Archiv der Kategorie: Marktrisiko

Liquiditätsrisikosteuerung und ihre Auswirkung auf die Bankorganisation

parcIT Mediathek: BANKSTEUERUNG FÜR HEUTE UND MORGEN

Markus Flade, parcIT GmbH

Liquiditätsrisikosteuerung und ihre Auswirkung auf die Bankorganisation

In unserem neuen parcIT-Videobeitrag beschäftigt sich Markus Flade aus unserem Beratungsteam mit der Frage, wie höhere Anforderungen an die Liquiditätsrisikosteuerung Veränderungen in der Gesamtorganisation beeinflussen.

Die Messung von Preisrisiken der Refinanzierung führt bei Banken aktuell zu einer höheren Belastung der Risikotragfähigkeit. Dies erfordert eine Änderung in der Organisation, wobei es hier aber nicht den einen goldenen Weg gibt, der zu jedem Institut passt.

Hierzu haben wir fünf Thesen aufgestellt, die Markus Flade im Videobeitrag näher beleuchtet:

  1. Aktives Management: Steigende Belastungen aus Kapital- und Liquiditätsrisiken erfordern ein aktiveres Management als in der Vergangenheit
  2. Integration: Ohne eine integrierte Steuerung verliert die Bank mittelfristig ihre Wettbewerbsfähigkeit
  3. Planung: Der Planungsprozess muss noch mehr die verschiedenen Anforderungen berücksichtigen, reagibler werden und dabei alle Einheiten der Bank involvieren
  4. Pricing: Die Durchsetzung der Ziele ist eine Frage des richtigen Produkt-Pricings, sowohl extern als auch intern
  5. Kommunikation: Eine eng(ere) Zusammenarbeit mit offener Kommunikation ist der Schlüssel zum Erfolg. Dies bedingt häufig einen Kulturwandel und eine Änderung der Organisation, ist also ein Change-Projekt für die Bank.

Darüber hinaus gibt das Video einen Überblick, wie ein Zuschnitt der Verantwortlichkeiten aussehen kann in einer Bank, die eine integrierte Steuerung der Risiken durchführen will. Beteiligt sind dabei die Einheiten Treasury, Finanzcontrolling, Risikocontrolling, Vertrieb und Gesamtbanksteuerung.

Schließlich vermittelt Markus Flade am Ende des Videos einen Einblick in die Umsetzung und präsentiert einen ständig wiederholenden Planungs-, Umsetzung- und Anpassungsprozess.

Bei Rückfragen und Interesse am Thema wenden Sie sich gerne an die unten aufgeführten Kontaktdaten.

Referent*in

Weitere Beiträge

Markus Flade, parcIT GmbH

Kontaktdaten:

Markus.Flade@parcIT.de
Tel.: 0221 58475-215

Markus Flade ist seit 01.04.2024 in der parcIT. Seit 1994 sammelte er Erfahrung in verschiedenen Positionen in Banken, unter anderem in der Betreuung vermögender Privatkunden, dem Handel von Anleihen, Aktien und Derivaten für Kunden und dem Eigenhandel sowie zuletzt in der Leitung des strategischen Treasury einer Privatbank. Die Konzeption und Umsetzung bereichsübergreifender Strategien zur Verbesserung der Liquiditäts- und Gesamtbanksteuerung ist sein Kerngebiet.

Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?

Textbeitrag 26.01.2023Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?
Dr. Lukas Matuschek, Oliver Mena Moya, Dr. Gregor Wergen (parcIT GmbH), Dr. Christian Kappen, Dr. Alexander Malinowski (d-fine)

Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?

parcIT Mediathek: BANKSTEUERUNG FÜR HEUTE UND MORGEN

              Whitepaper zum Download

v. l. Dr. Gregor Wergen, Dr. Lukas Matuschek, Oliver Mena Moya (alle parcIT), Dr. Alexander Malinowski (d-fine)

v. l. Dr. Christian Kappen (d-fine), Oliver Mena Moya (parcIT)

Neuronale Netze als Alternative zur konventionellen Bewertung

Dr. Lukas Matuschek, Oliver Mena Moya, Dr. Gregor Wergen (parcIT GmbH), Dr. Christian Kappen, Dr. Alexander Malinowski (d-fine)

Machine Learning: Option zur Performance-Optimierung in der Risikosteuerung?

Im Rahmen einer Vorstudie zum Thema Performance-Optimierung im Marktrisikomodell hat die parcIT in Zusammenarbeit mit dem Beratungsunternehmen d-fine im vergangenen Jahr neue Methoden des maschinellen Lernens an unsere Software VR-Control angebunden und getestet. Im Interview geben Christian Kappen von d-fine sowie Oliver Mena Moya und Lukas Matuschek auf Seiten der parcIT einen Einblick zu Hintergrund, Ablauf und Ergebnissen der Vorstudie. Weitere detaillierte Informationen finden Sie im Whitepaper. Ein besonderer Dank gilt Michael Berezhnoy und Yuri Ivanov (ehemals d-fine) sowie den übrigen an der Vorstudie beteiligten Teammitgliedern.

Was macht Machine Learning für den Bereich Risikosteuerung so interessant?

Christian Kappen (d-fine): Die Risikosteuerung befasst sich unter anderem mit der Ermittlung und der Bewertung von Risiken, die sich durch die Geschäftstätigkeit eines Kreditinstituts ergeben. Klassisch werden zur Beurteilung zukünftiger Risiken finanzmathematische oder statistische Modelle unter Einbeziehung großer Datenmengen und historischer Ereignisse verwendet. Dies erfordert regelmäßig komplexe Berechnungen, die selbst moderne Systeme an ihre Grenzen bringen können.

Machine Learning kann die konventionellen Verfahren der Risikosteuerung ergänzen, indem Gesetzmäßigkeiten in bereits durchgeführten Berechnungen erkannt werden. Diese können für zukünftige Anwendungen eingesetzt werden, ohne ein klassisches Verfahren zu verwenden und somit die Risikorechnung um ein Vielfaches beschleunigen sowie vorhandene IT-Systeme stark entlasten.

Wie ist die Entwicklung auf dem Markt und was sagt die Aufsicht zu solchen Verfahren?

Oliver Mena Moya (parcIT): Die BaFin und die Deutsche Bundesbank stehen seit einiger Zeit mit den Banken und deren Verbänden im Austausch zur Anwendung von Machine-Learning-Methoden, insbesondere zur Klärung grundlegender aufsichtlicher und regulatorischer Fragen. Die Finanzaufsicht unterstreicht in Ihren Publikationen, dass sie weiterhin technologieneutral agiert, und schafft Transparenz im Hinblick auf die regulatorische Perspektive bezüglich dieser innovativen Technologien.[1] Somit kann Machine Learning immer häufiger als Ansatz in Betracht kommen, sofern ein produktiver Regelbetrieb durch gebotene Model-Governance-Prozesse unterstützt werden kann.

Wie sah der konkrete Anwendungsfall in der parcIT aus?

Lukas Matuschek (parcIT): Unser konkreter Anwendungsfall war die Berechnung des Dynamischen Value at Risk (Dyn. VaR) innerhalb der Marktrisikosteuerung. Besonders im Fokus stand die Berechnung von Optionspreisen für Kündigungsrechte – sowohl im Kunden- als auch im Eigengeschäft. Für diese sind Modelle erforderlich, die jeweils an gegebene Marktdaten kalibriert werden. Durch die sich aus den Modellen ergebenden Marktentwicklungsszenarien lassen sich Ausübungswahrscheinlichkeiten und Preise bestimmen. Sowohl die Kalibrierung der Modelle als auch deren Auswertung ist dabei rechenintensiv, da teilweise mehr als 1.000 Positionen für jeweils mehrere tausend Szenarien bepreist werden müssen.

In der Vorstudie zur Performance-Optimierung der Berechnung des Dyn.VaR ersetzten wir das verwendete Optionspreismodell unter anderem durch einen Machine-Learning-Ansatz.

Wie funktioniert Machine Learning genau?

Christian Kappen (d-fine): Machine Learning stellt eine Beziehung zwischen den für ein Problem relevanten Variablen und einer vorherzusagenden Größe her. Im Beispielfall einer Anleihe können Produkteigenschaften wie die Laufzeit und die Höhe des Zinskupons eingesetzt werden, um unter Einbeziehung des aktuellen Zinsumfeldes den Wert der Anleihe mathematisch abzuleiten. Ein Machine-Learning-Modell versucht die mathematisch berechneten Preise durch ebendiese Anleiheeigenschaften und Marktzinsen approximativ vorherzusagen. Um eine möglichst geringe Abweichung zwischen den mathematisch abgeleiteten Anleihebewertungen und der Machine-Learning-Vorhersage zu gewährleisten, wird ein Optimierungsalgorithmus verwendet. Ein solcher Algorithmus passt schrittweise die Eigenschaften des Machine-Learning-Modells an, um die Abweichung zur konventionellen Berechnung zu minimieren. Sobald das Modell die mathematisch bestimmten Anleihebewertungen optimal abbilden kann, können neue Anleihen mit neuen Eigenschaften durch das Machine-Learning-Modell approximativ, aber gänzlich ohne konventionelle Techniken bewertet werden.

Wo lagen besondere Herausforderungen?

Christian Kappen (d-fine): Die Auswahl eines geeigneten Modells stellt eine große praktische Herausforderung dar, da vorab nicht bekannt ist, welches Modell ein bestimmtes fachliches Problem optimal lösen kann. Die Modellauswahl muss daher systematisch erfolgen, indem man durch eine fachlich-inhaltliche Vorauswahl ungeeignete Modelle verwirft. Die verbleibenden Modelle müssen dann in einer vergleichbaren Art und Weise ihre Vorhersagekraft unter Beweis stellen. Hierbei muss geklärt werden, welches Vergleichskriterium verwendet werden soll – unter Berücksichtigung bankweiter Zielsetzungen und fachlich-inhaltlicher Anforderungen sowie in enger Abstimmung mit relevanten Stakeholdern.

Was kann die parcIT den Banken zukünftig in diesem Kontext liefern, wenn sie Interesse an einer Umsetzung zeigen?

Oliver Mena Moya (parcIT): Der von uns betrachtete Ansatz kann produktiv so aussehen, dass das eigentliche Machine Learning innerhalb der parcIT stattfindet. Die oben angesprochenen Herausforderungen könnten von uns angegangen werden, um ein performantes und für gegebene Anforderungen unserer Kunden sowie das aktuelle Marktdatenumfeld trainiertes Modell zu erzeugen. Dieses würden wir dann in VR-Control neben dem klassischen rechenintensiven Ansatz – einer Vollbewertung über das finanzmathematische Modell - zur Verfügung stellen. Das gelieferte Modell könnte in regelmäßigen Abständen neu trainiert und ausgeliefert werden, um eine korrekte Approximation bei sich ändernden Markt- und Geschäftsdaten zu gewährleisten.

Ist dieser Ansatz zur Risikobewertung sicher und validierbar?

Lukas Matuschek (parcIT): Die Möglichkeit, den Dyn. VaR sowohl klassisch als auch unter Verwendung des Machine Learning auszuführen, würde unseren Kunden die Vorteile beider Varianten zur Verfügung stellen. Zum einen wäre eine Berechnung des Dyn. VaR in deutlich verkürzter Zeit möglich, das heißt es bliebe mehr Spielraum für unsere Kunden, Testrechnungen in akzeptabler Zeit durchzuführen. Zum anderen könnten die so erhaltenen Risikogrößen bei Bedarf durch eine klassische Vollbewertung validiert werden.

Eine transparente Darstellung des verwendeten Update-Zyklus sowie des Prozesses der Modellvalidierung erreicht dann die von der Aufsicht geforderten Ziele der Erklärbarkeit und Überprüfbarkeit des vorgeschlagenen Machine-Learning-Ansatzes.

Was ist für die Zukunft geplant und sind weitere Anwendungsfelder möglich?

Oliver Mena Moya (parcIT): In der aktuellen Vorstudie hat der Machine-Learning-Ansatz die höchsten Performance-Gewinne unter allen betrachteten Optimierungen im Marktrisikomodell erzielt. Unter Berücksichtigung der Ergebnisse aus der Vorstudie haben sich im Kompetenzteam Marktrisikosteuerung trotzdem andere Maßnahmen durchgesetzt. In diesem Fall stellte sich heraus, dass zufriedenstellende Verbesserung bereits mit geringerem Aufwand zur Verfügung stehen und somit schneller umgesetzt werden können als die Neueinführung des Machine Learnings. Die Möglichkeiten des maschinellen Lernens sind in dem Ansatz der Vorstudie allerdings auch nicht ausgeschöpft. Die erzielten Ergebnisse können perspektivisch eine Basis für weitere Entwicklungsschritte sein. Denkbar wäre etwa, zur Kalibrierung des Modells nicht die Vollbewertung des finanzmathematischen Modells zu nutzen, sondern direkt die beobachteten Optionspreise am Markt.

Außerhalb des Marktrisikomodells prüft die parcIT Machine-Learning-Ansätze auch in anderen Bereichen, etwa im Kontext von Prognosen von Kennzahlen zur Sondertilgungen. Unser Ziel bleibt es, unseren Kunden möglichst hochwertige und innovative Lösungen anzubieten, um Banksteuerung auf der Höhe der Zeit zu ermöglichen.

[1] Z.B.: "Maschinelles Lernen in Risikomodellen“, Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin), 2022.

Ansprechpartner

Weitere Beiträge

Dr. Gregor Wergen, parcIT GmbH
Methoden- und Produktmanagement
Gregor.Wergen@parcit.de
+49 221 584 75 170

Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?

Textbeitrag 26.01.2023Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?
Dr. Lukas Matuschek, Oliver Mena Moya, Dr. Gregor Wergen (parcIT GmbH), Dr. Christian Kappen, Dr. Alexander Malinowski (d-fine)

Zielbild Fonds in VR-Control und Ausblick auf Umsetzung

parcIT Mediathek: BANKSTEUERUNG FÜR HEUTE UND MORGEN

Inhalte als PDF
PDF-Download >>

Aufzeichnung Livestream

Suwei Zhou, Atruvia AG, Dr. Thomas Alm, Union Investment, Dr. Gregor Wergen, parcIT GmbH:

Zielbild Fonds in VR-Control und Ausblick auf Umsetzung

Die Partner parcIT, Atruvia und Union Investment haben 2021 mit Unterstützung von strategy& ein umfangreiches Planungsprojekt zur Umsetzung des Zielbilds für Fonds in VR-Control durchgeführt. Ausgehend vom Zielbild und den Ergebnissen dieses Planungsprojekts, wie sie vom Verfahrensmanagement der parcIT in Zusammenarbeit mit Union Investment und Atruvia erarbeitet wurden, möchten wir den im Projekt abgestimmten Fahrplan für die Umsetzung der barwertigen Fondsdurchschau sowie der Fondskursprognose in der GuV-Simulation in VR-Control vorstellen. Dieser Fahrplan sieht in den nächsten Jahren, in mehreren Bausteinen, eine stufenweise Umsetzung des Zielbilds vor und berücksichtigt dabei relevante Rahmenbedingungen wie die Nutzerfreundlichkeit der Software, regulatorische Anforderungen, zeitliche Abhängigkeiten zu Verfahrens- und Softwareweiterentwicklungen sowie die Besonderheiten der Fondsanlage im Vergleich zur Direktanlage.

Referent*in

Weitere Beiträge

Suwei Zhou (Atruvia AG):

Suwei Zhou studierte Betriebswirtschaftslehre mit den Schwerpunkten Finanzwirtschaft und Bankbetriebslehre an der Universität Bayreuth. In der genossenschaftlichen Bankenpraxis war er 6 Jahre als Controller und Bereichsleiter Banksteuerung tätig. Seit 2018 verantwortet er als Produktmanager bei der Atruvia AG die Weiterentwicklung der Marktrisikothemen in VR-Control ZIABRIS und ist im Squad Marktrisiko für die Themen Produktkatalog Eigengeschäft und finanzmathematischen Basismethoden zuständig.

Dr. Gregor Wergen, parcIT GmbH:

Dr. Gregor Wergen, studierter Physiker und Finanzmathematiker, war bis Ende 2019 viele Jahre als Berater in der Finanzbranche unterwegs, in diesem Rahmen hat er diverse Projekte im Deutschen und internationalen Bankenumfeld mit Fragen zur Eigengeschäfts-Bewertung und Marktrisikosteuerung begleitet. Seit Anfang 2020 leitet er im Methoden- und Produktmanagement das Team Eigengeschäftssteuerung und koordiniert Themen rund um den Produktkatalog für das Eigengeschäft, die finanzmathematischen Basismethoden und des Marktdatensetmanagement. Aus Sicht des Produktmanagement betreut und verantwortet er insbesondere die Komponente ZIABRIS in VR-Control/okular.

Dr. Thomas Alm (Union Investment):

Thomas Alm, promovierter Physiker, besitzt mehr als 20 Jahre Erfahrung in der quantitativen Risikomessung für Banken und KVGen und führte erfolgreich Interne Modelle im Markt- und Kontrahentenrisiko für eine deutsche Privatbank ein.

Seit 2019 arbeitet Dr. Alm als Senior Berater bei der Union Investment Institutional GmbH in der Einheit Beratung, Regulatorik und Support. Zu seinen Aufgaben zählt die Unterstützung der Primärinstitute der GFG mit den Schwerpunkten Risikotragfähigkeit, Risikomessung und -beratung. Außerdem koordiniert er die Zusammenarbeit zwischen parcIT und Union Investment beim Thema Fondsdurchschau in VR-Control und ist fachlicher Projektleiter im Projekt N44 (Nachbereitung der §44-Prüfung von 2019 bei Union Investment).

Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?

Textbeitrag 26.01.2023Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?
Dr. Lukas Matuschek, Oliver Mena Moya, Dr. Gregor Wergen (parcIT GmbH), Dr. Christian Kappen, Dr. Alexander Malinowski (d-fine)

Neues Marktrisikomodell für die ökonomische RTF

parcIT Mediathek: BANKSTEUERUNG FÜR HEUTE UND MORGEN

Inhalte als PDF
PDF-Download >>

Jan-Christoph Hebig, Dr. Jan Patrick Hartkopf, parcIT GmbH:

Neues Marktrisikomodell für die ökonomische RTF

Die verbindliche Einführung der ökonomischen Risikotragfähigkeitsrechnung stellt insbesondere kleine und mittlere Finanzinstitute vor neue Herausforderungen. Zur Bestimmung des Marktrisikos wird am Beispiel der Risikoklasse „Zins“ ein Resampling-Ansatz vorgestellt, welcher basierend auf 1-tägigen historischen Barwertveränderungen eine angemessene und valide Methodik zu Bestimmung des 99,9%-RTF-Value-at-Risk ermöglicht. Dieses Vorgehen stellt dabei eine einfache Weiterentwicklung der historischen Simulation dar. Vorteile sind u.a. eine hohe statistische Stabilität auch im 99,9%-Quantil, eine moderate Komplexität, eine einfache und performante technische Integration in okular, sowie eine moderate Reagibilität auf ein geändertes ökonomisches Marktumfeld ohne plötzliche Sprünge im VaR.

Referent*in

Weitere Beiträge

Jan-Christoph Hebig, parcIT GmbH

Jan-Christoph Hebig ist Teamleiter im Fachbereich Markt- und Liquiditätsrisikosteuerung der parcIT GmbH und verantwortet dort alle fachlichen Fragestellungen rund um die Barwertige Marktrisikosteuerung. Neben der methodischen Modellentwicklung ist er gemeinsam mit seinem Team auch als Produktmanager für die Abbildung eben dieser Methoden in der hauseigenen Softwarelösung okular ZIRIS/ZIABRIS zuständig.

Dr. Jan Patrick Hartkopf, parcIT GmbH

Dr. Jan Hartkopf ist promovierter Wirtschaftswissenschaftler mit Schwerpunkt der Finanzmarktökonometrie. Er ist als Teilprojektleiter im Methoden- und Produktmanagement der parcIT GmbH tätig. Schwerpunkt seiner Arbeit ist die mathematisch/statistische Analyse verschiedener Methoden zur VaR Bestimmung im Marktrisikomodell.

Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?

Textbeitrag 26.01.2023Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?
Dr. Lukas Matuschek, Oliver Mena Moya, Dr. Gregor Wergen (parcIT GmbH), Dr. Christian Kappen, Dr. Alexander Malinowski (d-fine)

Java-Portierung Marktrisikosteuerung: Verbesserungen im Prozess

parcIT Mediathek: BANKSTEUERUNG FÜR HEUTE UND MORGEN

Nico Schooß, Marvin Klaar, parcIT GmbH:

Java-Portierung Marktrisikosteuerung: Verbesserungen im Prozess

Die Umsetzung der Portierung von Smalltalk nach Java im Bereich Marktrisikosteuerung bringt viele neue anwenderfreundliche Features bzw. Unterstützungen im Bedienprozess mit sich. Vor diesem Hintergrund möchten wir Ihnen praxisnah und exemplarisch einige Verbesserungen im Prozess in der Software der neuen Version 6.6 illustrieren, bevor wir uns in der darauffolgenden Version 6.7 der Verbesserung der bankprozessualen Themen widmen. Wir werden Ihnen Einblicke in die jeweils neu umgesetzte Geschäftsstruktur, Überführung der Eigengeschäfte, Positionsmaske, Positionsparameter und das Volumenszenario gewähren.

Inhalte als PDF
PDF-Download >>

Referent*in

Weitere Beiträge

Nico Schooß, parcIT GmbH:

Nico Schooß ist seit zwei Jahren als Methoden- und Produktmanager im Bereich Marktrisikosteuerung für die parcIT GmbH tätig. Neben fachlichen Neuerungen wie den Impliziten Optionen beschäftigt er sich insbesondere mit der Java-Portierung der Bestandsfunktionalitäten.

Marvin Klaar, parcIT GmbH:

Marvin Klaar arbeitet seit ca. 1,5 Jahren als Methoden- und Produktmanager im Bereich Marktrisikosteuerung für die parcIT GmbH. Aktuell beschäftigt er sich insbesondere mit der Parametrisierung von Marktdatenszenarien sowie der Umsetzung von Neuerungen sowie Bestandsfunktionalitäten im Rahmen der Java-Portierung.

Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?

Textbeitrag 26.01.2023Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?
Dr. Lukas Matuschek, Oliver Mena Moya, Dr. Gregor Wergen (parcIT GmbH), Dr. Christian Kappen, Dr. Alexander Malinowski (d-fine)

Liquiditätsplanung: die Vorteile des neuen Verfahrens

parcIT Mediathek: BANKSTEUERUNG FÜR HEUTE UND MORGEN

Dieser Videobeitrag ist ein Original aus der Fachtagung upDATE light 2020/21.

Dr. Daniel Weinreich, Frieso Pennekamp, parcIT GmbH:

Liquiditätsplanung: die Vorteile des neuen Verfahrens

Aufsichtsrechtliche und betriebswirtschaftliche Anforderungen

Im zweiten Halbjahr steht in den Instituten traditionell der jährliche Strategie- und Gesamtbankplanungsprozess an. Aufsichtsrechtlich ist gemäß AT 4.2 MaRisk eine Konsistenz von Geschäfts- und Risikostrategie gefordert. Die zur Unterlegung strategischer Ertragsziele resultierende mittelfristige Planung mit einem Zeithorizont von drei bis fünf Jahren wird dabei im Hinblick auf die in der Risikostrategie verankerten Risikolimitierungen reflektiert. Auch im aktuellen Konsultationspapier EBA/CP/2021/26 zu den SREP-Leitlinien wird dem Thema Konsistenz von Liquiditätsrisiko- und Gesamtbankstrategie im Rahmen der Bewertung durch den SREP-Score zunehmend Rechnung getragen.

Neben der aufsichtlichen Perspektive bilden betriebswirtschaftliche Aspekte eine entscheidende Motivation für eine umfassende Betrachtung der Risikosituation über den gesamten Planungszeitraum. Dies gilt nicht zuletzt in Anbetracht der möglichen pandemiebedingten Auswirkungen auf die Liquiditätsausstattung von Instituten. Vor dem Hintergrund der aufsichtsrechtlichen und betriebswirtschaftlichen Anforderungen hat die parcIT erstmalig ein Verfahren zur Liquiditätsplanung entwickelt.

Ziel ist die Sicherstellung der Konsistenz von Geschäfts- und Risikostrategie im Hinblick auf das Liquiditätsrisiko

Die Liquiditätsplanung als integrierter Bestandteil der Gesamtbankplanung zielt auf eine Betrachtung der in der Risikostrategie verankerten steuerungsrelevanten Liquiditätskennzahlen hinsichtlich ihrer Limitierung durch Ambitionsniveaus respektive aufsichtliche Mindestvorgaben ab. Insbesondere geht es um die Simulation von Liquiditätskennzahlen zu künftigen Zeitpunkten über den Planungszeitraum als Basis für einen entsprechenden Abgleich mit den festgelegten Risikolimitierungen.

Inhalte der Verfahrensleistung im Rahmen von VR-Control und bereitgestellte Dokumente

Bei Bezug der Verfahrensleistung zur Liquiditätsplanung erhalten Sie die methodischen Grundlagen zu:

  • Kennzahlenübergreifende Komponenten für die Planung und Simulation von Liquiditätsdeckungspotential (LDP) sowie Liquiditätsablaufbilanzen (LAB), z.B. Linien, Belastung von Vermögenswerten oder Verteilung des Neugeschäftes auf LDP-Stufen
  • Szenarioabhängige Simulation von Überlebenshorizont (ÜLH) sowie Liquiditätsdeckungsquote (LCR) und zu berücksichtigende kennzahlenspezifische Aspekte

Darüber hinaus liefert das entwickelte Verfahren die in der Bank notwendigen

  • Prozessschritte zur Einführung und regelmäßigen Durchführung der Liquiditätsplanung (u. a. Kennzahlenprüfung und Anpassungsmaßnahmen) sowie zur Überprüfung der Gültigkeit getroffener Annahmen.

Eine Dokumentation der methodischen sowie prozessualen Grundlagen zur Durchführung der Liquiditätsplanung in der Software VR-Control erhalten Sie mit dem Fachkonzept sowie dem Anwenderleitfaden. Die beiden Dokumente wurden initial am 15.03.2021 über das VR-InfoForum veröffentlicht.

Liquiditätsplanung als Teil des integrierten Gesamtbankplanungsprozesses

Als Teil der integrierten Gesamtbankplanung nimmt die Liquiditätsplanung notwendige Informationen aus der mittelfristigen Planung – z. B. aus der Geschäftsplanung – auf. Zur Ermittlung der Liquiditätsausstattung für künftige Zeitpunkte sind die Planungsinformationen aus dem Gesamtbankplanungsprozess um liquiditätsrisikospezifische Aspekte und Planannahmen zu ergänzen. Beispielsweise werden Annahmen zur Verteilung des Neugeschäftes auf Liquiditätsdeckungspotenzial-Stufen oder auch auf Meldepositionen in der LCR getroffen.

Die Ergebnisse der Liquiditätsplanung fließen im Rahmen eines iterativen Gesamtbankplanungsprozesses in die mittelfristige Planung ein und liefern Impulse für etwaige Anpassungen.

Methodik zur frühzeitigen Erkennung von Liquiditätsengpässen

Die Liquiditätsplanung als ein Verfahren zur frühzeitigen Erkennung von Liquiditätsengpässen ist dabei abzugrenzen von der Liquiditätsrisikosteuerung sowie der Liquiditätsprognose. Während sich die Liquiditätsrisikosteuerung auf den aktuellen Auswertungsstichtag bezieht, geht es bei der Liquiditätsprognose um eine regulatorische Anforderung aus der Risikoberichterstattung und somit um einen anderen Prozess. Dennoch kann die Funktionalität zur Simulation unter Annahme von Methodenkonsistenz grundsätzlich auch für diesen Zweck genutzt werden.

Szenarioabhängige Simulation von ÜLH und LCR in VR-Control

Das Verfahren zur Liquiditätsplanung liefert die erforderlichen Methoden zur Planung des Liquiditätsdeckungspotenzials inklusive zu berücksichtigender Belastungen sowie eine Simulation von Liquiditätsablaufbilanzen für künftige Zeitpunkte in einem Planszenario. In der ökonomischen Perspektive wird darauf basierend der ÜLH in der Zukunft simuliert. Eine Ergänzung um aufsichtliche Informationen und Parameter bietet in einer normativen Perspektive die Möglichkeit zur Simulation der LCR für künftige Zeitpunkte. Im Rahmen der normativen Perspektive sollten zudem die Auswirkungen eines adversen Szenarios betrachtet werden.

Profitieren Sie durch eine softwaregestützte Simulation von ÜLH und LCR in VR-Control!

Im Sinne einer integrierten Planung können Planungsobjekte z.B. aus der GuV-Simulation und der Kapitalplanung übernommen werden. Für den ÜLH kann die Parametrisierung aus der Liquiditätsrisikosteuerung zum aktuellen Stichtag verwendet werden. Perspektivisch wird VR-Control um weitere Funktionalitäten ergänzt, z.B. eine Simulation der NSFR/sNSFR oder ein automatisierter Algorithmus zur optimierten Belastung von Vermögenswerten (Wasserfall) im Rahmen der Kennzahlensimulation. Bei der Simulation werden Planungsinformationen (z.B. geplantes Zielvolumen inkl. generiertem Neugeschäft ergänzt um liquiditätsspezifische Annahmen) genutzt, um zu einem künftigen Stichtag (Neugeschäftshorizont) kennzahlenspezifische Werte zu generieren. Dabei ist ein methodisch konsistentes Vorgehen zur Ermittlung von Kennzahlen und Risikogrößen (z.B. einer LAB) für den aktuellen Stichtag im Rahmen der Liquiditätsrisikosteuerung zu empfehlen.

Konsistente Planung über alle planungsrelevanten Bereiche als übergeordnetes Ziel

Das übergeordnete Ziel einer softwaregestützten Planung liegt in der Sicherstellung einer konsistenten Planung über sämtliche planungsrelevanten Bereiche. Dabei kann zwischen direkter und indirekter Planung differenziert werden. Bei einer direkten Planung bilden die Meldewesen-Daten den zentralen Ausgangspunkt, z.B. der LCR-Meldebogen mit entsprechenden Werten im Ist. Die Meldewerte können in dem Fall auf Basis von Controlling-Daten inkl. Planannahmen ergänzt und für künftige Zeitpunkte geplant werden. Im Rahmen einer indirekten Planung werden dagegen Controlling-Daten als zentrale Basis genutzt, z.B. eine Bilanzplanung auf Ebene von definierten Geschäftspositionen. Die geplanten Geschäftspositionen können bei der Variante um Meldewesen-Daten (bspw. aus der LCR-Meldung im Ist) erweitert werden, um künftige Meldewerte abzuleiten. Als zielführender Ansatz für eine Liquiditätsplanung ist eine indirekte Planung anzustreben. Allerdings kann für bestimmte Meldepositionen bei der Simulation der LCR eine direkte Planung und somit ein hybrider Ansatz sinnvoll sein (z.B. aus Gründen der Datenverfügbarkeit). Beide Varianten werden von VR-Control unterstützt.

Für weitere Details zu unserer Verfahrensleistung hinsichtlich der Liquiditätsplanung empfehlen wir Ihnen das weiter oben abgebildete Vortragsvideo aus der Veranstaltung upDATE light 2020.
Auf Ihre Fragen oder Feedback freuen sich

Dr. Daniel Weinreich
Methoden- und Produktmanagement
parcIT GmbH
Daniel.Weinreich@parcIT.de

Frieso Pennekamp
Methoden- und Produktmanagement
parcIT GmbH
Frieso.Pennekamp@parcIT.de

Referent*in

Weitere Beiträge

Dr. Daniel Weinreich
Methoden- und Produktmanagement
parcIT GmbH
Daniel.Weinreich@parcIT.de

 

 

Frieso Pennekamp
Methoden- und Produktmanagement
parcIT GmbH
Frieso.Pennekamp@parcIT.de

Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?

Textbeitrag 26.01.2023Machine Learning: Eine Option zur Performance-Optimierung in der Risikosteuerung?
Dr. Lukas Matuschek, Oliver Mena Moya, Dr. Gregor Wergen (parcIT GmbH), Dr. Christian Kappen, Dr. Alexander Malinowski (d-fine)