Lehren aus der Finanzkrise final version anonym

Transcrição

Karlsruhe
Universität Karlsruhe
Lehren aus der Finanzkrise
Verbriefungen im Lichte der Finanzkrise
Robustheit der Risikobewertung, Modellrisiko und
Implikationen
Betreuender Hochschullehrer:
Prof. Dr. Marliese Uhrig-Homburg
Studentische Teammitglieder:
Jasmin Berdel
Daniel Müller
Florian Stegmüller
Beitrag zum Postbank Finance Award 2009
Wettbewerbsbeitrag
Postbank Finance Award 2009
Verbriefungen im Lichte der Finanzkrise
Robustheit der Risikobewertung, Modellrisiko und Implikationen
Inhaltsverzeichnis
Abbildungsverzeichnis ............................................................................................................................ ii
Tabellenverzeichnis................................................................................................................................. ii
1.
Einleitung........................................................................................................................................ 1
2.
Eine kurze Historie der Kreditkrise ................................................................................................ 3
3.
Ursachenforschung anhand der Wertschöpfungskette.................................................................... 5
4.
3.1.
Die Wertschöpfungskette einer Bank bei der Kreditvergabe................................................. 5
3.2.
Makroökonomisches Umfeld der Krise ................................................................................. 6
3.3.
Rolle der einzelnen Segmente der Wertschöpfungskette in der Finanzkrise ......................... 9
3.3.1.
Vertrieb.......................................................................................................................... 9
3.3.2.
Portfolio- und Risikomanagement............................................................................... 11
3.3.3.
Aufsichtsbehörden und Rechnungslegung .................................................................. 13
3.3.4.
Rating-Agenturen ........................................................................................................ 15
Risikomodellierung von Verbriefungsstrukturen ......................................................................... 18
4.1.
4.1.1.
Allgemeine Modellbeschreibung ................................................................................ 19
4.1.2.
Praktische Umsetzung des Kreditportefeuillemodells................................................. 20
4.1.3.
Zusammensetzung des Portefeuilles und Bestimmung der Tranchengrenzen ............ 21
4.2.
5.
6.
Ein einfaches Kreditportefeuillemodell ............................................................................... 18
Robustheit und Modellrisiko................................................................................................ 24
4.2.1.
Unschärfe bei der Einteilung der Kreditnehmer in Bonitätsklassen............................ 24
4.2.2.
Korrelationsrisiko und systematisches Risiko von ABS-Produkten ........................... 26
4.2.3.
Einfluss von stochastischen Recovery Rates auf das Kreditportefeuille..................... 33
4.2.4.
Gesamteffekt der verschiedenen Modellerweiterungen .............................................. 36
Handlungsempfehlungen .............................................................................................................. 38
5.1.
Vertrieb ................................................................................................................................ 39
5.2.
Portfolio- und Risikomanagement ....................................................................................... 40
5.3.
Aufsichtsbehörden und Rechnungslegung........................................................................... 42
5.4.
Rating-Agenturen................................................................................................................. 42
Fazit und Ausblick........................................................................................................................ 44
Literatur................................................................................................................................................. 47
-i-
Abbildungsverzeichnis
Abbildung 1: Darstellung der Kreditwertschöpfungskette...................................................................... 6
Abbildung 2: Entwicklung des Zinsniveaus und der Immobilienpreise seit 1991. ................................. 7
Abbildung 3: Anteil der notleidenden Kredite im US-Markt für Subprime-Immobilienkredite............. 8
Abbildung 4: Anteil der US-Subprime-Kredite mit Zahlungsverzug von mehr als 60 Tagen nach
Jahreskohorte......................................................................................................................................... 10
Abbildung 5: Grundstruktur einer Verbriefung..................................................................................... 12
Abbildung 6: Verlustverteilung im Basisportefeuille............................................................................ 22
Abbildung 7: Abhängigkeit der Verlustquote einer Tranche von den Ausprägungen des Makrofaktors.
............................................................................................................................................................... 27
Abbildung 8: Implizite Korrelation im iTraxx Europe mit fünfjähriger Laufzeit. ................................ 29
Abbildung 9: Verlustverteilung im LPV-Modell. ................................................................................. 32
Tabellenverzeichnis
Tabelle 1: Kennziffern der Tranchen des Beispielportefeuilles. ........................................................... 23
Tabelle 2: Kennziffern der Tranchen bei fehlerhafter Bonitätseinschätzung........................................ 25
Tabelle 3: Kennziffern der Tranchen bei Korrelation 70%................................................................... 30
Tabelle 4: Kennziffern der CDO-Tranchen im LPV-Modell. ............................................................... 33
Tabelle 5: Verteilung der Recovery Rate im Falle eines Zahlungsausfalls........................................... 35
Tabelle 6: Kennziffern der Tranchen bei stochastischen Recovery Rates. ........................................... 35
Tabelle 7: Kennziffern der Tranchen bei kombiniertem Sensitivitätstest. ............................................ 37
Tabelle 8: Kennziffern der Tranchen als Summe der Einzeleffekte...................................................... 37
-ii-
1. Einleitung
Die aktuelle Finanzmarktkrise, die nun schon seit Mitte 2007 anhält, hat mittlerweile zu weltweiten
Verlusten in Höhe von 50 Billionen USD geführt.1 Laut Angaben der Bank for International Settlements (BIS) betragen die Verluste und Abschreibungen bei Banken bisher ca. 800 Milliarden USD,
staatliche Hilfen und Kapitalerhöhungen für Banken summieren sich auf 925 Milliarden USD.2 Die
Dimension dieser Zahlen unterstreicht die Notwendigkeit einer intensiven Ursachenforschung. Um
einen ähnlichen Zusammenbruch des globalen Finanzsystems in Zukunft zu verhindern, müssen verschiedene kurz- und langfristige Maßnahmen entwickelt werden, welche die Stabilität des Systems
wiederherstellen und langfristig erhalten. Kurzfristige Maßnahmen werden aktuell durch die Niedrigzinspolitik der Zentralbanken sowie die staatlichen Rettungspakete für Banken umgesetzt. Die vorliegende Arbeit konzentriert sich daher auf langfristig orientierte Handlungsempfehlungen für Banken,
Aufsicht und Ratingagenturen.
Am Anfang der Krise stand der Kollaps des amerikanischen Subprime-Hypothekenmarkts.3 Franke
und Krahnen (2008) bezeichnen diesen gar als „Epizentrum der Finanzmarktkrise“.4 Subprime-Kredite
wurden im Vorfeld der Finanzmarktkrise in Portefeuilles zusammengefasst und anschließend über
verbriefte Wertpapiere veräußert, wodurch sich die Ausfallrisiken weltweit verteilten. Diese Instrumente waren für Investoren besonders attraktiv, da sie trotz guten Ratings eine hohe Rendite versprachen.5 Der starke Anstieg der Kreditausfälle seit Anfang 2007 führte zu nicht antizipierten Verlusten
und zog weltweit massive Abschreibungen nach sich. Die Analysen verschiedener Autoren sehen in
diesen Verbriefungstransaktionen und deren Risikofehleinschätzung die Hauptursache der Krise.6
Auch wenn Verbriefungsprodukte momentan stark in der Kritik stehen, muss festgehalten werden,
dass der Transfer von Kreditrisiken durch Kreditderivate bei einer effektiven Nutzung positive Effekte
auf eine Ökonomie haben kann.7 Zum einen ist der Handel mit Kreditrisiken ein wichtiges Instrument
zum Risikomanagement einer Bank. Zum anderen wird durch die Abgabe von Ausfallrisiken Eigenkapital freigesetzt, so dass zusätzliche Kredite vergeben werden können. Die Bereitstellung von genügend Geldkapital durch Banken ist wiederum eine Voraussetzung für das Wachstum einer Volkswirtschaft. Die aktuellen Ereignisse zeigen jedoch, dass weder bankinterne Prozesse noch aufsichtsrechtliche Organe in der Lage waren, einen nachhaltigen Einsatz von Kredittransferinstrumenten sicherzu-
1
Vgl. Loser (2009), S. 7.
Vgl. BIS (2009), S. 6.
3
Unter Subprime-Krediten versteht man Darlehen an Personen mit einem erhöhten Ausfallrisiko. Vgl. Hull
(2008), S. 3.
4
Vgl. Franke und Krahnen (2008), S. 3.
5
Vgl. Hellwig (2008), S. 32.
6
Vgl. u.a. Crouhy, Jarrow und Turnbull (2007), Hull (2008) und Hellwig (2008).
7
Vgl. etwa Allen und Carletti (2006) oder BIS (2008a).
2
-1-
stellen. Die uneingeschränkte Möglichkeit zum Transfer von Kreditrisiken führte dazu, dass Banken
die Bonitätsprüfung vernachlässigten, während gleichzeitig der Handel mit Kreditrisiken im Vorfeld
der Krise spekulative Züge annahm.
Der Fokus der vorliegenden Arbeit liegt daher auf der kritischen Analyse der Verbriefung von Kreditportefeuilles. Eine detaillierte Ursachenforschung und Problemanalyse bildet dabei die Grundlage zur
Erstellung eines Maßnahmenkatalogs, um den Transfer von Kreditrisiken auch in Zukunft zu ermöglichen. Durch eine eigenständige quantitative Analyse werden Modellrisiko und Sensitivitäten des
Marktstandards bei der Risikobewertung in der Verbriefung aufgezeigt. Im Vordergrund steht dabei,
wie die Risiken solcher Transaktionen transparent und belastbar dargestellt werden können.
In Kapitel 2 wird zunächst ein kurzer Überblick über die wichtigsten Ereignisse während der aktuellen
Finanzmarktkrise gegeben. Im Anschluss daran wird in Kapitel 3 untersucht, welche Ursachen zur
Entstehung der Krise geführt haben. Diese identifizierten Problemfelder werden den Segmenten der
Kreditwertschöpfungskette einer Bank zugeordnet, wobei gezeigt wird, dass die hohen Verluste durch
Verbriefungen nur durch ein Zusammenwirken verschiedener Effekte und Fehler entstehen konnten.
Um die Ergebnisse der qualitativen Problemanalyse zu untermauern, wird in Kapitel 4 die Verlustmodellierung für Subprime-Portefeuilles betrachtet, die den Ausgangspunkt für die Risikobewertung von
Verbriefungsprodukten darstellt. Modellfehlspezifikationen und die Wahl falscher Modellparameter
führen zur Fehleinschätzung von Risiken, wodurch diese nicht adäquat durch Marktpreise abgebildet
werden und sich durch den weltweiten Handel im Finanzsystem verbreiten. Folglich ist eine solche
Analyse von zentraler Bedeutung. Da sich das sogenannte Ein-Faktor-Gauß-Copula-Modell (OFGCModell) als Standard bei der Modellierung von Kreditportefeuilles etabliert hat8 und die Grundlage für
die aufsichtsrechtlichen Richtlinien von Basel II bildet9, wird das OFGC-Modell als Basis für die vorliegende Untersuchung herangezogen. Dabei wird es sowohl Stresstests unterzogen als auch auf Sensitivitäten gegenüber verschiedenen Modellerweiterungen hinsichtlich der Risikocharakteristika der
Verbriefung untersucht. Unter anderem werden eine Unschärfe bei der Schätzung der individuellen
Kreditwürdigkeit, verschiedene Korrelationsregimes und stochastische Recovery Rates berücksichtigt.
Die Grundfrage dabei ist, ob das OFGC-Modell das tatsächliche Risiko in einem Kreditportefeuille
realistisch darstellt. Mit dieser quantitativen Untersuchung wird die in Kapitel 3 getroffene Aussage
untermauert, dass Modellrisiko und -sensitivität maßgeblich zum Entstehen der Finanzkrise beigetragen haben. In Kapitel 5 werden auf Basis der vorangegangenen Analysen Handlungsempfehlungen
diskutiert, die darauf ausgerichtet sind, die Gefahr einer zukünftigen Finanzkrise zu verringern. Im
Vordergrund steht dabei der Versuch, durch Anreizsysteme die Qualität der Risikoeinschätzung zu
verbessern und dadurch systematische Fehlbewertungen zu verhindern. Die Arbeit schließt in Kapitel
8
9
Vgl. Amato und Gyntelberg (2005), S. 90.
Vgl. etwa Gordy (2003).
-2-
6 mit einem Fazit in Form einer abschließenden Beurteilung der Ursachen der Krise und der möglichen Handlungsempfehlungen.
2. Eine kurze Historie der Kreditkrise
In der Literatur zur aktuellen Finanzmarktkrise existiert eine Vielzahl von Arbeiten, die einen hervorragenden Überblick über die Geschehnisse während der Kreditkrise bieten. Darunter zählen u.a. Franke und Krahnen (2008), Crouhy, Jarrow und Turnbull (2007) und auch die Quartalsberichte der BIS.
Die aktuelle Kreditkrise begann im Juni 2007 auf dem nordamerikanischen Markt für SubprimeImmobilienkredite. Zu diesem Zeitpunkt wurden systematische Downgrades der Rating-Agenturen bei
der Bonitätseinschätzung von sogenannten Asset-Backed-Securities (ABS)10, mit denen diese Darlehen an andere Marktteilnehmer verbrieft wurden, vorgenommen. Laut Crouhy, Jarrow und Turnbull
(2007) wurden von Anfang 2005 bis zum dritten Quartal 2007 66% der ABS-Produkte in ihrem Rating
nach unten korrigiert, wobei allein 44% der Instrumente von Investment-Grade auf Junk herabgestuft
wurden. Diese Downgrades zwangen eine Vielzahl von Banken in den USA und in Europa zu Korrekturen ihrer Bewertungen, was massive Abschreibungen zur Folge hatte. Zudem kam der Markt für die
Verbriefung von Subprime-Krediten zum Erliegen. Das Emissionsvolumen für diese Produkte sank
von 449 Milliarden USD Anfang 2006 auf 2 Milliarden USD Anfang 2008.11
Zu den ersten notleidenden Institutionen in dieser Phase der Krise zählte die US-Investmentbank Bear
Stearns, die zwei ihrer Hedge Fonds unter nahezu vollständigem Kapitalverlust schließen musste.12
Die Folge war eine erste Serie von Abwertungen und Rating-Korrekturen. Auch in Deutschland zeigten sich die Auswirkungen der Krise durch die Notlage bei der Deutschen Industriebank (IKB) und der
Sächsischen Landesbank, welche nur durch die Hilfe des Staates und anderer Banken überlebensfähig
blieben.13
Hohe Abschreibungen und damit verbundene Quartalsverluste14 führten zu mangelnder Verfügbarkeit
von Zahlungsmitteln bei vielen Banken. Dies hatte zur Konsequenz, dass der Interbankenhandel fast
zum Erliegen kam, d.h. die Finanzinstutionen stellten sich gegenseitig kein Geld zur Verfügung bzw.
10
Vgl. Crouhy, Jarrow und Turnbull (2007), S. 85.
Vgl. BIS (2008b), S. 98.
12
Vgl. Franke und Krahnen (2008), S. 7. Im März 2008 wurde diese Bank von JP Morgan im Rahmen eines
Notverkaufs unter Vermittlung der amerikanischen Federal Reserve System (FED) übernommen.
13
14
Vgl. Crouhy, Jarrow und Turnbull (2007), S. 81. Im Oktober 2008 erwartete der Internationale Währungsfonds (IWF) aus der Finanzkrise resultierende Verluste in Höhe von 1,4 Billionen USD. Vgl. Hellwig (2008), S.
3. Ein Ende dieser Verluste ist noch nicht abzusehen. So verbuchte der größte amerikanische Baufinanzierer im
Jahr 2008 einen Nettoverlust in Höhe von unvorstellbaren 58,7 Milliarden USD. Vgl. Fannie Mae (2008), S. 8.
11
-3-
nur zu deutlich erhöhten Zinsen.15 Die große Unsicherheit zwischen Banken äußerte sich auch durch
eine erhöhte Nachfrage nach Zentralbankguthaben, welches zum Leitzins vergütet wurde.16 Nach einer
kurzen Zeit des Abwartens reagierten die Zentralbanken mit Senkungen des Leitzinses und einer erhöhten Bereitstellung von Liquidität.17 Die amerikanische Federal Reserve (FED) reagierte z.B. mit
einer drastischen Senkung des Leitzinses von 5,25% im September 2007 auf 2% im April 2008.
Zur nächsten Phase zählt laut Franke und Krahnen (2008) die staatliche Übernahme der amerikanischen Baufinanzierer Freddie Mac und Fannie Mae im Sommer 2008. Nach vorangegangen Milliardenverlusten war ein Aufkauf durch den Staat unabdingbar, da ein Bankrott dieser Institutionen einen
Kollaps des amerikanischen Immobilienmarkts nach sich gezogen hätte. Kurz darauf, im September
2008, erreichte die Krise mit der Insolvenz der viertgrößten US-Investmentbank Lehman Brothers
einen neuen Höhepunkt.18 Im Oktober musste mit dem Hypothekenfinanzierer Hypo Real Estate
(HRE) auch die erste deutsche Finanzinstitution Staatshilfen in Höhe von zunächst 15 Milliarden Euro
in Anspruch nehmen.19 Mittlerweile summieren sich die Zahlungen an die HRE auf über 100 Milliarden Euro und eine Verstaatlichung der HRE wird in Betracht gezogen.20
Eine Ausweitung der Kreditkrise auf die Realwirtschaft konnte trotz staatlicher Interventionen nicht
verhindert werden. Seit Mitte 2007 haben sich die Bedingungen bei der Kreditvergabe für Unternehmen und Konsumenten deutlich verschärft.21 Dies führte dazu, dass z.B. der Internationale Währungsfonds (IWF) im Januar 2009 die Prognose für das Wachstum der Weltwirtschaft auf 0,5% kürzen
musste. Dies entspricht dem geringsten Zuwachs seit dem Zweiten Weltkrieg. Aufgrund der angespannten Lage auf den Finanzmärkten erwartet der IWF erst im Jahr 2010 eine leichte Erholung der
Weltwirtschaft.22
15
Vgl. BIS (2008b), S. 68.
17
Einen sehr guten komparativen Überblick über die Maßnahmen der verschiedenen Zentralbanken bietet BIS
(2008b).
18
Vgl Handelsblatt (2008a).
19
Vgl. Handelsblatt (2008b).
20
Vgl. Handelsblatt (2009a).
21
22
Vgl. IWF (2009), S. 1.
16
-4-
3. Ursachenforschung anhand der Wertschöpfungskette
Nach dem Überblick über die wichtigsten Ereignisse der Finanzmarktkrise werden im folgenden Abschnitt die verschiedenen Ursachen anhand der einzelnen Teilbereiche der Kreditwertschöpfungskette
einer repräsentativen Geschäftsbank analysiert.
3.1. Die Wertschöpfungskette einer Bank bei der Kreditvergabe
Die Wertschöpfungskette eines Unternehmens stellt laut Porter (1996) ein analytisches Instrument dar,
welches die Aktivitäten der unternehmerischen Leistung in einzelne Tätigkeiten untergliedert.23 Diese
Kette eignet sich dazu, eine Organisation in strategische Teilbereiche oder Funktionseinheiten zu unterteilen, um diese detailliert zu analysieren.24 Anschließend können auf Basis der Untersuchung strategische Handlungsempfehlungen entwickelt werden.
Da die aktuelle Finanzkrise ihren Ursprung in der Subprime-Kreditkrise hatte, wird in der vorliegenden Arbeit die Krise anhand der Kreditwertschöpfungskette einer Bank analysiert.25 Diese Strukturierung ermöglicht eine Darstellung der Ursachen und Probleme in den Teilbereichen eines Kreditinstituts sowie eine zielgerechte Entwicklung von strategischen Maßnahmen zur Vermeidung zukünftiger
Krisen. Ziel dieses Abschnitts ist es daher, diese Wertschöpfungskette kurz vorzustellen, wohingegen
die folgenden Abschnitte die einzelnen Teilprozesse näher beleuchten. Während man sich in der Literatur bei der Beschreibung der Wertschöpfung häufig auf die primären Aktivitäten wie z.B. den Vertrieb oder das Portfoliomanagement eines Kreditinstituts fokussiert26, werden in dieser Arbeit auch
unterstützende Teilbereiche27 wie z.B. die Verbriefung von Krediten und die Rolle der RatingAgenturen näher betrachtet.
Abbildung 1 zeigt die Kernprozesse des Kreditgeschäfts im Überblick. Der erste Teilbereich der Wertschöpfungskette einer Bank ist der Vertrieb.28 Dort werden die Kontakte zu den Kunden hergestellt
und Finanzdienstleistungen abgesetzt. In diesen Bereich fällt bei der Kreditvergabe neben der Beratung häufig auch eine Überprüfung der Bonität sowie die Angebotserstellung und die Bewertung einer
Finanzdienstleistung, d.h. ob und zu welchen Konditionen ein Kredit vergeben wird.29 Leistungen, die
in Zusammenhang mit der Administration des Kreditportefeuilles einer Bank stehen, wie z.B. die Kreditverwaltung und die Vollstreckung von ausgefallenen Krediten, fasst das Portfoliomanagement oder
die Bestandsverwaltung zusammen. In dieser Arbeit wird angenommen, dass in diesem Bereich auch
23
Vgl. Porter (1996), S. 63ff.
Vgl. etwa den Ansatz von Hartung und Helten (2001).
25
26
Vgl. Börner (2000) oder Hartung und Helten (2001).
27
Vgl. Porter (1996), S. 67.
28
Nach Hartung und Helten (2001) beginnt die Wertschöpfung mit der Produktentwicklung von Finanzdienstleistungen.
29
Die folgenden Erläuterungen folgen Holtmann und Kleinheyer (2002), S. 479f.
24
-5-
die Verbriefung von Krediten stattfindet. Die Überwachung und die Analyse des Risikoprofils des
Portefeuilles einer Bank stehen beim Risikomanagement im Vordergrund. In diesem Teilbereich werden auch die Bewertungsmodelle der Produkte kontrolliert und weiterentwickelt. Dabei ist das Ziel,
die zugrunde liegenden Risiken adäquat zu berücksichtigen. Wie die aktuelle Finanzkrise gezeigt hat,
spielen Rating-Agenturen bei der Bewertung von verbrieften Kreditportefeuilles eine Schlüsselrolle.
Viele Investoren bewerten diese Produkte basierend auf den Bonitätseinschätzungen der Agenturen.30
Die Überwachung der Tätigkeit von Banken durch den Staat fällt der Bankenaufsicht zu. Mit Hilfe
von regulatorischen Eingriffen kann die Aufsicht zum Schutz der Gläubiger, Kunden und der Volkswirtschaft in die Geschäftstätigkeit einer Kreditinstitution eingreifen.31
Quelle: Eigene Darstellung.
Abbildung 1: Darstellung der Kreditwertschöpfungskette.
3.2. Makroökonomisches Umfeld der Krise
Die Entstehung der aktuellen Finanzkrise wurde maßgeblich durch die Entwicklung zweier makroökonomischer Faktoren beeinflusst: dem Zinsniveau und den Preisen für Wohnimmobilien. Die
Wechselwirkungen zwischen diesen beiden Größen bildeten die Voraussetzung für das Wachstum und
den letztendlichen Zerfall der Subprime-Blase.32 Der zeitliche Verlauf der Zinsen und Immobilienprei-
30
Vgl. Waschbusch (2000), S. 10f.
32
Vgl. Hull (2008), S. 2.
31
-6-
se ist in Abbildung 2 anhand des FED-Leitzinssatzes33 bzw. des S&P/Case-Shiller-Home-Price Index34
dargestellt.
Aus Abbildung 2 wird ersichtlich, dass zwischen den Jahren 2002 und 2004 ein niedriges Zinsniveau
mit einem starken Wachstum der Wohnimmobilienpreise zusammenfiel. Zwischen Juni 2003 und Juni
2004 lag der Leitzinssatz auf einem Tiefstwert von lediglich 1%. Dieses niedrige Zinsniveau zog zwei
Effekte nach sich. Zum einen konnten Immobilienkäufe günstig finanziert werden, was eine steigende
Nachfrage zur Folge hatte und den Anstieg der Immobilienpreise beschleunigte.35 Zum anderen begannen Anleger und Investoren nach Finanzprodukten zu suchen, die trotz der niedrigen Leitzinsen
eine hohe Rendite versprachen.36 Hellwig (2008) bezeichnet die Situation sogar als „yield panic“, also
als eine verzweifelte Suche nach einer erhöhten Rendite. Subprime-Immobilienkredite wurden zu einer attraktiven Alternative. Trotz der hohen erwarteten Rendite37 schien das Risiko relativ gering, da
die besicherten Immobilien ständig an Wert gewannen. Dementsprechend stieg, trotz der seit 2005
wachsenden Leitzinsen, der Anteil von Subprime-Krediten am gesamten Hypothekenmarkt der USA
von ca. 10% im Jahr 2006 auf ca. 20% im Jahr 2007.38
9
200
S&P/Case-Schiller Index
FED Leitzinssatz
S&P/Case-Shiller Index
160
8
7
140
6
120
5
100
4
80
3
60
FED Leitzinssatz in %
180
2
40
1
20
0
0
Jan. 91 Jan. 93 Jan. 95 Jan. 97 Jan. 99 Jan. 01 Jan. 03 Jan. 05 Jan. 07 Jan. 09
Eigene Darstellung, Datenquellen: Federal Reserve System, Standard & Poor’s.
Abbildung 2: Entwicklung des Zinsniveaus und der Immobilienpreise seit 1991.
33
Die Daten wurden am 01.02.2009 von URL http://www.federalreserve.gov/fomc/fundsrate.htm entnommen.
Der S&P/Case-Shiller-Home-Price Index ist ein Indikator für die Wertentwicklung eines Ein-Familien-Hauses
in den USA. Die Daten wurden am 01.02.2009 von URL http://www.standardandpoors.com entnommen.
35
Vgl. Hull (2008), S. 2.
36
Vgl. Hellwig (2008), S 32.
37
38
34
-7-
Jedoch nahm, wie in den folgenden beiden Abschnitten beschrieben wird, mit anhaltendem Wachstum
des Subprime-Marktes die Qualität der vergebenen Kredite ab. Dazu kam, dass aufgrund der oftmals
variablen Darlehensverzinsung der steigende Leitzins zu einem erhöhten Kapitaldienst für die Schuldner führte.39 Dies hatte, wie in Abbildung 3 erkennbar, ein starkes Wachstum an Kreditausfällen ab
Mitte des Jahres 2006 zur Konsequenz.
18%
17%
16%
15%
14%
13%
12%
11%
10%
9%
Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4
2002
2003
2004
2005
2006
2007
Eigene Darstellung, Datenquelle: Mortgage Bankers Association (2008), S. 10.
Abbildung 3: Anteil der notleidenden Kredite im US-Markt für Subprime-Immobilienkredite.
Die steigende Zahl der Kreditausfälle hatte wiederum Konsequenzen für den Immobilienmarkt. Durch
Zwangsvollstreckungen entstand ein zusätzliches Angebot an Wohnimmobilien, was zu sinkenden
Preisen führte.40 Am S&P/Case-Shiller-Home-Price Index in Abbildung 2 kann man erkennen, dass
das Preisniveau zwischen Mitte 2006 und Mitte 2008 um mehr als 20% sank. Somit verloren die Sicherheiten der Kredite immer mehr an Wert und die tatsächlichen und erwarteten Verluste der Geldgeber stiegen.41.
39
Vgl. Hull (2008), S. 4.
41
Vgl. Krinsman (2007), S. 14.
40
-8-
3.3. Rolle der einzelnen Segmente der Wertschöpfungskette in der Finanzkrise
In den folgenden Abschnitten werden nun die Problemfelder in den einzelnen Segmenten der Wertschöpfungskette im Detail untersucht. Dabei werden die vier Instanzen Vertrieb, Portfolio- und Risikomanagement, Bankenaufsicht und Rating-Agenturen betrachtet und ihre Rolle vor und während der
Krise diskutiert.
3.3.1. Vertrieb
Wie bereits in der Analyse der makroökonomischen Rahmenbedingungen beschrieben wurde, führten
niedrige Zinsen auf dem Finanzmarkt zu einem Boom bei der Finanzierung von Immobilien. Um dieses Wachstum beizubehalten, setzte man in den Jahren 2005 und 2006 im Vertrieb und der Produktentwicklung auf eine Reihe von neuen Finanzdienstleistungen. Dazu zählten die 2/28 und 3/27 Hybrid
Subprime Adjustable Rate Mortgages (ARMs), bei denen die Kunden mit niedrigen Einstiegszinsen
gelockt wurden. Nach den ersten zwei bis drei Jahren wurden die Darlehenszinsen jedoch angepasst.42
Die steigenden Zinsen auf dem Finanzmarkt führten zu einer erheblichen Erhöhung der daran gekoppelten Darlehenszinsen. Da viele Kreditnehmer dieser finanziellen Belastung nicht gewachsen waren,
kam es nach den ersten Anpassungsrunden seit dem Jahr 2007 zu einer erhöhten Anzahl an Privatinsolvenzen.43
Eine kritische Rolle spielen dabei die Bonitätsprüfungen bei der Kreditvergabe. Während die Kreditgeber eigentlich die Angaben bei Kreditanträgen gewissenhaft prüfen sollten, zeigte sich während der
Kreditkrise, dass die Überprüfung der Bonität eines Kreditnehmers zunehmend schlechter und ungenauer wurde. Zimmerman (2007) bezeichnet die ARMs z.B. als „Liar’s loans“, da keine genaue Überprüfung der Einkommensangaben stattgefunden hat. Somit konnten potentielle Kreditnehmer bei ihren
Anträgen unwahre Angaben über ihre Einkommensverhältnisse machen, ohne Kontrollen riskieren zu
müssen.44 Dazu beigetragen hat laut Krinsman (2007) auch, dass bei manchen Produktarten eine Auskunft überhaupt nicht zwingend notwendig war. Ein Beispiel für derartige Kredite sind die sogenannten Stated Income Loans, bei denen keine Auskunftspflicht besteht. Im Gegenzug musste der Kreditnehmer einen unwesentlich höheren Darlehenszins bezahlen. Laut Krinsman (2007) wurden 50% aller
Subprime-Kredite auf Basis von unzureichenden Auskünften über Einkommen vergeben. Daher kann
man sich nur der Aussage von Zimmerman (2007) anschließen, wonach in einer „normalen Welt“
derartige Produkte niemals entwickelt worden wären, da Kreditausfälle wissentlich in Kauf genommen
wurden. Das Resultat dieser Vertriebspolitik wurde am 13. März 2007 durch die Mortgage Bankers
Association veröffentlicht: 13% aller Subprime-Kredite waren 60 Tage oder mehr mit ihren Tilgungs-
42
Vgl. Zimmerman (2007), S.12. Die Darlehenszinsen der Immobilienkredite mit einer Laufzeit von 30 Jahren
werden nach 2 (für 2/28 ARMs) bzw. nach 3 (für 3/28 ARMs) Jahren angepasst und bleiben in der Folge auch
variabel.
43
Vgl. Abbildung 3.
44
Vgl. Zimmerman (2007), S. 12.
-9-
und Zinszahlungen in Verzug.45 Abbildung 4 zeigt, in welchem Umfang die Subprime-Darlehen von
2003 bis 2007 an Kreditqualität verloren hatten.46 Von den im Jahr 2007 vergebenen Krediten waren
nach 10 Monaten 13,0% mit mehr als 60 Tagen in Verzug. Für Kredite aus dem Jahr 2003 betrug diese
Zahl lediglich 2,8%.
30%
Jahreskohorte
25%
2000
2003
2004
2005
2006
2007
20%
15%
10%
5%
0%
1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
Zeit seit Abschluss des Kredits (Monate)
Eigene Darstellung, Datenquelle: Bank for International Settlements.
Abbildung 4: Anteil der US-Subprime-Kredite mit Zahlungsverzug von mehr als 60 Tagen nach
Jahreskohorte.
Auch wenn diese Ereignisse in der Vergangenheit liegen und solche Produkte derzeit nicht mehr angeboten werden, muss die Frage gestellt werden, wie es zu einer solchen Entwicklung kommen konnte. Derartige Probleme können nicht nur bei der Vergabe von Immobilienkrediten entstehen, sondern
beispielsweise auch bei der Vergabe von Studentenkrediten oder Kreditkarten. Aktuelle Untersuchungen identifizieren zwei Hauptgründe für diese Entwicklung.
Zum einen wurde der Vertrieb in der Regel mit Bonus- und Provisionszahlungen vergütet, welche auf
der Anzahl oder dem Volumen der abgeschlossenen Kreditverträge basierten.47 Wie lange die Darlehen danach existierten oder ob sie schon nach einer kurzen Laufzeit (z.B. nach der ersten Anpassung
45
Die Daten wurden am 01.03.2009 von URL http://www.bis.org/publ/arpdf/ar2008_de.htm entnommen.
47
46
-10-
der Darlehenszinsen) wieder ausfielen, spielte für die Vergütung keine Rolle.48 Dies hatte als Konsequenz, dass oftmals keine solide Bonitätsprüfung erfolgte.49
Auf der anderen Seite entwickelte sich in den vergangenen Jahren ein florierender Markt für Asset
Backed Securities (ABS) mit zugrunde liegenden Subprime-Kreditportefeuilles.50 Der Originator
konnte also das Kreditrisiko, welches durch diese Immobilienkredite entstanden ist, gegen eine Prämienzahlung an Investoren weitergeben. Die massive Nachfrage nach derartigen Verbriefungsprodukten verschaffte den Kreditgebern zusätzliche Liquidität, so dass jederzeit Kapital zur Verfügung stand,
um neue Kredite zu vergeben.51 Des Weiteren konnten die Kreditgeber durch eine geschickte Strukturierung der Verbriefungen einen positiven Cash-Flow generieren. Somit waren sie vom Ausfallrisiko
ihrer Forderungen nicht mehr betroffen, da diese Risiken über die Verbriefungstransaktionen weitergegeben wurden.52 Man kann also zusammenfassen, dass ständig Liquidität für neue Kredite existierte,
aber auf der anderen Seite die Darlehensnehmer aufgrund der Weitergabe der Kreditrisiken nicht mehr
überprüft worden sind. Die Ergebnisse von Keys et al. (2008) bestätigen diese Vermutung. In ihrer
Untersuchung wurde für den amerikanischen Markt festgestellt, dass die Möglichkeit einer Verbriefung die Qualität der Bonitätsprüfungen negativ beeinflusst. Wurde demnach ein Kreditportefeuille
verbrieft, so stieg dessen Ausfallwahrscheinlichkeit um bis zu 25%.
3.3.2. Portfolio- und Risikomanagement
Nach der isolierten Betrachtung der Kredite durch den Vertrieb erfolgt im Portfoliomanagement die
einheitliche Verwaltung53 und Analyse des Kreditportefeuilles. Zur Analyse und Bewertung des Kreditportefeuilles werden hier Annahmen über das Gesamtportefeuille getroffen. Dazu gehört vor allem
die Modellierung der Abhängigkeitsstrukturen der Risikopositionen. Während im Risikomanagement
vorwiegend die allgemeine Geschäfts- und Risikostrategie ausgearbeitet wird, erfolgt im Portfoliomanagement die Entscheidung, ob und wie Risiken abgegeben werden sollen.54 Dies sollte im Rahmen
der Vorgaben des Risikomanagements geschehen. Durch den Transfer von Kreditrisiken sinken die
Eigenkapitalanforderungen55 und liquide Mittel werden freigesetzt. Somit steht Kapital zur Verfügung,
um neue Darlehen zu vergeben und damit Wachstum zu generieren. An den Vertrieb wird dann weitergegeben, welches Budget für das Neugeschäft zur Verfügung steht und in welchem Maß sich dieses
auf die verschiedenen Bonitätsklassen verteilen soll.
48
50
Die Gründe für den Anstieg der Nachfrage von ABS-Produkten werden im Abschnitt 3.3.2 näher erläutert.
51
52
53
Zur Verwaltung von Krediten wird hier auch die Verbriefung oder die Weitergabe an andere Marktteilnehmer
gezählt.
54
Vgl. etwa Spremann (2006), S. 37ff.
55
Vgl. Abschnitt 3.3.3.
49
-11-
Eine Verbriefung bietet ein spezielles Mittel zum Risikotransfer, indem das Kreditportefeuille in verschiedene Wertpapiertranchen mit spezifischen Risikomerkmalen neu strukturiert wird.56 Für die Übernahme des Ausfallrisikos erhält der Käufer einer Tranche eine Prämie. Die Ausschreibung der
Wertpapiere und die Überwachung der Cash-Flows erfolgt in der Regel über eine Zweckgesellschaft
(sog. Special Purpose Vehicle). Die Zahlungsströme der Tranchen folgen dabei der Struktur eines
Wasserfalls: Die nachrangigste Tranche, die als Equity-Tranche bezeichnet wird, absorbiert die Verluste des Portefeuilles bis zu einer festgelegten Obergrenze. Erst danach werden die Verluste von den
anderen Tranchen je nach Seniorität getragen.57 Eine solche Transaktion ermöglicht Investoren mit
unterschiedlichen Risikoprofilen an der Performance der Portefeuilles zu partizipieren.58 Abbildung 5
stellt Ablauf und Struktur einer solchen Verbriefung graphisch dar.
Zinsen und Tilgungen
Risikoaktiva
Super-Senior-Tranche
Special Purpose Vehicle
Portefeuille
(kauft Bonds und Kredite und gibt Tran-
aus
chen aus mit Referenz-Portefeuille als
Krediten
Sicherheit)
Senior-Tranche
Sen.-Mezzanine-Tranche
Jun.-Mezzanine-Tranche
Prämienzahlungen
Kaufpreis
(für den Übertrag
der Risikoaktiva)
Equity-Tranche
Verluste
(Aufteilung nach Seniorität der Tranche)
Quelle: Bluhm, Overbeck und Wagner (2003), S. 241.
Abbildung 5: Grundstruktur einer Verbriefung.
In der Regel behält der Originator die Equity-Tranche ein.59 Da diese Tranche typischerweise den
erwarteten Verlust des Kreditportefeuilles übersteigt, trägt der Originator somit den Großteil des Ausfallrisikos selbst.60 Dadurch garantiert er für die Qualität der zugrunde liegenden Verlustverteilung.61
Im Vorfeld der Finanzkrise nutzen jedoch viele Originatoren die große Nachfrage nach Verbriefungsprodukten von Subprime-Krediten zur vollständigen Veräußerung ihrer Portefeuilles, ohne dass dies
56
Vgl. BIS (2008b), S. 155.
Vgl. Crouhy, Jarrow und Turnbull (2007), S. 84 und Franke und Krahnen (2007), S. 12.
58
Vgl. Krinsmann (2007), S. 14.
59
Vgl. BIS (2005), S. 10.
60
61
Vgl. Tavakoli (2003), S. 249.
57
-12-
vom Markt als negatives Signal aufgefasst wurde.62 Da bei einer kompletten Verbriefung jegliche Haftung des Originators für die Ausfälle entfällt, fehlten die Anreize des Portfoliomanagements zur Minimierung der Verluste.63 Die Konsequenz war ein signifikanter und kontinuierlicher Anstieg der Ausfallquote bei Subprime-Krediten64. Dies bestätigt die Vermutung, dass seitens des Portfoliomanagements zu wenig unternommen wurde, um die Qualitätsverschlechterung zu verhindern. In Abschnitt
3.3 wurde bereits darüber spekuliert, inwieweit eine detaillierte Qualitäts- bzw. Bonitätsprüfung überhaupt angestrebt wurde. Diese Beobachtung legt den Schluss nahe, dass es bei der Verbriefung von
ganzen Kreditportefeuilles zu Moral Hazard65 gekommen ist.
3.3.3. Aufsichtsbehörden und Rechnungslegung
Die Aufsichtsbehörden und die Vorgaben für eine einheitliche Rechnungslegung legen die Rahmenbedingungen für den Bankensektor fest. Durch die Aufsichtsbehörden werden den Banken Bedingungen für ihre Geschäftspolitik auferlegt. Dabei werden unter anderem Eigenkapital- und Liquiditätsanforderungen gestellt und Limite für riskante Investitionen festgelegt.66 Die Rechnungslegung dient
dazu, die Aktivitäten der Bank in aggregierter Form offen zu legen. Eine einheitliche Buchführung
liefert somit Kenngrößen für die Berechnung der Anforderungen seitens der Aufsichtsbehörden und
erleichtert anderen Marktteilnehmern die Informationsgewinnung.
Bei der Analyse der Rolle der Aufsichtsbehörden und der Rechnungslegung im Zusammenhang mit
der aktuellen Finanzkrise müssen mehrere Aspekte miteinbezogen werden. Zunächst waren HedgeFonds und Investmentbanken nicht reguliert, d.h. sie konnten im Gegensatz zu normalen Banken und
Versicherern in die sehr riskanten Equity-Tranchen investieren, was sie, gelockt durch die hohen Renditen, bereits seit dem Jahr 2000 verstärkt nutzen.67 Ohne diese Nachfrage hätten die Originatoren
diese Tranchen wohl nicht veräußern können und somit selbst größere Anteile an den Equity-Tranchen
einbehalten müssen. Dadurch wäre zum einen die Eigenkapitalfreisetzung der Originatoren wesentlich
geringer ausgefallen, was ein schwächeres Wachstum der Kreditvergaben nach sich gezogen hätte.
Zum anderen wäre bei Einbehalt eines Teils des Risikos der in Abschnitt 3.3.2 beschriebene Moral
Hazard eventuell nicht in dem Ausmaß beobachtbar gewesen.
Hinzu kommt, dass die zugrunde liegenden Risikogewichte zur Berechnung der Eigenkapitalhinterlegungen auf den Ratings der Verbriefungen basieren müssen, sofern das Finanzinstitut für den InternalRating-Based-Ansatz68 (IRB-Ansatz) zugelassen ist.69 Die in Abschnitt 3.3.4 beschriebenen Fehlein-
62
Vgl. Zimmermann (2007), S. 18.
64
Vgl. Abschnitt 3.3.
65
Für die Definition siehe Holmstrom (1979).
66
Diese Anforderungen werden in den Grundsätzen von Basel II formuliert.
67
68
Der IRB-Ansatz stellt bei Banken das marktübliche Verfahren dar.
63
-13-
schätzungen seitens der Rating-Agenturen führten damit zu relativ geringen Eigenkapitalhinterlegungen. Neben dem positiven Signal eines guten Ratings wurden die Subprime-Wertpapiere dadurch noch
lukrativer.
Des Weiteren hat das in der Rechnungslegung angewandte Fair-Value-Prinzip zu einer Verschärfung
der Finanzkrise geführt. Dieses System, welches auch Mark-to-Market genannt wird, zwingt die Finanzinstitute dazu, ihre Aktiva grundsätzlich auf Basis von Marktpreisen zu bewerten.70 Das bedeutet,
dass die Aktiva zu den Preisen bilanziert werden, die bei einem sofortigen Verkauf erzielt werden
würden. Dies ist auch der Fall, wenn die Absicht besteht, die Assets bis zu ihrem Laufzeitende zu halten.71 Die Idee des Fair-Value liegt darin, die Transparenz bei der Bilanzierung innovativer Finanzinstrumente zu erhöhen, da die vorher bestehenden Rechnungslegungsstandards nicht in der Lage waren,
die Werte dieser Produkte adäquat in der Bilanz abzubilden.72 Die durch die Finanzkrise verursachte
Illiquidität des Marktes führte insbesondere für ABS-Instrumente jeglicher Art zu Bewertungsschwierigkeiten.73 Die resultierenden Abschreibungen veranlassten die Kreditinstitute zu einer aktiven Sanierung ihrer Bilanzen.74 Viele Kreditinstitute erhöhten ihr Eigenkapital mit Hilfe von öffentlichen und
privaten Mitteln. Laut BIS (2008b) sammelten Banken bis Mai 2008 etwa 200 Milliarden USD an
neuem Eigenkapital. Jedoch war die Aufstockung des Eigenkapitals aufgrund der Verunsicherung der
Anleger kostspielig.75 Außerdem war die Beschaffung liquider Mittel in Anbetracht des brach liegenden Interbankenmarktes schwierig.76 Viele Banken waren also gezwungen, risikobehaftete Aktiva zu
veräußern. Da der Verkauf von Subprime-Wertpapieren aufgrund der Preissituation nur mit unvertretbaren Verlusten möglich gewesen wäre, mussten viele Banken Assets höherer Qualität abgeben. Folglich erhöhte sich der Preisdruck auf den gesamten Kapitalmarkt. Insgesamt führten die Eigenkapitalanforderungen und das Fair-Value-Prinzip also zu einer Verstärkung der Abwärtsspirale der Preise und
verhinderten langfristig orientierte Entscheidungen.77
Ein weiterer kritischer Punkt war laut Hellwig (2008) die fehlende Eigenkapitalunterlegung für außerbilanzielle Gesellschaften wie z.B. die eigens für Verbriefungen gegründeten Special Purpose Vehicles
(SPVs).78 Nach den aktuellen Rechnungslegungsvorschriften müssen Verpflichtungen der Bank gegenüber SPVs nicht in den Bilanzen der Bank ausgewiesen werden, solange davon ausgegangen wird,
dass diese nicht eintreten werden. Andernfalls hätten die Banken bei Verbriefungstransaktionen höhe-
69
Vgl. Steiner, Miehle und Mader (2005), S. 8.
Vgl. Starbatty (2005) S. 39.
71
72
Vgl. Nelson (1996), S. 163.
73
Vgl. Crouhy, Jarrow und Turnbull (2007), S. 91f und Hellwig (2008), S. 44.
74
Vgl. BIS (2008b), S. 129.
75
Vgl. BIS (2008b), S. 129.
76
77
78
Vgl. BIS (2008b), S. 138.
70
-14-
re Eigenkapitalanforderungen tragen müssen. Der Kredittransfermarkt hätte sich dann vermutlich weniger stark entwickelt. Neben der fehlenden Berücksichtigung der Risiken, denen die Bank über die
SPVs ausgesetzt war, gibt es in den Regularien der Aufsicht keine Vorschrift zur Bemessung von
Kontrahentenrisiko. Damit bezeichnet man das Risiko, welches bei einem Geschäft mit einem Dritten
verbleibt, für den Fall dass diese dritte Partei ihren Verpflichtungen nicht nachkommen kann. Somit
fehlt besonders bei Verbriefungstransaktionen, bei denen viele Parteien beteiligt sind, die adäquate
Berücksichtigung der systematischen Ausfallrisiken bei Berechnung der Eigenkapitalanforderungen.79
3.3.4. Rating-Agenturen
Das Rating eines Finanztitels spiegelt dessen langfristige Bonität wider. Diese Einschätzung wird in
der Regel von spezialisierten Rating-Agenturen vorgenommen.80 Wie im Folgenden beschrieben wird,
ist die zugeordnete Rating-Klasse einer ABS-Tranche für ihren Verkauf von zentraler Bedeutung.
Folglich wirkten sich im Subprime-Markt die offensichtlichen Fehleinschätzungen der RatingAgenturen stark auf die Ausbreitung der Krise aus. Nach und nach mussten Ratings nach unten korrigiert werden, was massive Abschreibungen bei den Investoren zur Folge hatte.81 Bereits 2005 warnten
Rating-Agenturen vor den Entwicklungen im amerikanischen Wohnimmobilienmarkt. Im Sommer
2006 folgten Warnungen für den Subprime-Markt. Im November 2006 war Moody’s die erste RatingAgentur, die begann, ihre Bonitätseinschätzungen nach unten zu korrigieren. In den nächsten Monaten
folgten alle anderen Agenturen und es kam zu systematischen Abwertungen von SubprimeWertpapieren. Etliche Wertpapiere wurden von AAA, d.h. der Klasse mit dem geringsten Ausfallrisiko, auf Non-Investment Grade herabgestuft.82 Somit konnten verschiedene Marktteilnehmer wie Versicherungen und Rentenfonds aufgrund ihrer Investitionsrichtlinien nicht mehr in diese Titel investieren.83
Rating-Agenturen spielen aus drei Gründen eine zentrale Rolle beim Handel mit SubprimeWertpapieren. Erstens basieren die Basel-II-Vorschriften zur Eigenkapitalhinterlegung für ABSTranchen auf dem Rating des Wertpapiers.84 Die Risikogewichtung hängt im ratingbasierten Ansatz
allein von der Einschätzung einer Rating-Agentur ab und muss bei Vorliegen eines Ratings zwingend
verwendet werden.85 Zweitens sind einige Investoren wie z.B. Geldmarktfonds oder Pensionsfonds
dazu verpflichtet, ausschließlich in Wertpapiere mit AAA-Rating zu investieren. 86 Dabei waren ABSTranchen im Vorfeld der Krise besonders attraktiv, da sie im Vergleich zu Unternehmens- oder Staats-
79
Vgl. Wieben (2004), S. 6.
81
82
83
Vgl. Basel Committee on Banking Supervision (2008), S. 10.
84
Vgl. Bannier und Tyrell (2006), S. 2.
85
Vgl. Steiner, Miehle und Mader (2005), S. 8.
86
Vgl. Basel Committee on Banking Supervision (2008), S. 10.
80
-15-
anleihen der gleichen Bonitätsklasse höhere Renditen versprachen.87 Drittens haben Investoren in der
Regel nur wenige Informationen über das einer ABS-Tranche zugrunde liegende Kreditportefeuille.
Da deshalb eine eigene Risikoeinschätzung nur schwer möglich ist, verließen sich in den letzten Jahren viele Investoren in ihren Bewertungen allein auf das Urteil der Rating-Agenturen.88 Dies veranlasste die Investoren, auf eine Risikoprämie für die Informationsintransparenz dieser Instrumente zu
verzichten, die beispielsweise für Unternehmensanleihen eingefordert wird.89 Vernachlässigt eine Finanzinstitution ihre eigene Risikoprüfung, kann dies allerdings selbst bei korrektem Rating zu Problemen führen. Brennan, Hein & Poon (2008) zeigen, dass Originatoren eines CDOs Arbitragegewinne
einstreichen können, wenn der Verkaufspreis der Tranchen einzig auf der jeweiligen Rating-Klasse
beruht. Der Mechanismus basiert auf der Reduktion der gesamten Portefeuilleinformationen auf eine
einzelne Kenngröße. Diese Ratingaussage kann jedoch nicht auf die gleiche Weise wie bei Unternehmensanleihen interpretiert werden. Letztere tragen ein höheres unsystematisches Risiko, während
Tranchen von Kreditportefeuilles bereits diversifiziert sind und somit ein erhöhtes systematisches Risiko beinhalten, welches durch eine höhere Risikoprämie vergütet werden müsste. Diese Bewertungsdifferenzen lassen sich durch eine entsprechende Strategie als Arbitragegewinne realisieren. Im Jahr
2006 wurden ca. 85% der am Markt platzierten CDOs im Gesamtwert von 550 Mrd. USD von der
Securities Industries and Financial Markets Association als derartige Arbitrage-CDOs eingestuft.90
Aufgrund der starken Abhängigkeit des Subprime-Marktes von den Rating-Agenturen hatten deren
Fehler bei der Risikoeinschätzung schwerwiegende Folgen. Mögliche Ursachen solcher Fehleinschätzungen sind Interessenskonflikte der Rating-Agenturen, mangelnde Erfahrung mit strukturierten Produkten und die Qualität der im Rating-Prozess verwendeten Daten.
Ein Kritikpunkt an der Rolle der Rating-Agenturen im Vorfeld der Subprime Krise zielt auf die Interessenskonflikte der Agenturen bei der Bewertung von CDOs.91 Sie werden zum einen vom Originator
des CDOs für ihre Rating-Vergabe bezahlt und bieten darüber hinaus Beratungsleistungen zur Ratingoptimierung bei strukturierten Produkten an.92 Des Weiteren hat eine Fehleinschätzung für die Rating-Agenturen keine unmittelbaren Konsequenzen. Im Kernpunkt dieser Argumentation steht also die
Aussage, dass für die Rating-Agenturen kein Anreiz besteht, die Qualität ihrer zugrunde liegenden
Modelle und Bewertungsansätze zu verbessern.
Ein weiteres grundsätzliches Problem liegt laut Crouhy, Jarrow und Turnbull (2007) im begrenzten
Erfahrungsschatz der Rating-Agenturen im Umgang mit strukturierten Produkten. Traditionell liegt
87
Vgl. Bannier und Tyrell (2006), S. 2, Hull (2008), S. 9., oder Crouhy, Jarrow und Turnbull (2007), S. 85.
89
Vgl. Yu (2005).
90
Vgl. Brennan, Hein & Poon (2008), S. 1.
91
92
88
-16-
der Schwerpunkt der Rating-Agenturen auf der Risikoeinschätzung für einzelne Unternehmen – auf
diesem Gebiet gibt es jahrzehntelange Erfahrung. Der Fokus liegt hier auf der qualifizierten Einschätzung des Ausfallrisikos auf Basis von Unternehmens- und Branchendaten. Die zugrunde liegenden
Daten sind meist öffentlich verfügbar und die Qualität des Ratings ist maßgeblich von der Urteilskraft
und Marktkenntnis der Analysten abhängig. Das Rating von CDOs unterscheidet sich hingegen fundamental von diesem Ansatz. Das Risiko eines Kreditportefeuilles kann nur adäquat bewertet werden,
wenn man die Abhängigkeitsstruktur der Ausfälle geeignet abbildet. Nur so können die unerwarteten
Verluste im Portefeuille, die vor allem die Senior-Tranchen betreffen, realistisch eingeschätzt werden.93 Folglich rückt bei der Bewertung von Kreditportefeuilles die Qualität der zugrunde liegenden
quantitativen Modelle stark in den Vordergrund. Da sich Fehlspezifikationen stark auf die Risikoeinschätzung auswirken, besteht im Vergleich zur Bewertung einzelner Positionen ein erhöhtes Modellrisiko. Verlassen sich viele Marktteilnehmer allein auf das Urteil der Rating-Agenturen, wird dieses
Modellrisiko auf den gesamten Finanzmarkt übertragen. Die enormen Ratingkorrekturen zu Beginn
der aktuellen Finanzmarktkrise stützen die These, dass die speziellen Erfordernisse bei der Bewertung
von Verbriefungsprodukten in den Modellen der Agenturen nicht ausreichend berücksichtigt wurden.
Neben der Problematik des Modellrisikos werden den Rating-Agenturen auch Schwächen im RatingProzess zur Last gelegt. Laut Angaben von Moody’s94 und Standard and Poor’s95 stammen die dem
Rating zugrunde liegenden Daten allein vom Kunden, also dem Originator. Darüber hinaus wird im
Rating-Prozess unterstellt, dass die Bonitätsprüfung bei der Vergabe der Einzelkredite ordnungsgemäß
durchgeführt wurde. Eine systematische und kritische Überprüfung der Datenqualität findet nicht statt.
Darüber hinaus findet die Verifizierung eines Ratings über die Zeit nur punktuell statt.
Zusammenfassend waren also zwei Problemfelder ausschlaggebend. Zum einen hat die große Abhängigkeit von den Bonitätseinschätzungen der Rating-Agenturen dazu geführt, dass die vorgenommenen
Abwertungen großen Einfluss auf die Portefeuilles der Investoren hatten. Es wurde ersichtlich, dass
ein externes Rating die interne Risikoeinschätzung keinesfalls ersetzen kann. Zum anderen haben die
fehlerhaften Risikoeinschätzungen der Rating-Agenturen den Handel mit überbewerteten Tranchen
erst ermöglicht. Es gilt also für die Zukunft, die Rolle der Rating-Agenturen zu überdenken und Mechanismen zu schaffen, die eine flächendeckende Fehleinschätzung der Agenturen wirksam verhindern
können.
93
Vgl. Ashcraft und Schuermann (2007), S. 43ff.
Vgl. Kanef (2007), S. 5.
95
Vgl. Tillman (2007), S. 7.
94
-17-
4. Risikomodellierung von Verbriefungsstrukturen
Das vorangegangene Kapitel hat gezeigt, dass die aktuelle Finanzkrise durch ein komplexes Zusammenwirken verschiedener Aspekte entstanden ist. In den folgenden Abschnitten wird nun die Risikomodellierung bei Verbriefungstransaktionen genauer betrachtet. Fehlspezifikationen wirken sich hier
unmittelbar auf die Trancheneinteilung aus. Fehler können bei der Schätzung von Modellparametern
und der Wahl des Modells entstehen. Die Konsequenz daraus ist, dass die Risiken einer Tranche nicht
adäquat durch ihre Preise abgebildet werden und sich durch den weltweiten Handel im Finanzsystem
fortpflanzen, wodurch das systemische Risiko steigt.
Um die Tranchen bewerten zu können, bedarf es aufgrund des Ausfallrisikos und der Optionalität im
Tranchenauszahlungsprofil eines stochastischen Modells, welches den Verlust des Gesamtportefeuille
LPF in jedem Zeitpunkt t abbildet. Die Herausforderung liegt dabei insbesondere darin, die Abhängigkeiten zwischen den Ausfällen der einzelnen Titel geeignet abzubilden. Daher wird in Abschnitt 4.1
mit dem OFGC-Modell ein entsprechendes Modell formuliert und geeignet spezifiziert. Dieses wird
dann in den Abschnitt 4.2 diversen Sensitivitätsanalysen und Robustheitstests unterzogen. Dabei wird
aufgezeigt, wie sich Modellerweiterungen auf die Risikocharakteristika der Tranchen auswirken.
4.1. Ein einfaches Kreditportefeuillemodell
Anhand eines exemplarischen Kreditportefeuilles wird im Folgenden konkret aufgezeigt, wie sich
verschiedene Fehleinschätzungen und Missspezifikationen auf die Risikoprofile einer Tranche auswirken. Dabei wird zunächst eine Unschärfe bei der Schätzung der individuellen Kreditwürdigkeit betrachtet. Anschließend wird berücksichtigt, dass sich die Korrelationen zwischen den Ausfällen der
einzelnen Kreditnehmer im Zeitverlauf ändern können. In diesem Zusammenhang wird das Beispielportefeuille auch einem Korrelationsstresstest unterzogen, um das systematische Risiko der Tranchen
abzuschätzen. Des Weiteren wird ein Zusammenhang zwischen dem makroökonomischen Umfeld und
den Wiedergewinnungsquoten hergestellt und dessen Auswirkungen untersucht. Schließlich werden
alle Modellerweiterungen kombiniert, um das Zusammenwirken der Einzeleffekte zu analysieren.
Die komparative Untersuchung wird auf Basis des OFGC-Modells durchgeführt. Dieses hat sich als
Standard bei der Modellierung von Kreditportefeuilles etabliert.96 So dient es nicht nur als BenchmarkModell bei vielen empirischen Analysen97, sondern ist auch die Grundlage für die aufsichtsrechtlichen
Richtlinien von Basel II.98 Des Weiteren basieren auch marktübliche Bewertungsmodelle auf diesem
96
Vgl. etwa Moosbrucker (2006) oder Kalemanova, Schmid und Werner (2007).
98
Vgl. etwa Gordy (2003).
97
-18-
Faktor-Modell.99 Bisherige empirische Untersuchungen haben aber gezeigt, dass dieses Modell mit
einem einheitlichen Korrelationsparameter nur unzureichend an Marktdaten anzupassen ist.100
4.1.1. Allgemeine Modellbeschreibung
Zur Untersuchung der Auswirkungen von Schätzunsicherheiten und der Bestimmung der Risikocharakteristika einzelner Tranchen bei großen Kreditportefeuilles wird in der Regel eine Modellierung
benötigt, um Aussagen über die Verlustverteilung treffen zu können. Die größte Herausforderung besteht darin, die Abhängigkeiten zwischen den verschiedenen Risikopositionen abzubilden.
Im OFGC-Modell wird für jede der n Risikopositionen eine Zufallsvariable X (i ) (1 ≤ i ≤ n ) eingeführt, deren Ausprägung die Zahlungsfähigkeit der Risikoposition i beschreibt. Diese ist von einem
systematischen Faktor M und einem idiosynkratischen Faktor ε (i ) abhängig. Die Zufallsvariable
wird wie folgt definiert101:
X (i ) = ρ i ⋅ M + 1 − ρ i ⋅ ε (i ) ,
mit ρ i ∈ [0,1] .
Die Risikofaktoren M und ε (i ) sind unabhängige standardnormalverteilte Zufallsvariablen.102 Das
Faktorgewicht ρ i dient der Modellierung der Assetkorrelation, da sich die Korrelation zwischen den
Risikopositionen X (i ) und X ( j ) wie folgt ergibt:
(
)
Corr X (i ) , X ( j ) = ρ i ⋅ ρ j
(i ≠ j ) .
Für ρ i = 0 hat der systematische Faktor keinen Einfluss auf die Entwicklung von X (i ) , wohingegen
für ρ i = 1 der Makrofaktor der einzige Treiber von X (i ) ist. Sollte das Faktorgewicht ρ i für alle
Risikoaktiva gleich sein, so entspricht dieses Faktorgewicht dem gemeinsamen Korrelationskoeffizienten im betrachteten Kreditportefeuille.103 Durch ein solches Faktormodell kann somit die Anzahl
der zu schätzenden Assetkorrelationen deutlich verringert werden.
99
Ein Beispiel ist das im Bloomberg System implementierte JP Morgan Modell zur Bewertung und Quotierung
von iTraxx-Tranchen.
100
Vgl. etwa die empirischen Ergebnisse der komparativen empirischen Untersuchungen von Kalemanova,
Schmid und Werner (2007) oder Burtschell, Gregory und Laurent (2008).
101
Vgl. Hull und White (2004), S. 10. Ein solches Faktormodell kann natürlich auch um mehrere Faktoren erweitert werden. Neben einem Makrofaktor könnten z.B. auch regionale oder branchenspezifische Risiken über
einen eigenen Risikofaktor modelliert werden. Vgl. Schönbucher (2003), S. 312.
102
Andere Verteilungsannahmen sind unter bestimmten Bedingungen aber möglich. Vgl. etwa das Doppel-tModell von Hull und White (2004), welches auf die Student-t-Verteilung zurückgreift.
103
Vgl. Krahnen und Wilde (2006), S. 8.
-19-
In diesem Faktormodell kommt es zu einem Ausfall der i -ten Risikoposition, wenn die Zufallsvariable X (i ) vor dem Laufzeitende unter eine definierte Schranke K (i ) fällt, d.h. wenn X (i ) < K (i ) gilt. Je
niedriger der Wert von X (i ) ist, desto wahrscheinlicher ist ein zeitnaher Ausfall der Risikoposition.
Die Ausprägung von M bewirkt, dass sich dieser Indikator von der Ausfallbarriere entfernt bzw. sich
näher an diese heran bewegt. In einem schlechten Zustand der Volkswirtschaft ( M < 0 ) erhöht sich
somit die Ausfallwahrscheinlichkeit, bei guten ökonomischen Rahmenbedingungen ( M >> 0 ) streben
die Wahrscheinlichkeiten gegen null. In der Regel sind die risikoneutralen Wahrscheinlichkeiten q i (t )
für einen Ausfall der Risikoposition i bis zum Zeitpunkt t exogen durch Marktdaten oder Schätzun-
(
)
gen gegeben.104 Da zum Zeitpunkt t die Gleichung P X (i ) < K (i ) = q i (t ) gelten muss und X (i ) aufgrund der Faltungseigenschaft der Normalverteilung ebenfalls standardnormalverteilt ist, folgt für die
Ausfallbarriere:
K (i ) = Φ −1 (q i (t )) ,
(4.1)
wobei Φ −1 die Quantilsfunktion der Standardnormalverteilung bezeichnet.
Zum OFGC-Modell gibt es mehre Kritikpunkte. Bisherige empirische Untersuchungen haben gezeigt,
dass dieses Modell mit einem einheitlichen Korrelationsparameter nur unzureichend an Marktdaten
anzupassen ist.105 Bei der resultierenden impliziten Korrelationsstruktur spricht man in Anlehnung an
den Smile bei der impliziten Volatilität im Modell von Black und Scholes von einem Correlation Smile.106 Die Suche nach einem konsistenten Bewertungsmodell ist daher ein aktives Feld der Forschung.
Es existieren Ansätze, die das Standardmodell um neue Verteilungsannahmen zu erweitern, um extreme Ereignisse wie gleichzeitige Ausfälle im Referenzportefeuille mit einer höheren Wahrscheinlichkeit abbilden zu können und somit bessere Anpassungsergebnisse an Marktdaten zu erreichen.107 Einige Erweiterungen werden in den folgenden Kapiteln dargestellt.
4.1.2. Praktische Umsetzung des Kreditportefeuillemodells
Ähnlich wie bei Meissner (2008) wird für diese Arbeit eine Umsetzung mit Hilfe von Monte-CarloSimulationen gewählt, da man bei diesem Vorgehen nicht den Restriktionen eines analytischen Ansatzes unterworfen ist. Außerdem sind verschiedene Erweiterungen des Grundmodells einfach zu implementieren und zu analysieren.
104
Vgl. Hull und White (2004), S. 10.
Vgl. etwa die empirischen Ergebnisse der komparativen empirischen Untersuchungen von Kalemanova,
Schmid und Werner (2007) oder Burtschell, Gregory und Laurent (2008).
106
107
Vgl. etwa die Ansätze von Hull und White (2004) und Kalemanova, Schmid und Werner (2007).
105
-20-
Das Vorgehen bei einem simulativen Ansatz ist wie folgt: Zunächst werden in jedem Szenario108 eine
Ausprägung des systematischen Risikofaktors und n Zufallszahlen für die individuellen Risikofaktoren am Laufzeitende erzeugt. Mit Hilfe des Korrelationsparameters ρ werden anschließend die Ausprägungen der Ausfallindikatoren X (i ) berechnet. Für jedes Szenario wird dann überprüft, ob die Indikatoren am Laufzeitende unter die Ausfallbarrieren gefallen sind, welche sich mit Hilfe der exogen
vorgegebenen Ausfallwahrscheinlichkeiten anhand von Gleichung (4.1) bestimmen lassen. Unter Berücksichtigung der individuellen Recovery Rate, d.h. mit der erwarteten Wiedergewinnungsquote bei
einem Ausfall, kann anschließend der individuelle Verlust bei Ausfall der Risikoposition berechnet
werden. Dieser sogenannte Loss-Given-Default (LGD) berechnet sich wie folgt:
(
)
LGD (i ) = 1 − RR (i ) ⋅ EAD (i ) ,
wobei RR (i ) die Wiedergewinnungsquote und EAD (i ) den Nennwert (Exposure-at-Default) der i -ten
Forderung bezeichnen. Der Verlust im Portefeuille wird als Summe über alle individuellen Verluste
berechnet. Für jedes Szenario erhält man somit eine bestimmte Ausprägung für den Verlust im Kreditportefeuille. Die Verlustverteilung im Portefeuille ergibt sich nach Abschluss aller Monte-CarloSimulationen als relative Häufigkeit der entsprechenden Realisationen für den Portefeuilleverlust.
4.1.3. Zusammensetzung des Portefeuilles und Bestimmung der Tranchengrenzen
Für die folgenden Untersuchungen wird ein Basisportefeuille mit bestimmten Eigenschaften festgelegt. Die Charakterisierung des Kreditportefeuilles erfolgt zunächst anhand der individuellen Eigenschaften der Kredite im Portefeuille. Die Wiedergewinnungsquote beträgt einheitlich 40%, der Nennwert pro Kredit wird in Höhe von 1000 EUR festgelegt, die Laufzeit der Forderung beträgt ein Jahr
und die jährlichen Kuponzahlungen betragen 6% des ausstehenden Nennwerts. Zur Berechnung des
Barwerts des Verlusts zum Ausgabezeitpunkt wird eine flache Zinsstrukturkurve mit einem risikolosen Zinssatz in Höhe von 4% zugrunde gelegt. Die Kreditnehmer werden in drei Bonitätsklassen aufgeteilt. Bonitätsklasse A entspricht einer jährlichen Ausfallwahrscheinlichkeit in Höhe von 10%, Kreditnehmer, die in Klasse B eingeordnet sind, fallen mit einer Wahrscheinlichkeit von 20% p.a. aus und
Kredite aus der Klasse C fallen mit einer geschätzten Ausfallwahrscheinlichkeit in Höhe von 50% p.a.
aus. Im betrachteten Beispielportefeuille fallen 75% der Kredite in Klasse A, 15% aller Risikopositionen in Klasse B und 10% der Forderungen in Klasse C.109 Die Korrelation unter den verschiedenen
risikobehafteten Assets im Portefeuille beträgt 20%. Bei dem Beispielportefeuille handelt es sich um
108
Ein Szenario wird in dieser Arbeit eindeutig verknüpft mit einer Ausprägung des systematischen Faktors, d.h.
in jedem Szenario ändern sich die ökonomischen Rahmenbedingungen. In dieser Arbeit wird bei der Ermittlung
der Verlustverteilung auf 100.000 Monte-Carlo-Simulationsläufe zurückgegriffen.
109
Die folgenden Untersuchungen wurden auch mit anderen Zusammensetzungen des Portefeuilles durchgeführt.
Die qualitativen Aussagen bleiben für realistische Portefeuilles bestehen.
-21-
ein rein hypothetisches Portefeuille. Es wird verwendet, um die Wechselwirkungen von verschiedenen
Parametern aufzuzeigen. Der vermeintlich hohe 10-prozentige Anteil an Kreditnehmern mit schlechter
Kreditwürdigkeit (Klasse C) kann z.B. mit dem relativen Anteil an Subprime-Krediten im Hypothekenmarkt in den USA begründet werden. Im Jahr 2006 waren bereits 10,3% aller abgeschlossenen
Immobilienkredite als Subprime einzustufen. Dieser Anteil stieg bis auf ca. 20% im Jahr 2007. 110
Abbildung 6 zeigt die Verlustverteilung des Portefeuilles, die mit Hilfe des OFGC-Modells berechnet
worden ist. In diesem Histogramm ist zu erkennen, dass die Verteilung der Portefeuilleverluste eine
positive Schiefe besitzt. Diese ist jedoch stark abhängig von den jeweiligen Modellparametern. Um
das Kreditportefeuille besser beschreiben zu können, verwendet man in der Regel verschiedene Risikomaße wie z.B. den erwarteten Verlust (EL) oder die Standardabweichung des Verlusts (SD). Der EL
in diesem Portefeuille liegt bei 9,66% und die SD beträgt 6,26% des Gesamtnominals.
Quelle: Eigene Berechnungen.
Abbildung 6: Verlustverteilung im Basisportefeuille.
Für die folgenden Analysen ist die Festlegung der Tranchengrenzen von zentraler Bedeutung. Ähnlich
wie in Krahnen und Wilde (2006) werden die Tranchen anhand der Quantile der Verlustverteilung
festgelegt, d.h. die Ausfallwahrscheinlichkeit PDk einer Tranche k wird als die Wahrscheinlichkeit
definiert, mit der diese zum ersten Mal von Verlusten im Kreditportefeuille getroffen wird. Dieses
Vorgehen spiegelt ein vereinfachtes Modell für die Vergabe von Bonitätseinschätzungen durch Rating-Agenturen wider, indem je nach individueller Ausfallwahrscheinlichkeit der jeweiligen Tranche
[La , Ld ] ein bestimmtes Rating zugeordnet wird.111 Die Bezeichnung
La bzw. Ld steht für den At-
tachment-Punkt bzw. den Detachment-Punkt der Tranche. Übersteigt der prozentuale Verlust im Portefeuille den unteren Tranchierungspunkt La , so muss der Sicherungsgeber dieser Tranche den Ver-
110
Der hier gewählte Ansatz auf Basis der Ausfallwahrscheinlichkeit einer Tranche entspricht der Grundidee der
Ratingmodelle von Standard & Poor’s und Fitch. Im Gegensatz dazu verwendet Moody’s als Grundlage für die
Ratingvergabe den erwarteten Verlust einer Tranche. Vgl. dazu Brennan, Hein und Poon (2008), S. 5.
111
-22-
lustanteil zwischen La und Ld tragen. Zum Zeitpunkt t kann der Verlust in der Tranche L[La , Ld ] (t ) in
Abhängigkeit vom prozentualen Portefeuilleverlust LPF (t ) durch folgende Gleichung berechnet werden112:
L[La , Ld ] (t ) = max (min (LPF (t ), Ld ) − La ,0 ) .
Dabei ähnelt das Auszahlungsprofil der Tranche einem Investment in einen Bull Call Spread.113 Die
einzelnen Komponenten sind bei einer solchen Option ein Long Call mit Ausübungspreis La und ein
Short Call mit Ausübungspreis Ld .114 Auf Basis dieser Formel lassen sich dann die Risikocharakteristika (erwarteter Verlust und Standardabweichung) der Tranchen berechnen.
Für die folgenden Untersuchungen wird das Portefeuille wie bei Krahnen und Wilde (2006) in sieben
Tranchen unterteilt. Die Tranchenbreiten werden so festgelegt, dass die zu Tranche k gehörende Ausfallwahrscheinlichkeit PDk 1%, 2%, 5%, 10%, 20%, 30% bzw. 100% beträgt.
Tranche
PDk
La
Ld
EL
SD
1
1%
29,64%
100,00%
0,06%
0,75%
2
2%
26,46%
29,64%
1,44%
11,22%
3
5%
21,98%
26,46%
3,29%
16,39%
4
10%
18,18%
21,98%
7,25%
24,30%
5
20%
14,26%
18,18%
14,49%
32,77%
6
30%
11,71%
14,26%
24,69%
41,14%
7
100%
0,00%
11,71%
67,98%
29,19%
Tabelle 1: Kennziffern der Tranchen des Beispielportefeuilles.
Tabelle 1 fasst die Trancheneinteilung und die zugehörigen Kenngrößen für dieses Beispielportefeuille
zusammen. Dabei ist zu erkennen, dass Tranche 1 den höchsten Anteil des Gesamtnominals absichert.
Diese Tranche bezeichnet man in der Regel als Super-Senior-Tranche, da sie mit einem AttachmentPunkt von La = 35,86% nur mit einer sehr geringen Wahrscheinlichkeit von Verlusten im Portefeuil-
112
Vgl. Bluhm und Overbeck (2007), S. 173.
Vgl. Martin, Reitz und Wehn (2006), S. 49f. oder Bluhm und Overbeck (2007), S. 273f.
114
Eine Short-Position bezeichnet einen verkauften Kontrakt, während man bei einer gekauften Option von einer
Long-Position spricht. Ein Call-Option gibt dem Käufer des Kontrakts das Recht, einen Basiswert zu einem
vorher festgelegten Preis zu kaufen. Vgl. Hull (2006) für eine detaillierte Beschreibung der genannten Optionstypen.
113
-23-
le getroffen wird. Im Gegensatz dazu sichert Tranche 7 die ersten 11,83% der Verluste aus dem Gesamtportefeuille ab. Diese Tranche ist somit den ersten Verlusten ausgesetzt. Aus diesem Grund wird
die Equity-Tranche auch als First-Loss-Piece bezeichnet. Des Weiteren ist zu erkennen, dass mit steigender Seniorität der Tranche auch der erwartete prozentuale Verlust der Tranche fällt. Man beachte,
dass die erwarteten Verluste und deren Standardabweichung als prozentualer Anteil am Nennwert der
Tranche angegeben werden.
4.2. Robustheit und Modellrisiko
In den folgenden Unterabschnitten werden die in Kapitel 3 thematisierten Problembereiche quantitativ
unterlegt und in den in 4.1 Modellrahmen eingebettet. Es werden eine Unschärfe bei der Schätzung der
individuellen Kreditwürdigkeit, verschiedene Korrelationsregimes und stochastische Recovery Rates
umgesetzt.
4.2.1. Unschärfe bei der Einteilung der Kreditnehmer in Bonitätsklassen
In den Jahren vor der Finanzkrise fand eine zunehmend ungenauere Bonitätsüberprüfung bei der Kreditvergabe statt. Zum einen sank die Auskunftspflicht seitens der Kreditnehmer, zum anderen wurden
die vorhanden Angaben keiner genauen Überprüfung unterzogen. In Abschnitt 3.3 wurde dargestellt,
dass diese Vertriebspolitik eine kontinuierlich sinkende Kreditqualität zur Folge hatte.
In diesem Abschnitt wird nun untersucht, inwieweit sich eine falsche Einschätzung der individuellen
Ausfallwahrscheinlichkeiten der einzelnen Kreditpositionen auf das Ausfallverhalten der Tranchen des
Kreditportefeuilles auswirkt. Dabei wird konkret analysiert, wie sich die Verlustverteilung ändert,
wenn die Bonität der Kreditnehmer höher eingeschätzt wird, als dies tatsächlich der Fall ist. Die Einteilung der Kreditnehmer in drei Bonitätsklassen mit einer mittleren Ausfallwahrscheinlichkeit von
10% für Klasse A, 20% für Klasse C und 50% für Klasse C wird jedoch beibehalten. Um die Fehleinschätzung der Bonität zu modellieren, werden die Kreditnehmer mit einer gewissen Wahrscheinlichkeit in eine falsche Bonitätsklasse eingeordnet. Die folgende Matrix gibt die verwendeten Wahrscheinlichkeiten an, mit denen die Einordnung der Kreditnehmer modelliert wird:
A B C
A  1
0
0 


B  0,2 0,8 0 
C  0,2 0,3 0,5 
Die Wahrscheinlichkeit, dass ein Kreditnehmer bei einer realen Klasse X zur Klasse Y zugewiesenen
wird, findet sich im Eintrag der Zeile X und Spalte Y. So wird ein Kreditnehmer der Bonitätsklasse A
gemäß der ersten Zeile grundsätzlich richtig eingeordnet, wobei bei den Bonitätsklassen B und C Zuordnungen in bessere Bonitätsklassen möglich sind. Diese Modellierung ist also konsistent mit der
-24-
beobachteten Abnahme der Kreditqualität und der mangelnden Bonitätsprüfung im Vorfeld der aktuellen Finanzmarktkrise. Bei der realen Verteilung der Kreditnehmer auf die Bonitätsklassen entfallen im
Beispielportefeuille 75% auf Klasse A, 15% auf Klasse B und 10% auf Klasse C. Gemäß der obigen
Zuordnung ergibt sich in Erwartung eine Zuordnung von 80% auf Bonitätsklasse A, 15% auf Klasse B
und 5% auf Klasse C. Die Korrelation des Portefeuilles wird in beiden Fällen konstant bei 20% angenommen.
Durch die ausschließlich zu gute Einstufung der Kreditnehmer liegt der geschätzte erwartete Gesamtverlust des Portefeuilles bei 8,41% des Exposures. Der reale erwarte Verlust liegt aber bei 9,64%.
Ebenso wird die Standardabweichung mit 5.95% zu niedrig geschätzt. Bei richtiger Einschätzung der
Bonität liegt die Standardabweichung des Portefeuilleverlusts bei 6,23%.
Auswirkungen auf die Tranchen
Der Effekt auf die Tranchen, der sich durch die Unschärfe bei der Einteilung in die Bonitätsklassen
ergibt, ist in Tabelle 2 dargestellt. In Spalte La sind die Tranchengrenzen aufgeführt, die sich aufgrund der realen Verlustverteilung ergeben würden. Die Spalten ∆EL bzw. ∆SD zeigen die Veränderung der erwarteten Tranchenverluste bzw. deren Standardabweichungen, falls die Tranchen auf Basis
der fehlerhaften Bonitätseinschätzung errechnet wurden. Die zugehörigen Tranchengrenzen sind in
Spalte La in Klammern dargestellt.
Tranche
La
∆EL
∆SD
1
29,64% [27,65%]
46,02%
16,67%
2
26,46% [24,78%]
40,73%
18,97%
3
21,98% [20,17%]
39,37%
17,32%
4
18,18% [16,62%]
36,01%
15,27%
5
14,26% [12,64%]
31,17%
11,21%
6
11,71% [10,21%]
27,86%
7,72%
7
0,00%
10,42%
-6,83%
Tabelle 2: Kennziffern der Tranchen bei fehlerhafter Bonitätseinschätzung.
Man erkennt, dass sich die Trancheneinteilungen nur geringfügig unterscheiden. Die erwarteten Verluste werden allerdings für alle Tranchen zu niedrig eingeschätzt. Dabei steigt die prozentuale Fehleinschätzung mit der Subordination der Tranche. Mit einem Detachment-Punkt von 10,21% bei falscher
Einteilung bzw. 11,71% bei richtiger Einteilung liegt der erwartete Gesamtschaden jeweils innerhalb
-25-
der Equity-Tranche. Absolut betrachtet findet bei der Equity-Tranche die größte Fehleinschätzung des
erwarteten Verlusts statt. Diese beträgt 70 Basispunkte am Gesamtexposure.115 Die Standardabweichung der Equity-Tranche sinkt bei Verwendung der realen Bonitätszuweisung um 6,83%, da der Verlust hier noch sicherer eintritt. Bei den übrigen Tranchen wird die Standardabweichung bei falscher
Bonitätseinteilung zu gering bestimmt. Insgesamt sind jedoch nur mäßige Folgen für die Einteilung
der Tranchen und deren Risikocharakteristika zu beobachten.
Fazit
Die Untersuchung zeigt, dass zu gute Einschätzungen der Bonität der Kreditnehmer insbesondere bei
der Equity-Tranche zu einer Unterschätzung des Verlustrisikos führt. Dies rechtfertigt den Ansatz,
einen Einbehalt der Equity-Tranche seitens des Originators zu fordern, um einem Moral Hazard entgegenzuwirken. Die Grenzen und die erwarteten Verluste der Tranchen ändern sich jedoch nicht so
stark, dass sie die massiven Abschreibungen auf Subprime-Wertpapiere erklären könnten, die im Laufe der Finanzkrise erfolgten. In den folgenden Abschnitten wird gezeigt, dass das Modell bezüglich
der Korrelation und der Recovery Rate eine sehr viel höhere Sensitivität aufweist, welche als Erklärung für die hohen Verluste bei ABS-Produkten herangezogen werden kann.
4.2.2. Korrelationsrisiko und systematisches Risiko von ABS-Produkten
Im OFGC-Modell werden die Abhängigkeiten im Portefeuille über den gemeinsamen Marktfaktor
gesteuert. Daher werden im folgenden Abschnitt die einzelnen Tranchen zunächst auf ihre Abhängigkeit von systematischen Risiken untersucht. Dabei wird analysiert, wie die Performance der Wertpapiere von den ökonomischen Rahmenbedingungen beeinflusst wird. Im Anschluss wird untersucht,
wie sich die aktuell beobachtbaren „high correlation regimes“ auf die Tranchenverluste auswirken.
Des Weiteren wird eine natürliche Modellerweiterung vorgeschlagen, die sowohl die systematische
Risiken als auch unterschiedliche Korrelationsregimes berücksichtigt.
Systematische Risiken in den Tranchen
Die erste Untersuchung in diesem Abschnitt dient zunächst der Analyse der Risikoprofile der einzelnen Tranchen und der Abhängigkeit von systematischen Risiken. Im OFGC-Modell werden diese Risiken durch den standardnormalverteilten systematischen Makrofaktor berücksichtigt. Die in dieser
Arbeit gewählte simulative Variante des OFGC-Modells ermöglicht in diesem Bereich detaillierte
Untersuchungen. Die folgenden Scatter-Plots zeigen die Abhängigkeiten zwischen den Tranchenverlusten und der Ausprägung des Makrofaktors in der Equity- (Tranche 7) und der Super-Senior-
115
Die absolute Fehleinschätzung ergibt sich durch Multiplikation von ∆EL (10,42%) mit dem erwarteten Tranchenverlust ( La ⋅ EL[La , Ld ] =10,72% · 66,01%).
-26-
Tranche (Tranche 1). Die Verlustquote bezeichnet den prozentualen Anteil des Nennwerts, der durch
Ausfälle im Portefeuille angegriffen wurde.
Abbildung 7: Abhängigkeit der Verlustquote einer Tranche von den Ausprägungen des Makrofaktors.
Man erkennt anhand dieser Abbildung deutlich die Risikostruktur der entsprechenden Tranchen. Die
Equity-Tranche fängt auch bei sehr guten ökonomischen Rahmenbedingungen ( M > 0 ) Verluste auf.
Bereits bei einer normalen Marktsituation ( M = 0 ) ist der vollständige Verlust der Tranche sehr
wahrscheinlich. Das Ausfallrisiko einer Super-Senior-Tranche unterscheidet sich davon grundsätzlich.
Durch die Abbildungen wird deutlich, dass es nur bei einer sehr schlechten Situation der Makroökonomie ( M < −2 ) zu einem Ausfall dieser Tranche kommen kann. Dies ist der Fall, obwohl der Einfluss des Makrofaktors bei den Risikofaktoren X (i ) mit einem Korrelationsparameter in Höhe von
20% sehr klein gewählt wurde. Krahnen und Wilde (2006) schätzen mit Hilfe einer linearen Regression in den obigen Abbildungen die Beta-Faktoren der jeweiligen Tranchen, also die Sensitivität der
Tranchenverluste bzgl. des Makrofaktors. Anhand der obigen Scatter-Plots ist zu erkennen, dass die
Steigung der Regressionsgerade einer Equity-Tranche im Betrag höher als bei einer Super-SeniorTranche ist. Die Steigung der linearen Regressionsgerade liegt für die Equity-Tranche bei -0,2737 und
-27-
für die Super-Senior-Tranche bei nur -0,0017. Interpretiert man diese Steigung als Beta-Faktor, so
ergibt sich eine höhere Sensitivität der Equity-Tranche bzgl. des Makrofaktors als bei der SuperSenior-Tranche. Dies ist aber nur der Fall, weil die Equity-Tranche bei jeder (auch positiven) Ausprägung des Makrofaktors Verluste abfedern muss, wohingegen der Ausfall der Super-Senior-Tranche in
der Regel von schlechten ökonomischen Rahmenbedingungen begleitet wird.
Die Analyse zeigt, dass die Super-Senior-Tranche sehr stark von der Wahrscheinlichkeitsmasse an den
Rändern der Verteilung des systematischen Risikofaktors M abhängt, da es nur in diesen Randbereichen zu Ausfällen der Tranche kommen kann. Empirische Untersuchungen belegen, dass das OFGCModell nur unzureichend an Marktdaten zu kalibrieren ist.116 Ein Grund dafür ist, dass die Normalverteilung Extremereignisse wie Kreditereignisse oder auch makroökonomische Krisen nicht geeignet
abbilden kann, da sie zu wenig Wahrscheinlichkeitsmasse für diese Randereignisse aufweist.117
Zu einer besseren Modellierung von systematischen Risikofaktoren existieren daher in der Literatur
viele unterschiedliche Ansätze. Zum einen fordern Hull und White (2004) bzw. Kalemanova, Schmid
und Werner (2007) in ihren Arbeiten für die Risikofaktoren eine Student t-Verteilung bzw. eine Normal-Inverse Gaußverteilung, um mit zusätzlichen Modellparametern die Verteilungsränder individuell
steuern zu können. Auf der anderen Seite existieren sogenannte Gesamtverlustmodellierungen, die von
einer individuellen Modellierung der Ausfälle im Portefeuille absehen und den Verlust direkt über
idiosynkratische, branchenspezifische und systematische Ausfallprozesse steuern. Ein Beispiel dafür
ist das Modell von Longstaff und Rajan (2008).
Verschiedene empirische Untersuchungen legen also nahe, dass mit dem OFGC-Modell die Verluste
in Senior-Tranchen nicht realistisch dargestellt werden. Insbesondere Tranchen, die in hohem Maße
systematischen Risiken ausgesetzt sind wie z.B. die Senior-Tranchen besitzen durch die systematische
Unterschätzung von extremen Verlustszenarien durch die Normalverteilung ein großes Modellrisiko,
wenn die Trancheneinteilung im OFGC-Modell geschätzt worden sind.
Der Einfluss der Korrelation auf das Risiko von ABS-Tranchen
Der folgende Abschnitt untersucht, inwiefern die Assetkorrelationen im Portefeuille das Ausfallverhalten in unterschiedlichen Tranchen steuern. Dazu wird zunächst analysiert wie sich die Verlustverteilung in Zeiten sogenannter „high correlation regimes“, zu denen die aktuelle Kreditkrise definitiv
zählt118, verändert und welchem Risiko dabei die einzelnen Tranchen ausgesetzt sind.
116
Vgl. etwa Moosbrucker (2006).
Vgl. Luciano und Schoutens (2006), S. 386.
118
Vgl. Cousin und Laurent (2008), S. 466.
117
-28-
Abbildung 8 zeigt die unterschiedlichen Korrelationsregimes im sehr liquiden Kreditindex iTraxx
Europe. Um die Korrelationen implizit aus dem iTraxx abzuleiten, wurde eine Stichtagskalibrierung
des OFGC-Modells an die aktuellen Marktdaten mit fünfjähriger Laufzeit durchgeführt.119 Der Index
bezieht sich auf einen festgelegten Korb aus den 125 umsatzstärksten Credit Default Swaps von europäischen Unternehmen mit Investment-Grade-Rating.120 Es existieren synthetische Tranchenprodukte,
welche auf diesem Index basieren. Da der iTraxx Europe und dessen Tranchen sehr liquide gehandelt
werden, können diese Instrumente als Indikatoren für die Abhängigkeitsstrukturen bei Unternehmen
herangezogen werden. Der Fokus der vorliegenden Arbeit liegt natürlich bei Privatkrediten. Dennoch
soll dieses Beispiel verdeutlichen, dass die Korrelation keineswegs als Konstante in die Risikoeinschätzung von Tranchen einfließen sollte. Es ist deutlich anhand Abbildung 8 zu erkennen, dass bei
der Einschätzung des Risikos in ABS-Produkten die Annahme eines konstanten Korrelationsparameters für die gesamte Laufzeit eine sehr fragwürdige Festlegung ist. Im iTraxx Europe schwankt der
Korrelationsparameter im Beobachtungszeitraum zwischen 10% und 58%.
Abbildung 8: Implizite Korrelation im iTraxx Europe mit fünfjähriger Laufzeit.
Eine temporäre Veränderung der Abhängigkeitsstruktur im Portefeuille hat eine starke Auswirkung
auf die Risikoprofile der einzelnen Tranchen. Die Folgen einer Erhöhung der Korrelation in dem oben
genannten Beispielportefeuille auf 70% stellt Tabelle 3 dar. Spalte La zeigt die Tranchengrenzen für
den Fall, dass die erhöhte Korrelation zugrunde gelegt wurde. Die ursprünglichen Tranchengrenzen
werden zum Vergleich in Klammern angegeben. Des Weiteren wird dargestellt, wie sich die erwarte-
119
Die Datengrundlage sind Marktdaten aus dem Bloomberg-System zwischen Juni 2004 und August 2008. Die
Kalibrierung des Modells wurde unter Annahme eines homogenen Portefeuilles durchgeführt, d.h. es gelte ein
einheitlicher Korrelationsparameter und alle zugrunde liegenden Risikoaktiva haben die gleiche Ausfallwahrscheinlichkeit. Bei der Anpassung des Modells an die Marktdaten wurde eine Optimierung bzgl. eines absoluten
Fehlermaßes durchgeführt. Einziger freier Parameter war dabei der Korrelationsparameter im OFGC-Modell.
120
Vgl. Bluhm und Overbeck (2007), S. 250.
-29-
ten prozentualen Verluste und deren Standardabweichung (SD) pro Tranche verändern, wenn die ursprüngliche Trancheneinteilung bestehen bliebe.
Die Ergebnisse dieser Analyse zeigen, dass zwar die Verluste in der Equity-Tranche sinken, der prozentuale Verlust in den vorrangigen Tranchen allerdings stark steigt. Die sinkenden Verluste in der
Equity-Tranche resultieren daraus, dass die Wahrscheinlichkeit für ein Verlustszenario ohne Ausfälle
im Beispielportefeuille mit wachsender Korrelation steigt. Die nachfolgenden Tranchen sind jedoch
dadurch betroffen, dass die Anzahl gemeinsamer Ausfälle wahrscheinlicher wird. Am deutlichsten
zeigt dies der relative Anstieg der erwarteten Verluste in der Tranche 1 um das 30-fache.
Tranche
La
∆ EL
∆ SD
1
56,41% [29,64%]
2991,29%
793,25%
2
51,28% [26,46%]
616,11%
166,59%
3
40,29% [21,98%]
290,30%
99,16%
4
28,62% [18,18%]
123,80%
48,41%
5
16,56% [14,26%]
41,45%
19,96%
6
10,53% [11,71%]
2,44%
3,62%
7
0,00%
-28,60%
34,71%
Tabelle 3: Kennziffern der Tranchen bei Korrelation 70%.
Die Ergebnisse zeigen, wie abhängig die Risikoeigenschaften und die Bonität der einzelnen Tranchen
von der anfänglichen Schätzung der Assetkorrelation im Portefeuille sind. Eine deutlich höhere Korrelation führt zu einer Vervielfachung der erwarteten Verluste einer Tranche. In Krisenzeiten besteht
aber durchaus die Möglichkeit, dass die Abhängigkeiten zwischen Risikopositionen deutlich zunehmen.121 Gemäß Abbildung 8 ist dies auch während der aktuellen Kreditkrise der Fall gewesen. Es ist
des Weiteren zu beachten, dass die Verlustszenarien bei unterschiedlichen Korrelationsstrukturen nicht
in die ursprüngliche Bewertung und die Bonitätseinschätzung der Tranchen eingehen, da der Korrelationsparameter im OFGC-Modell für die gesamte Laufzeit als konstant angenommen wurde. Das oben
dargestellte Verlustszenario mit einer Korrelation von 70% im Portefeuille bleibt somit unberücksichtigt.122 Die starken Verluste in den Senior-Tranchen zeigen, dass eine solche Veränderung der Korrela-
121
Vgl. Hull (2008), S. 11. Laut Pengelly (2008) stieg die 90-Tage-Korrelation zwischen den Wertpapieren, die
dem DJ Euro Stoxx-Index fü europäische Banken zugrunde liegen, von 38% im Juli 2007 auf fast 80% im September. Im Jahr 2008 blieb die Korrelation meist über 60%.
122
In die Berechnung der Verlustverteilung fließen lediglich Verlustszenarien bei unterschiedlichen ökonomischen Rahmenbedingungen durch den gemeinsamen systematischen Risikofaktor ein.
-30-
tion im Portefeuille zu den angesprochenen Verlusten und Abschreibungen während der aktuellen
Kreditkrise führen kann. Unerwartete Verluste führen in der Regel zu massiven Abschreibungen, da
keine entsprechende Risikovorsorge für diese Instrumente betrieben wurde. Dennoch bleibt ein derartiges „Korrelationsänderungsrisiko“ bei der Einschätzung der Risikoprofile der Tranchen im Marktstandardmodell außen vor.
Die oben genannten Gründe sprechen für eine Einbeziehung der Unsicherheit bei der Schätzung der
Korrelationsparameter. In der Literatur existiert eine Vielzahl von Publikationen, welche das OFGCModell um stochastische Korrelationen erweitern. Zu diesen Erweiterungen zählen u.a. die Modelle
von Laurent (2007) sowie Andersen und Sidenius (2004). Diese ermöglichen eine flexiblere Steuerung
der Wahrscheinlichkeitsmasse im mittleren Verlustbereich. Laut Lardy, Patras und Vialard (2008)
zeigen empirische Untersuchungen, dass mit diesen sogenannten Random-Factor-Loading-Modellen
(RFL-Modellen), die Senior-Tranchen im Vergleich zu Marktdaten123 in der Regel unterbewertet werden und somit deren Risiko nicht adäquat dargestellt wird. Die im Folgenden vorgestellte Modellerweiterung ermöglicht durch einen systematischen Ausfallprozess eine bessere empirische Anpassung.
Im Vergleich zum Standardmodell besitzt der Totalausfall des Kreditportefeuilles eine positive Wahrscheinlichkeit. Folglich muss das Risiko einer Senior-Tranche mit einer höheren Prämie vergütet werden.
Modellerweiterung
In der folgenden Analyse wird die Verlustverteilung mit Hilfe des Modells von Lardy, Patras und Vialard (2008) (LPV-Modell) ermittelt. Die Grundlage für dieses Modell ist ebenfalls das OFGC-Modell.
Man unterscheidet allerdings zwischen zwei unterschiedlichen Korrelationsregimes, die in Abhängigkeit von der Ausprägung des systematischen Risikofaktors eintreten. Im Modellrahmen erhöht sich die
Korrelation bei schlechten ökonomischen Rahmenbedingungen124 auf 30%, bei positiven Ausprägungen des Makrofaktors liegt die Korrelation im Beispielportefeuille bei 20%. Eine solche Modellierung
entspricht dem bekannten empirischen Effekt, dass Assetkorrelationen in einer Baisse höher sind als in
einer Hausse.125
Um die Risiken einer systemischen Krise in die Bewertung von Tranchen einzubeziehen, wird die
Möglichkeit eines systematischen Ausfalls separat über einen Poisson-Prozess berücksichtigt.126 Bei
123
Die aktuelle Finanzkrise stellt allerdings die Annahme in Frage, dass die Marktdaten eine risikoadäquate
Bewertung widerspiegeln.
124
Die vorliegende Analyse definiert schlechte ökonomische Rahmenbedingungen als das 5%-Quantil des standardnormalverteilten systematischen Faktors.
125
Vgl. Andersen und Sidenius (2004), S. 33.
126
Die Erweiterung des OFGC-Modells um einen solchen systematischen Poisson-Prozess dient dazu, den Gesamtverlust realistischer zu modellieren. Allerdings muss beachtet werden, dass durch diesen zusätzlichen Pro-
-31-
einem Sprung dieses Prozesses fällt das gesamte Portefeuille aus. Die jährliche systematische Ausfallintensität dieses Prozesses liegt bei der vorliegenden Untersuchung bei 0,2%. Dies entspricht den empirischen Ergebnissen von Lardy, Patras und Vialard (2008), die ihr Modell an Marktdaten des iTraxx
Europe angepasst haben.127 Somit werden in diesem Modell sowohl die Unsicherheit bei der Schätzung der Korrelationen und die damit verbundenen Verlustszenarien als auch systematische Risiken
berücksichtigt.
Abbildung 9: Verlustverteilung im LPV-Modell.
Abbildung 9 zeigt das Histogramm der Verlustvorteilung unter den oben genannten Annahmen im
LPV-Modell. Die gewählten Korrelationsregimes im RFL-Modell führen zu mehr Wahrscheinlichkeitsmasse im mittleren Verlustbereich. Diese Veränderung kann bei Unternehmen als Ausfälle in
bestimmten Branchen und bei Privatkrediten als Ausfälle in bestimmten Unterklassen der Kreditnehmer (z.B. Insolvenz eines bedeutenden Arbeitgebers in einer Region) interpretiert werden. Der systematische Ausfallprozess äußert sich durch eine erhöhte Punktwahrscheinlichkeit für den Verlust des
gesamten Portefeuilles.128 Auch wenn das Szenario, dass alle Risikopositionen im Portefeuille ausfallen, eher unwahrscheinlich und in der Realität kaum zu beobachten ist, können mit dieser Modellierung solche Extremfälle zu einem adäquateren Risikogewicht von Senior-Tranchen führen.
Die Verlustverteilung des LPV-Modells ist sowohl aus quantitativen als auch aus theoretischen Gesichtspunkten realistischer. Neben der Unsicherheit bei der Schätzung des Korrelationsparameters
werden auch systematische Risiken berücksichtigt. Legt man die Verlustverteilung aus Abbildung 9
zess auch die individuellen Ausfallwahrscheinlichkeiten der einzelnen Risikaktiva erhöht werden und nicht wie
in einem RFL-Modell konstant bleiben.
127
Die systematische Ausfallintensität liegt somit auch im Rahmen der empirischen Ergebnisse von Bhansali,
Gingrich und Longstaff (2008), die den Gesamtverlust in einem iTraxx-Portefeuille ausschließlich mit solchen
Poisson-Prozessen modellieren.
128
Der Gesamtverlust liegt leicht höher als 60% des Nennwerts des gesamten Kreditportefeuilles, da auch die
Kuponzahlungen bei einem Ausfall entfallen und somit zum Verlust hinzugerechnet werden.
-32-
bei der Tranchierung eines CDOs zugrunde, so würden die in Tabelle 4 dargestellten AttachmentPunkte entstehen. Zum Vergleich findet man die ursprünglichen Tranchierungspunkte in Klammern.
Die zweite Spalte entspricht der relativen Veränderung der erwarteten Verluste, sollte statt der ursprünglichen Schätzung aus dem OFGC-Modell die Verlustverteilung aus dem LPV-Modell gelten.
Man erkennt hier, dass die Risiken durch eine unsichere Schätzung des Korrelationsparameters eindeutig bei den Tranchen mit einer hohen Subordination liegen.
Tranche
La
∆ EL
1
36,61% [29,64%]
435,33%
2
32,03% [26,46%]
157,11%
3
25,40% [21,98%]
56,52%
4
18,37% [18,18%]
3,04%
5
14,32% [14,26%]
1,57%
6
11,77% [11,71%]
0,78%
7
0,00%
-0,26%
Tabelle 4: Kennziffern der CDO-Tranchen im LPV-Modell.
Fazit
Diese Untersuchung zeigt deutlich, dass die Modellrisiken durch die Schätzung der systematischen
Risiken und des Korrelationsparameters deutlich in den Tranchen mit hoher Subordination liegen.
Durch Einbehaltsstrukturen, bei denen der Originator eine Haftung für alle Tranchen und damit auch
für das gesamte Portefeuille übernimmt, können Anreize geschaffen werden, die dazu führen, dass die
verbriefenden Finanzinstutionen die Risiken in diesen Tranchen besser schätzen. Dies könnte zu einer
Weiterentwicklung von bankinternen Bewertungs- oder Kreditportefeuillemodellen führen, die mit
Hilfe von stochastischen bzw. nichtkonstanten Korrelationsparametern und unter Berücksichtigung
von Modellen, die extreme systemische Krisen mit einer positiven Wahrscheinlichkeit berücksichtigen, eine Bonitätseinschätzung liefern, die dem tatsächlichen Risiko der Instrumente entspricht.
4.2.3. Einfluss von stochastischen Recovery Rates auf das Kreditportefeuille
In diesem Abschnitt wird untersucht, wie sich stochastische Recovery Rates auf die Risikomaße der
Tranchen des Modellportefeuilles auswirken. Es wird angenommen, dass die Trancheneinteilung unter
Annahme einer konstanten Wiedergewinnungsquote vorgenommen wird. Danach wird auf Basis des
Ansatzes von Krekel (2008) eine Verlustverteilung simuliert, die stochastische Recovery Rates unter-
-33-
stellt. Im Folgenden wird untersucht, welchen Einfluss diese Verlustverteilung auf die einzelnen Tranchen hat.
Aufbau der Simulation
Eine konstante Recovery bildet die Realität oftmals nur ungeeignet ab.129 Beispielsweise hängt die
Wiedergewinnung beim Ausfall eines Hypothekenkredits maßgeblich vom aktuellen Immobilienpreisniveau ab. Zahlreiche Autoren schlagen daher die Modellierung der Recovery Rate als stochastische
Größe vor.130 Acharya et al. (2004) und Altman et al. (2005) zeigen empirisch die Einflussfaktoren auf
die Recovery Rates von Unternehmensanleihen in den USA auf. Es existiert vor allem eine starke
Abhängigkeit vom makroökonomischen Umfeld. In wirtschaftlich guten Zeiten sind höhere Recovery
Rates als während Rezessionen zu verzeichnen. Dieser intuitive Zusammenhang wird im Folgenden
auf das Kreditportefeuille übertragen.
Im folgenden Modell wird auf den Ansatz von Krekel (2008) zurückgegriffen, in dem die Rückzahlung beim Ausfallereignis von der Realisation der Zufallsvariablen X (i ) abhängt. Die Variable X (i )
kann als Zahlungsfähigkeit des Schuldners i zum Zeitpunkt der Rückzahlung interpretiert werden. Für
Werte von X (i ) , die oberhalb der Ausfallgrenze liegen, findet nach wie vor die volle Rückzahlung
statt. Für Werte von X (i ) , die unterhalb der Ausfallgrenze liegen, richtet sich nun die Höhe der Rückzahlung nach dem Wert von X (i ) . Liegt X (i ) nahe an der Ausfallgrenze wird mehr zurückgezahlt als
bei kleineren Werten von X (i ) . Die stochastische Recovery Rate ist also nicht unabhängig, sondern
wird über die Zufallsvariable X (i ) gesteuert. Dieser Zusammenhang wird so gestaltet, dass sich, bedingt auf einen Ausfall des Schuldners i , die in Tabelle 5 dargestellten Wahrscheinlichkeiten für die
Recovery Rate RR (i ) ergeben. Die Zahlen sind so gewählt, dass sich eine mittlere Recovery Rate von
0,4 einstellt. Somit wird eine Vergleichbarkeit mit der konstanten Modellierung gewährleistet.
Dabei bezeichnet Qα das α -Quantil der Verlustverteilung. Bei einer individuellen Ausfallwahrscheinlichkeit von 10% ergibt sich beispielsweise für alle Realisationen von X (i ) unterhalb des 1%Quantils eine Recovery Rate von 0%. Werte von X (i ) zwischen dem 1%-Quantil und dem 3%Quantil bekommen eine Recovery Rate von 20% zugeordnet. Mit dieser Spezifikation wird sichergestellt, dass die individuellen Ausfallwahrscheinlichkeiten und mittleren Recovery Rates unverändert
bleiben und gleichzeitig die Recovery Rates von der Zahlungsfähigkeit des Schuldners abhängen. Indirekt wird so auch ein Zusammenhang der Recovery Rates mit dem Makrofaktor M hergestellt, da
129
Vgl. Andersen und Sidenius (2004), S. 3.
Vgl. etwa Andersen und Sidenius (2004), Frye (2000), Jarrow (2001), Jokivuolle und Peura (2000) oder
Pykhtin (2003).
130
-34-
in einem schlechten Makroklima niedrige Werte für X (i ) und die daraus resultierenden niedrigen Recovery Rates wahrscheinlicher sind.
(
)
Zusammenhang
X (i ) für q i = 0,1
Recovery Rate RR (i )
P RR (i ) X (i ) < K (i )
0,6
0,4
X (i ) ∈ [Q0, 06 ;Q0,1 )
0,4
0,3
X (i ) ∈ [Q0,03 ;Q0, 06 )
0,2
0,2
X (i ) ∈ [Q0,01 ;Q0, 03 )
0,0
0,1
X (i ) ∈ (− ∞;Q0, 01 )
mit
Quelle: Eigene Berechnungen
Tabelle 5: Verteilung der Recovery Rate im Falle eines Zahlungsausfalls.
Auswirkungen auf die Tranchen
Der Effekt der stochastischen Recovery Rates auf die Tranchen ist in Tabelle 6 dargestellt. In Spalte
La sind die Tranchengrenzen aufgeführt, die sich bei Berücksichtigung einer flexiblen Recovery Rate
ergeben. Die Spalte ∆EL zeigt die Veränderung des erwarteten Tranchenverlusts, falls die Tranchen
unter Annahme einer konstanten Recovery Rate von 0,4 errechnet wurden. Die zugehörigen Tranchengrenzen sind in Spalte La in Klammern dargestellt.
Tranche
La
∆EL
1
33,22% [29,64%]
187,93%
2
29,19% [26,46%]
69,20%
3
23,54% [21,98%]
41,64%
4
19,02% [18,18%]
20,75%
5
14,43% [14,26%]
8,06%
6
11,59% [11,71%]
0,21%
7
0,00%
-0,50%
Tabelle 6: Kennziffern der Tranchen bei stochastischen Recovery Rates.
Wie in den vorherigen Kapiteln sind auch hier die vorrangigen Tranchen am stärksten betroffen. Der
erwartete Verlust der Senior-Tranche steigt auf das nahezu Dreifache, der erwartete Verlust der Equity-Tranche sinkt dagegen leicht. Die negative Auswirkung auf das Risiko der Super-Senior-Tranche
hat zwei Ursachen. Erstens ist durch die Modellierung mit stochastischen Recovery Rates nun theore-35-
tisch ein Portefeuilleverlust von 100% möglich. Zuvor war der Verlust durch die konstante Recovery
Rate begrenzt. Die Wahrscheinlichkeitsmasse für hohe Portefeuilleverluste entfällt aber allein auf die
Super-Senior-Tranche. Zweitens wurde in Abschnitt 4.2.2 gezeigt, dass Verluste in der Super-SeniorTranche in der Regel nur für schlechte Realisationen des Makrofaktors M entstehen. Ein niedriger
Wert für M erhöht aber die Wahrscheinlichkeit für kleine Werte der Zahlungsfähigkeiten X (i ) und
damit für kleine Recovery Rates. Diese haben wiederum niedrigere Rückzahlungen und höhere Tranchenverluste zur Folge.
Betrachtet man die Tranchengrenze für die Tranchen 1 (Super-Senior-Tranche) und 2, stellt man fest,
dass der neue Attachment-Punkt von Tranche 2 (29,19%) nur leicht unter dem auf Basis von konstanten Recovery Rates errechneten Attachment-Punkt von Tranche 1 (29,64%) liegt. Der Wert 29,64%,
entspricht unter der neuen Verteilung dem 98,09%-Quantil. Somit steigt die Verlustwahrscheinlichkeit
von Tranche 1 auf nahezu 2 %. Auf Grundlage der in Abschnitt 4.1.2 definierten Ratingklassen müsste
Tranche 1 also um eine Stufe nach unter korrigiert werden.
Fazit
Die Ergebnisse der Simulation zeigen, dass die Modellierung mit konstanten Recovery Rates durchaus
dazu führen kann, dass das Risiko der einzelnen Tranchen falsch eingeschätzt wird. Vor allem der
erwartete Verlust der Super-Senior-Tranche steigt prozentual stark an und das Rating der Tranche
muss eventuell angepasst werden. Wie in den vorangehenden Abschnitten ist also auch hier die Sensitivität der Super-Senior-Tranche auf die Modellerweiterung am höchsten. Allerdings ist der absolute
Anstieg des erwarteten Verlustes für die Super-Senior-Tranche relativ klein. Durch die Einführung der
stochastischen Recovery Rate kommt es also nicht zu massiven Herabstufungen der Tranchen-Ratings.
4.2.4. Gesamteffekt der verschiedenen Modellerweiterungen
In den vorangegangenen Abschnitten wurde untersucht, welchen Einfluss Modellerweiterungen und
die Wahl der Parameterwerte auf das Risiko der einzelnen Tranchen haben. Um die Effekte voneinander zu isolieren, wurden die Sensitivitätsanalysen getrennt voneinander durchgeführt. In diesem Abschnitt wird nun der Gesamteffekt untersucht.
Für die Monte-Carlo-Simulation wurden drei Ansätze kombiniert. Bei der Einteilung der Tranchen
wurde ein Fehler bei der Schätzung der individuellen Verlustwahrscheinlichkeiten analog zu Abschnitt
4.2 unterstellt. Außerdem wurde eine konstante Korrelation von 0,2 und eine konstante Recovery Rate
von 0,4 zugrunde gelegt. Die reale Verlustverteilung wurde hingegen mit stochastischer Korrelation
(siehe Abschnitt 4.2.2) und stochastischer Recovery Rate modelliert (siehe Abschnitt 4.2.3).
Die Ergebnisse sind in Tabelle 7 zusammengefasst. Spalte La enthält die Tranchengrenzen, die sich
auf Grundlage der realen Verlustverteilung ergeben. In Klammern sind die Tranchengrenzen aufge-36-
führt, die auf Basis der oben beschriebenen Schätz- und Modellfehler errechnet wurden. Anhand dieser Trancheneinteilung wurden die Veränderungen in den Risikomaßen berechnet. Spalte ∆EL zeigt
die Veränderung des erwateten Tranchenverlusts, Spalte ∆SD die Veränderung der Standardabweichung des Tranchenverlusts.
Tranche
La
∆EL
∆SD
1
43,15% [27,96%]
1092,30%
435,68%
2
36,69% [24,78%]
257,54%
96,05%
3
27,68% [20,24%]
96,64%
43,23%
4
19,19% [16,56%]
58,21%
24,57%
5
14,44% [12,70%]
35,82%
14,10%
6
11,63% [10,21%]
24,80%
7,38%
7
0,00%
7,01%
-2,60%
Tabelle 7: Kennziffern der Tranchen bei kombiniertem Sensitivitätstest.
Tabelle 8 zeigt die Summe der drei Einzeleffekte aus den Abschnitten 4.2, 4.2.2 und 4.2.3. Es fällt auf,
dass die Änderung der erwarteten Verluste in Tabelle 7 ungefähr den Werten in Tabelle 8 entspricht.
Es gibt allerdings zwei merkliche Abweichungen. Der erwartete Verlust in Tranche 3 steigt in der
Simulation um 97%, während die Summe der Einzeleffekte mit 138% deutlich darüber liegt. Der gegensätzliche Effekt kann in der Super-Senior-Tranche beobachtet werden. Hier liegt der per Simulation ermittelte erwartete Verlust bei 1092%. Die Summe der Einzeleffekte ist mit 669% wesentlich geringer.
Σ ∆EL
Tranche
1
669,28%
2
267,04%
3
137,52%
4
59,81%
5
40,80%
6
28,85%
7
9,66%
Tabelle 8: Kennziffern der Tranchen als Summe der Einzeleffekte.
-37-
Insgesamt zeigen die Resultate, dass die ohnehin schon große Sensitivität der Super-Senior-Tranche
durch die Kombination der Einzeleffekte nochmals verstärkt wird und mehr als 60% über der Summe
der Einzeleffekte liegt. Spalte La in Tabelle 7 veranschaulicht, dass der ursprüngliche AttachmentPunkt der Super-Senior-Tranche von 27,96% etwa dem neu berechneten Attachment-Punkt von Tranche 3 von 27,68% entspricht. Das Rating der auf Basis des OFGC-Modells bestimmten Super-SeniorTranche müsste also um zwei Stufen nach unten korrigiert werden, wenn alle Modellerweiterungen bei
der Bestimmung der Verlustverteilung berücksichtigt würden.
Die Modellspezifikationen, die in diesem Abschnitt kombiniert wurden, sind ökonomisch begründet
und empirisch getestet.131 Darüber hinaus verringert die Berechnung der Tranchen auf Basis dieser
Erweiterungen die Sensitivität gegenüber der Ausfallkorrelation. Abschnitt 4.2.2 hat gezeigt, dass der
erwartete Verlust der Super-Senior-Tranche um das nahezu 30-fache steigt, wenn die Tranchengrenzen auf Basis des OFGC-Modells berechnet werden und man den Korrelationsparameter auf 70% erhöht. Führt man den gleichen Stresstest mit den über das kombinierte Modell ermittelten AttachmentPunkten durch, steigt der erwartete Verlust der Super-Senior-Tranche nur um das 8-fache. Die Anfälligkeit gegenüber extremen Korrelationsszenarien sinkt also durch die vorgeschlagenen Modellerweiterungen deutlich.
Dieses Kapitel hat insgesamt demonstriert, dass die Risikocharakteristika von ABS-Tranchen stark
von der Modellierung der Verlustverteilung im Portefeuille abhängen. Diese Sensitivität führt zu einem hohen Modellrisiko, das besonders stark bei den Senior-Tranchen zur Geltung kommt. Im Umkehrschluss wird durch die Analysen deutlich, dass eine möglichst realistische Schätzung der Verlustverteilung essentiell für den Handel mit Verbriefungsprodukten ist. Einer zukünftigen Finanzkrise
kann also nur entgegengewirkt werden, wenn für alle Marktteilnehmer entsprechende Verpflichtungen
oder Anreize geschaffen werden. Mögliche Handlungsempfehlungen werden im folgenden Kapitel
diskutiert.
5. Handlungsempfehlungen
Während in Kapitel 3 die Ursachen der aktuellen Finanzkrise qualitativ anhand der Wertschöpfungskette dargestellt worden sind, wurden die Ergebnisse in Kapitel 4 durch eine Analyse der Modellierung einer Verbriefungsstruktur quantitativ untermauert. Auf Basis der Erkenntnisse aus diesen beiden
Kapiteln werden im Folgenden Handlungsempfehlungen betrachtet, die darauf abzielen, die Stabilität
des Verbriefungsmarkts zu erhöhen. Die einzelnen Vorschläge werden wiederum den Segmenten der
Wertschöpfungskette zugeordnet.
131
Vgl. Abschnitte 4.2.1,4.2.2 und 4.2.3.
-38-
5.1. Vertrieb
Ungenaue Bonitätsprüfungen bei der Vergabe von Immobiliendarlehen haben dazu geführt, dass deren
Kreditqualität kontinuierlich gesunken ist.132 Zum einen wurden Kredite mit variablen Zinskomponenten vergeben, die zunächst eine sehr günstige Finanzierung von Immobilien ermöglichten. Nach der
Zinsanpassung wurden die Kreditnehmer aber vor eine erhebliche und nicht einkalkulierte Zinsbelastung gestellt, die gerade im Subprime-Segment in der Regel durch die persönliche Einkommenssituation nicht zu tragen ist. Diese ARMs waren daher kein geeignetes Produkt für Kreditnehmer schlechter
Bonität. Vielen dieser Subprime-Kunden wurden dennoch Kredite gewährt, da oftmals keine Überprüfung der Angaben stattgefunden hatte oder eine Auskunft über die Einkommenssituation nicht erforderlich war.
Die Untersuchungen in Abschnitt 4.2 haben gezeigt, dass eine falsche Bonitätseinschätzung starke
Auswirkungen auf die Einteilung der Tranchen bzw. auf die Beurteilung der Risikocharakteristika hat.
Wie in der aktuellen Finanzkrise kommt es zu negativen Effekten bei der Bewertung und Modellierung von Kreditportefeuilles, wenn die zukünftige Zahlungsfähigkeit der Kunden systematisch überschätzt wird. In Folge erhöhen sich nicht nur der erwartete Verlust im Portefeuille, sondern auch die
Verlustzahlungen für alle Tranchen. Die Unterschiede zwischen der vom Originator geschätzten Bonität und der realen Verlustverteilung führen dazu, dass Tranchen mit einem falschen Rating versehen
wurden.
Beim Vertrieb dieser Produkte wurden in der Regel Bonus- und Provisionszahlungen geleistet, welche
auf der Anzahl oder dem Volumen der abgeschlossenen Kreditverträge basierten. Ein Interesse an
einer guten Qualität der Kredite bzw. einer langfristigen Kundenbindung ist bei solchen Vergütungssystemen nicht gegeben. Die Anreizwirkung einer solchen Entlohnung zielt damit allein auf eine Steigerung des Absatzes. Da die vergebenen Kredite meist eine lange Laufzeit besitzen und etwaige Ausfälle erst nach einer gewissen Zeit (typischerweise nach Zinsanpassungen) eintreten, sollten im Vertrieb Provisionszahlungen vereinbart werden, die über einen längeren Zeitraum gezahlt werden. Es ist
von zentraler Bedeutung, dass sich diese Vergütung in Abhängigkeit von der Performance des gesamten Bestands eines Maklers errechnet. Vorstellbar ist die Berechnung auf Basis von Kennziffern, die
die Qualität eines Portefeuilles mit dessen Volumen in Verbindung bringt.
Bei Versicherungen hat das Konzept der Folgeprovision bereits seine Vorzüge gezeigt. Laut Umhau
(2003) hat die Einführung dieses Vergütungskonzepts einen großen Anteil am Erfolg der Versicherungen in Deutschland. Nach einer Abschlussprovision, die bei Vertragsunterschrift gezahlt wird, folgt
eine Vergütung in Abhängigkeit von den zukünftig gezahlten Prämien. Zwar ist der Aufwand für den
Makler bei Abschluss am höchsten, die folgenden Zahlungen garantieren aber einen Anreiz für lang-
132
Vgl. Abschnitt 3.3.
-39-
fristige Vertragsverhältnisse. Überträgt man dieses System auf die Kreditvergabe von Banken, so werden Anreize geschaffen, Darlehen zu vergeben, die mit einer höheren Wahrscheinlichkeit bis ans
Laufzeitende bestehen bleiben. Eine Folgeprovision muss dabei nicht zwingend über die gesamte
Laufzeit erfolgen. Zusätzliche Anreize entstehen bereits durch Folgeprovisionszahlungen bis zu den
ersten Zinsanpassungen.133 Somit hat der Vertrieb ein Interesse daran, realistisch einzuschätzen, ob der
Kunde einer erhöhten Zinsbelastung gewachsen wäre und die persönliche Einkommenssituation langfristig gesichert ist.
5.2. Portfolio- und Risikomanagement
Im Vorfeld der Finanzkrise kam es aufgrund der hohen Nachfrage nach Subprime-Wertpapieren oftmals zu einer vollständigen Veräußerung des Kreditportefeuilles.134 Das Fehlen eines Einbehalts hatte
zur Folge, dass der Originator keine Haftung für die Qualität seiner Kredite übernehmen musste. Die
Analysen in Kapitel 4 haben gezeigt, dass Senior-Tranchen einem hohen systematischen Risiko ausgesetzt sind. Hohe Korrelationen, wie sie momentan am Markt zu beobachten sind135, führen zu einer
Vervielfachung der erwarteten Verluste und einer erhöhten Wahrscheinlichkeit für einen Totalausfall.
So stieg im Beispielportefeuille der erwartete Verlust der Super-Senior-Tranche um das 30-fache.
Darüber hinaus haben die Untersuchungen bestätigt, dass diese Tranchen auch ein erhebliches Modellrisiko aufweisen. Beispielsweise führten sinkende Werte der Sicherheiten ab Mitte 2006136 zu geringeren Wiedergewinnungsquoten der Immobiliendarlehen. Modelliert man diese Abhängigkeit von den
ökonomischen Rahmenbedingungen, ergibt sich auch hier eine Vervielfachung des Ausfallrisikos für
Senior-Tranchen.
Insgesamt haben die Analysen gezeigt, dass Handlungsempfehlungen darauf ausgerichtet sein müssen,
die Güte der geschätzten Verlustverteilung des Portefeuilles zu verbessern. Zum einen kann die Risikoeinschätzung der einzelnen Kredite hierbei durch die in Abschnitt 5.1 vorgeschlagenen Vergütungssysteme im Vertrieb verbessert werden. Zum anderen können die in Kapitel 4 diskutierten Modellerweiterungen herangezogen werden, um eine realistischere Abbildung der Verlustverteilung zu erreichen. Dazu zählen die Modellierung stochastischer Korrelationen zwischen den Ausfällen der einzelnen Kreditnehmer sowie die Verwendung stochastischer Recovery Rates. Diese Erweiterungen setzen
ökonomisch fundierte und empirisch belegte Annahmen um. In Kapitel 3 wurde gezeigt, dass eine
Vernachlässigung dieser Annahmen zu signifikanten Fehleinschätzungen der Tranchen führt.
133
Das individuelle Ausfallrisiko eines Kreditnehmers ist nach Zinsanpassungen besonders hoch. Nach Ashcraft
und Schuermann (2008) liegt die Wahrscheinlichkeit, dass ein Subprime-Kredit aufgrund einer Anpassung des
Darlehenszins ausfällt, zwischen 4,5% und 18,6%. Vgl. Ashcraft und Schuermann (2008), S. 21ff.
134
Vgl. Abschnitt 3.3.2.
135
Vgl. Abbildung 8.
136
Vgl. Abbildung 2.
-40-
Eine genauere Schätzung der Verluste kann durch eine erhöhte Haftung für das Portefeuille erzwungen
werden. Ein verpflichtender Einbehalt von Verbriefungsprodukten durch den Originator hat zwei Effekte. Neben einer Verbürgung für die Datenqualität und der individuellen Risikoeinschätzung können
Einbehalte dazu führen, dass außerdem ein Anreiz besteht, Kreditrisiken bestmöglich zu modellieren.
Durch den Einbehalt der Equity-Tranche vermindert sich beispielsweise die Gefahr des Moral Hazard,
da sich der Originator für die individuelle Qualität der Risikopositionen verbürgt.137 Dies bestätigen
die Analysen in Abschnitt 4.2. Auch wenn ein Einbehalt eine Signalwirkung über die Einschätzung
des Originators bzgl. der Qualität der Verbriefung hat, zeigt die Situation vor der Finanzkrise, dass
eine Selbstregulierung über den Markt nicht notwendigerweise stattfindet: Obwohl Originatoren vor
der Finanzkrise keine Tranchenanteile einbehalten hatten, waren Marktteilnehmer bereit, in diese
Wertpapiere zu investieren. Die konkrete Festlegung eines Einbehalts sollte daher der Bankenaufsicht
unterliegen.
Eine mögliche Ausgestaltung ist, dass der Originator zu einem prozentualen Einbehalt138 von allen
Tranchen verpflichtet wird. Er ist somit anteilig von jedem einzelnen Kreditereignis betroffen, so dass
seine Interessen mit denen der Investoren deckungsgleich sind. Der Originator haftet also selbst für die
Güte der gesamten Verlustverteilung und damit auch für das zugrunde liegende Modellrisiko. Wie die
Analysen in Kapitel 4 gezeigt haben, wäre der Originator den hohen Sensitivitäten der SeniorTranchen ausgesetzt. Damit hat er gegebenenfalls die vollen Konsequenzen der eigenen Fehlspezifikationen der Risikomodellierung zu tragen. Die konkrete Bestimmung einer solchen Einbehaltsquote
muss jedoch sorgfältig durchdacht werden. Dabei ist die richtige Einschätzung der Anreizwirkung von
zentraler Bedeutung.
Die Qualitätssicherung in der Risikomodellierung kann darüber hinaus verbessert werden, indem man
die Informationstransparenz beim Verkauf von Verbriefungsprodukten erhöht. Wird der Originator
dazu verpflichtet, gewisse Rahmendaten, Modellannahmen und Tranchenkennzahlen offen zu legen,
könnten die Investoren das eingekaufte Risiko differenzierter einschätzen. Auch eine verpflichtende
Veröffentlichung der gesamten modellierten Verlustverteilung des Portefeuilles ist ein denkbarer Ansatz. Die Untersuchungen in Kapitel 4 haben gezeigt, dass die Marktteilnehmer auf Basis solcher Informationen in der Lage sind, eigene Stresstests durchzuführen und das Risikoprofil der Positionen
genauer zu untersuchen.139 Ein Originator kann seine Kreditrisiken folglich nur dann am Markt veräußern, wenn seine Risikomodellierung den Ansprüchen der Investoren genügt.
137
Vgl. Franke und Krahnen, S. 13.
Hull (2008) erwägt beispielsweise einen Einbehalt in Höhe von 20%.
139
Ein mögliches Vorgehen kann sich an den Untersuchungen aus Kapitel 4 orientieren.
138
-41-
5.3. Aufsichtsbehörden und Rechnungslegung
Die aktuelle Finanzkrise hat gezeigt, dass das Fair-Value-Prinzip bei einer fortschreitenden Illiquidität
einzelner Marktsegmente zur Verstärkung der Abwärtsspirale sinkender Preise führen kann. Um auf
Krisensituationen angemessen reagieren zu können, sollte es für Aufsichtsbehörden möglich sein, die
starre Regel des Mark-to-Market in extremen Marktsituationen anzupassen. Eine Lockerung des FairValue-Prinzips birgt zwar die Gefahr, dass die tatsächliche Liquidität einer Organisation verschleiert
wird. Allerdings reduziert eine solche Maßnahme den Abschreibungsbedarf in Krisenzeiten und kann
somit eine eingeschränkte Kreditvergabe bei Banken verhindern. Ein konkretes Beispiel für die Lockerungen von Rechnungslegungsvorschriften liefert die Versicherungsbranche: In Anbetracht der aktuellen Kursschwankungen können langfristig gehaltene Aktienbestände derzeit mit einer Abweichung
von 20% über dem Marktwert bilanziert werden. Normalerweise liegt dieser von der deutschen Finanzaufsicht vorgeschriebene Wert bei lediglich 10%.140
Da der Marktpreis bei hoher Illiquidität nicht mehr als ökonomisch begründeter Wertansatz herangezogen werden kann, sollte außerdem die Möglichkeit bestehen, der Bilanzierung in diesem Fall andere
Referenzen zugrunde zu legen. Eine Entscheidung, wann eine solche Situation vorliegt, sollte den
Aufsichtsbehörden obliegen. Für diesen Fall müssen verbindliche Bewertungsrichtlinien konzipiert
werden, um eine einheitliche Bilanzierung und damit die Stabilität des Finanzsystems zu erhalten.
In Abschnitt 3.3.4 wurde dargestellt, dass seitens der Rating-Agenturen Fehler bei der Risikoeinschätzung strukturierter Produkte stattgefunden haben. Diese führten dazu, dass Finanzinstitute für diese
Instrumente zu wenig Eigenkapital hinterlegen mussten, da die aufsichtsrechtlichen Vorschriften an
die Bonitätseinschätzungen der Rating-Agenturen gekoppelt waren. Fehlspezifikationen bei den Modellen der Agenturen führten also dazu, dass systematisch eine ungenügende Risikovorsorge stattfand.
Anstelle von ratingbasierten Ansätzen sollten daher interne Modelle als Grundlage zur Berechnung der
Eigenkapitalhinterlegung für Verbriefungsprodukte dienen. Somit wird das systematische Modellrisiko reduziert und es kommt zu einer Konkurrenzsituation zwischen den verschiedenen Portefeuillemodellen. Zur adäquaten Einschätzung der Risiken und zur eigenverantwortlichen Berechnung der Eigenkapitalhinterlegung benötigt der Investor allerdings genaue Informationen vom Originator über das
zugrunde liegende Portefeuille. Folglich wird die Sorgfaltspflicht des Originators sichergestellt, da
dieser ohne eine Bereitstellung von Informationen die verbriefte Position nicht veräußern könnte. Die
Verwendung interner Modelle kann somit die Selbstregulierung des Marktes fördern.
5.4. Rating-Agenturen
Rating-Agenturen haben eine große Bedeutung für den Handel mit Verbriefungsprodukten, da über
das Rating Risikoeinschätzungen und Marktpreise dieser Instrumente beeinflusst werden. In Abschnitt
140
Vgl. Handelsblatt (2009b).
-42-
3.3.4 wurde dargestellt, welche Rolle die Rating-Agenturen bei der Entstehung der Krise gespielt haben. Zunächst wurde deutlich, dass ein korrektes Rating allein kein adäquates Instrument zur Einschätzung des Risikos einer ABS-Tranche darstellt. Außerdem wurden verschiedene Schwächen der
Rating-Agenturen aufgezeigt. Die Hauptkritikpunkte waren Interessenskonflikte, fehlende Haftung bei
Fehleinschätzungen, mangelnde Erfahrung bei der Bewertung von Verbriefungsprodukten und die
fehlende Überprüfung der dem Rating zugrunde liegenden Daten. Zudem wurde herausgestellt, dass
die hohe Bedeutung der Ratings für Eigenkapitalhinterlegung und Bewertung dazu führte, dass sich
systematische Fehler der Rating-Agenturen stark negativ auf das Finanzsystem auswirkten.
Ein zentraler Punkt ist hierbei das Modellrisiko, welches dem Rating unterliegt. Verwendet eine Agentur ein Risikobewertungsmodell, das die Realität nur unzureichend abbildet, entstehen systematische
Fehleinschätzungen. Die Ergebnisse in Kapitel 4 spiegeln wider, wie stark sich solche Modellfehler
auf die Sensitivität der Risikoparameter auswirken können. Vor allem der starke Einfluss auf die
AAA-Tranche fällt ins Gewicht, da auf dieser Rating-Klasse viele Investitionsstrategien beruhen.
Folglich würde eine Abstufung von AAA-Wertpapieren eine in der Regel unvorteilhafte Veräußerung
dieser Papiere nach sich ziehen. Das resultierende Angebot wird von den verunsicherten Marktteilnehmern nicht ausreichend nachgefragt und führt somit zu einem weiteren Preisverfall.
Ein möglicher Ansatz zur Verringerung dieses systematischen Risikos ist die Offenlegung des verwendeten Rating-Modells und der zugrunde liegenden Verlustverteilung des Subprime-Portefeuilles.
Zwar würde dies nicht unmittelbar die Qualität der Modellierung erhöhen, jedoch könnten die Investoren die Aussagekraft des Ratings besser einschätzen. Durch eine Veröffentlichung der Modellannahmen und der Verlustverteilung wäre das Risikomanagement des Investors beispielsweise in der Lage,
Sensitivitäts- und Stresstests analog zum Vorgehen in Kapitel 4 durchzuführen. Dadurch könnte wiederum die Gefahr einer Abstufung eines Wertpapiers abgeschätzt werden und in die Investitionsentscheidung einfließen.
Ein weiterer Aspekt ist, dass durch die Offenlegung der Modelle die Wertschöpfung der RatingAgenturen stärker von der Verifizierung der Eingangsdaten abhängt. Um sich von der Konkurrenz
abzuheben, hätten Rating-Agenturen also einen starken Anreiz zur Kontrolle der Bonitätsprüfung des
Originators. Eine solche Überprüfung der Due Diligence findet bisher in der Regel nicht statt.141
Die Verlässlichkeit der Ratings könnte darüber hinaus steigen, wenn eine Haftung der Agenturen für
ihre Einschätzungen bestehen würde. Damit wären die Interessen der Rating-Agenturen im Einklang
mit denen der Investoren. Eine mögliche Umsetzung dieser Idee zeigt ein aktuelles Beispiel: Der
weltweit drittgrößte Kreditversicherer, Coface, bietet ab sofort einjährige Kreditratings für kleine Un-
141
Vgl. Kanef (2007), S. 5, und Tillman (2007), S. 7.
-43-
ternehmen und Finanzprodukte an und plant, diese Bonitätseinschätzung als Grundlage für die angebotenen Versicherungen zu verwenden.142 Mit der dadurch übernommenen Haftung wird dem Markt
signalisiert, dass Coface von der Qualität und Robustheit der eignen Ratings überzeugt ist. Ein ähnliches Modell ist auch für die etablierten Agenturen denkbar. Ein Ansatz ist es, diese dazu zu verpflichten, im Anschluss an eine Ratingvergabe eine Versicherung des Ratings anzubieten. Bereits durch die
Prämienhöhe der angebotenen Versicherungsleistung würden implizit Informationen über die Einschätzung der eigenen Ratings an den Markt vermittelt. Eine hohe Versicherungsprämie für ein AAAWertpapier würde zum Beispiel Zweifel an der Belastbarkeit des Ratings hervorrufen.
6. Fazit und Ausblick
Die vorliegende Arbeit hat gezeigt, dass die Gründe für die Entstehung der Finanzmarktkrise vielschichtig waren und dass Schwachstellen entlang der gesamten Kreditwertschöpfungskette existieren.
Erst das komplexe Zusammenwirken der einzelnen Faktoren hatte die enormen Risikofehleinschätzungen zur Folge, die das globale Finanzsystem ins Wanken brachten. So führten die Weitergabe der
Ausfallrisiken sowie die Vergütungssysteme zu fehlenden Anreizen im Vertrieb, die Bonität der
Schuldner bei der Kreditvergabe gewissenhaft zu prüfen. Als zentrales Problem wurde jedoch das
Modellrisiko bei der Bewertung von Verbriefungsprodukten identifiziert. Es wurde aufgezeigt, dass
im Portfoliomanagement aufgrund der vollständigen Veräußerung der Forderungen keine belastbare
Risikomodellierung stattfand. Dies hatte zur Folge, dass Verbriefungsprodukte nicht risikoadäquat
bewertet wurden. Verstärkt wurde dieses Problem durch die Fehleinschätzungen der RatingAgenturen. Diese Fehlurteile sind auf die fehlende Haftung für Ratings, unzureichende Bewertungsmodelle und mangelnde Überprüfung der Eingangsdaten zurückzuführen. Da sich die Basel IIRisikogewichte bei Verbriefungsprodukten in der Regel ausschließlich am Rating orientieren, fand
also auch keine risikoadäquate Eigenkapitalhinterlegung statt.
Die qualitative Ursachenanalyse hat vor allem aufgezeigt, wie systematische Risikofehleinschätzungen
entstehen und sich im Finanzsystem verbreiten konnten. Es wurde deutlich, dass die Nachhaltigkeit
von Verbriefungstransaktionen nur gewährleistet werden kann, wenn die Verlustverteilungen der Portefeuilles realistisch abgebildet werden. Um die Funktionsfähigkeit des Verbriefungsmarktes wiederherzustellen und langfristig zu erhalten, müssen also Mechanismen geschaffen werden, die dazu führen, dass sowohl Originatoren als auch Investoren die gehandelten Risiken bestmöglich modellieren
und somit für sich bewertbar und kontrollierbar machen. Die quantitative Analyse in Kapitel 4 stützt
diese These. Anhand des OFGC-Modells wurde verdeutlicht, dass die Risikocharakteristika der einzelnen ABS-Tranchen gegenüber Stressszenarien und Modellerweiterungen sehr sensitiv reagieren.
142
Vgl. Handelsblatt (2009c), S 24.
-44-
Als zentrales Ergebnis wurde festgehalten, dass vor allem die Senior-Tranchen stark von Modellfehlspezifikationen betroffen sind. Diese Tatsache bietet eine Erklärung für die enormen Abschreibungen,
die weltweit auf AAA-Tranchen getätigt werden mussten. Konkret wurden mit der Berücksichtigung
von Korrelationsregimes, systematischem Risiko und stochastischen Recovery Rates Modellerweiterungen vorgeschlagen, die eine robustere Abbildung der Portefeuilleverluste ermöglichen.
Die Analyse des OFGC-Modells hat unterstrichen, dass Maßnahmen zur Verbesserung von Verbriefungstransaktionen primär darauf ausgerichtet sein müssen, die Qualität der Risikoeinschätzung zu
erhöhen. Das Zusammenspiel der Ursachen, die zur aktuellen Finanzmarktkrise geführt haben, erfordert jedoch einen ganzheitlichen Ansatz mit langfristig orientierten Handlungsempfehlungen. Die einzelnen Maßnahmen müssen effektiv zusammenwirken und sollten möglichst bei allen Schwachstellen
der Wertschöpfungskette ansetzen. Die in dieser Arbeit diskutierten Handlungsempfehlungen können
dabei als Grundlage für einen solchen Maßnahmenkatalog dienen.
Zum einen wurde herausgearbeitet, wie die Risikoeinschätzung durch den Originator verbessert werden kann. Ein Ansatzpunkt ist ein verpflichtender anteiliger Einbehalt von jeder Tranche. Da somit
eine Haftung für das ganze Portefeuille entsteht, ist es für den Originator wichtig, die Anreizsysteme
im Vertrieb neu zu konzipieren. Diese müssen so gestalten werden, dass schon bei der Kreditvergabe
die langfristige Zahlungsfähigkeit der Schuldner gewissenhaft geprüft wird. Darüber hinaus entstehen
durch einen anteiligen Einbehalt für den Originator hohe Anreize, die Risikomodellierung auf Portefeuilleebene zu verbessern. Dies kann durch die in dieser Arbeit diskutierten Modellerweiterungen
erfolgen. Durch die bessere Risikoeinschätzung der Einzelportefeuilles sinken letztendlich Risiko und
Sensitivität des Gesamtsystems.
Darüber hinaus wurden Handlungsempfehlungen aufgezeigt, welche die Rahmenbedingungen des
gesamten Finanzsystems betreffen. Ein wichtiger Punkt ist hierbei die Anpassung der Vorschriften zur
Eigenkapitalhinterlegung bei Verbriefungsprodukten. Durch den derzeit gängigen ratingbasierten Ansatz werden Modellrisiken der Rating-Agenturen auf das Bankensystem übertragen. Die Umstellung
auf interne Modelle würde dagegen die Gefahr eindämmen, dass die Eigenkapitalhinterlegung aller
Banken systematisch zu niedrig gewählt wird. Eine wichtige Voraussetzung für die Verwendung interner Risikoeinschätzungen ist die Erhöhung der Informationstransparenz, so dass jeder Investor in
der Lage ist, eine eigene Bewertung vorzunehmen. Originatoren müssen folglich dazu verpflichtet
werden, Tranchenkennzahlen und weitere Informationen zur Verlustverteilung des Portefeuilles offen
zu legen. Ist dies nicht gegeben, wird die daraus resultierende Intransparenz mangels Diversifizierbarkeit mit einer erhöhten Risikoprämie belegt. Eine unterstützende Rolle bei der Risikobewertung können nach wie vor Rating-Agenturen einnehmen. Aussagekraft und Belastbarkeit der Ratings werden
verbessert, indem die Bewertungsmodelle veröffentlicht werden oder eine Haftung der Agenturen bei
-45-
Fehleinschätzungen hergestellt wird. Somit wird auch ein starker Fokus auf die Verifizierung der Eingangsdaten gelegt.
Insgesamt bilden die in dieser Arbeit vorgestellten Handlungsempfehlungen ein Maßnahmenbündel,
das an verschiedenen Stellen parallel greift und somit die Stabilität des Finanzsystems erhöht. Dabei
wird die Verbriefung von Risiken nicht generell in Frage gestellt. Es wird stattdessen ein Wettbewerbsumfeld geschaffen, in dem diese Instrumente zur Risikodiversifikation eingesetzt werden können, ohne die Funktionsfähigkeit des Gesamtsystems zu gefährden.
-46-
Literatur
Acharya, Viral V.; Bharath Spreedhar T.; Srinivasan Anand (2004): Understanding The Recovery
Rates On Defaulted Securities; Working Paper; London Business School, London.
Allen, Franklin; Carletti, Elena (2006): Credit Risk Transfer And Contagion; Journal of Monetary
Economics, Vol. 53, Nr. 1, S. 89-111.
Altman, Edward I.; Brady, Brooks; Resti, Andrea (2005): The Link Between Default And Recovery
Rates: Theory, Empirical Evidencs, And Implications; Journal of Business, Vol. 78, Nr. 6, S. 22032227.
Amato, Jeffery D.; Gyntelberg, Jacob (2005): Indextranchen von Credit Default Swaps und die Bewertung von Kreditrisikokorrelationen; BIS-Quartalsbericht März 2005, Bank for International Settlements, Basel.
Andersen, Leif; Sidenius, Jakob (2004): Extensions To The Gaussian Copula: Random Recovery
And Random Factor Loadings; Journal of Credit Risk, Vol. 1, Nr. 1, S. 29-70.
Ashcraft, Adam B.; Schuermann, Til (2008): Understanding the Securization of Subprime Mortgage
Credit; Staff Reports No. 318, Federal Reserve Bank of New York.
Bank for International Settlements (2008a): Credit Risk Transfer: Developments From 2005 To
2007; Consultative Document, Bank for International Settlements, Basel.
Bank for International Settlements (2008b): BIS 78th Annual Report; Annual Report, Bank for International Settlements, Basel.
Bank for International Settlements (2009): BIS Quarterly Report March 2009; Quarterly Report,
Bank for International Settlements, Basel.
Bannier, Christiana E.; Tyrell, Marcel (2006): Modelling The Role Of Credit Agencies – Do They
Spark Off A Virtuous Circle?; Working Paper, Goethe Universität, Frankfurt a. M.
Basel Committee on Banking Supervision (2008): Credit Risk Transfer – Developments From 2005
To 2007; Consultative Document, The Joint Forum, Basel
Bhansali, Vineer; Gingrich, Robert; Longstaff, Francis A. (2008): Systemic Credit Risk: What Is
The Market Telling Us?; Working Paper, UCLA, Los Angeles.
-47-
Bluhm, Christian; Overbeck, Ludger (2007): Structured Credit Portfolio Analysis, baskets &
CDOs; 5. Auflage, Chapman & Hall/CRC, Boca Raton.
Börner, Christoph J. (2000): Strategisches Bankmanagement; Oldenbourg, München.
Brennan, Michael J.; Hein, Julia; Poon, Ser-Huang (2008): Tranching and Rating; Working Paper,
UCLA, Los Angeles.
Burtschell, Xavier; Gregory, Jon; Laurent, Jean-Paul (2008): A comparative Analysis Of CDO
Pricing Models; in: Meissner, Gunter (Hrsg.); The Definitive Guide To CDOs; Risk Books, London,
S. 389-427.
Cousin, Areski; Laurent, Jean-Paul (2008): Hedging Issues For CDOs; in: Meissner, Gunter
(Hrsg.), The Definitive Guide To CDOs, Risk Books, London, S. 461-480.
Crouhy, Michel G.; Jarrow, Robert A.; Turnbull, Stuart M. (2007): Insights And Analysis Of Current Events: The Subprime Credit Crisis Of 2007; Journal of Derivatives, Vol. 16, Nr. 1, S. 81-110.
Fannie Mae (2008): Fannie Mae's Annual Report On Form 10-K; Annual Report, Fannie Mae, Washington.
Franke, Günter; Krahnen, Jan Pieter (2008): The Future Of Securitization; CFS Working Paper
No. 2008/31, Goethe-Universität, Frankfurt a. M.
Frye, Jon (2000): Collateral Damage; Risk, Vol. 14, Nr. 4, S. 91-94.
Gordy, Michael B. (2003): A Risk-Factor Model Foundation For Ratings-Based Bank Capital Rules;
Journal of Financial Intermediation, Vol. 12, Nr. 3, S. 199-213.
Handelsblatt (2008a): Schwarzer Montag schürt neue Ängste; Handelsblatt Nr. 180, Ausgabe vom
16.09.08, S. 1.
Handelsblatt (2008b): Finanzkrise – lauter Staatsbanken?; Handelsblatt Nr. 211, Ausgabe vom
30.10.08, S. 8.
Handelsblatt (2009a): Immobilienfirmen in Not; Handelsblatt Nr. 044, Ausgabe vom 04.03.2009, S.
26.
Handelsblatt (2009b): Finanzaufsicht hilft Versicherern; Handelsblatt Nr. 030, Ausgabe vom
12.02.09, S. 1.
-48-
Handelsblatt (2009c): Kreditversicherer benotet Mittelständler; Handelsblatt Nr. 048, Ausgabe vom
10.03.2009, S. 24.
Hartung, Thomas; Helten, Elmar (2001): Restrukturierung von Wertschöpfungsketten im Allfinanzbereich; in: Ackermann, Walter; Haller, Matthias (Hrsg.): Financial Services – Modelle und Strategien
der Wertschöpfung; Institut für Versicherungswirtschaft d. Universität St. Gallen, S. 50-66.
Hellwig, Martin (2008): Systemic Risk In The Financial Sector: An Analysis Of The SubprimeMortgage Financial Crisis; Preprints of the Max Planck Institute for Research on Collective Goods
Bonn 2008/43, Max Planck Institute for Research on Collective Goods, Bonn.
Holmstrom, Bengt (1979): Moral Hazard And Observability; The Bell Journal of Economics, Vol.
10, Nr. 1, S. 74-91.
Holtman, Claus F.; Kleinheyer, Michael (2002): Strategische Schritte zur Einrichtung einer Kreditfabrik, Zeitschrift für das gesamte Kreditwesen, Vol. 55, Nr. 10, S. 477-483.
Hull, John C. (2006): Optionen, Futures und andere Derivate; sechste Ausgabe, Pearson Studium,
München.
Hull, John C. (2008): The Credit Crunch of 2007: What Went Wrong? Why? What Lessons Can Be
Learned?; Working Paper, University of Toronto, Toronto.
Hull, John C.; White, Alan (2004): Valuation Of A CDO And n-th To Default CDS Without Monte
Carlo Simulation; Journal of Derivatives, Vol. 12, Nr. 2, S. 8-23.
Internationaler Währungsfonds (2009): World Economic Outlook Update Januar 2009; Report,
IWF, Washington.
Jarrow, Robert (2001): Default Parameter Estimation Using Market Prices; Financial Analysts Journal, Vol. 57, Nr. 5, S. 75-92.
Jokivuolle, Esa; Peura, Samu (2000): A Model For Estimating Recovery Rates And Collateral Haircuts For Bank Loans; Research Discussion Paper No. 2/2000, Bank of Finland, Helsinki.
Kalemanova, Anna; Schmid, Bernd; Werner, Ralf (2007): The Normal Inverse Gaussian Distribution For Synthetic CDO Pricing; The Journal of Derivatives, Vol. 14, Nr. 3, S. 80-93.
Kanef, Michael (2007): Testimony Before The United States House Of Representatives Subcommittee
On Capital Markets, Insurance, And Government Sponsored Enterprises, Anhörung am 27.09.2007,
Moody’s Investors Service, New York.
-49-
Keys, Benjamin J.; Mukherjee, Tanmoy; Amit, Seru; Vig, Vikrant (2008): Did Securitization
Lead To Lax Screening? Evidence From Subprime Loans; Working Paper, University of Michigan,
Ann Arbor.
Krahnen, Jan Pieter; Wilde, Christian (2006): Risk Transfer With CDOs And Systemic Risk In
Banking; Working Paper, Goethe-Universität Frankfurt, Frankfurt a. M.
Krekel, Martin (2008): Pricing Distressed CDOs With Base Correlation And Stochastic Recovery;
Working Paper, UniCredit Markets & Investment Banking, München.
Krinsman, Allan N. (2007): Subprime Mortgage Meltdown: How Did It Happen And How Will It
End?; Journal of Structured Finance, Vol. 13, Nr. 2, S. 13-19.
Lardy, Jean-Pierre; Patras, Frédéric; Vialard, Francois-Xavier (2008): Correlation, CDOs Of
ABS And The Subprime Crisis; in: Gourieroux, Christian; Jeanblanc, Monique (Hrsg.), Financial
Risks: New Developments in Structured Product and Credit Derivatives, Economica (Forthcoming).
Laurent, Jean-Paul (2007): Beyond The Gaussian Copula: Stochastic And Local Correlation; Journal
of Credit Risk, Vol. 3, Nr. 1, S. 31-62.
Longstaff, Francis A.; Rajan, Arvind (2008): An Empirical Analysis Of The Pricing Of Collateralized Debt Obligations; Journal of Finance, Vol. 63, Nr. 2, S. 529-563.
Loser, Claudio M. (2009): Global Financial Turmoil And Emerging Market Economies: Major Contagion And A Shocking Loss Of Wealth; Discussion Paper, Centennial Group Latin America, Washington.
Luciano, Elisa; Schoutens, Wim (2006): A Multivariate Jump-Driven Financial Asset Model; Quantitative Finance, Vol. 6, Nr. 5, S. 385-402.
Martin, Marcus R. W.; Reitz, Stefan; Wehn, Carsten S. (2006): Kreditderivate und Kreditrisikomodelle: Eine mathematische Einführung; Vieweg+Teubner, Wiesbaden.
Meissner, Gunter (2008): The Market Standard Model For Valuing CDOs, The One-Factor Gaussian
Copula Model - Benefits And Limitations; in: Meissner, Gunter (Hrsg.), The Definitive Guide To
CDOs, Risk Books, London, S. 207-222.
Moosbrucker, Thomas (2006): Valuation Of Portfolio Credit Derivatives; Shaker Verlag, Aachen.
Nelson, Karen K. (1996): Fair Value Accounting for Commercial Banks: An Empirical Analysis of
SFAS No. 107; The Accounting Review, Vol. 71, Nr. 2, S. 161-182.
-50-
Pengelly, Mark (2008): Sunk By Correlation; Risk, Vol. 21, Nr. 7, S. 20-24.
Porter, Michael E. (1996): Wettbewerbsvorteile (Competitive Advantage); 4. Auflage, Campus Verlag, Frankfurt a. M.
Pykhtin, Michael (2003): Unexpected Recovery Risk; Risk, Vol. 16, Nr. 8, S. 74-78.
Schönbucher, Philipp J. (2003): Credit Derivatives Pricing Models; Wiley, Chichester.
Spremann, Klaus (2006): Portfoliomanagement; 3. Ausgabe, Oldenbourg, München.
Starbatty, Nikolaus (2005): Fair Value Accounting in der US-amerikanischen Rechnungslegung;
Gabler Verlag, Wiesbaden.
Steiner, Manfred; Miehle, Christian; Mader, Wolfgang (2005): Mindestkapitalanforderungen für
Asset Backed Securities unter Basel II; Working Paper, risklab germany GmbH, München.
Tavakoli, Janet M. (2003): Collateralized Debt Obligations And Structured Finance; Wiley, New
York.
Tillman, Vickie A. (2007): Testimony Before the United States Senate Committee On Banking, Housing and Urban Affairs, Anhörung am 26.09.2007, Standard and Poor’s Credit Market Services, New
York.
Umhau, Gerd (2003): Vergütungssysteme für die Versicherungsvermittlung im Wandel; VVWVerlag, Karlsruhe.
Waschbusch, Gerd (2000): Bankenaufsicht; Oldenbourg, München.
Wieben, Hans-Jürgen (2004): Credit Rating und Risikomanagement; Gabler Verlag, Wiesbaden.
Yu, Fan (2005): Accounting Transparency And The Term Structure Of Credit Spreads; Journal of
Financial Economics, Vol. 75, Nr. 1, S. 53-84.
Zimmerman, Thomas (2007): The Great Subprime Meltdown of 2007; Journal of Structured Finance,
Vol. 13, Nr. 3, S. 7-20.
-51-

Lehren aus der Finanzkrise final version anonym

Transcrição

Documentos relacionados

Studienbereich Druck- und Medientechnik Beertägerl

So geht`s: Nie wieder die PIN vergessen

Boris Prach

Universität Regensburg

PDF

Aus denkbar wird machbar!

ver.di publik extra Postbank Nov 2015

1. http://de.statista.com/statistik/daten/studie/449591/umfrage

IBF-Newsletter Juni 2013 - Institut für Banking und Finance

Fehlerbehandlung (Recovery)

Seite 1 von 1 www.juraforum.de 18.03.2007 http://www.juraforum.de

Biografie Helmut Dietrich - ARLBERG

Die glorreichen 12 Aktien

Harrison Ford - meine

Eröffnung Postbank Geschäfts

Absolvent/in Wirtschaftswissenschaft – Unternehmensberatung