Posch Kreditgeschaeft Handout

CRM® - Certified Risk Manager
CCrA® - Certified Credit Analyst
Handout
Kreditgeschäft
© 2016 DVFA
Das Werk einschließlich aller Abbildungen ist urheberrechtlich geschützt. Jede Verwertung
außerhalb der Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung der DVFA unzulässig
und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen
und die Einspeicherung und Bearbeitung in elektronischen Systemen.
CRM® - Certified Risk Manager
CCrA® - Certified Credit Analyst
Überblick zur Unterrichtseinheit
Unterrichtseinheit: Kreditgeschäft
Referent: Prof. Dr. Peter N. Posch
Learning Outcome Statement: Die Unterrichtseinheit versetzt die Teilnehmer in die Lage, die
gängigen Verfahren zur Bewertung und Behandlung von Kreditrisiken
theoretisch zu verstehen und lösungsorientiert anzuwenden. Neben
den Grundlagen werden insbesondere anwendungsbezogene
Problemstellungen erläutert und adressiert.
Umfang: 8 Stunden
Prüfungsrelevant: Ja
Prüfungsumfang: 30 Punkte / 30 Minuten
Anteil MC-Aufgaben: 1/3 des Prüfungsumfangs

Kreditgeschäft CRM® - Certified Risk Manager
CCrA ® - Certified Credit Analyst
Kreditgeschäft
Prof. Dr. Peter N. Posch

Technische Universität Dortmund
30. April 2016

Inhaltsverzeichnis
1 Einleitung
2 Kreditrisikomodelle
2.1 Scoring
2.2 Strukturmodelle
2.3 Ratings & Validierung
3 Portfoliorisiken
4 Kreditderivate
5 Besprechung der Musterklausur
2
Inhaltsverzeichnis
1 Einleitung
2.1 Scoring
2.2 Strukturmodelle
3 Portfoliorisiken
4 Kreditderivate

Risiko durch Unsicherheit

Jedoch sind die Angaben für t=1 mit Unsicherheit behaftet
՜ Zukunft wird über Wahrscheinlichkeitsverteilung modelliert und der
Erwartungswert E(…) und die Standardabweichung ߪ(…) betrachtet
Beispiel:
Zustand der Wahrschein- Endpreis Gesamtrendite
Wirtschaft lichkeit
Boom 25% 140€ 44%
Normales Wachstum 50% 110€ 14%
Rezession 25% 80€ -16%
‫ ݎ ܧ‬ൌ ෍ ‫ݎ‬௜ ‫݌ ڄ‬௜ ൌ ͶͶΨ ‫Ͳ ڄ‬Ǥʹͷ ൅ ͳͶΨ ‫Ͳ ڄ‬Ǥͷ െ ͳ͸Ψ ‫Ͳ ڄ‬Ǥʹͷ ൌ ͳͶΨ
௜
ߪ ଶ ‫ ݎ‬ൌ ෍ ‫ݎ‬௜ െ ‫ݎ‬ҧ ଶ ‫݌ ڄ‬௜ ൌ ͲǤʹͷ ‫כ‬ ͶͶΨ െ ͳͶΨ ଶ ൅ െͳ͸Ψ െ ͳͶΨ ଶ ൌ ͲǤͲͶͷ
௜
՜ ߪ ‫ ݎ‬ൌ ʹͳǤʹͳΨ
4
Risiko durch Unsicherheit II
Anmerkung:
• Die Standardabweichung ist für symmetrische Verteilungen ein

adäuqates Mittel um das Risiko zu beschreiben.
• Im Spezialfall einer Normalverteilung wird (zusammen mit dem

Erwartungswert) sogar die komplette Verteilung charakterisiert.
• Problem im Fall einer nicht-symmetrischen Verteilung!
• Volatilität = auf ein Jahr skalierte Standardabweichung

Bewertung von Finanzprodukten

Grundlegende Annahme: Arbitragefreiheit
Idee hinter der Annahme:

Existiert eine Arbitragemöglichkeit, so steigt die Nachfrage danach, was den
Preis steigert. Er steigt so lang, bis die erhöhten Kosten den Gewinn
ausgleichen.
Folgerung:
Der faire Preis eines Produktes ist der, auf den Betrachtungszeitpunkt
diskontierter Zahlungsstrom:
்
‫ܨܥ‬௧
ܲൌ෍ ௧
ͳ൅݅
௧ୀଵ
CFt : CashFlow zum Zeitpunkt t
i: Zinssatz, der dem Risiko des Produkts angemessen ist
6
Bewertung von Bonds
Der Wert eines Bonds entspricht dem daraus hervorgehenden

Zahlungsstrom, auf den betrachteten Zeitpunkt diskontiert:
்
‫ܨܥ‬௧ ‫்ܨܥ‬
ܲൌ෍ ௧
൅ ்
ͳ൅݅ ͳ൅݅
௧ୀଵ
CFt: Couponzahlung zum Zeitpunkt t

CFT: Principal / Nominalwert des Bonds
i: Yield to Maturity (YtM) / Effektivverzinsung

(Macaulays-) Duration
Idee:
• Laufzeit bei einem Zerobond eindeutig
• Betrachtung eines couponbehafteten Bond als ein Portfolio aus vielen

Zero-Bonds.
• Die effektive Laufzeit sollte hier ein gewichteter Durchschnitt (mit

Gewichten wt ) all dieser verschiedenen Laufzeiten t sein:
் ்
‫ܨܥ‬௧ ͳ ߲ܲ ͳ
‫ ܦ‬ൌ ෍ ‫ݓ‬௧ ‫ ݐ ڄ‬ൌ ෍ ௧
‫ڄ‬ ‫ ݐڄ‬ൌെ ‫ ڄ‬ሺͳ ൅ ݅ሻ ‫ڄ‬
ͳ൅݅ ܲ ߲݅ ܲ
௧ୀଵ ௧ୀଵ
8
Konvexität I
Wie oben gezeigt, ist die Duration proportional zur ersten Ableitung des
Bondpreises B nach dem Zinssatz i. Sie ist sie die erste Näherung auf die
Frage, wie sich der Bondpreis in Abhängigkeit des Zinses verändert.
Betrachtet man dies exakt, so ergibt sich eine konvexe Funktion, d.h. die
zweite Ableitung ist positiv
40%
30%
Veränderung des
Bondpreises
20%
10%
0%
-10%
-20%
-30%
-4% -3% -2% -1% 0% 1% 2% 3% 4%
Veränderung des Effektivzins
tatsächlich Duration
9

Konvexität II
Für eine genauere Abschätzung der Veränderung des Bondpreises benötigt
man seine zweite Ableitung nach dem Zinssatz.
Die Konvexität ergibt sich dann aus der Ableitung dividiert durch den
Bondpreis:
்
߲ଶ‫ͳ ܤ‬ ͳ ‫ܨܥ‬௧
‫ܥ‬ൌ ଶ ‫ ڄ‬ൌ ଶ
෍ ௧
‫ ڄ‬ሺ‫ ݐ‬ଶ ൅ ‫ݐ‬ሻ
߲݅ ‫ ͳ ܤ ܤ‬൅ ݅ ͳ൅݅
௧ୀଵ
Die Änderung des Preises wird dann wie folgt berechnet:
݀‫ܤ‬ ‫ܦ‬
ൌെ ‫ ݅݀ ڄ‬൅ Ͳǡͷ ‫ ڄ ܥ ڄ‬ሺ݀݅ሻଶ
‫ܤ‬ ͳ൅݅
Beispiel: D = 2, C = 20, di = 2%, i = 5%

݀‫ܤ‬ ʹ ଶ
ൌെ ‫ʹ ڄ‬Ψ ൅ Ͳǡͷ ‫ʹ ڄ Ͳʹ ڄ‬Ψ ൌ െ͵ǡͶΨ
‫ܤ‬ ͳǡͲͷ
10
Zinsstrukturkurve
Bisherige Annahme: Konstanter Zinssatz
1.20%
Realität:
Yield to Maturity 1.00%
0.80%
0.60%
0.40%
0.20%
0.00%
0 2 4 6 8 10
Jahre zur Fälligkeit
Theorie deutsche Staatsanleihen
Interpretation?
11
Kreditgeschäft CRM® - Certified Risk Manager er

er
ys
stt
Beispiel: Zinsstrukturkurve durch Short Rates

Gegeben sind zwei Szenarien: Steigende und fallende Zinsen (short rates).
Es ergeben sich damit die Preise eines Zero Bonds mit Nominalwert 1000€ wie folgt:
Jahr Zins A Preis A YtM A Zins B Preis B YtM B
1 7.0% € 934.58 7.00% 7.0% € 934.58 7.00%
2 7.4% € 870.19 7.20% 6.8% € 875.07 6.90%
3 8.0% € 805.73 7.47% 5.7% € 827.88 6.50%
4 9.5% € 735.82 7.97% 4.0% € 796.04 5.87%
Daraus ergibt sich dann die oben angegebene Effektivverzinsung durch:

ଵ
ܲ‫ݏ݅݁ݎ‬ ௅௔௨௙௭௘௜௧
ܻ‫ ܯݐ‬ൌ െͳ
ܰ‫ݐݎ݁ݓ݈ܽ݊݅݉݋‬
8.00%
und folgende Zinskurven:
7.50%
7.00%
YtM
6.50% Zins ա
Zins բ
6.00%
5.50%
1 2 3 4
Jahre zur Fälligkeit
12
Zinsstrukturkurve: Terminzins/Forward Rate

Zinsen können jedoch nicht direkt beobachtet werden, sondern nur
Bondpreise und Effektivverzinsungen.
Der Terminzins in Jahr n ergibt sich dann wie folgt:

ͳ ൅ ‫ݕ‬௡ ௡
ͳ ൅ ݂௡ ൌ ௡ିଵ
ͳ ൅ ‫ݕ‬௡ିଵ
mit der Effektivverzinsung ‫ݕ‬௡ des Zero Bonds mit Fälligkeit in n Jahren.
Interpretation:
Der Terminzins gleicht die Unterschiede zwischen den folgenden
Investitionsideen aus:
1. Investiere in einen Zero Bond mit n Jahren Laufzeit

2. Investiere in einen Zero Bond mit n-1 Jahren Laufzeit und danach in einen Zero
Bond mit 1 Jahr Laufzeit
13

er
ys
stt
Beispiel: Terminzins
Gegeben ist folgende Tabelle: Jahr YtM Wie hoch ist der Terminzins in Jahr 3?
1 7.00%
2 7.20%
3 7.47%
4 7.97%
Investition 1: Investiere 100€ für 3 Jahre. Daraus ergeben sich dann ͳͲͲ̀ ‫ ͳ ڄ‬൅ ͹ǤͶ͹Ψ ଷ ൌ ͳʹͶǤͳ͵̀
Investition 2: Investiere 100€ für 2 Jahre. Daraus ergeben sich dann ͳͲͲ̀ ‫ ͳ ڄ‬൅ ͹ǤʹΨ ଶ ൌ ͳͳͶǤͻʹ̀
Investiere die 114,92€ in Jahr 3 in einen Zero Bond.
Daraus müssen sich dann, unter der Annahme der Arbitragefreiheit die 124,13€ ergeben. Somit gilt:
ͳʹͶǡͳ͵̀ ൌ ͳͳͶǡͻʹ̀ ‫ ͳ ڄ‬൅ ݂ଷ
ͳʹͶǡͳ͵
֞ ݂ଷ ൌ െ ͳ ൌ ͺǡͲΨ
ͳͳͶǡͻʹ
Beachte: In einer Welt ohne Unsicherheit entsprechen sich Zins und Terminzins!! (Vgl. Beispielfolie oben)
14
er
ys
stt
Beispiel: Terminzinsen unter Unsicherheit

Betrachte folgende Situation: r1=8%, E(r2)=10%
ଵ଴଴଴̀
Preis eines 1-jährigen Bonds: ൌ ͻʹͷǡͻ͵̀
ଵǡ଴଼
ଵ଴଴଴̀
Preis eines 2-jährigen Bonds: ൌ ͺͶͳǡ͹ͷ̀
ଵǡ଴଼‫ڄ‬ଵǡଵ଴
Implizierter Bondpreis nach einem Jahr: ͺͶͳǡ͹ͷ̀ ‫ͳ ڄ‬ǡͲͺ ൌ ͻͲͻǡͲͻ̀
Folgerung: Verzinsung des 2-jährigen Bonds ist unsicher. Sind die Zinsen
• Kleiner(!!) als 10% fällt der Preis
• Höher als 10% steigt der Preis
Warum sollte man den 2-jährigen Bond kaufen, wenn er nicht besser ist, als der 1-jährige aber mit Risiko
verbunden ist?
Sein Preis muss kleiner als die, unter Sicherheit berechneten, 841,75€ sein.
15

er
ys
stt
Beispiel: Bondpreis und Forward Rates mit Unsicherheit

Angenommen Investoren sind bereit in den 2-jährigen Bond zu investieren, wenn der Preis auf 819€ fällt.
ଽ଴ଽǡ଴ଽ
Der Return des ersten Jahres ergibt sich dann zu െ ͳ ൌ ͳǡͳͳ െ ͳ ൌ ͳͳΨ
଼ଵଽ
Dies entspricht einer Risikoprämie von 3%.
Für die Forward Rate benötigt man die Yield to Maturity. Diese ergibt sich für den 2-jährigen Bond zu:
ͳͲͲͲ̀
ൌ ͺͳͻ̀ ֞ ‫ݕ‬ଶ ൌ ͳͲǡͷΨ
ͳ ൅ ‫ݕ‬ଶ ଶ
Die Forward Rate berechnet sich mit

ͳ ൅ ‫ݕ‬ଶ ଶ ͳǡͳͲͷଶ
ͳ ൅ ݂ଶ ൌ ൌ ൌ ͳǡͳ͵
ͳ ൅ ‫ݕ‬ଵ ͳǡͲͺ
zu 13%, was nun nicht mehr dem erwarteten Zins von 10% entspricht!
Diese Risikoprämie zwischen dem Terminzins und dem erwarteten Zins bezeichnet man als
Liquiditätsprämie
16
Volatilitätsmodelle
Volatilitätsmodelle sind Modelle, die eine nicht konstante Volatilität
beschrieben können (Vgl. Heteroskedastizität). Darüber hinaus ist die
zeitliche Entwicklung kein deterministischer Prozess, sondern ein
stochastischer
Hier: Volatilität wächst deterministisch mit fortschreitender Zeit
20
18
16
14
12
10
8
6
4
2
0
1 2 3 4 5 6 7 8 9 10
17

Volatilitätsmodelle: Grundlage
Um den zeitlichen Verlauf eines Underlyings zu beschreiben, bedient man
sich der geometrisch Brownschen Bewegung:
݀ܵ௧ ൌ Ɋܵ௧ ݀‫ ݐ‬൅ ߪܵ௧ ܹ݀‫ ݐ‬mit ܹ݀௧ ‫Ͳ ࣨ ׽‬ǡ ݀‫ݐ‬
Beispiel: Hier ist die Volatilität jedoch

106 eine Konstante (ߪ).
105
104 In Realität zeigt sich jedoch,
103 dass dies nicht der Fall ist
102 (Vgl. “Volatility Smile”)
101
100
99
1 1.02 1.04 1.06 1.08 1.1
18
Volatilitätsmodelle: Erweiterung
Als Erweiterung ersetzt man die konstante Volatilität durch eine

Varianzfunktion ߥǤ Diese wird z.B. mit der Brownschen Bewegung modelliert:
݀ܵ௧ ൌ Ɋܵ௧ ݀‫ ݐ‬൅ ߥ௧ ܵ௧ ܹ݀௧

݀ߥ௧ ൌ ߙ ݀‫ ݐ‬൅ ߚ ݀‫ܤ‬௧
mit
ߙௌǡ௧ und ߚௌǡ௧ als Funktionen und
݀‫ ܤ‬als, mit ܹ݀ korrelierte, Normalverteilung
19

er
ys
stt
Beispiel: Heston Modell

Im Heston Modell werden die Funktionen ߙ und ߚ wie folgt festgelegt:
ߙ ൌ ߢ ߠ െ ߥ௧ ߚ ൌ ߦ ߥ௧
Weiterhin sollen ܹ݀௧ und ݀‫ܤ‬௧ Gaussverteilt sein mit Mittelwert 0, Varianz ݀‫ ݐ‬und Korrelation ߩ
Frage: Wie erhält man korrelierte Zufallszahlen?
Antwort: Über die Choleskyzerlegung: Dabei muss für die hermitsche Matrix A gelten ‫ ܣ‬ൌ Ȧ ‫ ڄ‬Ȧ் , mit Ȧ als
unterer Dreiecksmatrix
ߪଵଶ ߩ ߪଵ ߪଶ ߙ Ͳ ߙ ߚ ߙଶ ߙߚ
ൌ ‫ڄ‬ ൌ
ߩ ߪଵ ߪଶ ߪଶଶ ߚ ߛ Ͳ ߛ ߙߚ ߚଶ ൅ ߛ ଶ
Hier folgt dann ߙ ൌ ߪଵ Ǣ ߚ ൌ ߩ ߪଶ Ǣ ߛ ൌ ߪଶ ͳ െ ߩଶ
Für korrelierte Zufallszahlen multipliziert man die normierten, unkorrelierten Zufallszahlen paarweise
vektoriell mit der Choleskymatrix:
ߙ Ͳ
ܼܸଵ௞௢௥௥ ܼܸଶ௞௢௥௥ ൌ ܼܸଵ ܼܸଶ ‫ڄ‬
ߚ ߛ
20
Wie misst man das Kreditrisiko?

Dimension Statistisch Ökonomisch Experten
Prototyp Scoring Strukturmodelle Ratings
Modell Logit, Probit Merton(1974) & Expertenkommitee

Erweiterungen
Input Finanzkennzahlen, Wert der Aktiva, Kennzahlen,

z.B. Leverage Verbindlichkeiten Meinungen,
Management-
diskussionen
Schätzung Maximum Annahmen, Firmenintern

Likelihood (ML) numerisch, ML,
Pseudo-ML
21

Inhaltsverzeichnis
1 Einleitung
2.1 Scoring
2.2 Strukturmodelle
3 Portfoliorisiken
4 Kreditderivate
22
Relevanz von Kreditrisiken

Kreditrisiken in verschiedenen Sektoren
• Corporate Banking: Darlehen

• Investment Banking: Versicherung & Verbriefung (Handels-, Derivate- und Darlehens-
überbrückung für M&A)
• Privatkundengeschäft: private Darlehen
• Asset Management: Kreditrisiko in festverzinslichen Portfolios
Teilnehmer auf dem Kreditmarkt
• Banken: Geschäftsbanken, Investmentbanken, Universalbanken

• Kreditnehmer: Unternehmen, Staaten, Privatiers
• Rating Agenturen: Fitch, Moody‘s, Standard and Poor‘s
• Aufsichtsbehörden: national (z.B. FED, SEC usw.) & international (Basel Committee
on Banking Supervision)
• Investoren: Institutionell und privat
23

Dimensionen des Ausfallrisikos

Frage Schätzer Berechnung
Wkt. des Ausfalls eines

Probability of Default PD
Kreditnehmers
x
Exposure im Fall einer

Exposure at default EAD
Insolvenz
x
Verlust der nominalen
Exposure im Fall einer Loss Given Default LGD
Insolvenz
= =
Expected Loss EL
24
Indikatoren von PDs: Unternehmen & Privatkunden

Unternehmen Privat
• Firmenspezifische Kennzahlen • Informationen vom Darlehensantrag

• Cashflows • Beruf
• Profitmargen • Gehalt
• Leverage • Familienstand
• … • Vermögenswerte und Schulden
• Andere firmenspezifische Informationen
• Management
• Informationen vom Konto
• Porter 5 forces
• Länge und Höhe des Überzugs
• Finanzmarktdaten • Ausgabenverhalten
• Aktienpreise
• Aktienpreisvolatilität • Allgemeine Informationen
• Makroökonomische Variablen • Regionale Arbeitslosigkeit
• Zinslevel • Beobachtete Trend in der Ausfallfrequenz
im Kundensegment
• Rentabilität in der Industrie
25

Was ist ein Kreditereignis?
• Was löst einen Ausfall aus?

– verpasste Zahlungen
– distressed exchanges
– Bankrott
• Wann wird ein loss given default gemessen?

– 30 Tage nach dem Ausfall (Marktwerte von gehandelten Bonds)
– Ende des Insolvenzverfahrens
• Was ist der Zeithorizont bei der Beurteilung der Ausfallwahrscheinlichkeit?
26
Moodys Definition von Ausfall

Moodys Definition von Ausfall beinhaltet drei Typen von Kreditereignissen:
1. Eine verpasste oder verspätete Auszahlung der Zinsen und/oder Kapital;
2. Bankrott, Behörde, Konkursverwaltung, oder andere rechtliche Hindernisse

(z.B. durch Regularien), die die fristgerechte Zahlung von Zinsen und/oder
Kapital verhindern; oder
3. Ein distressed exchange tritt auf, wobei: (i) der Emittent bietet dem Gläubiger
ein neues Sicherheitspaket aus Wertpapieren oder diesen Betrag zu einer
verminderten finanziellen Verpflichtung (so wie Vorzugs- oder Stammaktien
oder Schuldverschreibungen mit einem niedrigeren Kupon-oder
Nominalbetrag, niedriger Seniorität, oder längere Laufzeit); und (ii) der
Handel hat die Auswirkung, dass der Emittent, den Konkurs oder
Zahlungsverzug vermeiden kann.
Source: Moody’s annual default study
27

Statistisches Kreditscoring
Definition
Ein Kreditscore ist eine Linearkombination von Faktoren um eine Einstufung nach der
Ausfallwahrscheinlichkeit durchzuführen
Beispiel und generelle Definition
• Score = 6 + 2 × DEBT / ASSETS – 8 × EBITDA / ASSETS
• Allgemein kann ergibt sich für das Unternehmen i mit K Faktoren:

Scorei = b1 · xi1 + b2· xi2 ... + bK· xiK
• In Vektorschreibweise (und mit der Konstanten xi1=1 für alle i) ergibt sich dann
ͳ
‫ݔ‬௜ଶ
ܵܿ‫݁ݎ݋‬௜ ൌ ܾ ᇱ ‫ݔ ڄ‬௜ ܾ ᇱ ൌ ܾଵ ܾଶ ǥ ܾ௄ ‫ݔ‬௜ ൌ
ǥ
‫ݔ‬௜௄
• Gewichte bestimmen:
• Wert/Experten-System: Common practice in Banken, bis zur Einführung von Basel II
• Diskriminanzanalyse: gebräuchliche statistische Methode bis zu den 1980s
• Logit/Probit: Standardverfahren heute
28
Warnende Worte
Although mechanical rating procedures may sometimes avoid some of the

idiosyncratic errors made by rating systems in which human judgement plays
a large role, mechanical use of limited information also is a source of rating
errors.
Basel Committee
29

Wertendes Kreditrisikoscoring
Viele Banken verwenden/verwendeten lineare Gewichte, welche von einem Experten oder
einer Expertengruppe bestimmt wurden.
Was dies bewirkt:
• Spiegelt “irgendwie” die Erfahrungen der Bank wieder

• Standardisiert die Kreditanalyse innerhalb der Bank
Was dies nicht bewirkt:
• Statistische Optimierung der Gewichte

• Direkte Erstellung von Ausfallwahrscheinlichkeiten
30
Warum die lineare Regression für Kreditscores nicht

passend ist
Beispiel
• In diesem Beispiel ist der Ausfall mit 1 codiert und der Nicht-Ausfall mit 0
• Wir betrachten die Beziehung zwischen dem Ausfall und einem Faktor (“Leverage”)
1
D e f a u lt ? ( y e s = 1 , n o = 0 )
Ein Ausfall
mit einem Regressionsgerade:
Leverage
von ca. 80% • Kann negative
Wahr-
scheinlichkeiten
vorhersagen
• Spiegelt nicht die
0
Form der Daten
0 .0 0 .2 0 .4 0 .6 0 .8 1 .0
wieder
Le v e ra g e
31

S-förmige Funktion im Intervall [0,1] ergibt gewünschten

Fit
Beispiel
• In diesem Beispiel ist der Ausfall mit 1 codiert und der Nicht-Ausfall mit 0
• Wir betrachten die Beziehung zwischen dem Ausfall und einem Faktor (“Leverage”)
1
D e f a u lt ? ( y e s = 1 , n o = 0 )
0
0 .0 0 .2 0 .4 0 .6 0 .8 1 .0
Le v e ra g e
32
Statistische Schätzung von Kreditscores

Erster Schritt: Dem Score eine Bedeutung zuweisen
• Man verknüpft den Score zu einer Ausfallwahrscheinlichkeit durch eine Funktion :

Prob (Ausfalli)=F(Scorei)
• F sollte im Intervall [0,1] liegen. Folglich sind kumulative Wahrscheinlichkeitsfunktionen gute

Kandidaten.
• Zwei oft verwendete Funktionen sind
• Normalverteilung (“PROBIT” Modell)
Prob(Ausfall) = )(b’ x)
• Logistische Verteilung (“LOGIT” Modell)
Prob(Ausfall) = Λ(b’ x)
b' x
e 1
1 e 1 e
b' x - b' x
33

Beispiel: Ausfallwahrscheinlichkeit im PROBIT Modell

Gegeben
Scorei = b’ xi
eine Konstante plus zwei Faktoren für jedes Unternehmen i
b1 = -0.75, b2 = 0.25, b3 = 2
Beispiel
• Unternehmen 1: x12=0.6, x13=-0.52 => b’ x1 = -1.64

• => PD = )(-1.64)=0.05
• Unternehmen 2: x22=0.2, x23=-0.52 => b’ x2 = -1.74

• => PD = )(-1.74) = 0.04
34
Struktur der benötigen Daten um ein Scoring Modell zu

schätzen
Default indicator Factor values from the

Scoring for year+1 end of year
Firm Year
instance i
yi xi1 xi2 xik
1 XAX 2006 0 0.12 0.35 … 0.14
2 YOX 2006 0 0.15 0.51 … 0.04
3 TUR 2006 0 -0.10 0.63 … 0.06
4 BOK 2006 1 0.16 0.21 … 0.12
… … … … … …. … ...
912 XAX 2007 0 -0.01 0.02 … 0.09
913 YOX 2007 0 0.15 0.54 … 0.08
914 TUR 2007 1 0.08 0.64 … 0.04
… ... … … ... … … ...
N VRA 2008 0 0.04 0.76 … 0.03
Source: Loeffler/Posch(2012)
35

Scores und Ausfallwahrscheinlichkeiten

im LOGIT und PROBIT Modell
A B C D E F G H
1 Score Prob(Default)
2 Logit Probit
3 -8 0.03% 0.00% =NORMSDIST(A3)
4 -7 0.09% 0.00%
5 -6 0.25% 0.00%
100%
6 -5 0.67% 0.00% Probit
7 -4 1.80% 0.00% 80% Logit
8 -3 4.74% 0.13%
P ro b ( D e f a u l t )
9 -2 11.92% 2.28% 60%

10 -1 26.89% 15.87%
11 0 50.00% 50.00% 40%
12 1 73.11% 84.13%
13 2 88.08% 97.72% 20%
14 3 95.26% 99.87%
15 4 98.20% 100.00% 0%
16 5 99.33% 100.00% -8 -6 -4 -2 0 2 4 6 8
17 6 99.75% 100.00% Sco re
18 7 99.91% 100.00%
19 8 99.97% 100.00%
20 =1/(1+EXP(-A19))
36
Schätzung von LOGIT/PROBIT: Maximum Likelihood (ML)

• Wähle b so, dass es die Wahrscheinlichkeit, die Daten zu beobachten,
maximiert. Ein Ausfall hat yi=1, Nicht-Ausfall yi=0. Dann gilt:
Prob ( Default i
) Prob ( y i 1) F ( b' x i )
Prob ( No default i
) Prob ( y i 0) 1 F ( b' x i )
yi 1 y i
• Wahrscheinlichkeit der Beobachtung i ist Li ( F ( b' x i )) (1 F ( b' x i ))
• Unter der Unabhängigkeitsannahme, ergibt sich die Wahrscheinlichkeit für N

Beobachtungen zum Produkt der Einzelwahrscheinlichkeiten:
N N
1 y i

yi
L Li ( F ( b' x i )) (1 F ( b' x i ))
i 1 i 1
• Maximierung wird dann numerisch berechnet, basierend auf der

logarithmierten Wahrscheinlichkeit:
N
ln L ¦ y i ln( F ( b' x i )) (1 y i ) ln( 1 F ( b' x i ))

i 1
37

Beispiel einer LOGIT Schätzung

Beispiel: Shumway (2001) LOGIT Schätzung
Const Working Retained EBIT/total Market Sales/total

capital/total Earnings/total assets Equity/total assets
assets asets liabilities
Coeff -3.23 -0.73 -0.82 -8.95 -1.71 0.16
P-Value 0 0.58 0.31 0 0.01 0.45
Erklärungen:
• Coeff: Gewichte bi
• P-value: statistische Signifikanz. Der p-Wert ist die Wahrscheinlichkeit einen Fehler, durch das
Ablehnen der Hypothese, dass bi Null ist, zu begehen. Die selbe Information kann auch über T-Werte
oder Standardfehler ausgedrückt werden.
• T-Wert: Koeffizient / Standardfehler
• T-Wert: +/-1.96 <=> p-value of 0.05
38
Anwendung einer LOGIT Schätzung

Firm Working Ret. EBIT/total Market Sales/total PD
capital/total Earnings/tota assets Equity/total assets
assets l asets liabilities
Air Canada -11.1% -44.3% -2.4% 5.9% 132.6% 7.88%
Dt. Telekom -4.3% -19.4% -16.8% 56.8% 42.7% 8.04%
Novartis 29.3% 61.9% 15.2% 612.9% 53.9% 0.00%
Beispiel: Ausfallwahrscheinlichkeit für Air Canada ergibt sich zu:
1
PD ( 3 . 23 0 . 73 u 0 . 111 0 . 82 u 0 . 443 8 . 95 u 0 . 024 1 . 71 u 0 . 059 0 . 16 u 1 . 326 )
7 . 87 %
1 e
39

Interpretation/Anwendung von LOGIT/PROBIT

Vorgehensweise:
• Ausfallwahrscheinlichkeiten: Input: geschätztes b und Faktoren x

PDi = F [b’xi]
• Komparative Statik: Berechne die Veränderung der Ausfallwahrscheinlichkeit, wenn sich Faktoren um
'xi ändern, d.h. die Faktoren nach der Veränderungen sind xi+ 'xi
• Berechne: 'PDi = F [b’(xi + 'xi)] - F [b’xi] (NICHT: 'PDi = F [b’xi] + b’'xi)
• Grafische Darstellung der Beziehung zwischen der Ausfallwahrscheinlichkeit und eines einzelnen
Faktors xk
ª º
• How to do it: PD = F « b 0 ¦ b j x j bk x k » mit x j als dem Mittelwert des Faktors xj
¬ jzk ¼
• Mit Shumway Daten und Koeffizienten:
40
R² in LOGIT Analysen und Dummy-Variablen

Pseudo Güte von Fit-Maßen
• McFadden‘s Pseudo-R²
Pseudo-R² = 1 – ln L / ln L0
mit ln L als der Wahrscheinlichkeit des Schätzungsmodells und ln L0 als der Wahrscheinlichkeit eines
Modells, bestehend nur aus einer Konstanten.
• Das Pseudo-R² liegt in [0,1]
• Empirische Pseudo-R² nahe bei 40% sind die höchst erreichbaren und passen sehr gut.
Dummy-Variablen & Interaktionsterme
• Eine Dummy-Variable hat entweder den Wert 1 oder 0.

• Beispiel: Sie ist 1 für Unternehmen ansässig in den USA, 0 wenn nicht.
• Ein Interaktionsterm ist das Produkt einer Dummy-Variable mit einer erklärenden Variable
41

Variablendefinition: Variablentransformation
Erinnerung:
• Der Score ist linear in x
• Beziehung zwischen PD und Score ist nicht-linear, aber monoton
Es kann Fälle geben, in denen die wahre Beziehung zwischen PD und einem Factor
• monoton, aber durch das Modell nicht gut beschrieben
• nicht-monoton (d.h. U-förmig)
ist
42
Variablendefinition: eine datenmotivierte Transformation

Algorithmus:
Schritt 1: Definition von Variablen in Bereichen (d.h. 0%-20%, 20%-40%,...,80%-100%)

Schritt 2: Berechnung bereichspezifische Ausfallwahrscheinlichkeiten p
Schritt 3: Transformation von bereichspezifische Ausfallwahrscheinlichkeiten durch
Schritt 4: Statt die originalen Variablen in der Regression zu nutzen, Nutzung der transformierten Werte aus 3
1
x / ( p) ln( p /( 1 p ))
Beispiel:
12% In dem linken Beispiel kann man nicht nur xk ins

LOGIT Modell einbauen, sondern auch xk2. Das
10% heißt, Schätzung von
8%
PD
6%
Prob(Ausfalli) = L( b1·xi1 +…+ bk· xik + bk2· xik²+…)
4%
2%
0%
0 0.5 1
xk
43

Datenprobleme: Wie behandelt man Ausreißer

• Ausreißer sind extreme Werte, die zurückzuführen sind auf
• Datenfehler
• Außergewöhnliche Ereignisse
• Kennzifferanalysen (eine Variable x=z/y explodiert für y gegen Null)
• Exzesswölbung ist ein guter Indikator
• Betrachtung des Minimums und Maximums der Variablen
• Vergleich der Perzentile mit denen, die man bei einer Normalverteilung erwarten würde
Umgang mit Ausreißern
• Natürlich sollten Datenfehler korrigiert werden, wenn möglich

• Ein allgemeines Verfahren, um den Einfluss von Ausreißern zu reduzieren, ist das sogenannte
Winsorisieren: Hier werden alle Werte kleiner dem α-Percentil durch dieses ersetzt, analog die Werte
größer dem (1 - α)-Percentil mit diesem. Aus der daraus resultierenden Datenreihe wird dann der
Mittelwert berechnet. Typische Werte für α liegen bei ca. 1%.
44
Alternativen zu LOGIT/PROBIT
• Lineares Wahrscheinlichkeitsmodell schätzt die Regression yi = b’ xi + Hi
¾ Selten genutzt
• Diskriminanzanalyse:
• Bestimmung des Scores Zi= b’ xi und des kritischen Scores, der Ausfall und Nichtausfall klassifiziert
• Kritische Annahmen
¾ Manchmal genutzt
• Neuronales Netz:
• Erlaubt Flexibilität im Zusammenhang zwischen Prob(Ausfall) und xi
• Gefahr des “overfitting”
¾ Ein paar nutzen dies, aber der Mehrwert ist nicht vollständig nachgewiesen
45

Altmans Z-Score ist populär
Z = 1.2X1 + 1.4X2 + 3.3X3 + 0.6X4 + 0.999X5
mit X1 = working capital/total assets,

X2 = retained earnings/total assets,
X3 = earnings before interest and taxes/total assets,
X4 = market value equity/book value of total liabilities,
X5 = sales/total assets, and
Source: Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance 23,589-610.
Updates and extensions are available
46
Eine Empfehlung für Modellspezifikationen

Schritt 1: Beginnen Sie mit wirtschaftlichen Überlegungen um zu einem Satz von Variablen zu kommen, z.B.
könnte “Rentabilität” durch EBIT(DA)/TA oder Einnahmen/Kapital abgebildet werden.
Schritt 2: Schauen Sie auf die univariate Verteilung dieser Variablen und deren Korrelation zu
Ausfallwahrscheinlichkeiten.
Schritt 3: Bestimmen Sie, wie sie mit Ausreißern, Nicht-Linearitäten etc. umgehen, z.B. durch
Winsorisierung, Transformation etc.
Schritt 4: Führen Sie Regressionen durch um ein Modell zu erhalten, welches die relevanten Faktoren
enthält.
Schritt 5: Überprüfen Sie die Robustheit Ihres Modells durch Hinzufügen und Entfernen von Variablen,
Betrachtung anderer Zeitspannen, etc.
47

Inhaltsverzeichnis
1 Einleitung
2.1 Scoring
2.2 Strukturmodelle
3 Portfoliorisiken
4 Kreditderivate
48
Beispiel: Schätzung von Ausfallwahrscheinlichkeiten

Beispiel
• Mit € 2 Mio. eigenem Geld wird eine GmbH gegründet
• Sie nimmt einen 1-jahres Kredit auf mit Rückzahlung von € 8 Mio. (inkl. Zinsen)
• Die GmbH investiert das komplette Geld in einen S&P 500 Index Fond
• Wahrscheinlichkeit, dass die Firma den Kredit zurückzahlen kann?
Auszahlung an
Eigentümer ~ Long
Bilanz und Auszahlungsprofile nach einem Call
Jahr:
Eigenkapitel € 2 m Anfangskapital
Auszahlung an Bank
Verbindlichkeiten = € 8 m Darlehen ~ Short Put +
Aktiva = S&P 500 Indexfond risikolos
49

Beispiel: Schätzung von Ausfallwahrscheinlichkeiten II

Put-Call-Parität
‫ܥ‬௧ െ ܲ௧ ൌ ܵ௧ െ ܺ݁ ି௥ ்ି௧
֞ ܵ௧ ൌ ‫ܥ‬௧ ൅ ሺܺ݁ ି௥ ்ି௧ െ ܲ௧ ሻ
Wert des Underlying = Wert Call + [PV(strike) - Wert Put]
Aktiva = Wert Eigenkapital + Wert Kredit
Black and Scholes
ln( A t / L ) ( r V / 2 )( T t )
2
r (T t ) d1
Et A t ) ( d 1 ) Le ) (d 2 ) V T t
d2 d1 V T t
Notation: Underlying = Asset, Strike = Wert VerbindLichkeit (Liabilities), Call Preis = Wert Eigenkapital
Beispiel: Volatilität S&P 500 = 40%, risikoloser Zins = 3%, Eigenkapital 2 Mio.
=> At = 8.95
=> Wert der Verbindlichkeit heute= 6.95 (=> Zinssatz =8/6.95 - 1=15.1%)
50
Aktiva < Verbindlichkeiten in T Æ Ausfall

• Beschränkte Haftung gibt Eigenkapitalgebern eine Ausstiegsoption
• Der Wert des Eigenkapitals ist A-V. Falls dies negativ wird, nutzen die Eigenkapitalgeber
ihre Ausstiegsoption und überlassen das Unternehmen den Gläubigern.
• Anders ausgedrückt:
Die Position des Eigenkapitalgebers enthält einen long Call (Gläubiger haben einen short
Put). Sie können die Unternehmens-Aktiva zum Wert der Verbindlichkeiten verkaufen.
• Von außen betrachtet: Niemand würde weiter investieren, wenn A<V, denn nach dem
Auszahlen der Gläubiger, würde man Geld verloren haben.
• Insolvenzrecht (z.B. in Deutschland) verlangt im Fallt A<V die Insolvenz zu erklären.
51

Optionstheorethischer Ansatz: Merton Ansatz

Ableitung von Ausfallwahrscheinlichkeiten:
Dichte für Aktiva-Wert
?
Aktiva-Wert
Verbindlichkeiten
Ausfallwahrscheinlichkeit
heute 1 Jahr später Zeit
52
Anwendung des Modells
Schritt 1: Bestimmung der Ausfallschwelle: kritischer Wert, der den

Ausfall auslöst
Schritt 2: Bestimmung des derzeitigen Werts der Aktiva und deren

Volatilität
Schritt 3: Schätzung der erwarteten Returns
Schritt 4: Bestimmung der Ausfallwahrscheinlichkeit
53

Details Schritt 1
Put-Call-Parität
• Simpel, wenn Unternehmen nur Zero Bonds mit identischer Fälligkeit ausgegeben hat
• Andernfalls, üblicherweise
• Umwandlung der Verbindlichkeiten in Zero Bons mit Fälligkeit = Laufzeit der Verbindlichkeiten
Oder
• Setzen des Zeithorizonts auf eine willkürliche Länge, meistens 1 Jahr
• Bestimmung typischer Ausfallschwellen aus historischen Daten, z.B. kurzfristige Schulden+ 0,5
langfristige Schulden
Struktur der Verbindlichkeiten aus der Bilanz
54
Details Schritt 2 (I/II)

Bestimmung des Werts der Aktiva
• Für die meisten Unternehmen sind große Teile der Verbindlichkeiten nicht gehandelt
• nur der Buchwert Bt verfügbar
• Der Marktwert ist nicht bekannt
• Die Volatilität ߪ ist nicht bekannt
• Falls das Unternehmen gelistet ist, ist der Marktwert des Eigenkapitals Et bekannt
• In der Black-Scholes Gleichung sind zwei Unbekannte (At und V)
• Idee:
• Falls Unternehmen gelistet ist, kann man den Marktwert des Eigenkapitals Et und die
Volatilität VE beobachten
• ֜ Ausdrücken von At and Vdurch die im Modell implizierten Annahmen zwischen Et, VE, At
und V
55

Details Schritt 2 (II/II)

Verfahren im den Wert der Aktiva zu bestimmen
1. Numerische Lösung des Gleichungssystems (t ist die jetzige Zeit, VE wird mit historischen Returns
bis t berechnet):
r (T t )
Et A t ) ( d 1 ) Le ) (d 2 )
V( V)(d1) At / Et
2. Iterative Lösung:
1. Iteration: Setze At= Et + Bt für alle t, setze V VE, nutze BS um die neuen At’s zu
berechnen
nächste: At’s von vergangenen Iteration werden verwendet, V V von At’s aus
vorherigen Iteration, nutze BS um die neuen At’s zu berechnen
Iteriere so lange, bis die Differenz zwischen V von aufeinander folgenden Iterationen genügend
klein ist
56
Schritt 3: Bestimmung des erwarteten Aktiva Returns

• Für Black-Scholes benötigt man keine erwarteten Returns
• Aber die Wahrscheinlichkeit, dass die Call Option aus dem Geld ist (=
Ausfallwahrscheinlichkeit) ist
ª ln L [ln A t ( P V / 2 )( T t )] º
2
Prob(defau lt) Φ« »
¬ V T t ¼
ª ln( L / A t ) ( P V / 2 )( T t )] º
2
Φ« »
¬ V T t ¼
• Einige mögliche Lösung:

• Schätzung von Beta von Returns Ri, wie im Schritt 2 gewonnen
• Anwendung CAPM: E[Ri] = Rf + E (E(RM)-Rf)
=> setze P= ln(1+ E[Ri])
57

Schritt 4: Bestimmung der Ausfallwahrscheinlichkeiten

• Theoretisch ist die Ausfallwahrscheinlichkeit
ª ln( L / A t ) ( P V / 2 )( T t )] º
2
Φ« »
¬ V T t ¼
• Empirisch, kann dies nicht gut zutreffen – z.B. weil die Normalverteilungsannahme nicht
angemessen ist
• Eine mögliche Lösung:

• Nutze historische Beziehungen zwischen geschätzten theoretischen
Ausfallwahrscheinlichkeiten und den tatsächlichen
58
Kommerzielle Implementierung
Moody‘s KMV EDFs (Expected Default Frequencies) Bankkruptcy
Enron
EDF
BBB
Rating
59

Vergleich Merton zu anderen Ansätzen

ª ln( L / A t ) ( P V / 2 )( T t )] º
2
Φ« »
¬ V T t ¼
Faktor Merton Ansatz Scoring/Rating
Leverage Über ln(L/A) Typischer Kandidat
Eigenkapitalwert Über Schätzung von A Oft genutzt, falls verfügbar
Aktiva Volatility ja Selten genutzt. Manchmal

über Eigenkapitalvolatilität
geproxied
Zeitstruktur der Schulden Über Ausfallschwelle Manchmal genutzt
Profitabilität Indirekt über Effekt auf Typischer Kandidat

Eigenkapitalwert
Cash Flows/Liquidität Nein (Annahme: Finanzier Typischer Kandidat
wird Liquidität zur
Verfügung stellen, wenn
A>L)
Historische Ausfalldaten Möglich über Kalibrierung Direkt (statistische
Analyse) oder indirekt
(Erfahrung)
Soft factors Indirekt über Typischer Kandidat, falls
Eigenkapitalbewertung verfügbar
60
Banken nutzen typischerweise unterschiedliche Rating

Ansätze für unterschiedliche Klienten
Quantitative Qualitative Externe Ratings*

Information Einschätzung
Privatklienten Scoring Modell - -
Kleine & Scoring Modell Scoring Modell Ergänzend, falls

mittelgroße vorhanden
Unternehmen
Große Als Ergänzung zu Als Ergänzung zu Primäre Quelle

Unternehmen externen Ratings externen Ratings
* Von Rating Agenturen, wie z.B. Moody’s oder S&P
61

Inhaltsverzeichnis
1 Einleitung
2.1 Scoring
2.2 Strukturmodelle
3 Portfoliorisiken
4 Kreditderivate
62
Rating Agenturen
„There are no formulae for combining scores to arrive at a rating conclusion. Bear in
mind that ratings represent an art as much as a science. A rating is, in the end, an opinion.“
Standard & Poor‘s
Was ein Rating ist:
• Relative Einschätzung der mittel- bis langfristigen Fähigkeit eines Kreditnehmers die
finanziellen Verbindlichkeiten auszugleichen
• Through-the-cycle Perspective
• Unabhängige, qualifizierte Meinung
und was nicht:
• Prüfung
• Kauf/Verkauf Empfehlung
• „High-frequency source of information“
• Schätzung der momentanen Ausfallwahrscheinlichkeit
63

Geschäftsmodell von Rating Agenturen

Allgemein
• Bewertung in der Regel durch Kreditnehmer erbeten

• Kreditnehmer zahlt Bewertungsgebühr (einmalig + jährliche Gebühr)
• Allgemeine Informationen über Ratings ist kostenlos
• Gebühren für
• Echtzeit-Informationen
• detaillierte Analyse
• detaillierte historische Daten
Bezifferung
• Emittentenrating:
• Einmalig: ~EUR 50.000
• Kontrolle: ~EUR 45.000
• Bonds:
• 0.03-0.055% des ausgegebenen Volumens
64
Ratingkriterien & -prozess

Geschäftsrisiko Ratingprozess
• Länder-und Branchenrisiken Bewertungsanfrage

• Länderrisiko
• Zyklizität
• Wettbewerbsposition Forschung
• Marktanteil
• Produkt-Positionierung und Markenimage
• Eintrittsbarrieren Management
Meeting
• Stetigkeit
• Volatilität der Nachfrage
• Sensitivität gegenüber technologischem Wandel Rating-Berichten
• Management
• Strategie
• Glaubwürdigkeit
Rating-Ausschuss
Finanzielles Risiko
Emittent Zulassung
• Cash flow / Appell
• Rentabilität
• Leverage Veröffentlichung
• Flexibilität
• Liquidität
Überwachung
65

S&P Key ratios
Source: S&P Corporate Ratings Criteria, 2008
66
Ratio Guidelines – Beispiel S&P
Source: S&P Corporate Ratings Criteria, 2008
67

Through-the-cycle Messung von Kreditrisiken
permanente
Veränderung in der
Kreditqualität
Durchschnitt-
liche
Kreditqualität
Durchschnitt-
liche
Point-in-time Kreditqualität
Kreditqualität
no rating rating no rating

change change change
68
Validation of rating systems

Wichtigste Punkte der Rating Qualität
• Discrimination: Qualität des Rankings des Risikos des Kreditnehmers
eines Ratingsystems
• Kalibrierung: Qualität der erwarteten PDs passt zu realisierten PDs
• Konsistenz: monotone PDs über das Rating-Spektrum
Bewertung
• historische Daten über Bewertungen und Standardwerte
• während des Ratingprozesses
Konsistenz über das Rating-Spektrum

• Schwer zu beurteilen über verschiedene Bewertungssysteme
• Stichprobenfehler
69

CAP als ein Maß der Diskrimination

Konstruktion
Zeichne den Anteil aller Ausfälle, die mit x oder schlechter gerankt wurden gegen den Anteil aller
Kreditnehmer die mit x oder schlechter gerankt wurden.
Beispiel
Rating Ausfall
A 0
CAP graph
A 1 1
0.9
A 0 Beobach- Ausfälle 0.8
Defaults included
tungen 0.7
B 1 0.6
0 0
0.5
B 0
0.4 0.5 0.4
B 0 0.3
0.7 0.75 0.2
C 1 1 1 0.1
0
C 0 0 0.4 0.7 1
Observations included
C 1
C 0
70
Accuracy ratio
rating under analysis Perfect rating
1 1
0.75
0.75
A B
0.5
0.5
0.25
0.25
0
0 0.25 0.5 0.75 1
0
0 0.25 0.5 0.75 1
Accuracy ratio = A/B

d.h. bezieht den Mehrwert eines Ratingsystems (bezogen auf einen ein
uninformiertes) auf den Mehrwert von einem perfekten Ratingsystem (bezogen
auf einen ein uninformiertes)
71

Die receiver operating characteristic (ROC) als variiertes
CAP
Konstruktion
• Zeichne den Anteil aller Ausfälle, die mit x oder schlechter gerankt wurden gegen den Anteil aller
nicht ausgefallenen Kreditnehmer die mit x oder schlechter gerankt wurden.
• Direkte Beziehung zwischen CAP and ROC: Accuracy Ratio = 2 × AUC – 1 (AUC : Area Under
(the ROC) Curve )
Beispiel
Rating Default
A 0
ROC Graph
A 1
1
0.9
A 0 Observations Defaults
Defaults included
0.8
included included 0.7
B 1
0 0 0.6
0.5
B 0
0.333 0.5 0.4
0.3
B 0 0.667 0.75 0.2
0.1
C 1 1 1 0
0 0.333 0.667 1
C 0
Non-defaults included
C 1
C 0
72
Struktur eines out-of-sample Tests

W a lk - f o r w a r d o u t - o f - s a m p le
te st
( 1 ) D e f in e a y e a r t f o r t h e f ir s t
te st (h e re 2 0 0 2 )
( 2 ) E s t im a t e r a t in g s y s t e m w it h
c o m p le t e d a t a u n t il y e a r t - 1
( 3 ) V a lid a t e s y s t e m w it h d o t t e d
w h it e d a t a f r o m y e a r t .
(4 ) S e t t= t+ 1 a n d g o b a ck to
ste p (2 )
( 5 ) A n a ly z e ( e . g . a v e r a g e ) t h e
o b t a in e d a c c u r a c y m e a s u r e s
1998 2002 2005
C r o s s - s e c t io n a l v a lid a t io n
E s t im a t e r a t in g s y s t e m w it h d a r k
g r e y d a t a , v a lid a t e o n d o t t e d w h it e
d a ta .
73

Interpretation der Genauigkeitsmaße (AR, AUC)

• Wenn ein Rating-System eine höhere AR hat (oder AUC), muss es nicht unbedingt für alle
Rating-Segmente besser sein
• Für eine bestimmte Rating-Qualität, hängt die AR-(oder AUC) von der Portfoliostruktur ab
• Schwer Benchmarkwerte anzugeben und die Maße verschiedenen Banken und wenn sich das
Portfolio über die Zeit hinweg verändert zu vergleichen
• Simulationsstudien legen nahe, dass eine Verbesserung der AR um 3 Prozentpunkte oder

mehr zu einem wirtschaftlich bedeutenden Anstieg der Gewinne führt
• Konfidenzintervalle für AR (oder AUC) können analytisch oder durch ein Bootstrap-Verfahren
erhalten werden.
AR (oder AUC) ändert sich mit durchschnittlichen Ausfallraten und müssen sorgfältig
verglichen werden
74
Ableitung von PDs Aus Ausfallhäufigkeiten

Ausfallwahrscheinlichkeiten für eine Ratingnote kann für die Emittenten dieser Note aus
historischen Ausfallhäufigkeiten abgeleitet werden:
Percentage defaulted after year

Rating 1 2 3 4 5 10
Aaa 0 0.017 0.017 0.049 0.087 0.19
Aa 0.025 0.078 0.157 0.286 0.419 0.862
A 0.071 0.232 0.477 0.718 0.996 2.671
Baa 0.196 0.539 0.944 1.421 1.954 4.664
Ba 1.142 3.291 5.936 8.744 11.108 20.709
B 4.043 9.672 15.36 20.331 24.875 42.323
Caa 13.756 25.012 34.106 41.528 47.885 69.061
* Source: Moody’s, 1983-2012.
75

Wahrscheinlichkeiten für Ratingveränderungen

Wahrscheinlichkeiten für Ratingveränderungen können mit historischen Daten geschätzt werden:
S&P transition matrix (1981-2012)
Rating at year end (%)

Initial
AAA AA A BBB BB B CCC D N.R.
Rating
AAA 87.17 8.69 0.54 0.05 0.08 0.03 0.05 0 3.38
AA 0.54 86.29 8.36 0.57 0.06 0.08 0.02 0.02 4.05
A 0.03 1.86 87.26 5.53 0.36 0.15 0.02 0.07 4.71
BBB 0.01 0.12 3.54 85.09 3.88 0.61 0.14 0.22 6.39
BB 0.02 0.04 0.15 5.18 76.12 7.2 0.72 0.86 9.71
B 0 0.03 0.11 0.23 5.42 73.84 4.4 4.28 11.68
CCC 0 0 0.16 0.24 0.73 13.69 43.89 26.85 14.43
76
Der Kohorten Ansatz zum Modellieren der Übergänge

• Kohorte := alle Emittenten mit einer gegebenen Bewertung i zu einem bestimmten
Zeitpunkt t
• Die Häufigkeit der Übergänge vom Rating i zu j wird berechnet, indem man die
Anzahl der veränderten Emittenten (ܰ௜௝ǡ௧ ) durch die Anzahl der Emittenten die zu
Beginn der Periode t mit i geratet waren (ܰ௜ǡ௧ ) dividiert: N ij , t
pˆ ij , t
N i ,t
• Die von den Agenturen veröffentlichten Übergangswkt. sind gewichtete

Durchschnitte :
pˆ ij
¦ N i ,t
pˆ ij , t
¦ N i ,t
t t
• Beachte, dass sich mit Nutzung von Nij / Ni mit Nij als der Gesamtanzahl von
Übergängen von i nach j das selbe Ergebnis ergibt
77

Mehrjährige Ausfall- und Übergangsraten

Mehrjährige Übergangsraten-Schätzungen mit dem Kohorten Ansatz oder einer einjährigen
Übergangsmatrix:
A B D
A 95% 5% 0%
B 15% 65% 20%
D 0% 0% 100%
• Mögliche Ereignisse für „A heute ist B in zwei Jahren“

(i) Emittent wird dieses Jahr auf B heruntergestuft und bleibt dort nächstes Jahr
Prob(i) = 0.05×0.65
(ii) Emittent bleibt dieses Jahr A, wird aber nächstes Jahr zu B
Prob(ii) = 0.95×0.05
=>Ergibt Gesamtwkt. von 0.08
• Allgemein: Eine T-jährige Übergangsmatrix PT erhält man von der einjährigen Matrix P1 durch
Matrixmultiplikation
PT = P1T = P1 P1....P1 (d.h. Multiplikation von P1 T mal mit sich selbst)
78
Modellierung von Übergängen zu Ratings

T=0 T=1
upgrade auf AAA

upgrade auf AA
Darlehen mit
Rating A bleibt bei A
downgrade auf BBB
downgrade auf BB
p downgrade auf B
downgrade auf CCC
Ausfall
79

Veränderung durch Renditen und Fälligkeiten

beeinflusst
Beispiel
• Annahmen:
• flache Zinskurve
• Rendite auf A geratete Bonds 5%
• Rendite auf BB geratete Bonds 8%
• Details:
• 5-jähriger Zero Bond mit A geratetd. Jetzt Herunterstufung auf BB
• Frage: Höhe des Verlusts

• Wert heute: 100/1.055=78.35
• Wert ein Jahr im Voraus: 100/1.084=73.50
• Verlust: 4.85
80
Korrelationen von Ratingübergängen über

Assetkorrelationen modelliert
Details
• Ausfallschwelle der Assetverteilung für Ausfall/Nicht-Ausfall Fall benötigt
• Kritische Punkte für jede Ratingklasse berechnen
Illustration
Probability that future rating is

BBB
Density
Asset value
Kritische Punkte: D C B BB BBB A AA AAA
81

Loss Given Default (LGD) & Recovery Rate

Definition und mögliche Maße
• Definition: LGD = 1 – Recovery Rate

• Mögliche Maße:
• Sekundärmarktpreise
LGD= 1 – Marktpreis / Exposure
• Zahlungsstrom nach dem Ausfall, auf das Datum des Ausfalls diskontiert
LGD= 1 – diskontierter Wert / Exposure
• Beobachtete LGDs/recovery rates müssen nicht im Intervall [0,1] liegen
Beispiel aus 2009
82
Recovery Risiko modelliert über zufällige LGD

Details
1) Startpunkt 1: Beta Verteilung (zwischen 0 und 1)
2) Startpunkt 2: Normal Verteilung
• Werte können kleiner sein als 0

• Aber Erholungs-Wahrscheinlichkeit < 0 im Mittelwert in großen Portfolios
3) Systematisches Recovery Risiko kann modelliert werden
83

Unsicherheit über LGD/EAD in eine Monte Carlo

Simulation integrieren
Schritt 1: Ziehe Wertentwicklung der Aktiva für jeden Schuldner
Schritt 2: Check ob die Abstürzte unter die Ausfallschwelle führen
Schritt 3: Zufällige Ziehung von LGD/EAD für jeden Kredit
Schritt 4: Berechnung der Portfolioverluste in jedem Szenario
Schritt 5: Verlustverteilung durch Wiederholung von Schritt 1. - 4.
Schritt 6: Analyse Verlustverteilung
84
Kredit Exposure at default (EAD) für versch. Instrumente

Kredit oder Bonds:
EAD=Nominalwert. Präziser wäre der derzeitige Marktwert.
Garantien (Bank willigt ein die Verbindlichkeiten einer dritten Partie zu
übernehmen):
EAD=Nominalwert.
Commitments (Bank verpflichtet sich zu einer zukünftigen Transaktion, die
eine Kreditinanspruchnahme verursachen kann):
EAD typisch kleiner als bei Garantien.
Swaps, Forwards, Repos:
EAD variiert mit dem Marktwert
Long Optionen:
EAD hängt vom Marktwert ab
Short Optionen:
EAD=0 sobald die Prämie gezahlt wurde
85

EAD quantifizieren
Current exposure hängt vom Marktwert Vt ab und ist gegeben durch
ሺܸ௧ ǡ Ͳሻ
Expected credit exposure ist der erwartete Wert der Aktivaersatzwerte,

falls positiv, auf ein Zieldatum in der Zukunft bezogen.
Worst credit exposure ist die größte Kredit Exposure für ein gegebenes
Konfidenzintervall. Schätzung ähnlich zum Markt VaR.
Average expected credit exposure: zeitlicher Mittelwert der erwarteten

Kredit Exposures; ähnlich definiert ist der mittlere worst credit exposure
86
Inhaltsverzeichnis
1 Einleitung
2.1 Scoring
2.2 Strukturmodelle
3 Portfoliorisiken
4 Kreditderivate
87

Verteilung von Portfolioverlusten in Kreditrisikomodellen

(Horizont: üblich 1 Jahr) Voraussetzung für Verteilung
45%
40%
Erwarteter Verlust
Wahrscheinlichkeit
35%
30% • Erwarteter Verlust
25% • D-Quantil: Value at Risk (VaR),

99% Quantil
20% unerwarteter Verlust
15% • Erwarteter Verlust: Konditionaler

10% VaR (E[Verlust | Verlust t VaR])
oder Tail Loss
5%
0%
0 0.5 1
Losses
88
Beispiel für Kreditverlustverteilungen und Implikationen

Beispiele:
• Das nominale Kreditportfolio einer Bank beträgt 1000 Mio. Der

durchschnittliche Zinssatz der Kredite beträgt 7% und der erwartete Verlust
beträgt 45 Mio.
• Erwarteter Return = [1,000 u 7% - 45] / 1,000 = 2.5%
• Das Eigenkapital einer Handelsbank beträgt 100 Mio. Das 99.9% Quantil der
Portfolioverluste beträgt auch 100 Mio.
• Wahrscheinlichkeit des Verlusts des Eigenkapitals:

100% - 99.9% = 0.1%
89

Kreditriskiomodelle I: Einfache Portfolios

Details:
• Zum Zeitpunkt T=2 existieren nur zwei Zustände: Ausfall / kein Ausfall
• Wir kennen die Wahrscheinlichkeiten des Ausfalls (p)
• Wir vernachlässigen die Unsicherheit über die Auswirkung beim Ausfall
• Portfolio mit einem Kredit
T=0 T=1 Verteilung der Verluste
1-p Kein Ausfall

1-p
Kredit
p
p Ausfall
0 1
90
Kreditrisikomodelle II : Zwei-Kredit Portfolio

Details:
• Die individuellen Wahrscheinlichkeiten pi und pj sind nicht ausreichend um die

Verteilung der Portfolioverluste zu erhalten.
• Zusätzliche Wahrscheinlichkeit, dass beide Kredite gleichzeitig ausfallen

(einfach nur, wenn Ausfälle unabhängig sind: pij = pi pj )
T=0 T=1
Verteilung der Verluste
Kein Ausfall
2 Kredite (i,j)
? 1 Ausfall
2 Ausfälle
0 1 2
91

Definition der Ausfallkorrelation

Details:
• Korrelation des Ausfallindikators yi , 1 wenn Schuldner i ausfällt und 0 sonst.

• Kovarianz definiert als
cov( y i , y j ) E ( yi y j ) E ( yi )E ( y j ) p ij p i p j
mit pi als Ausfallwahrscheinlichkeit Prob(yi=1)=E(yi) und pij als die verbundene

Ausfallwahrscheinlichkeit Prob(yi=1, yj=1)
• Definition der Korrelation
p ij p i p j
U ij
p i (1 p i ) p j (1 p j )
mit dem Nenner als Varianz einer Bernoulli-verteilten Variable mit

Erfolgswahrscheinlichkeit pi.
92
Modellierung von Ausfallkorrelationen eines Portfolios

Setup:
Die Anzahl der verbundenen Ausfallwahrscheinlichkeiten zu groß um sie direkt zu schätzen. Ein
einfacherer Weg wird benötigt.
Methode:
Ausfalls als kontinuierliche Variable: Ai, i=1 bis N. Ausfallindikator definiert als
Ausfall i
yi 1 Ai d d i
Nicht Ausfall i
yi 0 Ai ! d i
Interpretation:
• Modellergebnisse durch verborgene Variable (ökonometrische Sichtweise)

• Modell-Ausfallkorrelation durch den Asset-Value- oder Merton-Ansatz
93

Merton-Modell als Basis der Modellierung von

Korrelationen von Kreditereignissen
Schuldner 1 Schuldner 2
Assetwert
Assetwert
Verbindlichkeiten
/ Ausfallschwelle
Zeithorizont Zeithorizont
• Schuldner fallen aus, wenn Assets < Verbindlichkeiten zum Zeitpunkt T

• Im Merton-Modell: Assetkorrelationen werden direkt in Ausfallkorrelationen
überführt
94
Verbundene Ausfallwahrscheinlichkeiten
Verbundene Wahrscheinlichkeitsverteilung von Asset Werten von zwei

Schuldnern
Assetwert 1
Ausfallschwelle1
Asset-
wert 2
Ein Schuldner
fällt aus Ausfall-
schwelle 2 Beide fallen aus
95

Modellierung von Assetwerten

Gaußsches 1-Faktor Modell:
• Annahme: Assetwerte sind normalverteilt mit Korrelationen, die auf einen einzigen gemeinsamen
Faktor Z zurückzuführen sind:
wiZ 1 wi H i , cov( H i , H j ) 0 , i z j ; cov( Z , H i ) 0 , i;

2
Ai
H i ~ N ( 0 ,1 ), i ; Z ~ N ( 0 ,1 ).
Beachten Sie, dass das Ai~N(0,1) impliziert.
2 2
• Die Assetkorrelation ist cov( A i , A j ) cov( w i Z 1 wi H i , w jZ 1 w j
H j)
U ij
asset
V ( A i )V ( A j ) 1u1
cov( w i Z , w j Z ) w i w j var( Z ) wiw j
• Verbundene Ausfallwahrscheinlichkeit beträgt
Prob ( A i d d i , A j d d j ) ) 2 ( d i , d j , U ij
asset
p ij )
mit )2(,,U) als der bivariaten Standardnormalverteilungsfunktion mit Korrelation U.
96
Illustration des 1-Factor Modells

• Ausfall tritt ein, wenn A<L
wiZ 1 wi H i
2
Ai
Nach negativer Realisation von Z
d1 A1 d2 A2
97

Monte-Carlo-Simulation basierend auf Assetkorrelationen

und Verlustverteilungen
Simulationsschritte:
1. Ziehung (korrelierter) zufälliger zukünftiger Assetwerte für jeden Schuldner
2. Check schuldnerspezifische Ausfallschwelle
3. Definition der Portfolioverluste im Scenario
4. Wiederholung von 1. bis 3. um eine Verlustverteilung zu erhalten
5. Analyse der Verlustverteilung
Simulationshäufigkeit
• Erhöhung der Häufigkeit von extremen Quantilen bedingt die Erhöhung der Anzahl der
Szenarien
• Robustheitscheck
• Berechnung der Statistik nur mit den ersten m Szenarien
• Check ob die Ergebnisse stabil sind, wenn m → M
• 100,000+ Szenarien als Standard
98
Effizienz steigern: Importance sampling

• Erwarteter Wert von f(x), eine Funktion der Zufallsvariable x mit Dichte p(x)
• Stattdessen: Integration über q(x)
• Für korrekte Ergebnisse dienen folgende Gleichungen:
f
E [ f ( x )] ³ f ( x ) p ( x ) dx
f
f
p(x)
E [ f ( x )] ³ f (x)
q(x)
q ( x ) dx
f
99

Ein-Faktor Modell sampling

Implementierung
1) Verschiebung des Mittelwerts von Z zu Szenarien mit grpßen Verlusten

• N(P,1), P<0
2) Simulationsdurchführung
1) M Realisationen, die Wkt. einer Realisation ist dann nicht 1/M
2) Berechnungen vereinfachen sich zu
I (Z j)
M
I (Z j
P)
1) Um zum D Quantil zu gelangen:

1) Sortierung der Szenarien anhand der Höhe der Verluste
2) Berechnung kumulativer Wahrscheinlichkeiten (Beginnend mit größtem Verlust)
3) Das D Quantil ist der maximale Verlust mit kumulierter Wkt. größer als (1-D).
100
Credit Metrics “Standard” Version
Rating Loss given Forward rates Assetkorrelationen

Übergangs- default (Korrelation von
raten Rating-
future value
von Darlehen veränderungen)
Wahrschein-
lichkeiten für
Rating-
übergänge
Monte Carlo Simulation
Verlustverteilung
101

Unterschiede im kommerziellen Kreditrisiko

Details
1) Typen von Kreditrisiken

• Ausfallrisiko
• Veränderungsrisiko
• Recovery Risiko
• Exposure Risiko
2) Schätzmethoden über
• Ausfallwahrscheinlichkeinten
• Ausfallkorrelationen
3) Modellierungsdetails
• Verteilungsannahmen
• Berechungsnäherungen
102
Definition: konditionale Ausfallwahrscheinlichkeit

Definition
• Formal:
Eine konditionale Ausfallwahrscheinlichkeit ist die erwartete Ausfallwahrscheinlichkeit in
einer spezifischen Situation (z.B. nächstes Jahr oder Szenario für ein schlechtes Jahr)
• Verwendung des Ein-Faktor Modells und

Neuordnung führ zu::
Beispiel
pi (Z ) Prob Default i
|Z Prob A i
d )
1
( pi ) | Z
• BBB rated Bond
• Ausfallwahrscheinlichkeit =
p i (Z ) Prob w Z
i
1 wi H
2
i
d )
1
( pi ) 0.30%
§
• Assetkorrelation = 0.1
( pi ) wiZ ·
1
)
Prob ¨ H d ¸ • Ausfallschwelle = -2.75, w=0.32
¨ i
1 wi ² ¸
© ¹
• Szenarien:
ª) 1
( pi ) wiZ º • Schlechtes Jahr: Z= -2.33
)« »
« 1 wi
2
» • p(-2.33) = F[(-2.75 + 0.74) /
¬ ¼
(1-0.1)0.5 ] = 1.7%
• Normales Jahr: Z= 0
• p(0) = 0.19%
103

Empirische vs. Credit Metrics PD Verteilung

Historische Ausfallwahrscheinlichkeiten (1981-2012) Emittent mit B Rating
— Ausfallwahrscheinlichkeit = Ø Ausfallrate=4.69%, Assetkorrelation = 0.01

Ausfallwahrscheinlichkeit = Ø Ausfallrate=4.69%, Assetkorrelation = 0.05
0.7
0.6
Frequenc
0.5
0.4
0.3
0.2
0.1
0
0% 8% 15% 23%
default rate / conditional PD
104
Variation konditioneller Ausfallwkt. produziert

Ausfallkorrelationen
Scenario 1: konditionelle Scenario 2: konditionelle
Ausfallwkt ist gering Ausfallwkt ist hoch
• p von Darlehen 1 hoch

• p von Darlehen 1 gering
• p von Darlehen 2 hoch
• p von Darlehen 2 gering
• 2 Ausfälle relativ wahrscheinlich
• 0 Ausfälle relativ wahrscheinlich
105

Modelle unterscheiden sich in Methoden für die

Verteilung der kontitionellen Ausfallraten
Asset Value Modelle (Credit Metrics, KMV Portfolio Manager)
Implizierte Verteilung
Annahmen an Asset Value Verlust-
von konditionellen
Korrelationen verteilung
Ausfallraten
Ausfallraten Modelle (Credit Risk +)
Annahmen an die
Assumption on asset value Verteilung der Verlust-
correlations konditionellen verteilung
Ausfallraten
106
Kreditrisiko Modelle können konsistente Ergebnisse

Überblick
CreditMetrics CreditRisk+
Ausfallrisiko Ja Ja
Recovery Risiko Ja Nein
Veränderungsrisiko Ja Nein
Ausfallkorrelationen Über Assetkorrelationen Über Volatilität der
Ausfallraten
Berechnung Monte Carlo analytisch
Über
• Vernachlässigung des Recovery und

Veränderungsrisikos
• Kalibrierung der Assetkorrelationen, so dass
Volatilität der konditionalen Ausfallrate der von
CreditRisk+ implizierten gleicht
• Verbleibende Unterschiede sind gering
(Verteilungsannahmen, Näherungen)
107

Zusammenfassung
Kritische Punkte
• Höheres Risiko durch fat-tailed Verteilungen

• Normalverteilungsannahme ist unangebracht
• LGD ohne systematisches Risiko modelliert
• Spread Risiko wird vernachlässigt
• Einbindung von Kredit- und Marktrisiken
Zusammenfassung
• Portfoliokreditrisiken getrieben von:

• Wahrscheinlichkeiten
• Werteffekten
• Korrelationen
• Kreditrisikomodelle unterscheiden sich hinsichtlich
• dem Weg, wie Kreditrisikotreiber geschätzt werden
• zugrunde liegende Struktur (weniger wichtig)
108
Inhaltsverzeichnis
1 Einleitung
2.1 Scoring
2.2 Strukturmodelle
3 Portfoliorisiken
4 Kreditderivate
109

Risiko-neutrale Bespreisung basierend auf PD und LGD

Beispiel
• ein-jähriger CDS
• Zahlung am Ende des Jahres
• Anzahl von Gebührzahlungen: 1
• Barwert (s=spread):
E[fee] notional s /( 1 r f )
• Erwartete Zahlungen durch Ausfall (R= recovery rate):

RN
PD
E[default payments] notional (1 R )
(1 r f )
• Erwartete Kosten = erwarteter Profit:
!
E[fee] E[default payment] s  (1 R)PD RN
110
Wozu benötigt man Kreditmarktimplikationen?

Berechnung implizierter Ausfallwahrscheinlichkeiten
Ziel:
- Risikoanalyse der Positionen
- Mark-to-market Bewertung von Krediten/Darlehen
- Bepreisung von Derivaten und Counterpartyrisiko
- Bepreisung von strukturierten Krediten wie FTD, Maturity Swaps usw.
- Optionen auf CDS
- Vergleich von verschiedenen Instrumenten
Erholungsrate, Credit Spreads und Volatilitäten sind nötig um PDs festzusetzen.

Korrelationen sind nötig um das Portfoliorisiko zu bestimmen.
111

Marktimplizierte PD
Marktimplizierte Kreditrisiken sind größer als historische Ausfallraten. Analog zu den
implizierten Volatilitäten im Optionenmarkt, kann man eine implizierte
Ausfallwahrscheinlichkeit berechnen:
(Kreditverzinsung- risikoloser Zins)

Impl. PD|
(1 - Recovery Rate)
Je höher die implizierte PD, desto attraktiver ist diese Investition für einen
kreditrisikosuchenden Investor (Vgl. implizite Volatilität beim Optionsverkauf
Bedenke: CDS/Darlehen usw. haben unterschiedliche Erholungsraten.
112
PVBP/DV01 - Present Value eines Basis Punkts

Von der Bewertung der Zinsswaps für n Perioden mit Swap-Rate sn und Zero-Rate zi
kommt.
Davon ist der „Clean-PVBP“, d.h. ohne accrued interest für Fälligkeit T gegeben
durch:
Analog für den zukünftigen Wert eines Basispunktes:
113

er
ys
stt
Beispiel: PVBP I
Sie planen ihren Ruhestand und wollen pro Monat 500 USD inflationsbereinigt aus dem
Erspartem ausgeben. Sie wollen die nächsten 30 Jahre sparen und dann die nächsten
30 Jahre konsumieren. Wie hoch müssen die monatlichen Sparbeiträge sein, mit einer
Realverzinsung von 2%?
Schritt 1: Diskontieren der 500 USD pm = 6000 USD pa auf das Ruhestandsdatum
Schritt 2: Schätzung der Sparrate um 134379 USD in 30 Jahren anzusparen:
Man muss 3247 p.a oder 270 p.m sparen
114
er
ys
stt
Beispiel: PVBP II
Ein Bond wird in 4,5 Jahren fällig und wird derzeit 80bp über der Vergleichsrendite von
4% gehandelt. Der Coupon liegt bei 6%. Was ist der Clean Price?
weiteres Beispiel:
Die selbe Firma hat einen Floater im Markt mit Fälligkeit in 4,5 Jahren und einem
Coupon von 6M-Libor+50bps. Der Preis liegt im Moment bei 99.80%. Wie hoch ist der
Discount des Floaters?
115

er
ys
stt
Beispiel: PVBP III

Eine syndizierte Anleihe zahlt Libor + 40 bp p.a. und Beteiligungsgebür von 0,4% im
Voraus. Fälligkeit in 7 Jahren und vergleichbare Bondrendite sind 4,6%.
Was ist der Gesamtwert der syndizierten Anleihe?
Nun will die Bank ihr für Libor + 60 bp kaufen. Was ist die Bank gewillt zu zahlen?
116
Marktwerte für Credit Default Swaps

Angenommen es gibt einen CDS mit 5 Jahren Duration auf die Daimler AG mit einem Preis
von 70bp p.a. Gekauft wurden 10 Mio USD Schutz. Derzeit wird der CDS für 56bp p.a. für
die selbe Fälligkeit gehandelt. Die Swap-Rate über 5 Jahre liegt bei 3,02%. Die Recovery
Rate wird als 40% angenommen. Was ist der Marktwert der Position?
Schritt 1: Berechnung der aufgelaufenen Prämie:

(# Tage seit der letzten Prämienzahlung/360)*70 bp p.a.*US$ 10 Mio. = accrued
Schritt 2: Berechnung des Clean Price
CleanPrice
117

Begrenzungssysteme nutzen Forward CDS

140
120
100
Kredit exposure
80
60
40
140
20
120
0
2003 2004 2005 2006 2007 2008 100
80
60
Verkaufe Forward-Protection
40
20
0
2003 2004 2005 2006 2007 2008
Kaufe Protection
2003 2004 2005 2006 2007 2008
118
Berechnung eines Forward CDS

Berechne den forward-Kreditspread in y Jahren über T Jahre, mit dem (spot) spread über
t Jahre xt und über t+T Jahre xt+T, Der Recovery Rate R und den Swap Rates st und st+T
für Fälligkeiten t und t+T. Dann ist
der Forward-Spread in t Jahren über T Jahre.
119

er
ys
stt
Beispiel: Forward CDS

Angenommen Sie haben zwei Optionen
Kaufe 2 Y Daimler-Protection für 70 bp p.a.
Verkaufe 5 Y Daimler-Protection für 100 bp p.a.
Was ist der Forward Spread für das Daimlerrisiko in 2 Jahren für 3 Jahre, unter der
Annahme einer flachen Swap Curve bei 4% und einer Recovery Rate von 50% für Daimler.
Lösung:
120
er
ys
stt
Beispiel: Forward-Spread Struktur
Ähnlich zu Zinsen: Je länger die Forward Periode, desto flacher ist die Forward Curve
121

Inhaltsverzeichnis
1 Einleitung
2.1 Scoring
2.2 Strukturmodelle
3 Portfoliorisiken
4 Kreditderivate
122

Posch Kreditgeschaeft Handout

Hochgeladen von

Dokumentinformationen

Beschreibung:

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Beschreibung:

Copyright:

Verfügbare Formate

Posch Kreditgeschaeft Handout

Hochgeladen von

Beschreibung:

Copyright:

Verfügbare Formate

CRM® - Certified Risk Manager

CCrA® - Certified Credit Analyst

CCrA® - Certified Credit Analyst

Überblick zur Unterrichtseinheit

Referent: Prof. Dr. Peter N. Posch

Prüfungsumfang: 30 Punkte / 30 Minuten

Anteil MC-Aufgaben: 1/3 des Prüfungsumfangs

Prof. Dr. Peter N. Posch

Kreditgeschäft CRM® - Certified Risk Manager

Kreditgeschäft CRM® - Certified Risk Manager

Risiko durch Unsicherheit

Risiko durch Unsicherheit II

• Die Standardabweichung ist für symmetrische Verteilungen ein

• Im Spezialfall einer Normalverteilung wird (zusammen mit dem

• Problem im Fall einer nicht-symmetrischen Verteilung!

• Volatilität = auf ein Jahr skalierte Standardabweichung

Kreditgeschäft CRM® - Certified Risk Manager

Bewertung von Finanzprodukten

Idee hinter der Annahme:

Bewertung von Bonds

Der Wert eines Bonds entspricht dem daraus hervorgehenden

CFt: Couponzahlung zum Zeitpunkt t

Kreditgeschäft CRM® - Certified Risk Manager

• Laufzeit bei einem Zerobond eindeutig

• Betrachtung eines couponbehafteten Bond als ein Portfolio aus vielen

• Die effektive Laufzeit sollte hier ein gewichteter Durchschnitt (mit

Kreditgeschäft CRM® - Certified Risk Manager

Beispiel: D = 2, C = 20, di = 2%, i = 5%

Kreditgeschäft CRM® - Certified Risk Manager er

Beispiel: Zinsstrukturkurve durch Short Rates

Daraus ergibt sich dann die oben angegebene Effektivverzinsung durch:

Zinsstrukturkurve: Terminzins/Forward Rate

Der Terminzins in Jahr n ergibt sich dann wie folgt:

1. Investiere in einen Zero Bond mit n Jahren Laufzeit

Kreditgeschäft CRM® - Certified Risk Manager er

ͳʹͶǡͳ͵̀ ൌ ͳͳͶǡͻʹ̀ ‫ ͳ ڄ‬൅ ݂ଷ

Beispiel: Terminzinsen unter Unsicherheit

Implizierter Bondpreis nach einem Jahr: ͺͶͳǡ͹ͷ̀ ‫ͳ ڄ‬ǡͲͺ ൌ ͻͲͻǡͲͻ̀

Kreditgeschäft CRM® - Certified Risk Manager er

Beispiel: Bondpreis und Forward Rates mit Unsicherheit

Die Forward Rate berechnet sich mit

Kreditgeschäft CRM® - Certified Risk Manager

݀ܵ௧ ൌ Ɋܵ௧ ݀‫ ݐ‬൅ ߪܵ௧ ܹ݀‫ ݐ‬mit ܹ݀௧ ‫Ͳ ࣨ ׽‬ǡ ݀‫ݐ‬

Beispiel: Hier ist die Volatilität jedoch

Als Erweiterung ersetzt man die konstante Volatilität durch eine

݀ܵ௧ ൌ Ɋܵ௧ ݀‫ ݐ‬൅ ߥ௧ ܵ௧ ܹ݀௧

Kreditgeschäft CRM® - Certified Risk Manager er

Beispiel: Heston Modell

Frage: Wie erhält man korrelierte Zufallszahlen?

Hier folgt dann ߙ ൌ ߪଵ Ǣ ߚ ൌ ߩ ߪଶ Ǣ ߛ ൌ ߪଶ ͳ െ ߩଶ

Wie misst man das Kreditrisiko?

Prototyp Scoring Strukturmodelle Ratings

Modell Logit, Probit Merton(1974) & Expertenkommitee

Input Finanzkennzahlen, Wert der Aktiva, Kennzahlen,

Schätzung Maximum Annahmen, Firmenintern

Kreditgeschäft CRM® - Certified Risk Manager

Relevanz von Kreditrisiken

• Corporate Banking: Darlehen

Teilnehmer auf dem Kreditmarkt

• Banken: Geschäftsbanken, Investmentbanken, Universalbanken

Kreditgeschäft CRM® - Certified Risk Manager

ln L ¦ y i ln( F ( b' x i )) (1 y i ) ln( 1 F ( b' x i ))