die errechneten Barwerte für die „liquidity<br />
gaps“ lassen sich durch eine Gumbel-<br />
Verteilungsfunktion hinreichend modellieren<br />
(vgl.t Gleichung 01).<br />
Die Gumbel-Verteilungsfunktion (vgl.<br />
t Abb. 05) ist hinsichtlich <strong>der</strong> so genannten<br />
„location“ und <strong>der</strong> „scale“ parametrisierbar.<br />
Die „location“ entspricht dem<br />
Wert mit <strong>der</strong> höchsten Frequenz, während<br />
die „scales“ die Extrema bestimmen. Die<br />
Optimierung <strong>der</strong> Parameter erfolgt dabei<br />
mittels <strong>der</strong> Euler-Mascheroni-Konstante<br />
(vgl. t Gleichungen 02 a) bis d)<br />
Als Konfidenzniveau werden im vorliegenden<br />
Beispiel 95 Prozent festgelegt. Das<br />
Liquiditätsrisiko lässt sich für die gewählten<br />
Konfidenzintervalle aus <strong>der</strong> Gumbel-<br />
t Gleichung 01<br />
−x−μ ß<br />
−e<br />
F() x = 1 −e , x∈R t Gleichung 02<br />
ß =<br />
6<br />
σ%<br />
x<br />
π<br />
6 n<br />
μ = MWx − y ∑ ( X )<br />
i 1 i −MW<br />
=<br />
X<br />
nπ<br />
σ[ X] ≈<br />
1 n<br />
2<br />
( x ) :<br />
i 1 i − MWX<br />
= σ<br />
= n −1∑ a)<br />
b)<br />
mit<br />
c)<br />
%<br />
d)<br />
1 n<br />
E[ X] ≈ ∑ x : = MW<br />
i=<br />
1 n<br />
i X<br />
t Gleichung 03<br />
() μ ln ln( 1-x )<br />
−1<br />
F x = + ß − , x∈R ⎡⎣ ⎤⎦<br />
t Tab. 01<br />
LVaR<br />
(Konfidenzniveau 95%, 1-10 Jahre)<br />
LVaR (Konfidenz 95 %)<br />
Laufzeitband<br />
in TEUR<br />
1 -753<br />
2 -19425<br />
3 -3775<br />
4 -6034<br />
5 -6919<br />
6 -9909<br />
7 -5853<br />
8 -5480<br />
9 -4307<br />
10 -1525<br />
Total -63987<br />
Verteilung dann leicht mit t Gleichung<br />
03 bestimmen. In t Tab. 01 sind die<br />
Ergebnisse zusammengefasst.<br />
Einsatz <strong>der</strong> Peak-over-threshold<br />
(POT) Methode zur Optimierung<br />
<strong>der</strong> Modellierung extrem seltener<br />
Ereignisse<br />
Um eine weitere Optimierung bei <strong>der</strong><br />
Modellierung dieser selten auftretenden<br />
Ereignisse zu erzielen, wurde gleichfalls<br />
aus <strong>der</strong> Extremwerttheorie die Peak-overthreshold-Methode<br />
(vgl. t Abb. 06) über-