Model Risk in Credit Portfolio Models

Stellen Sie sich vor, eine Bank sei wie ein riesiges Schiff, das durch ein stürmisches Meer aus finanziellen Risiken navigiert. Um sicher zu bleiben, nutzt der Kapitän (die Bank) ein ausgeklügeltes Navigationssystem (ein Kreditportfoliomodell), um vorherzusagen, wie viel Schaden das Schiff nehmen könnte, wenn einige Passagiere (Kreditnehmer) ihre Kredite nicht zurückzahlen.

Das Problem ist, dass die Karte des Kapitäns nicht perfekt ist. Die Zahlen auf der Karte – wie etwa die Wahrscheinlichkeit, mit der ein Kreditnehmer ausfällt, oder wie viel Geld verloren geht, wenn dies geschieht – sind lediglich Schätzungen basierend auf begrenzten Daten. Diese Unsicherheit wird als Modellrisiko bezeichnet. Es ist, als würde man versuchen, ein Auto in dichtem Nebel zu fahren; man weiß zwar, dass die Straße da ist, aber man ist sich nicht genau sicher, wo sich die Ränder befinden.

Dieses Papier, geschrieben von Christian Meyer, schlägt einen cleveren Weg vor, wie man diesen Nebel durchquert, ohne sich zu verirren. Anstatt so zu tun, als existiere der Nebel nicht, schlägt der Autor vor, die Unsicherheit als Teil der Reise zu betrachten.

Hier ist die einfache Aufschlüsselung der Hauptideen des Papiers:

1. Das Kernproblem: „Punktwerte“ vs. Realität

Normalerweise wählen Banken für jeden Risikofaktor eine einzige Zahl.

• Wahrscheinlichkeit des Ausfalls (Probability of Default, PD): „Es besteht eine Chance von 1 %, dass dieser Kreditnehmer ausfällt.“
• Verlust bei Ausfall (Loss Given Default, LGD): „Wenn er ausfällt, verlieren wir 50 % des Geldes.“
• Korrelation: „Wenn ein Kreditnehmer ausfällt, besteht eine Chance von 10 %, dass sein Nachbar ebenfalls ausfällt.“

Das Papier argumentiert, dass die Behandlung dieser Werte als feste Zahlen gefährlich ist, da sie in Wirklichkeit unscharf sind. Die reale Welt ist chaotisch.

2. Die Lösung: Zahlen in „Wolken“ verwandeln

Der Autor schlägt einen „Zaubertrick“ vor: Anstatt eine einzelne Zahl zu verwenden, verwandeln wir jeden Parameter in eine Wolke von Möglichkeiten (eine Verteilung). Wir lassen das Modell dann durch all diese Möglichkeiten laufen, um das volle Spektrum der Ergebnisse zu sehen.

Das Papier unterteilt dies in drei spezifische „Wolken“ und wie man mit ihnen umgeht:

A. Die „Alles-oder-Nichts“-Wolke (LGD)

Das Problem: Banken sagen meistens: „Wir verlieren im Durchschnitt 50 %.“ In der Realität ist es jedoch oft ein Desaster (100 % Verlust) oder ein Wunder (0 % Verlust). Der Durchschnitt verbirgt die extreme Realität.
Die Lösung: Der Autor schlägt vor, nicht mehr über den „Verlust“ als eine separate Zahl nachzudenken. Stattdessen geben wir vor, dass sich die Ausfallwahrscheinlichkeit selbst geändert hat, um dies zu berücksichtigen.

• Analogie: Stellen Sie sich vor, Sie wetten auf einen Münzwurf. Anstatt zu sagen: „Ich verliere 50 % meines Einsatzes, wenn Kopf fällt“, ändern Sie die Regeln des Spiels so, dass die Münze etwas wahrscheinlicher auf Kopf landet. Sie verlagern das Risiko vom „Ausmaß des Verlusts“ hin zur „Wahrscheinlichkeit des Ereignisses“.

B. Die „Kleine Stichprobe“-Wolke (PD)

Das Problem: Banken schätzen Ausfallraten basierend auf der Historie. Wenn sie nur Daten über 1.000 Personen haben, ist ihre Schätzung einer Ausfallrate von 1 % wackelig. Es ist, als würde man das Wetter basierend auf einer einzigen Beobachtung vorhersagen.
Die Lösung: Der Autor schlägt vor, dass wir keine komplexen Computersimulationen benötigen, um dies zu handhaben. Stattdessen können wir einfach den „Korrelations-Regler“ höher drehen.

• Analogie: Wenn Sie sich über die Wettervorhersage unsicher sind, raten Sie nicht nur eine andere Temperatur, sondern nehmen an, dass das Wetter „ansteckender“ ist. Wenn es in einer Stadt regnet, ist es wahrscheinlicher, dass es auch in der nächsten regnet. Durch die Erhöhung der Korrelation wird das Modell von Natur aus konservativer (erhöht den Sicherheitspuffer), um den Mangel an Daten auszugleichen.

C. Die „Wackelige“ Wolke (Korrelation)

Das Problem: Die Korrelation misst, wie sehr sich Kreditnehmer gemeinsam bewegen. Aber wir kennen die genaue Zahl nicht. Es ist eine wackelige Schätzung.
Die Lösung: Der Autor schlägt vor, die Form der Karte selbst zu ändern. Anstatt anzunehmen, dass die Risiken einer glatten, vorhersehbaren „Glockenkurve“ (Normalverteilung) folgen, wechseln wir zu einer „Fat-Tailed“-Verteilung (wie einer Student-t-Verteilung).

• Analogie: Eine Glockenkurve besagt, dass extreme Ereignisse fast unmöglich sind. Eine „Fat-Tailed“-Kurve gibt zu, dass „Black Swan“-Ereignisse (massive, unerwartete Abstürze) häufiger vorkommen, als die glatte Kurve vorhersagt. Durch die Verwendung dieser „raueren“ Karte bereitet sich das Modell automatisch auf die Worst-Case-Szenarien vor, die die glatte Karte ignoriert.

3. Das Ergebnis: Ein größeres Sicherheitsnetz

Wenn der Autor all diese „Wolken“ in einem Testmodell (einem „Toy Model“) kombiniert, ist das Ergebnis eindeutig:

• Das geschätzte Risiko (Value-at-Risk) geht hoch.
• Das Papier zeigt, dass, wenn man mit einer Risikoabschätzung von 3,87 % beginnt und all diese Unsicherheiten berücksichtigt, sich dieser Wert auf 5,74 % erhöht.

Zentrale Erkenntnis: Die Risiken addieren sich nicht nur; sie multiplizieren sich. Die Unsicherheit über die Ausfallrate plus die Unsicherheit über die Verlusthöhe erzeugt ein viel größeres Problem, als wenn man die beiden einfach zusammenzählt. Hier gibt es keine „Diversifikation“; die Unsicherheiten stapeln sich übereinander.

4. Das Fazit: Eine neue Art zu fahren

Das Papier schließt mit einem einfachen, kontraintuitiven Rezept für Banken ab:

1. Wenn Sie sich Sorgen um Verluste machen, passen Sie die Ausfallraten an.
2. Wenn Sie sich Sorgen um Ausfallraten machen, passen Sie die Korrelationen an.
3. Wenn Sie sich um Korrelationen sorgen, ändern Sie die Form der Karte (die Verteilung).

Der Autor räumt ein, dass dies ein Ausgangspunkt ist. Es löst nicht alle Probleme (wie das Risiko, dass die Karte selbst die falsche Form hat), aber es gibt Banken ein praktisches, leicht umsetzbares Werkzeug, um den Nebel der Unsicherheit zu messen und zu managen, anstatt einfach so zu tun, als wäre er nicht da.

Kurz gesagt: Vertrauen Sie keiner einzelnen Zahl. Vertrauen Sie einem Bereich von Möglichkeiten und passen Sie Ihre Sicherheitspuffer entsprechend an.