Risikomanagement, Risikosimulation

Mehr Planungssicherheit mit Monte-Carlo

Mit einem vernünftigen Risikomanagement und den richtigen Instrumentarien können trotz vieler Planungsunsicherheiten verlässliche Prognosen erzeugt werden. Die Monte-Carlo-Simulation wird hierfür oft unterschätzt.

von Johannes Ritter, am 21. Juli 2011

Risikomanagement ist gesetzlich gefordert und detailliert reguliert. KonTraG, Solvency II, Basel II, Sarbanes- Oxley und MaRisk erfordern eine zeit- und kostenintensive Umsetzung. Dieser Arbeitsaufwand steht für viele in keinem Verhältnis zum Nutzen. Der wirtschaftliche Nutzen zeigt sich aber, wenn das Risikomanagement der Unsicherheit der Daten gerecht wird und ihre bestmögliche Aussagekraft hervorbringt und nutzt.

Stresstests reichen nicht aus

Risikomanagement erfolgt häufig auf Basis komplexer Modelle, doch diese allein garantieren noch nicht verlässliche Werte. Häufig werden auch Stresstests angewandt, die einzelne extreme Szenarien, beispielsweise die 30-prozentige Änderung des Dollarwechselkurses, statisch prüfen. Sie reichen allerdings nicht aus, um die Unsicherheit und die Bandbreite möglicher Ereignisse abzubilden (Lesen Sie hier Tipps, wie Sie Ihre Finanzen einem Stresstest hinterziehen).

Eine Kombination aller Unsicherheiten

Der wichtigste Beitrag der Monte-Carlo-Simulation ist die Kombination aller Unsicherheiten des Modells untereinander und die Aggregation der gesamten Bandbreite möglicher Ergebnisse. Die Simulation setzt ein Modell voraus, in dem die Unsicherheit der Daten mit einer statistischen Wahrscheinlichkeitsverteilung unterlegt werden kann.

Dazu werden die Daten mit einem Wertebereich und der jeweiligen Eintrittswahrscheinlichkeit unterlegt. Es handelt sich also nicht um eine statische Modellierung eines bestimmten Szenarios, sondern um die Abbildung einer ganzen Bandbreite möglicher Werte. Der Mehrwert der Monte-Carlo-Simulation wird im Vergleich zu Modellen deutlich, die mit anderen Datenformen arbeiten.

Fehler durch Punktschätzungen

Die geringste Aussagekraft haben Modelle, die mit einfachen Punktschätzungen arbeiten. Sie sind in den meisten Fällen genau falsch. Daran ändert auch ein Modell nichts, das alle erdenklichen Unsicherheiten in komplexen Formeln abbildet.

Jedes Modell, das unsichere Daten nicht mit einer Wahrscheinlichkeitsverteilung unterlegt, hat Schwächen gegenüber der Verwendung einer Monte-Carlo-Simulation. Modelle, deren Daten ein Minimum und ein Maximum abbilden, bleiben ohne Angabe zur Eintrittswahrscheinlichkeit lückenhaft.

Lesen Sie auf der nächsten Seite weiter...