Importance Sampling Enhanced with the COS Method for the Portfolio Risk Allocation

In der Welt der Finanzen verwalten Banken und Investmentgesellschaften riesige Sammlungen von Krediten, die als Portfolios bekannt sind. Meistens laufen diese Portfolios gut, und das Geld fließt reibungslos. Doch gelegentlich bricht ein perfekter Sturm los: eine Rezession, ein plötzlicher Markteinbruch oder eine Kaskade von Zahlungsausfällen, die dazu führt, dass das Portfolio auf einmal massiv an Wert verliert. Dies sind seltene Ereignisse, aber es sind genau jene, die eine Bank vernichten können. Um auf der sicheren Seite zu sein, verlangen Regulierungsbehörden von Banken, dass sie genau wissen, wie viel Geld sie als Reserve halten müssen, um eine solche Katastrophe zu überstehen. Das Problem ist, dass diese Katastrophen so selten vorkommen, dass man, wenn man versucht, sie mit Standardmethoden auf einem Computer zu simulieren, vielleicht eine Million Mal die Simulation durchführt und dennoch kein einziges Desaster sieht. Es ist, als versuche man, eine Jahrhundertflut vorherzusagen, indem man einen Fluss nur für einen einzelnen Nachmittag beobachtet; man wird einfach nicht sehen, wie das Wasser hoch genug steigt, um von Bedeutung zu sein.

Um dies zu lösen, nutzen Mathematiker eine Technik namens Importance Sampling (Gewichtetes Stichprobenverfahren). Anstatt den Fluss ganz normal zu beobachten, verändern sie das Wetter in ihrer Simulation künstlich, um die Flut häufiger auftreten zu lassen. Sie verwenden dann eine mathematische Korrektur, um die Ergebnisse wieder auf die Realität zurückzuführen, damit die Antwort am Ende korrekt ist. Diese Methode hat jedoch einen Haken: Wenn das künstliche Wetter zu stark verändert wird, wird die Korrektur instabil und die Ergebnisse werden verrauscht. Wenn das Wetter zu wenig verändert wird, tritt die Flut immer noch zu selten auf, und die Simulation bleibt nutzlos. Der Schlüssel zum Erfolg liegt darin, das perfekte Gleichgewicht für die Veränderung der Simulation zu finden. Dies ist die Herausforderung, der sich die Forscher Fang Fang, Xiaoyu Shen und Qinling Wang in ihrer jüngsten Arbeit über das Kreditportfoliorisiko gestellt haben.

Die Forscher konzentrierten sich auf einen spezifischen Typ von Finanzmodell, bei dem die Gesundheit vieler verschiedener Kreditnehmer durch einige wenige gemeinsame zugrunde liegende Faktoren miteinander verknüpft ist, wie etwa der allgemeine Zustand der Wirtschaft. Wenn die Wirtschaft schwächelt, kämpfen viele Kreditnehmer gleichzeitig. Um das Risiko eines massiven Verlusts abzuschätzen, mussten sie genau herausfinden, wie die Wirtschaft aussehen würde, wenn eine Katastrophe unmittelbar bevorsteht. Ihr Ziel war es, die Simulation so zu kalibrieren, dass sie natürlich in Richtung dieser gefährlichen Wirtschaftszustände driftet, ohne die mathematischen Regeln zu verletzen.

Jahrelang bestand die Standardmethode zur Durchführung dieser Kalibrierung darin, eine vorläufige Reihe von Simulationen durchzuführen und einfach zu zählen, wie oft eine Katastrophe auftrat. Wenn ein bestimmtes Wirtschaftsszenario zu einer Katastrophe führte, erhielt es eine „Ja“-Stimme; wenn nicht, eine „Nein“-Stimme. Die Forscher nutzten diese Ja-oder-Nein-Stimmen dann, um die Simulation anzupassen. Das Problem bei diesem Ansatz ist, dass bei den extremen Risikoniveaus, um die sich Banken kümmern, Katastrophen so selten sind, dass man in einem vorläufigen Durchlauf von einer Viertelmillion Szenarien vielleicht nur ein paar hundert „Ja“-Stimmen erhält. Mit so wenigen Datenpunkten ist die resultierende Anpassung wackelig und unzuverlässig, ganz ähnlich wie der Versuch, die durchschnittliche Körpergröße einer Bevölkerung zu erraten, indem man nur drei Menschen misst.

Das Team schlug eine neue Methode vor, die sie ISCOS nennen, um diese plumpen Ja-oder-Nein-Stimmen durch etwas viel Glatteres zu ersetzen. Anstatt zu fragen: „Hat dieses Szenario eine Katastrophe verursacht?“, fragten sie: „Wie hoch ist die Wahrscheinlichkeit, dass dieses Szenario eine Katastrophe verursachen würde?“ Sie verwendeten ein ausgeklügeltes mathematisches Werkzeug, das auf einer Technik namens Fourier-Cosine-Methode basiert, um diese Wahrscheinlichkeit direkt aus der Struktur des Modells zu berechnen. Dieses Werkzeug ermöglichte es ihnen, die Chance einer Katastrophe für jedes einzelne der simulierten Szenarien zu schätzen, selbst wenn dieses spezifische Szenario im vorläufigen Durchlauf tatsächlich keine Katastrophe zur Folge hatte. Durch die Verwendung dieser glatten Wahrscheinlichkeitsschätzungen anstelle von binären Ja-oder-Nein-Antworten konnten sie aus derselben Anzahl von Computersimulationen weitaid mehr nützliche Informationen gewinnen.

Als sie diese neue Methode gegen die alte testeten, war der Unterschied frappierend. In ihren Experimenten, die ein Portfolio von einhundert Kreditnehmern und elf verschiedenen Wirtschaftsfaktoren beinhalteten, lieferte die neue Methode wesentlich stabilere Ergebnisse. Insbesondere wenn sie untersuchten, wie viel jeder einzelne Kreditnehmer zum Gesamtrisiko einer Katastrophe beitrug, lieferte die neue Methode viel klarere Antworten. Die alte Methode produzierte weite, unsichere Bereiche für diese Beiträge, während die neue Methode diese Bereiche signifikant verengte. In einem Test reduzierte die neue Methode die Unsicherheit in den Risikoschätzungen um mehr als zwanzig Prozent. Das bedeutet, dass eine Bank, die diese Methode verwendet, ein viel schärferes Bild davon erhalten kann, wo ihre Schwachstellen liegen, was bessere Entscheidungen darüber ermöglicht, wie viel Kapital sie vorhalten muss.

Die Forscher prüften auch, ob ihre neue Methode mathematisch fundiert ist. Sie bewiesen, dass sie durch die Verwendung der glatten Wahrscheinlichkeitsschätzungen im Wesentlichen eine Ebene des Zufallsrauschens entfernten, die die alte Methode plagte. Dies machte ihre Schätzungen statistisch effizienter, was bedeutet, dass sie mit der gleichen Rechenleistung genauere Ergebnisse erzielten. Sie testeten dies an zwei verschiedenen Arten von Finanzmodellen: einem, das davon ausging, dass wirtschaftliche Faktoren einer Standard-Glockenkurvenverteilung folgen, und einem anderen, das extremere, „heavy-tailed“ (schwerfällige) Ereignisse zuließ. In beiden Fällen schnitt die neue Methode besser ab als die alte und lieferte zuverlässigere Risikoallokationen, ohne signifikant mehr Rechenzeit zu benötigen.

Eine der wichtigsten Erkenntnisse war, dass die neue Methode nicht nur die Gesamtrisikozahl verbesserte, sondern auch die Aufschlüsselung dieses Risikos. Banken müssen nicht nur wissen, dass sie einem Risiko ausgesetzt sind, sondern auch, welche spezifischen Kredite dieses Risiko treiben. Die alte Methode hatte oft Schwierigkeiten, diese individuellen Beiträge präzise zu bestimmen, wenn die Katastrophenschwelle sehr hoch war. Die neue Methode hingegen lieferte eine viel klarere Karte dieser individuellen Risiken. Dies ist entscheidend für Risikomanager, die entscheiden müssen, ob sie einen bestimmten Kredit verkaufen oder eine Versicherung gegen ihn abschließen sollen. Die Fähigkeit, diese Details mit größerer Präzision zu sehen, ohne auf eine längere Simulation warten zu müssen, ist ein erheblicher praktischer Vorteil.

Die Studie wurde unter Verwendung eines spezifischen Benchmark-Portfolios mit einhundert Kreditnehmern durchgeführt, die in zehn Gruppen mit unterschiedlichen Größen potenzieller Verluste unterteilt waren. Die Forscher setzten das Konfidenzniveau auf 99,9 Prozent, einen Standard für hochkarätige Finanzregulierung, und suchten nach Szenarien, in denen der Gesamtverlust eine bestimmte hohe Schwelle überschritt. Sie führten ihre Simulationen auf einem Standard-Computer-Setup durch und verglichen ihren neuen Ansatz direkt mit der etablierten Methode. Die Ergebnisse zeigten, dass die neue Methode zwar etwas mehr Zeit für die Berechnung der glatten Wahrscheinlichkeiten benötigte, dieser Aufwand jedoch vernachlässigbar war im Vergleich zu der Zeit, die dadurch gespart wurde, dass man schnellere, genaue Ergebnisse erhält. Die Gesamtlaufzeit für die vollständige Simulation war nur etwa vier Prozent länger, aber die Qualität der Risikobewertung war wesentlich besser.

Die Forscher waren sorgfältig darauf bedacht, festzuhalten, dass ihre Ergebnisse auf Simulationen und spezifischen Testfällen basieren. Sie behaupteten nicht, dass ihre Methode jedes Problem in jedem möglichen Finanzmarkt lösen würde, noch deuteten sie an, dass sie ein magisches Mittel sei, das alle Unsicherheit eliminiert. Die Verbesserungen wurden in Bezug darauf gemessen, wie stark die Schätzungen von Durchgang zu Durchgang variierten und wie eng die Konfidenzintervalle um die endgültigen Zahlen lagen. In den durchgeführten Tests produzierte die neue Methode konsistent engere Intervalle und stabilere Schätzungen, insbesondere für die Tail-Risk-Beiträge (Risiken in den Randbereichen), die am schwierigsten zu berechnen sind.

Letztlich zeigt diese Arbeit, dass wir durch eine Änderung der Art und Weise, wie wir die Daten während der Kalibrierungsphase betrachten, die Simulation von seltenen Ereignissen viel leistungsfähiger machen können. Anstatt sich auf das Glück zu verlassen, in einem vorläufigen Durchlauf auf eine Katastrophe zu stoßen, nutzt die neue Methode mathematische Einsicht, um das Potenzial für eine Katastrophe in jedem Szenario zu verstehen. Dieser Wechsel vom Zählen seltener Ereignisse zur Schätzung ihrer Wahrscheinlichkeit ermöglicht eine robustere und zuverlässigere Bewertung des Finanzrisikos. Für die Institutionen, die sich auf diese Berechnungen verlassen, um die Weltwirtschaft zu schützen, ist die Fähigkeit, die Gefahr klarer zu sehen – mit weniger Rauschen und weniger Unsicherheit – ein entscheidender Schritt nach vorn im Management des Unbekannten.