Sie sind auf Seite 1von 65

Einfhrung selbstgeschtzter LGD: Bausteine

Agenda

Nutzen der Risikoparameter aus Gesamtbanksicht bersicht ber die Prozesse und die methodischen Bausteine des Risikoparameterhandlings Phasen eines typischen Projekts zur Entwicklung von LGD/EADModellen Spezifische fachliche, methodische, technische Fragestellungen im Zusammenhang mit der Risikoparameterentwicklung Risikoparametermanagement Risikoparametervalidierung Risikoparameteranwendung

Agenda

Eigene LGD-Schtzung zur Erfllung regulatorischer Standards


Bankeigene LGD-Schtzungen werden gesetzlich gefordert, falls die Bank die Umsetzung des Fortgeschrittenen Ansatzes des Baseler Accords anstrebt und/oder die neuesten IAS/IFRS-Standards nutzt.
adquatere Kond.

LGD

Prozess

transparent Determinist. robust

bessere Besicher. mehr Flexibilitt Korrelations-Risiken Double Default/Recov. EK fr non-perf. Portf. kalibrierte EWB/PWB robusterer Prozess Basel II-Konformitt Make or Buy Prozessoptimierung Forderungskauf/verk.

Kreditvergabe Risikomessung/ -steuerung Risikovorsorge

LGD-Stochastik

Downturn-LGD

Expected-LGD

Validitt

hist. Erfahr. obj. validierb. Beschr. quantif.

Korrelationen

Sicherheiten

detailliert validierbar risikosensit.

Abwicklung

Today, () banks do their business then they compute risk. In the future, () they will compute risk then do their business. Ron Dembo (Risk, 12/2002)
Nutzen der Risikoparameter aus Gesamtbanksicht Eigene LGD-Schtzung zur Erfllung regulatorischer Standards

LGD in der Vorkalkulation


Risk Based Pricing in der Vorkalkulation bei der Kreditvergabe: Die profitabelsten Kunden erhalten die attraktivsten Konditionen!

Was bringt das Risk Based Pricing? Preis Marketingerwgungen


1.

2.

Vorkalkulation

3.

4.

Vermeidung der Querfinanzierung schlechterer Kreditkunden durch die besseren Verbesserte Vorkalkulation setzt bessere Anreize fr profitableres Neugeschft Anreize fr Risikoreduktion durch Hereinnahme von zustzlichen Sicherheiten werden gesetzt Langfristig verbesserte Portfoliostruktur Mgliche strkere Automatisierung der Kreditvergabeentscheidung fhrt zur Kostenreduzierung im Kreditvergabeprozess

Refinanzierungskosten Expected Loss Risikokosten Produktionskosten Erwartete Nettomarge Eigenkapitalkosten fr Unexpected Loss

PD LGD CCF Laufzeit, Whrung

Nutzen der Risikoparameter aus Gesamtbanksicht LGD in der Vorkalkulation (1)

LGD in der Vorkalkulation


Erwarteter Verlust ist die bedingte Erwartung
Expected Loss Eigenkapitalkosten fr Unexpected Loss PD Defaultzeitpunkt LGD Laufzeit

EL ! E ( PD LGD | X )
unter Besicherungs-, Geschfts-, Kunden- und Konjunkturgegebenheiten X.
p

Je feiner das LGD-Modell, desto differenzierter ist die EL-Schtzung

Die Risikoparametermodelle ermglichen lediglich Aussagen ber E ( PD | X ) und E ( LGD | X ) Es gilt wegen allgemein konstatierter Korrelation zwischen PD und LGD

EL " E (PD | X ) E (LGD | X )


p

Fr eine korrekte Einschtzung der EL sind Kenntnisse ber diese Korrelation notwendig.

Warum sind PD und LGD korreliert?


Die Recoveries stammen von den Assets eines ausgefallenen Kreditnehmers, welche bzgl. des systematischen Downturn-Risiko sensibel sind. Dabei sind Engagements mit hheren LGD von diesem Effekt wegen des blichen 100%-Caps weniger betroffen (nachgewiesen von J. Frye).  Es existiert eine Abhngigkeit der Sicherheitenerlsquoten von der PD (S. Peura and E. Jokivuolle)  Empirische Untersuchungen auf Basis von Marktdaten zu High Yield junk Bonds zeigen gemeinsame Abhngigkeit der PD und des LGD von makrokonomischen Faktoren sowie von gewissen Parametern des Angebots und der Nachfrage (Altman, Brady, Resti and Sironi)


Today, () banks do their business then they compute risk. In the future, () they will compute risk then do their business.
Nutzen der Risikoparameter aus Gesamtbanksicht LGD in der Vorkalkulation (2)

Ron Dembo (Risk, 12/2002)

LGD in der Vorkalkulation


Korrekte Einbeziehung der LGD-Stochastik und der PD-LGD-Korrelation (systematisches Risiko) machen eine teilweise erheblich hhere Eigenkapitalunterlegung und damit konomische Kapitalkosten fr Kreditrisiken notwendig.
Expected Loss Eigenkapitalkosten fr Unexpected Loss PD Defaultzeitpunkt LGD Laufzeit

inkl. LGD-Stochastik/PD-LGD-Korrelation

ohne LGD-Stochastik/PD-LGD-Korrelation

EK-Unterlegung fr UL
Vergleichsergebnisse nach: Jon Frye, Collateral Damage: A Source of Systematic Credit Risk, 2000
Nutzen der Risikoparameter aus Gesamtbanksicht LGD in der Vorkalkulation (3)

LGD zur besseren Risikomessung und -steuerung


LGD-Stochastik und LGD/PD-Korrelation sind wichtige Risikotreiber und mit entscheidend fr die Bemessung des Gesamtrisikos. Ihre adquate Bercksichtigung fhrt zu einer verbesserten internen Risikomessung.

Nutzen der Risikoparameter aus Gesamtbanksicht Risikomessung und -steuerung

LGD in der Risikovorsorge


Nach dem Madrider Kompromiss werden nur noch UL in Basel II mit Kapital unterlegt. Es gibt aber einen Ausgleichmechanismus zwischen EL und den anerkennungsfhigen Wertberichtigungen. Dafr wird der folgenden Diskrepanzwert definiert:

! max WB  EL , 0.006 RWA


Die Summenbildung erfolgt dabei ber das Gesamtportfolio mit Ausnahme von Beteiligungen und Verbriefungen. Der EL bildet sich als Produkt von EaD, LGD und PD (PD ausgefallener Kredite ist gleich 1).

Falls Falls

< 0, so ist vom Kapital abzuziehen (50% Tier 1, 50% Tier 2) > 0, so kann eine Kapitalgutschrift beantragt werden (100% Tier 2) Expected Loss performing

LGD muss niedriger sein, um den EL nicht zu berzeichnen

Die anerkennungsfhigen WB umfassen EWB, PWB, LWB und Teilwertabschreibungen. Fr den nichtausgefallenen Teil des Portfolios ist der Downturn-LGD zu verwenden, fr den bereits ausgefallenen der erwartete LGD.

non-performing
wertberichtigt

Wertberich-

tigungen

PWB

EWB

Nutzen der Risikoparameter aus Gesamtbanksicht LGD in der Risikovorsorge

LGD in der Risikovorsorge


HGB und IAS geben wenig Spielraum, um eine EWB < LGDEaD zu bilden. Tz. 471 stellt alle Flle, in denen umgekehrt EWB > LGD EaD unter eine Begrndungspflicht und unterwirft diese einer genauen Prfung durch die Aufsicht. Konsequenz: die EWB-Quote ist als eine manuelle Korrektur der modellmig geschtzten LGD anzusehen mit weitreichenden Konsequenzen fr die Prozesse:  Qualitative Anforderungen von Basel an dem Prozess selbst  Detaillierte Begrndung der Abweichungen im Einzelfall  Backtesting der manuellen Korrekturen, da diese zu einer Verbesserung ggn. Modell fhren sollen

Die Verwendung des LGD zur Kontrolle der EWB, nmlich die Festlgung

EWB EaD fhrt zur deutlichen Einschrnkung des Spielraums fr EWB! LGDErwartet !
Dies impliziert zudem: falls die PWB/LWB nicht mindestens so gro sind wie der EL auf dem nicht wertberichtigten Portfolio, so ist die Differenz vom Kapital abzuziehen.

Auf diese Weise schrnkt sich auch der Spielraum fr PWB/LWB ein!

Nutzen der Risikoparameter aus Gesamtbanksicht LGD in der Risikovorsorge

LGD in der Risikovorsorge

Schwierigkeiten bei der Bercksichtigung von LGD fr die Bestimmung von Wertberichtigungen: IAS z.B. erlauben keine Bildung von PWB bei geringer PD (wo liegt die Grenze?), so dass die EL fr das performing Portfolio nicht ohne weiteres durch die PWB abgedeckt werden knnen. Eine Quersubventionierung durch andere Portfolioteile erscheint nach heutiger Lage notwendig. Trotzdem kann die Kenntniss der korrekten LGD die Gesamtkalibrierung der Wertberichtigungen erleichtern und verbessern.

LGD zur Prozessoptimierung im Work-Out und in der Intensivbearbeitung


Ziel eines effizienten Workout-Managements ist, Problemkredite schnell, wertschaffend und GuVschonend abzubauen.
Bausparkassen 3% 121 Mrd. Kreditbanken 26% 956,8 Mrd.

Genossenschaften 12% 423,5 Mrd.

Sonstige Institute 23% 810,6 Mrd.

Notleidend: 8,5% 300 Mrd.

Gesamtvolumen in 2004: 3,59 Mrd. Euro

Sparkassen 20% 702,4 Mrd.

Landesbanken 16% 579,2 Mrd.

Anteil Not leidender Kredite am Gesamtkreditvolumen im deutschen Kreditgeschft (2004)

Selbstverstndlich beeinflussen die Entscheidungen in der Intensivbearbeitung und whrend des Workouts den LGD der Forderung. Demnach ist ein valides und prdiktiv starkes LGD-Modell zwangsweise eine Funktion von diesen Entscheidungen.
Nutzen der Risikoparameter aus Gesamtbanksicht LGD zur Prozessoptimierung im Work-Out (1)

10

LGD zur Prozessoptimierung im Work-Out und in der Intensivbearbeitung

Workout-Entscheidung (Ei)

LGD x ! F ( E x1 ,..., E xn ; t x1 ,..., t xn )

Die LGD-Prognose der Forderung X unter Bedingung gegebener Workout-Entscheidungen und deren Zeitpunkte.

Der Weg zur Prozessoptimierung im Work-out ist demnach als Minimierungsaufgabe denkbar!
Finde forderungsspezifische Entscheidungen EE1 ,..., EE j und ihre Zeitpunkte tE1 ,..., tE j so, dass

Fx ( EE1 ,..., EE j ; tE1 ,..., tE j ) ! min Fx


Lsung dieser Aufgabe ermglicht straffere und effizientere organisatorische und prozessurale Gestaltung des Workout-Prozesses.

Nutzen der Risikoparameter aus Gesamtbanksicht LGD zur Prozessoptimierung im Work-Out (2)

11

LGD zur Prozessoptimierung im Work-Out und in der Intensivbearbeitung

Idee: Ratingverfahren fr Sanierungsentscheidung! Sanierungsentscheidung


  

Sanierungsfhigkeit Sanierungswrdigkeit Zentrale Entscheidung im WO-Prozess

Annahme: Komplexe Entscheidung kann durch strkere Formalisierung verbessert werden. Vorteile:
    

Bessere Entscheidung, Fehlerreduktion Gleichmigere Entscheidung Steuerungsmglichkeit durch GL Effizienzgewinne Mglichkeit quantitativer Kalibrierung

12

Limitierung auf Basis Expected und Unexpected Loss

Nutzen der Risikoparameter aus Gesamtbanksicht Limitierung auf Basis EL und UL

13

Kompetenzregelung auf Basis Expected Loss

Nutzen der Risikoparameter aus Gesamtbanksicht Kompetenzregelung auf Basis Expected Loss

14

Pricing der Handelsprodukte

Nutzen der Risikoparameter aus Gesamtbanksicht Pricing der Handelsprodukte

15

16 Assessment & strategische Analyse


Phasengliederung bersicht

Prozesse bzgl. Risikoparameter

Methodische Basis

Projektmanagement

Konzeption Datenhaushalt

Modellentwicklung

Iteration

Aufbau Datenhistorie

Aufbau Analyseumgebung

Mathematische Methoden Validierung

Vollstndiges Modell

Methodik Parametermanagement

Phasen eines typischen Projekts zur Entwicklung von LGD/EAD-Modellen


Assessment & strategische Analyse
Qualitative u. quantitative Zieldefinition Wege zu den Daten Modellgrenzen Quantifizierung des Verlusts Dokumentation: Verfahren und Umfang

Wahl des Modelltyps

Methodische Basis

Vorauswahl Risikofaktoren Abgrenzung der Prognose- und Auswertungsdomne

Iteration

Konzeption Datenhaushalt

Interne und externe Quellen

Aufstellung Datenkatalog

Erfassungslogik

Aufbau Datenhistorie

Implementierung Erfassungstool
Mitarbeiterschulungen Nacherfassung Permanenterfassung Daten QM

Aufbau Analyseumgebung Mathematische Methoden

Auswahl technischer Hilfsmittel

Analysedatenbank

Datenaufbereitung

IT-Design

Konservativittsgewhrleistung

Sonstige Risikofaktoren Overruling

Expertenbeurteilung Daten-/ErgebnisHistorisierung

Vollstndiges Modell

Reporting IT-Systeme

Konzept Problembehandlung

Projektmanagement

Phasengliederung bersicht

17

Qualitative und quantitative Zieldefinition


MaRisk schreiben vor, dass jedes Institut eine mit der Geschftsstrategie konforme Risikostrategie entwickelt. Aus der Risikostrategie leiten sich die Prioritten der Modellentwicklung ab: Risikoarten Geschftsarten Kundenarten regionale Mrkte etc. Aus der Risikostrategie knnen konkretere Anforderungen an die Modellentwicklung abgeleitet werden. Z.B.: Verbesserte regionale Differenzierung innerhalb des osteuropischen FK-Portfolios notwendig, da sich aus verstrkter Aktivitt in diesem Geschftsfeld voraussichtlich grere Risiken ergeben werden. In Abhngigkeit von Zielen und Anforderungen soll exakt definiert werden, was das zu entwickelnde Schtzverfahren leisten soll. Dies beinhaltet qualitative und quantitative Aspekte.

Phasengliederung Strategische Analyse- Qualitative und quantitative Zieldefinition

18

Qualitative und quantitative Zieldefinition


Der primre qualitative Aspekt ist bei der Modellentwicklung die genaue hauseigene Definition der zu schtzenden Zielgre (LGD, EaD). Dafr mssen die folgenden Fragen beantwortet werden:
Was sind die fr die Anwendung relevanten Komponenten des konomischen Verlusts? Was will man unter einem Kreditausfall verstehen?

Weitere wesentliche qualitative Aspekte: Portfoliabgrenzung unter Bercksichtigung der internen Prozesse und regulatorischen Vorgaben weitere? Die qualitative Zieldefinition wird begleitet durch die quantitative Festlegung von Zielen in Form von statistischen Gtemaen. Die anwendbaren Gtemae sollen beschrieben werden, wobei die Entscheidung getroffen werden muss, welche davon mit welchen konkret anzustrebenden Zielen angewendet werden sollen.

Phasengliederung Strategische Analyse- Qualitative und quantitative Zieldefinition

19

Quantifizierung des konomischen Verlusts


Nach Basel II mssen zur Quantifizierung des konomischen Verlusts alle wesentlichen internen und externen Einflussgren zum Zeitpunkt des Ausfalls in Hhe des Barwerts bercksichtigt werden. Als zustzliche Anforderung gilt: der konomische Verlust muss mit dem gebuchten Verlust vergleichbar sein. Sind zu den Zeitpunkten ti Cashflows Ci geflossen, so ist LGD im Allgemeinen als

LGD !1 

1 D(t0 , ti ) Ci EaD i

zu bestimmen, mit dem Betrachtungszeitpunkt t0 und einem Discountfaktor D. Die Wahl des Discountfaktors und das Konzept des konomischen Verlust hngen somit direkt zusammen. Je nach Anwendung knnen z. B. die folgenden Zinsstze als D benutzt werden: Der Vertragszinssatz: spiegelt die Opportunittskosten gewissermaen wider. Problem: nach dem Default hat man es nicht mit der ursprnglichen Forderung zu tun, sondern mit einem Aktivum ganz anderer Risikostruktur. Der Refinanzierungszinssatz: entspricht eher dem Risiko fr die Bank als dem systematischen Risiko der ausgefallenen Forderung. Der risikoloser Zinssatz allein ist in den meisten Fllen ein zu schwaches Ma fr den konomischen Verlust (ausser fr Cash-Sicherheiten u. .). Erhht um die Nettomarge des urspr. Geschfts und ausreichend konservative Risikoaufschlge, wird der risikofreier Zinssatz in der Praxis oft benutzt. Auf dem Markt fr ausgefallene Anleihen ex-post beobachtetes mittleres yield over time: kann verwendet werden, falls fr das gegebene Produkttyp (gleiche Konditionen, Besicherung, Senioritt usw.) ausreichend Daten aus dem entsprechenden Index vorhanden sind. Fr die meisten Exposureklassen wird das nicht der Fall sein.
Phasengliederung Strategische Analyse- Quantifizierung des konomischen Verlusts

20

Quantifizierung des konomischen Verlusts

Zuordnung von Ertrgen und Aufwnden zu den Defaultfllen inkl. aller wesentlichen internen und externen Kosten (werden zuweilen als auerordentlicher Ertrag/Aufwand gebucht) Konsolidierte Betrachtung ausgefallener Kreditnehmergruppen Quantifizierung des Refinanzierungsschadens Quantifizierung interner Prozesskosten Ausschluss von entgangenen Zinsen Definition der Vergleichsgre Wert vor Default Verlust = Wert nach Default Wert vor Default Weitere?

Phasengliederung Strategische Analyse- Quantifizierung des konomischen Verlusts

21

Modellgrenzen: Abgrenzung der Prognosedomne


Ein statistisches Modell zur Prognose von LGD oder EaD bezieht sich immer auf einen definierten Teil des Gesamtportfolios. Das wesentlichste Kriterium fr die Definition der Modellgrenzen ist die Homogenitt des Zielportfolios hinsichtlich des Einflusses der Risikofaktoren


Im Vorwege der Modellentwicklung ist dieses Kriterium nur auf Basis von Expertenwissen anwendbar

Die Modellabgrenzung orientiert sich in der Praxis an formellen Kriterien:


Basel II-Exposureklasse*
Unternehmen Unternehmen, allgemein KMU

Anzuwendendes internes Ratingverfahren Interne Kreditprozesse Auffllige Besonderheiten des Geschfts Katalog zu bercksichtigender Kreditarten Katalog zu bercksichtigender Sicherheitenarten
Eine nach Mglichkeit genaue Festlegung potenzieller Modellgrenzen bereits am Anfang spart spteren methodischen Aufwand. Hier bringen wir unsere Erfahrung ein. *In den mit gezeichneten Portfolioklassen hat SKS fundierte

Leasingforderungen Banken Staaten und Gebietskrperschaften Retailgeschft Beteiligungen

Projektfinanzierungen Rohwarenfinanzierungen Objektfinanzierungen

Verbriefungstransaktionen Angekaufte Forderungen Qualifizierte revolvierende Retailkredite Spezialfinanzierungen Einkommengenerierende Immobilien (IPRE) Hochvolatile gewerbliche Immobilienfinanzierungen (HVCRE)

Projekterfahrung
Phasengliederung Methodische Basis - Abgrenzung der Prognosedomne

22

Wahl des Modelltyps Ein Prognosemodell fr LGD ist grundstzlich in zwei Varianten denkbar:
 

Integriertes Modell: Es gibt nur ein Modell, das auch alle relevanten Arten von Sicherheiten bercksichtigt (Direkte LGD-Prognose) Modulares Modell: Es gibt separate Modelle fr die Schtzung einer Brutto-LGD (ohne Sicherheiten) sowie fr die Schtzung der separaten LGD-Beitrge der Sicherheiten.

Vorteile eines modularen Modells


 

Die einzelnen (Teil-)Modelle sind jeweils einfacher, was ihre mathematische Handhabbarkeit und ihre fachliche Plausibilisierung erleichtert. Die Validierung und gegebenenfalls Rekalibrierung der Teilmodelle kann separat und damit mit geringerem Aufwand und daher zeitnher und teilweise parallel erfolgen. Die modulare Modellierung ermglicht es, einzelne oder alle Sicherheitenarten aus der Prognose auszublenden, um so den Effekt der Besicherung explizit in der LGD sichtbar zu machen. Die Effizienz der Datennutzung ist besser, da z.B. Verwertungsinformationen aus einzelnen Kreditausfllen auch dann noch verwendet werden knnen, wenn ansonsten Informationen zu dem Fall fehlen. Integration der Einzelkomponenten

Besondere Herausforderungen des modularen Modells




Phasengliederung Methodische Basis Wahl des Modelltyps Modulares Modell

23

Wahl des Modelltyps Vorteile eines integrierten Modells


    

Whrend die Zerlegung eines Modells in Teilmodelle zwangsweise einen intuitiven Charakter hat, ist sie hierbei nicht erforderlich. Entwicklung und Implementierung der Verfahren zur Reintegration von Teilmodellen erbrigen sich. Die Annahme der Unabhngigkeit der Sicherheitenverwertung von den unbesicherten Forderungsteilen der Konten muss nicht getroffen werden. Integrierte Modelle erweisen sich als vorteilhaft fr die Entwicklung von DownturnLGD-Modellen, da alle Beitrge integriert analysierbar sind. Integrierte Modelle sind in den Situationen ohne genaue Kenntnis des Workoutvorgangs einsetzbar (insbesondere bei LGD-Schtzungen aufgrund von Marktdaten). Notwendigkeit der Untersuchung der im Allgemeinen nichtlinearen Anhngigkeiten zwischen den Parametern des Modells und der Zielgre.

Besondere Herausforderungen des integrierten Modells




Phasengliederung Methodische Basis Wahl des Modelltyps Integriertes Modell

24

Modularer Ansatz: Wahl der Zusammenhangsstruktur


Die Zusammenhangsstruktur eines modular aufgebauten LGD-Modells besteht aus einer genau definierten Teilmodellstruktur und einer Zusammenhangsformel, nach der die LGD-Prognosen aus Teilprognosen zusammengesetzt werden soll. Beispiel einer Teilmodellstruktur:
Ausfallbrgschaft Kaution Kreditversicherung Maschinen Waren Flugzeuge usw. Guthaben Wertpapiere LV; BSV

Modell Workoutzustnde
Modell Erlsquote Brgschaften/Garantien Modell Erlsquote Grundpfandrechte Modell Erlsquote Forderungsabtr. Modell Erlsquote Sicher.-bereignungen Modell Erlsquote Verpfndungen Modell Derivate Modell Restbedienungsquote Modell Forderungsverzichtsquote Modell zustandsspezifische Kosten

Modell Sicherheitenerlse

Modell Brutto-LGD*

LGD-Modell
LGD pro Workoutzustand

Modell Ziehungsquote Avale


Modell EaD bilanzielle Forderungen Geschftsartspezifische CCF- Modelle
(Credit conversion Factor)

Modell EaD
* Bei der Unterstellung, dass keine Sicherheiten vorhanden sind.

Modell EaD auerbilanzielle Geschfte

Phasengliederung Methodische Basis Wahl des Modelltyps - Wahl der Zusammenhangsstruktur

25

Modularer Ansatz: Wahl der Zusammenhangsstruktur Beispiel einer einfachen Modellstruktur:


Zwei Workout-Zustnde im Falle des Defaults:  Insolvenzverfahren und/oder Sicherheiten verwertet (Non-cure)  Kein Insolvenzverfahren, keine Sicherheitenverwertung (Cure) Bestandteile des Modells:
     

Modell Workoutzustnde: P(Non-cure) = 0,7, falls Branche des KN kapitalintesiv, = 0,8 sonst. Modelle fr Erlsquoten (EQ) der Sicherheiten. Z.B.: EQGrundpfandrecht = 1/Entfernung zur Autobahn Definition der Erlspotentiale (EP) der Sicherheiten. Modell fr Kosten fr jedes Workoutszenario EaD-Modell LGD-Modell fr unbesicherte zerschlagene Forderungen (Brutto-LGD)

Definiere Netto-LGD als:


P(Non-cure) * (Brutto-LGD*EaD + P(Cure) * KostenCure / EaD EQBrgschaft * EPBrgschaft EQGrundpfandrecht * EPGrundpfandrecht EQForderungsabtr. * EPForderungsabtr .- - KostenNon-Cure )/ EaD

LGD-Prognose = min {1.5, max {0.5, Netto-LGD}}


Phasengliederung Methodische Basis Wahl des Modelltyps - Wahl der Zusammenhangsstruktur

26

Beispielhafte Struktur eines integrierten Modells

Analog Downturn-Analyse Coba

27

Modellierung der Workoutzustnde


Je feiner das Workout-Modell ist, desto differenzierter sind die LGD-Modelle. Die Wahl des Workout-Modells hngt vom Volumen und der Struktur der Datenhistorie ab. Die Workoutzustnde (ihre Eintrittswahrscheinlichkeit) werden meist als relative Hufigkeiten ihrer Realisierungen in der Historie modelliert.

Phasengliederung Methodische Basis Wahl des Modelltyps Modellierung der Workoutzustnde

28

Auswahl Risikofaktoren
Potenzielle Risikofaktoren sind klar definierte Gren bzw. Merkmale, deren Einfluss auf LGD/EaD aus konomischer Sicht zu erwarten ist. Standard: 1-Jahres-Gap zwischen dem Erhebungsdatum des Risikofaktors und dem Default (Prognosehorizont). In der Praxis ist Festlegung eines zeitlichen Toleranzrahmens erforderlich. Der Kreis der in Frage kommenden Risikofaktoren ist vor allem abhngig von der zu untersuchenden Exposureklasse oder Sicherheitenart. Es sollten auch solche Risikofaktoren historisiert werden, deren Bedeutung heute nicht eindeutig ist: diese kann sich im Verlauf der Methodenentwicklung ndern Informationsbeschaffung und nachhaltige Datenpflege bedeuten auch bei Risikofaktoren einen groen Arbeitsaufwand. Das Verhltnis der geschtzten Relevanz eines Faktors zum Erfassungsaufwand soll im Vorab bekannt sein. Die Qualitt der Daten (vor allem Vollstndigkeit, Korrektheit, Genauigkeit) spielt hier wie auch an anderen Stellen eine zentrale Rolle fr die sptere Auswertbarkeit. Im Allgemeinen knnen Risikofaktoren wie folgt klassifiziert werden:  Kreditnehmerbezogene Risikofaktoren  Geschftsspezifische Risikofaktoren  Rahmenbedingungen: Wirtschaftslage, Rechtssystem, Politik  Sicherheitenspezifische Risikofaktoren

Phasengliederung Methodische Basis Auswahl Risikofaktoren

29

Kreditnehmerbezogene Risikofaktoren (Schwerpunkt: Corporates)


Gesamtengagement Cashflow / Umsatz Kreditnehmer Corporate Bank Staat Spezialfinanzierung Erfahrung des Mgmnts. Bilanz Eigenkapital / Bilanzsumme Rechtform Verbindl. Lieferanten / Bilanzsumme Branche Grssenklasse lt. Bilanzsumme Soft facts Alter der Bilanz Kapitalintensitt Marktstellung Nettoproduktion und ihre Dynamik Wirtschaftslage, Recht und Politik Branchenspezifische Stressfaktoren Kreditnehmerrating Alter des Ratings Zinssituation und -Dynamik Landesspezifische makrokonomiche Faktoren Jurisdiktion Ausfallwahrscheinlichkeit Politische Rahmenbedingungen BIP und seine Dynamik ??? Pro Kredinehmer vs. Pro Kreditgeber Insolvenzrecht Corruption Perception Index Prozessfortschritt (z.B. Abwicklung zu 80% abg. oder Zeit seit Default) Political & Ecooimical Freedom Index Entwicklung Aktienindices

Sitzland und Nationalitt

Prozesszustand (z.B. Sanierung/Insolvenzverf. ) Defaulttiefe

Phasengliederung Methodische Basis Auswahl Risikofaktoren - Kreditnehmerbezogene Risikofaktoren

30

Geschftsbezogene Risikofaktoren (Eine Auswahl)


Engagement Kontokorrent Geschftsart Darlehen Geldmarkttitel Avale Whrung Akkreditive Konsortialarrangements Sind meist implizit durch Waren aus Grundgeschft besichert Besser kontrollierbar als Darlehen wg. laufender Linienberwachung Verwendungszweck idR. bekannt; potenziell hherer Refinanzierungsschaden als KK (weil idR. Langfristinvestitionen) Fungibilitt

Laufzeit

Die Mglichkeiten einer Restrukturierung hngen von der Produktart ab!

Transaktionsrating

Ausfalltiefe: Wertberichtigungen

Rang

Covenants

Recovery Rate Distribution by Seniority/Security. Aus: Debt Recoveries for Corporate Bunkruptcies, Moodys Investor Services, New York 1999

Phasengliederung Methodische Basis Auswahl Risikofaktoren- Geschftsbezogene Risikofaktoren

31

Sicherheitenbezogene Risikofaktoren (Eine Auswahl)


Besicherung Art der Sicherheit

Grundpfandrecht

Schnellere Realisierbarkeit; bei entsp. Erwhnung in der Urkunde Rckgriff auf das persnliche Vermgen des Schuldners mglich Objektart Einfamilienhaus Lagerhalle Reihenhaus Ferienhaus Objektart gibt Aufschluss ber die Nutzungsmglichkeiten eines Objekts. Besonders nachgefragte Objekte bringen hhere Erlsquoten.

Wohnwirtschaftlich Gewerblich Objektland Objektrating

Supermarkt

Hotel < 100 Zimmer ...

Alter Gutachten Alter Rating

Vorliegen eines vollstreckbaren Titels

Brgschaftsart Brgschaft Verflechtungen Brge/Kreditnehmer Daten zum Brgen: s. Kreditnehmerbezogene Faktoren

Branche Nationalitt

Globalzessionen haben eine grere Risikostreuung; Einzelzessionen, falls bereits fllig, sind einfacher zu verwerten.

Forderungsabtretung

Daten zum Forderungsschuldner Globalzession/Einzelzession

Phasengliederung Methodische Basis Auswahl Risikofaktoren - Sicherheitenbezogene Risikofaktoren

32

Konzeption Datenhaushalt: Aufstellung eines Datenkatalogs Der Datenkatalog soll die konkreten Anforderungen der Zielanwendung bercksichtigen:
     

die abzudeckende Portfoliobereiche, den Zeitplan, die zu verwendende Defaultdefinition, ggf. die Behandlung von verkauften ausgefallenen Forderungen, die zu erfassenden Merkmale des Workoutablaufs, die Einschtzung der Relevanz der zu erfassenden Parameter und Risikofaktoren.

Kreditartenspezifische Definition grundlegender Begriffe (Linie, Inanspruchnahme, Laufzeit usw.) soll bercksichtigt werden. Man soll die Besonderheiten bestimmter Kreditarten bezglich des bentigten Datenhaushalts (z.B. Akkreditive, Avale) beachten. Wichtiger Aspekt: Erwgung Kosten vs. Nutzen bei der Definition des Informationsumfangs sowie der Umfang mglicher Erweiterungen im anfnglich geplanten methodischen Weg.


Expertenseitige Beurteilung + SKS-Erfahrung

Phasengliederung Konzeption Datenhaushalt Aufstellung eines Datenkatalogs

33

Konzeption Datenhaushalt: Datenquellen




Interne Defaultquellen

Diese sollen die Basis des Datenhaushaltes bilden. Es handelt sich um abgeschlossene, ggf. auch laufende Flle mit Hinzunahme der aktuellen Risikovosorge.


Datenpooling im Rahmen ggf. bestehender/anzuleitender Kooperationen

Ziel ist dabei eine Erweiterung der Datenbasis in den Bereichen, wo die eigene Defaulthistorie fr die anzustrebende Modellform nicht ausreicht. Datenpooling ist mit den Fragen der Kooperationskoordination, Datenintegrationsproblematik und Methodenanpassung verbunden.


Beobachtungen vom Anleihenmarkt

Durch Markdaten ist eine Erweiterung der Datenbasis durch erhebliche Menge zustzlicher Defaultflle und groen Zeitraum mglich. Auch bei bereits vorhandenen LGD-Modellen sollten diese zur Ergebnisvalidierung durch Benchmarking der Prognosequalitt der Schtzungen herangezogen werden. Problematik: Zusammenhang zwischen Verlusten aus Anleihen und Krediten; Identifikation der Defaultflle; Ermittlung historischer Kurse; Ermittlung der Verlusthhe.


Marktpreise fr Anleihen der nichtausgefallenen Marktteilnehmer

Die Marktpreise spiegeln neben der Ausfallwahrscheinlichkeit des Emittenten auch die Erwartung an den LGD seitens Marktteilnehmer. Es handelt sich um eine potenziell sehr groe Datenquelle, die Datengrundlage fr die Entwicklung innovativer Schtzverfahren liefern kann. Basel II / SolvV fordert, sowohl interne als auch externe Daten fr die Entwicklung von Schtzverfahren heranzuziehen.
Phasengliederung Konzeption Datenhaushalt Datenquellen

34

Reprsentativittsfragen


Reprsentativitt der Daten ist ein wichtiger Aspekt der Validierung des Gesamtmodells. Das Ziel ist die Kontrolle der Relevanz des Entwicklungssamples fr das spezifische Kundensegment.
Alle historischen Ausfallflle (spezifisches Portfoliosegment), Grundgesamtheit Entwicklungsstichprobe Gut nacherfasste Flle, Auswertungsmenge fr das Modell Anwendungsbereich des Modells (spezifisches Portfoliosegment) zum Zeitpunkt der Modellanwendung

Entwicklungsstichprobe

2 3

4 5

Non-performing Portfolio

Noch nicht nacherfasste Flle

Performing Portfolio

Verworfene Flle

1: Die fr die Nacherfassung gezogene Stichprobe muss fr alle ausgefallenen Flle reprsentativ sein. 2: Das Modell basiert auf gut erfassten Fllen. Sind diese reprsentativ fr die ganze Stichprobe? 3: Einige Flle konnten nicht erfasst werden (z.B. Akte verloren). Gibt es Verzerrungen im Gesamtbild? 4: Ist die Auswertungsmenge reprsentativ fr das aktuelle non-performing Portfolio? 5: Ist die Auswertungsmenge reprsentativ fr das aktuelle performing Portfolio (fr das die Prognosen erstellt werden)? Zur berprfung kann das performing Portfolio PD-gewichtet werden.
Phasengliederung Validierung - Reprsentativittsfragen

35

Reprsentativitt

Mgliche Ursachen von Nicht-Repr.:




Verzerrung durch Abh. LGD von Abwicklungsdauer, Zush. mit Selektionskriterium (z.B. "Alle Flle, die zwischen 1997 und 2006 wertberichtigt wurden" vs. "Alle Flle, die zwischen 1997 und 2006 abgeschl. wurden) Erluterung Erluterung Erluterung Erluterung Vernderte Geschftsstrategie Erluterung Erluterung Erluterung Erluterung Vernderte PD zwischen z.B. Kundengruppen Erluterung Erluterung Erluterung Erluterung Weitere

36

Konzeption Datenhaushalt: Interne Defaultdaten


Defaultflle mssen im Datenhaushalt des Kreditinstituts identifiziert werden, wobei:

in einer ggf. heterogenen Datenlandschaft alle historischen Defaultflle gem Ausfalldefinition als solche erkannt werden sollen, die Zuordnung der Defaultflle zu Teilportfolien gem gltiger Portfolioabgrenzung erfolgen muss.

Bei der Auswahl der zu erhebenden Defaultflle muss eine gesteuerte Vorselektion getroffen werden. Die Selektionskriterien mssen objektiv, sinnvoll und nachvollziehbar sein. Die Definition der zu erfassender Stichprobe muss beinhalten:
eine eine die die die

zeitliche Abgrenzung (z.B. alle innerhalb von 7 Jahren vor 2006 abgeschlossenen Akten), Formulierung der Mindestanforderungen an die Qualitt der Flle,

Wahl der optimalen Stichprobengre, Gewhrleistung der Reprsentativitt der Stichprobe fr die Defaulthistorie der Bank, Gewhrleistung der Synchronitt der Datenbasis mit der PD-Schtzung.

Die Basel II-Default-Definition muss dabei nicht verwendet werden. Spter, falls die Erfllung der Basel IIAnforderungen angestrebt ist, ist eine Abbildung auf die Baseler Ausfalldefinition notwendig, so dass der Zusammenhang bereits von Anfang an im Blickfeld sein sollte.

Sowohl die PD- als auch die LGD-Kalibrierung soll auf Baseler Ausfalldefinition erfolgen!
Phasengliederung Konzeption Datenhaushalt Interne Datenquellen

37

Konzeption Datenhaushalt: Auswahl der Stichprobe Ein wichtiger Aspekt bei der Auswahl der Stichprobe ist die Synchronitt der Daten mit der Datenbasis der PD-Schtzung. Beispiel:
PD-Schtzung: Alle Kreditnehmer, fr die in der Zeit 1997-2002 eine EWB gebildet wurde LGD-Schtzung: Alle Kreditnehmer, fr die in der Zeit 1997-2002 eine Abschreibung gebildet wurde

Konsequenzen:


Die Abschreibung wird i.d.R. wesentlich spter gebildet als die EWB, so dass bei der LGD-Schtzung auch Kreditnehmer bercksichtigt werden, fr die vor 1997 eine EWB gebildet wurde. Abschreibungen werden seltener gebildet als EWB. Somit werden Cure-Flle aus der LGD-Betrachtung nicht jedoch der PD-Betrachtung ausgeklammert.

Die LGD-Schtzung ist zu hoch; es wird zu viel Eigenkapital bentigt.

Phasengliederung Konzeption Datenhaushalt Interne Datenquellen Auswahl der Stichprobe

38

Konzeption Datenhaushalt: Externe Defaultdaten


Bei geplanter Verwendung externer Datenquellen (Defaultdaten sowie externen Schtzungen) mssen die folgenden Analysen durchgefhrt werden: Analyse der Diskrepanzen in der bankspezifischen Natur der Daten, i. A.:
Unterschiedliche Standards bei der Kreditvergabe,

Unterschiede in Bestimmungen und Verfahren des Workout-Managements;

berprfung der Genauigkeit der externen Daten, Analyse der Vergleichbarkeit der Exposures, von welchen die externen Schtzungen abgeleitet wurden, bzgl. Assetcharakteristiken und Zeitraums, mit den Exposures, auf die diese Schtzungen angewendet werden sollen, (durch Reprsentativittsanalyse zu prfen) Analyse ggf. vorhandener Abweichungen bei den Ausfall- und Verlustdefinitionen.

Phasengliederung Konzeption Datenhaushalt Externe Datenquellen

39

Konzeption Datenhaushalt: Komponenten des konomischen Verlusts


Entsprechend der Verlustdefinition mssen alle zur Berechnung des tatschlichen Verlusts notwendigen Werte miterfasst werden. Die Erfassung dieser Daten erfolgt blicherweise je Konto.
Regelmige Kapitalleistungen Regelmige Zinsen Regelmige Gebhren Besondere Gebhren (aufgrund des Default) Erlse aus Sicherheiten Kalkulatorische Ertrge Refinanzierungszins Bestandteile des Diskontzinssatzes Standardrisikokosten Standarbearbeitungskosten Nettomarge Opportunittskosten Erhhte Prozesskosten (aufgrund des Default)

IST-LGD

Kosten der Sicherheitenverwertung Kalkulatorische Kosten

Phasengliederung Konzeption Datenhaushalt Komponenten des konomischen Verlusts

40

Konzeption Datenhaushalt: Grundlegende Erfassungslogik


Die Definition der Eingabedaten erfolgt in der Regel nach einer entittsbasierten Logik. Diese verbindet die folgenden Elemente:
Defaultfall Sicherheit Konditionen Sicherheitenpool Kreditnehmer Zweckerklrungen Konto Plan/Ist-Cashflow

Kreditakte
1 : 1 1 : 1 1 : k Kopfbereich Gesamtengagement

d : m

Sicherheiten

s : m Kreditnehmer Personalien (P)

Bewegungen

n : m

1: 1

Rating (F/P) Stammdaten (F/P) Einzelbilanz (F) d : n s : n

Konten
Entstehung (F) 1 : m Ausfallinformationen 1 : n

Phasengliederung Konzeption Datenhaushalt Grundlegende Erfassungslogik

41

Das Parametermanagement soll umfassen:


   

Laufende Performancebeurteilung Erstellen und Analysieren der aus dem internen Ratingsystem generierten Reports berwachung und Dokumentation aller nderungen im Ratingprozess Analyse der Vernderungsgrnde, berwachung der Ratingkriterien, interne Prfung und Sanktionierung der Methoden usw.

42

Aufbau Datenhistorie
Die Datenerhebung setzt sich aus einem mehrstufigen Prozess zusammen. Es ist grundstzlich zwischen der Nacherfassung historischer Ausfalldaten und der Permanenterfassung laufender Defaultflle zu unterscheiden.
Im zeitlichen Ablauf lassen sich die wichtigsten Prozessbausteine der Datenerhebung wie folgt darstellen:
Einweisung der Datenerheber Aktive personalisierte Datenerfassung Support Steuerung und Koordination Kontrolle der Datenqualitt (Vollstndigkeit, Korrektheit, Genauigkeit, Aktualitt)
Initialphase Minimalhistorie Resthistorie Permanenterfassung

Unter der Minimalhistorie ist die Menge von Daten zu verstehen, die den Einstieg in die datenbasierte Methodenentwicklung ermglicht.

Die Komplexitt der Aufgabe erfordert i. d. R. die Verwendung eines Erfassungstools!


Zeitliche Dimensionen der Datenerhebung: Erfassungsaufwand je Fall ca. 1-5 PT, je nach:
   

Verfgbarkeit der Daten in den Systemen Auswertbarkeit der Systeme Verfgbarkeit Kreditakten Zustand Kreditakten

   

Komplexitt der Flle Zentrale oder dezentrale Erfassung (ggf. international) Qualifikation, Krediterfahrung der Erfasser Form des Datentrgers (Microfiche?)

Phasengliederung Aufbau Datenhistorie

43

Aufbau Datenhistorie: Datenqualittsmanagement


Ziel des Datenqualittsmanagements ist zu gewhrleisten, dass die Daten aktuell, konsistent, qualitativ zuverlssig und quantitativ ausreichend sind. Die Datenqualitt wird gewhrleistet durch:
Verfassung klarer Erfassungsrichtlinien Schulungsmassnahmen fr die Erfasser automatische Checks im Erfassungstool QS-Durchlufe im Erfassungsprozess ausgereiftes Statuskonzept adquate Stichprobengrsse
Z. B.: 100: Die Akte nach den aktuellsten Richtlinien vollerfasst und qualittsgesichert 099: Die Akte nach den aktuellsten Richtlinien erfasst und qualittsgesichert (ausser Sicherheiten) 098: Die Akte nach den aktuellsten Richtlinien erfasst und qualittsgesichert (nur Sicherheiten verwertbar) 097: Die Akte ist definitiv und komplett nicht verwertbar 067: Erfassung durch Filiale abgeschlossen. 002: QS Stufe I OK. Akte an die Erfasser geschickt 001: Vorbefllung abgeschlossen

Sehr wichtigen Beitrag zur Datenqualittskontrolle kann die parallel zur Datenerfassung laufende statistische Methodenentwicklung liefern (Ausreisseranalyse, Werthufungen u. .) Datenkonsistenz: Transaktionskonsistenz und physische Integritt der Daten bei der Erfassung soll durch das Erfassungstool gewhrleistet werden.
Phasengliederung Aufbau Datenhistorie - Datenqualittsmanagement

44

Aufbau Datenhistorie: Datenqualittsmanagement


Eine der zentralen Funktionalitten eines Datenerfassungstools soll eine weitgehend automatisierte Plausibilittsberprfung der Daten bei der Eingabe sein. Einige Beispiele:
Falls das Konto aufgrund des Bilanzschlssels ein Aval ist & ein Exposure zum Defaultzeitpunkt eingetragen & die Inanspruchnahme des Avals aufgrund der Cashflows mit Cashflowart AVAL negativ oder grer als das Exposure zum Defaultzeitpunkt -> Die Inanspruchnahmen sind unplausibel, da sie negativ oder grer als der verbrgte Betrag sind. Falls die Brgschaftnahme eingetragen ist aber die Whrung fehlt, wird eine Meldung erzeugt. Falls ein Cashflow der Cashflowart Avalinanspruchnahme bei einem Konto vorkommt, das kein Avalkonto ist, so wird eine Meldung erzeugt. Falls eine Avalinanspruchnahme als eingehender Cashflow erfasst wurde, so wird eine Meldung erzeugt. Falls die Verbindlichkeiten gegenber Lieferanten negativ sind, wird eine Meldung erzeugt (Bilanzdaten QS). Falls die Rechtsform des Brgen fehlt, wird eine Meldung erzeugt. Falls ein IST-Cashflow ab dem Prfungszeitpunkt betrachtet n der Zukunft liegt, wird eine Meldung erzeugt. Falls die Hhe der Vorlasten (bei Grundpfandrechten) fehlt, wird eine Meldung erzeugt (Vollstndigkeitscheck). Falls fe einen Defaultfall IST-Cashflows vorhanden sind und das Abschlussdatum gepflegt ist und der letzte IST-Cahsflow mehr als ein Jahr nach dem Abschlussdatum liegt, so wird eine Meldung erzeugt.

Phasengliederung Aufbau Datenhistorie - Datenqualittsmanagement

45

Aufbau Datenhistorie: Datenerfassungstool SKS untersttzt Sie bei der Entwicklung und Pflege der Tools fr die Nacherfassung historischer Defaultdaten sowie fr die Permanenterfassung laufender Flle. Wir verfgen ber mehrjhriges Know-how

in der Erfassungslogik, im Entwerfen und Implementieren solcher Tools auf verschiedenen IT-Plattformen, in der Einleitung, Betreuung und Steuerung des Erfassungsprozesses, in Situationen mit mehreren geografisch von einander entfernten Erfassungsstellen.

Der vorhandene Prototyp ist


skalierbar auf verschiedene Datenanforderungen, skalierbar auf die Gre des zu erfassenden Samples, anpassbar auf Ihre Datenlandschaft, implementiert auf den Plattformen MS-Access (VBA), .NET (C#).

Phasengliederung Aufbau Datenhistorie - Datenerfassungstool

46

Aufbau Datenhistorie: Datenerfassungstool Beispiele von Erfassungsmasken

47

48

Analyseumgebung fr die Modellentwicklung: Datenaufbereitung I


IT-Landschaft
Interne Daten Datenabzug Datenaufbereitung Phase I Auswertungsoptimiertes Datenmodell Externe Daten Datenabzug Auswertungsorientierte Statuslogik Multikriteriale Datenfilterung Expertenvorgaben Datensynthese und -aggregation Analysedatenbank

Die Datenaufbereitung stellt die im Erfassungstool erfassten Parameter in einer fr die LGDSchtzmethodik geeigneter Form zusammen. Sie bildet somit eine Schnittstelle zwischen dem Erfassungsprozess und der Methodenentwicklung. Im ersten Schritt sollen die pro Kreditakte bzw. Defaultfall erfassten Daten (in der Regel etwa 200) fr weitere Auswertungen zentral gestellt werden. Dabei werden blicherweise

homogene Entitten pro Defaultfall geeignet aggregiert zustzliche Checks und Statusabfragen auf aggregierter Datenebene durchgefhrt

Die Aufbereitung soll sowohl eine akten- als auch kontoorientierte Sicht ermglichen Die Implementierung der Analyseumgebung erfordert eine Verbindung des fachlichen Verstndnisses der methodischen Anforderungen sowie Erfassungsrealien mit der IT-Erfahrung.
Phasengliederung Analyseumgebung fr die Modellentwicklung - Datenaufbereitung I

49

Analyseumgebung fr die Modellentwicklung: Datenaufbereitung II


Im zweiten Schritt der Datenaufbereitung soll in einer Analysedatenbank ein fr die Bedrfnisse der Modellentwicklung optimiertes Datenmodell entwickelt und implementiert werden.
Die Daten aus dem Erfassungsmedium werden dabei zustzlich um weitere Daten, die sich aus jenen ableiten lassen, ergnzt, z. B.:
  

durch Implementierung der LGD-Formel aus LGD-Modulen; durch Implementierung der Formeln fr die Sicherheitenerlsquoten; durch Implementierung der methodisch festgelegten Diskontierung der Cashflows.

Fremdwhrungsumrechnungen sollen vorbereitet und durchgefhrt werden. Homogene Entitten pro Defaultfall werden in diesem Schritt geeignet aggregiert. Auf aggregierter Datenebene werden zustzliche Checks und Statusabfragen implementiert. Die Analyseumgebung muss konsequent als IT-System aufgefasst werden, wobei  fachliche und mathematische Anforderungen durch das Risikomanagement erfllt sein mssen,  IT-System Analyseumgebungdurch das Risikomanagement effizient wartbar und verwendbar sein muss,  gute Designprinzipien fr die Entwicklung von IT-Systemen bercksichtigt werden mssen,  Dokumentation und Archivierung revisionssicher erfolgen mssen.

Das SKS-Entwickler- und Mathematiker-Team bringt in hnlichen Projekten erprobtes Expertenwissen in S-Plus, SAS, R, Maple und Matlab sowie traditionellen Programmiersprachen (C++, Java) und Entwicklungsumgebungen (Oracle, CORBA) mit.
Phasengliederung Analyseumgebung fr die Modellentwicklung - Datenaufbereitung II

50

Datenaufbereitung: Ableitung der Zielgren


Die Ableitung von den historischen LGD/CCF bildet die Grundlage fr die Entwicklung der Prognosemodelle.
Anwendungsabhngige Datenwahl in der Auswertungsdatenbank
Feldartabhngige Filter QS-Satus Filterung relevanter Exposureklassen

Anwendung Floors und Caps Bewegungsaggregation Bewegungsfilterung Missing value handling Barwertbildung, wo methodisch vorgesehen Whrungsumrechnung, wo methodisch vorgesehen Methodische Datenanpassung Implementierung Formeln fr die zu untersuchenden Gren (Ist-LGD, Ist-Erls )
Ermittlung relevanter risikoloser Zinsstze Ermittlung Risikokosten Ermittlung Betriebskosten Ermittlung exposuretypischer Nettomarge Missing value handling (z.B. bei fehlenden Zinsdaten zu einer Whrung, zu einem Datum) Missing value handling Anwendung Floors und Caps Bewegungsfilterung

Phasengliederung Analyseumgebung fr die Modellentwicklung Datenaufbereitung: Ableitung der Zielgren

51

Mathematische Methoden
Die Kalibrierung des LGD-Modells muss nach Basel II anhand einer quantitativen Referenz erfolgen. Statistische Analysen sind die wichtigste Mglichkeit, die Ursache-Wirkungs-Beziehung zwischen mglichen Risikofaktoren und der Zielgre LGD zu untersuchen und zu beschreiben. Vorhandenes Expertenwissen liefert einen plausiblen Ausgangspunkt. Statistische Analysen sind notwendig:
     

zur Feststellung des Vorhandenseins und der Form mglicher Zusammenhnge in den Daten zur Quantifizierung des Zusammenhangsmaes zum Vergleichen der Aussagekraft konkurrierender Modelle fr die Untersuchung der Stabilitt und der Genauigkeit eines erstellten Modells fr die zustzliche Sicherung der Datenqualitt (z. B. durch Ausreieranalysen) fr die Durchfhrung der Reprsentativittsuntersuchungen

Die Anstze knnen von den elementaren bersichtsmaen bis zu den Anwendungen stochastischer Differentialgleichungen reichen. Es zeigt sich, dass sich an einer Vielzahl von entscheidenden Punkten im wesentlichen fachliche Fragestellungen ergeben. Die enge Zusammenarbeit von Mathematikern und Kreditexperten ist daher ein entscheidender Erfolgsfaktor fr die Entwicklung einer LGD-Schtzmethodik.
Phasengliederung Mathematische Methoden

52

Mathematische Methoden
Typische Elemente einer statistischen Analyse fr workout-basierte LGD-Modelle

SKS bernimmt den mathematischen Teil der LGD/EaD-Modellentwicklung vollstndig oder untersttzt Ihr mathematisch-methodisches Team in allen fachlichen Aspekten.
Phasengliederung Mathematische Methoden

53

Mathematische Methoden

Iterationsschema
Datenerfassung Daten-QS
Daten

Statistisch nicht auswertbar

Faktoren, Expertenvorschlag

??? ??? ??? ??? ??? ?

Statistik

Zusammenhangsmodell, Vorschlag

Deskriptive Berichte bersichten


54
Phasengliederung Mathematische Methoden

Modellvorschlge als Grundlage fr weitere (expertengetriebene) Vervollstndigung

Mathematische Methoden Es soll bereits frhzeitig ein Konzept fr die Behandlung fehlender Werte (Missing Values) entwickelt werden. Es gibt dabei drei grundstzliche Lsungsalternativen, ber die fr jedes Datenfeld separat, vor allem fachlich entschieden werden muss:  Zum einen ist es mglich, aus fachlichen Erwgungen heraus einen Defaultwert zu definieren, der entweder der bei weitem wahrscheinlichste ist oder der fr die LGDSchtzung als neutral angesehen wird.  Zum anderen knnen Verfahren festgelegt werden, mit denen ein Defaultwert aus der verfgbaren Stichprobe (z.B. durch Mittelung, ggf. mit Zu- oder Abschlgen) zu bestimmen ist.  Schlielich kann vor allem bei besonders wichtigen Daten auf die Bercksichtigung des Datensatzes verzichtet werden.

55

Vollstndiges LGD-Modell
Das vollstndige Modelldesign trgt auch solchen Risikofaktoren Rechnung, deren quantitativer Einfluss nicht statistisch modellierbar ist. Es beinhaltet ein adquates Ma an Konservatismus und spiegelt die wirtschaftliche Realitt wider.

56

Vollstndiges Modell: Prozesse fr den operativen Betrieb


Korrekte Implementierung der Prozesse fr den operativen Betrieb des Modells muss die folgenden Punkte beinhalten:  eine zuverlssige Prfung der fachlichen Eigenschaften der verwendeten Daten,
o

Z.B. Erfllung Basel II-Anforderungen durch im System erfasste Sicherheiten

     

eine reibungslose Ratingvergabe mit klaren und nachvollziehbaren Overruling-Regeln, die Effizienz des Reportings, eine leichte Problembehandlung, durchdachte Historisierung der Daten und Ergebnisse fr verschiedene Zwecke, die Schnelligkeit und die Schnittstellenstabilitt der einbezogenen IT-Systeme sowie die Gewhrleitung der Reproduzierbarkeit der Konfiguration der verwendeten technischen Einrichtungen.

57

LGD: Bausteine der Methodenentwicklung Validierung der Methodik

Ohne Validierung ist die umfassende Beurteilung der Zuverlssigkeit und letztendlich der Nutzbarkeit der Modelle nicht mglich Validierung ist ein fundamentaler Aspekt des IRB-Ansatzes
 

als Qualifizierungskriterium als laufende Kontrolle


supervisors will focus on compliance with the minimum requirements as a means of ensuring the overall integrity of a banks ability to provide prudential inputs to the capital calculations and not as an end in itself. Basel Committee Neewsletter No. 4 (January 2005)

Sowohl aus regulatorischer als auch aus Banksteuerungssicht besteht permanente Notwendigkeit
   

die Objektivitt die Genauigkeit die Stabilitt die Adquanz des Konservatismus

sowohl der Modelle selbst als auch des Gesamtprozesses der Erzeugung und der Verwendung von Schtzungen bewerten zu knnen
58

LGD: Bausteine der Methodenentwicklung Validierung der Methodik

Validation Subgroup der Basel Committees Accord Implementation Group formuliert 6 Prinzipien fr die Validierung der internen Rating 1. Die Hauptaufgabe der Validierung ist die Beurteilung der Vorhersagekraft der bankinternen Risikoschtzungen und des Gebrauchs der Ratings in den Kreditprozessen
 

Die Risikogehaltsschtzungen mssen effizient sein Impliziert schnelles Reassessment der IRB-Parameter, falls wesentliche Abweichungen in den Vorhersagen festgestellt werden

59

Backup

60

LGD: Bausteine der Methodenentwicklung

Downturn-LGD

Nach den Bestimmungen des Baseler Akkords muss die Mglichkeit von erhhten LGD in Zeiten wirtschaftlichen Abschwungs in den Prognosen bercksichtigt werden.


Es mssen stets konjunkturelle Einflussfaktoren auf den LGD untersucht werden Zudem muss die Korrelation zwischen PD und LGD untersucht werden

Es wird jedoch explizit die Mglichkeit anerkannt, dass LGD auch in konjunkturellen Abschwngen von dem langjhrigen Durchschnitt nicht systematisch abweicht

Korrelation oder sonstige


Abhngigkeit feststellbar?

Ja

Nein

Eine konservative Korrektur der Prognose ist erforderlich

Auf einem zu begrndenden Konfidenzniveau muss eine Obergrenze fr die trotzdem mgliche konjunkturelle Abhngigkeit festgelegt werden

61

LGD/EaD: Vollstndige Methodik


Definition Anwendungsbereiche des Modells Definition Auswertungsbereiche zur Modellkalibrierung Definition Datenhaushalt Erfassungsprozess DatenQS-Management Statistische Analysen Erfassungstool Datenaufbereitung

Expertenanpassung Modell

Kontrolle Zwischenergebnisse Historisierungsprozesse

Daten Zwischenergebnisse Modell

62

Was ist Loss Given Default (LGD)?


Die Verlustquote bei Ausfall ist als zu erwartendes Verhltnis des Verlusts infolge eines Ausfalls einer Gegenpartei zu dem Betrag, der zum Zeitpunkt des Ausfalls aussteht, zu schtzen
136 (1) Solvabilittsverordnung

TKX8

Das Institut muss Schtzungen der Verlustquote bei Ausfall verwenden, die auch fr einen wirtschaftlichen Abschwung angemessen sind, sofern diese Schtzungen konservativer als der Langzeitdurchschnitt sind
136 (3) Solvabilittsverordnung

TKX7 die LGD fr ausgefallene Kredite sollen das Potenzial zustzlicher unerwarteter Verluste widerspiegeln
Tz. 471 Basel II

63

Slide 64 TKX7 Konzept des Unexpected LGD ist eher kontrovers und sollte daher nicht gleich am Anfang vorgestellt werden. Es handelt sich vielleicht eher um ein Add-On fr interne Zwecke.
Torsten Kemps-Benedix, 3/31/2006

TKX8 langfristiger Durchschnitt


Torsten Kemps-Benedix, 3/31/2006