Anlagestrategien im Spannungsfeld von

Edition Risikomanagement 1.15
Anlagestrategien im Spannungsfeld von
Finanzmarktregulierung und Nullzinsumfeld
Professor Dr. Martin Hellmich
2
Inhalt
Vorwort
5
Abstract
7
1
Einleitung
8
2
Risikoinventur
20
3
Klassische Modelle für Asset Allocation und
Portfoliooptimierung und ihre Grenzen
26
Regulatorische Rahmenbedingungen
38
4.1
4.2
41
50
4
5
6
Banken
Versicherungen
Auswirkungen von Niedrigzinsumfeld und
neuen regulatorischen Rahmenbedingungen
auf Banken und Versicherungen
62
5.1
Banken
5.1.1 Berechnung der durchschnittlichen
Liquidity Coverage Ratio für deutsche
Banken
5.1.2 Kosten der Liquiditätsreserve
69
74
5.2
Versicherungen
78
5.3
Nicht regulierte Investoren
84
Neue Modellansätze: Connectedness
88
6.1
6.2
92
94
Indikatoren für Connectedness
Netzwerkmodelle
66
Anhang 1
100
Anhang 2
112
Literaturverzeichnis
114
Abbildungsverzeichnis
116
Tabellenverzeichnis
117
3
Wir arbeiten für Ihr Investment
4
Vorwort
Sehr geehrte Damen und Herren,
in einer von den Finanz- und Staatenkrisen der letzten Jahre geprägten Finanzwelt und dem daraus folgenden
Niedrigzinsumfeld nimmt die Regulierung eine immer wichtigere Rolle in den Investmententscheidungen von
großen Investorengruppen ein.
Vor diesem Hintergrund entsteht auf dem Kapitalmarkt eine Divergenz in der Risikobewertung aus marktorientierter und regulatorischer Sicht, was auch die Preisbildung verschiedener Asset-Klassen verändert. Die daraus
entstehenden Chancen und Risiken werden in den nächsten Jahren den Markt beeinflussen.
Unter Berücksichtigung der neuartigen Regulierung und des Niedrigzinsumfeldes untersucht Professor Martin
Hellmich von der Frankfurt School of Finance and Management in der diesjährigen Risikomanagementstudie
die Auswirkungen auf die aktuellen Portfolios von wichtigen Investorengruppen und gibt einen Ausblick auf
die zukünftige Entwicklung.
Der sich daraus ableitende Fokus von großen Investorengruppen, vor allem Banken und Versicherungen, auf
die selben regulatorisch benötigten Asset-Klassen verleiht den dominierenden Systemrisiken noch mehr Gewicht.
Die Aussagekraft von gängigen Risiko- und Portfoliomanagementmodellen, welche mit historischen Daten kalibriert werden, wird durch diese Risiken eingeschränkt, so dass neue Modellansätze gefragt sind. Hier stellt die
Studie Risikoindikatoren zur Messung von „Connectedness“ oder kausale Modelle, wie z. B. Netzwerkmodelle
zur Diskussion.
Eine anregende Lektüre wünscht Ihnen Ihr
Alexander Schindler
Mitglied des Vorstands
Union Investment
5
6
Abstract
Das Zusammenwirken von Nullzins sowie neuen regulatorischen Rahmenbedingungen für die wesentlichen
Investorengruppen und die Finanzmärkte hat ein vollständig neues Umfeld für die Kapitalanlage geschaffen.
Vor diesem Hintergrund müssen u. a. Banken und Versicherungen ihre strategische Asset Allocation im Depot A
bzw. im gebundenen Vermögen überprüfen und die Beurteilung wesentlicher Asset-Klassen im Hinblick auf das
Risk-Return-Profil und die regulatorische Eignung auf den Prüfstand stellen. Diese Aufgabe ist allerdings fast
unlösbar, da Asset-Klassen, die einen signifikanten Diversifikationsbeitrag und alternative Risikoprämien liefern,
aus regulatorischen Gründen nur sehr schwer in die strategische Asset Allocation zu integrieren sind.
Gleichzeitig wurde mit den Ereignissen der Finanzkrise deutlich, dass klassische Portfolio- und Risikomodelle
nicht in der Lage sind, koordinierte und marktübergreifende Dynamiken von Vermögenspreisen zu erfassen, die
unterschiedliche Märkte und Asset-Klassen in die gleiche Richtung treiben und schließlich in Extremsituationen
münden.
Massive Zentralbankinterventionen führen zu hohen Korrelationen zwischen unterschiedlichen Asset-Klassen.
Gleichzeitig wird das Nachfrageverhalten großer Klassen von Investoren durch ihre regulatorischen Rahmenbedingungen in einer Weise determiniert, die wiederum die Korrelationen zwischen Investoren auf der einen Seite
und Vermögenspreisen auf der anderen Seite verstärkt. Damit steigt die Gefahr von krisenhaften Ansteckungseffekten, welche sich kausal nur in komplexen Netzwerkmodellen beschreiben lassen.
Netzwerke von Finanzmarktteilnehmern sind jedoch durch die Doppelrolle von Vermögenspreisen gefährlichen
Feedback-Effekten ausgesetzt: Vermögenspreise reflektieren den Gegenwartswert künftiger Entwicklungen und
beeinflussen gleichzeitig die Bilanzen der Wirtschaftsakteure. Insbesondere kann ein gleichzeitiges Fallen der
Preise wichtiger Asset-Klassen zu einem gleichzeitigen Deleverage großer Investoren führen und zum einen den
Preisverfall massiv verstärken und zum anderen das Platzen einer Blase in eine Systemkrise überführen.
Wir zeigen in dieser Studie die Auswirkungen von Nullzinsumfeld und neuen regulatorischen Rahmenbedingungen auf die Ertragslage und Risikosituation wichtiger Investorengruppen, wie Banken und Versicherungen, auf.
Gleichzeitig stellen wir uns die Frage, welche systematischen Risiken sich aufgrund dieser Disposition großer
Gruppen von Finanzinstitutionen für das Finanzsystem als solches ergeben. Am Schluss gehen wir auf die Frage
ein, welche Ansätze und Methoden in Zukunft eine neue Generation von Risikomodellen bilden können und
welchen Nutzen sie dann für Regulatoren sowie Risiko- und Portfoliomanager haben können.
7
1 Einleitung
8
9
Die Jahre nach dem Platzen der Dotcomblase und dem Beginn der Kreditkrise im August 2007 waren geprägt
durch große Mengen günstiger Liquidität und Banken, welche aufgrund ihrer limitierten Eigenkapitalressourcen
diese Liquidität durch Anpassungen ihrer Geschäftsmodelle sowie durch unterschiedliche Methoden der regulatorischen Arbitrage in günstige Kredite für die Realwirtschaft transformierten. Zu den Anpassungen der Geschäftsmodelle zählte der Wechsel vom klassischen Originate-to-hold-Ansatz zu Originate-to-distribute-Strategien.
Letztere sind eng verbunden mit der Nutzung von Instrumenten des Risikotransfers wie z. B. True Sale oder
synthetischen Verbriefungen bzw. dem Einsatz von immer komplexeren und noch mehr gehebelten Kreditderivaten (Hellmich und Kassberger, 2008). Zu Methoden der regulatorischen Arbitrage zählten die Ausnutzung von
Schwächen damals gängiger Ratingmodelle, um z. B. in Verbriefungstransaktionen trotz hohem Leverage und
niedriger Durchschnittsqualität der zugrunde liegenden Kreditrisiken hohe Ratingnoten zu erzielen, oder die Nutzung von Liquiditätsfazilitäten zum Aufbau von Risiken außerhalb der Bilanz. Diese Aktivitäten führten zu Konsequenzen wie einem starken Wachstum der Bilanzsummen sowie der Marktkapitalisierung von Banken und der
Größe des Finanzsystems im Allgemeinen, relativ zu den Wachstumszahlen der Realwirtschaft, einer deutlichen
Steigerung der Leverage-Ratios von Banken bei zeitgleichem Anstieg der Verschuldungsgrade in bedeutenden
Volkswirtschaften sowie auch großen Abhängigkeiten innerhalb des Finanzsektors durch den Interbankenmarkt,
durch enge Verbindungen von Hedgefonds zu ihren Prime Brokern oder durch den Aufbau von hohen Gegenparteirisiken durch nicht besichertes Geschäft in den OTC-Derivate-Märkten.
Angepasste Geschäftsmodelle und die Nutzung innovativer Risikotransferinstrumente führten zu Änderungen
der Risikostandards bei Kreditvergaben, längeren und komplexeren Ketten sog. Financial Intermediation zwischen
dem ursprünglichen Kreditnehmer und dem finalen Risikoinvestor und einem starken Anstieg in den gehandelten
Volumina von Kreditrisiken. Nicht zuletzt haben starke globale Ungleichgewichte in den Geschäftsmodellen von
Banken zu einer für die Stabilität des Finanzsystems sehr nachteiligen Risikoallokation geführt. Als Beispiel lassen
sich die langjährige Renditeschwäche und die fehlenden profitablen Geschäftsmodelle im deutschen Bankensektor anführen, die zahlreiche Banken in Deutschland über ihr Kreditersatzgeschäft zu semiprofessionellen Risikoinvestoren im Bereich der strukturierten Kreditprodukte werden ließen. Im Ergebnis lässt sich sagen, dass ein
Zusammenwirken verzerrter Liquiditätspreise, zu geringer Risikoprämien, fehlender profitabler Geschäftsmodelle
sowie offensichtlich vorhandener Möglichkeiten der regulatorischen Arbitrage die Risiken im Finanzsektor in
einem solchen Ausmaß anwachsen ließ, dass eine globale Krise möglich wurde, die sich nicht auf den Finanzsektor beschränken ließ, sondern zu einer Staatenkrise mit bis heute unbekanntem Ausgang wurde, und deren
Auswirkung u. a. das gegenwärtige Nullzinsumfeld ist, das wiederum sehr ungünstige Rückkoppelungseffekte
auf institutionelle Investoren (insbes. Versicherungen) und Banken hat.
10
Abbildung 1: politische und makroökonomische Auswirkungen der Bankenkrise
Zypern
Irland
Spanien
18. März 2015 Frankfurt,
Proteste gegen die Auswirkungen der Geldpolitik und
Bankenaufsicht der EZB
Arbeitslosenrate
Seit dem Ausbruch der Finanzkrise gab es zahlreiche regulatorische Initiativen auf der Ebene der Finanzmärkte
(MiFID II, EMIR, MiFIR) (vgl. u. a. Hellmich, Weitreichende Konsequenzen aus EMIR & Co.), für Banken (u. a. Basel
II.5, III, III.5), für Asset Manager und Alternative Investment Funds (AIMFD, AIMFR) – was in Deutschland zur Ablösung des Investmentgesetzes durch das Kapitalanlagegesetzbuch führte – sowie auch für Versicherungen mittels Solvency II. Gleichzeitig wurden durch den Single Supervisory Mechanism und den Single Resolution Mechanism die Säulen für die gemeinsame Bankenaufsicht in der Europäischen Währungsunion geschaffen sowie mit
dem Single Rule Book national übergreifende Standards gesetzt. Die Geldpolitik der EZB, welche jetzt auch
Quantitative Easing im Maßnahmenkatalog umfasst, hat ein vormaliges Niedrigzinsumfeld in ein Nullzinsumfeld
überführt. Flankierend zu den zahlreichen Maßnahmen, welche Banken zu günstigerer Liquidität verhelfen sollen,
hat die EZB mit dem „ABS Purchase Programme“ (ABSPP) auch ein Instrumentarium geschaffen, das letztendlich
Banken auch helfen soll, ihr regulatorisches Eigenkapital zu entlasten (Hellmich, M., 2015).
Wie sieht es unter diesen Rahmenbedingungen mit der Stabilität der europäischen Bankenlandschaft aus? Für
Deutschland und auch Europa gilt, dass zahlreiche Bankinstitute existieren, die kein hinreichendes Geschäftsmodell haben. Neben Overbanking und Nullzinsumfeld machen die durch Digitalisierung bedingten Änderungen
von Informationsflüssen und Distributionskanälen große Teile des klassischen Bankgeschäftes überflüssig. Banken
ohne tragfähiges Geschäftsmodell können jedoch nicht ausreichend Gewinne zum Aufbau von Risikopuffern nutzen und sind der Versuchung ausgesetzt, sich in risikoreichen Geschäften außerhalb ihrer Kernkompetenz zu
engagieren. Die Risikoentflechtung zwischen Banken und Staaten ist nur partiell gelungen, weil Banken für die
Staatsfinanzierung noch immer eine tragende Rolle spielen. Empirisch kann man dies u. a. belegen durch die unterschiedliche Entwicklung der Beziehungen von Asset Swap Spreads von Staatsanleihen versus Covered Bonds
von 2007 bis 2014 in Deutschland, verglichen mit Frankreich, Italien und Spanien (Hellmich, Kraft und Siddiqui,
2014). Die neuen regulatorischen Rahmenbedingungen stellen Banken vor die fast unlösbare Herausforderung
von steigenden Risikokosten bei gleichzeitiger Erosion vormals profitabler Geschäftszweige (Hellmich & Siddiqui,
Klassische Geschäftsmodelle im Wandel, 2014). Für die Profitabilität der Bilanzstruktur und insbesondere das
Depot-A-Management stellt die regulatorische Anforderung, mehr liquide und im gegenwärtigen Umfeld beson-
11
ders niedrig rentierliche Aktiva (Level-1- und Level-2-Assets) bei gleichzeitig notwendiger stabiler Refinanzierung
zu halten, einen großen Einschnitt dar, welcher die Eigenkapitalrenditen von Banken weiter senken und den Aufbau größerer Risikodeckungsmassen erschweren dürfte.
Systemische Risiken infolge von Ansteckungsgefahren bzw. der Tatsache, dass unterschiedliche Finanzinstitute
sehr ähnlichen Risiken ausgesetzt sind, haben für Banken und Staaten immer noch das größte Drohpotenzial.
Für Versicherungen wird durch das Zusammenwirken von Nullzins und Solvency II ein Umfeld generiert, welches,
bei gleichbleibenden Rahmenbedingungen, nur von Unternehmen mit hohen Eigenkapitalquoten und gleichzeitiger Anlagekompetenz in Asset-Klassen mit höheren Renditen, aber gleichzeitig größeren Risiken und/oder geringerer Liquidität erfolgreich bewältigt werden dürfte. Gleichzeitig lässt sich bei Versicherungsunternehmen die
Tendenz feststellen, dass vormalige Zinserträge bei der Neuanlage schrittweise durch Risikoprämien für höhere
Kreditrisiken und geringere Liquidität ersetzt werden. Auch die Politik reagiert auf diese Entwicklungen mit Maßnahmen, welche Versicherungen in der strategischen Asset Allocation unterstützen sollen. So hat das Bundeskabinett in seiner Sitzung vom 25. Februar 2015 die Novellierung der Anlageverordnung sowie der inhaltsgleichen
Pensionsfonds-Kapitalanlagenverordnung final verabschiedet. Die Texte wurden am 6. März 2015 veröffentlicht
und sind unmittelbar anwendbar. Mit den Neuregelungen wurden für Versicherungen und Pensionsfonds u. a. die
Möglichkeiten von Infrastrukturinvestments erweitert und der Verordnungstext wurde an die Begrifflichkeiten des
Kapitalanlagegesetzbuchs angepasst.
Obwohl gegenwärtig die Auswirkungen des Niedrigzinsumfeldes auf die Fähigkeiten von Versicherungsunternehmen zur Erfüllung ihrer langfristigen Verbindlichkeiten im Fokus stehen, so hat doch eine der jüngsten Studien
(Feodoria und Förstemann) gezeigt, dass auch die Auswirkungen eines plötzlichen Zinsanstiegs um ca. 200 Basispunkte für die rund 60 größeren deutschen Lebensversicherungen zu einer lebensbedrohlichen Schieflage führen
können.
Die Vermögensverwaltungsindustrie ist durch die neuen regulatorischen Rahmenbedingungen zum einen direkt
betroffen (z. B. AIMFD), zum anderen aber durch neue regulatorische Anforderungen an ihre unterschiedlichen
Kundengruppen in verstärktem Maße auch indirekt. Beispiele dafür sind Durchschauprinzipien für Investments in
Fonds für die Berechnung des notwendigen regulatorischen Kapitals sowohl für Banken als auch für Versicherungen, welche sich auf Anlageprinzipien vieler Spezialfonds direkt auswirken. Gleichzeitig ist die Fondsindustrie
auch durch veränderte Strategien von institutionellen Investoren in der Direktanlage betroffen. Die Substitution
von Zinserträgen durch alternative Risikoprämien führt dazu, dass vormalige Kunden beim Bieten für Anlagemöglichkeiten auch als Konkurrenten auftreten können.
Aber auch alternative Investmentfonds sind stark betroffen, da diese im Aufbau von Leverage sehr stark auf
Banken als Repo-Partner oder Gegenpartei in Derivategeschäften angewiesen sind. Die Private-Equity-Industrie
ist betroffen, da Banken z. B. bei Leveraged Buy-outs nicht mehr im selben Umfang Leveraged Loans auf ihre
Bücher nehmen können, aber gleichzeitig, zumindest in Europa, auch der Verbriefungskanal über Leveraged
Loans mangels Investoren und neuer Verbriefungsregeln unter Basel III nur sehr eingeschränkt zur Verfügung
steht.
Die Neuregulierung der Derivatemärkte, welche durch Central Clearing für standardisierte Derivate und Initial
sowie Variation Margining für das nicht standardisierte, in den OTC-Märkten verbleibende Derivategeschäft
geprägt ist, schafft ein deutlich verändertes Nachfrageverhalten nach Wertpapieren, welche sich als Collateral
eignen. Gleichzeitig zeigt das Beispiel von Versicherungsunternehmen in UK, welche derartiges Collateral in
Reverse-Repo-Geschäften an Banken verleihen, wie sich auch unter solchen Rahmenbedingungen Opportunitäten und Zusammenarbeitsmöglichkeiten zwischen unterschiedlichen Partnern ergeben können.
Es lassen sich zahlreiche weitere Beispiele der Auswirkungen neuer regulatorischer Rahmenbedingungen auf
Asset-Klassen wie Investoren nennen. Insgesamt dürften sich die o. g. Entwicklungen in Zukunft sehr deutlich auf
die strategische Asset Allocation von Banken, Versicherungen und zahlreichen Fonds auswirken. Ein derart geändertes Nachfrageverhalten großer Investorengruppen führt zur Neuadjustierung von Preisen und Risikoprämien.
So gibt es z. B. eine erhebliche Überlappung der Aktiva, welche auf der Bankenseite für die Erfüllung der Liquidity
Coverage Ratio zulässig sind, auf der Versicherungsseite den Hauptanlagefokus darstellen, den wesentlichen
12
Anteil der Ankaufprogramme der EZB stellen und gleichzeitig als Sicherheiten in Derivate- und Refinanzierungsgeschäften akzeptabel sind. Andererseits führen die dadurch bedingten Änderungen in der Nachfrage nach diversen Aktiva zu Änderungen der Relative Values im Investmentuniversum und damit auch zu Opportunitäten. Da
verschiedene Asset-Klassen bei verschiedenen Investorengruppen im Hinblick auf ihre regulatorischen Eigenkapitalanforderungen unterschiedlich behandelt werden, könnten sich zum einen regulatorische Arbitragemöglichkeiten, aber zum anderen auch die Möglichkeit strategischer Zusammenarbeit, z. B. zwischen Banken und Versicherungen, ergeben. In der jüngeren Vergangenheit waren z. B. immer wieder strategische Partnerschaften zwischen Banken und Versicherungen bei der Aufsetzung von Loan Funds zu beobachten, welche Versicherungen
den Zugang zu einer neuen Asset-Klasse und Banken die Möglichkeit der regulatorischen Eigenkapitalentlastung
geben sollten.
Eine weitere Frage ist, ob sich vonseiten des Financial Engineerings durch die Strukturierung geeigneter Produkte
Antworten auf die sich durch Nullzinsumfeld und regulatorische Rahmenbedingungen ergebenden Herausforderungen finden lassen. Im Moment lassen sich hier noch keine Tendenzen identifizieren, da die Implementierung
neuer regulatorischer Rahmenbedingungen gerade erst stattfindet und die Unsicherheit über die künftige Behandlung neuer Produkte und Ideen zu potenzieller regulatorischer Arbitrage noch sehr hoch ist.
Man muss in diesem Kontext auch die Frage stellen, welche Initiativen der Politik die Architektur der Finanzmärkte mittel- und langfristig verändern werden. In ihrem Grünbuch zur Schaffung einer Kapitalmarktunion stellt
die EU-Kommission klar, dass die Unternehmensfinanzierung in Europa immer noch viel zu stark von den Banken
und zu wenig von den Kapitalmärkten abhängt, was u. a. dazu führt, dass Krisen des Bankensektors sich ungefiltert auf die Refinanzierung der Realwirtschaft auswirken. Deshalb wäre eine Diversifizierung der Refinanzierungsquellen europäischer Unternehmen wünschenswert. Treten nämlich Banken vornehmlich als Endinvestoren
in Kreditrisiken auf, dann führt dies zu großen und gehebelten Bankbilanzen und einer großen Konzentration von
Risiken im Bankensektor. Die Lösung des Problems stellt aber vielmehr das gegenteilige Szenario dar: weniger
Banken und geringere Bilanzsummen, dafür aber Diversifikation der Risiken auf viele Investoren mithilfe der Kapitalmärkte. Die Situation im Jahr 2009 hat die Problematik aufgezeigt, als zahlreiche große europäische Unternehmen aufgrund der damaligen Schwäche der Banken Unternehmensanleihen emittiert haben, um traditionelle
Bankkredite zu ersetzen („European Corporate Funding Disintermediation“). Anleihen sind am Kapitalmarkt handelbare Instrumente mit einer breiten Investorenbasis. Ihre Nutzung stellte die Unternehmensfinanzierung somit
auf widerstandsfähigere Schultern und kompensierte die Schwäche der Banken. Dies half allerdings nur großen
Unternehmen mit direktem Zugang zum Kapitalmarkt.
Gleichzeitig wird in dem Grünbuch der EU-Kommission festgestellt, dass Banken auch in normalen Phasen nicht
für alle Unternehmen die richtigen Finanzierungspartner sind. Dies gilt u. a. für innovative und wissensbasierte
Wachstumsbranchen, da immaterielle Vermögenswerte nicht als Sicherheiten für Banken zur Kreditvergabe verwendet werden können. Andererseits stehen mit Unternehmensanleihen, High-Yield-Bonds und Verbriefungen
von Mittelstandskrediten Kapitalmarktprodukte zur Verfügung, um Unternehmen aller Größenordnungen geeignete Fremdkapitalinstrumente anzubieten und die Risiken dieser Instrumente auf den Schultern vieler Investoren
zu verteilen. Mit einem europaweit funktionierenden Markt für Private Equity und Gründungsfinanzierungen
(Venture Capital) wird auch die Eigenkapitalbeschaffung für Unternehmen ohne direkten Zugang zu den Märkten
erleichtert und innovatives Wachstum gefördert. Dies funktioniert umso besser, je größer und tiefer der Kapitalmarkt ist, weshalb sein Ausbau eine gesamteuropäische Aufgabe ist.
Zeitgleich suchen institutionelle Investoren, wie z. B. Versicherungen, im Niedrigzinsumfeld nach geeigneten Anlagemöglichkeiten. Traditionell haben Versicherungen Banken refinanziert und diesen damit geholfen ihre Bilanzen
aufzublähen. Wenn Versicherungen das Volumen der gehaltenen Bankanleihen reduzieren und über geeignete
Kapitalmarktprodukte direkt in den bisher von Banken gehaltenen Risiken investieren, dann führt dies zur besseren Diversifikation in ihrer Kapitalanlage und zu einer Verringerung der Risikokonzentration im Bankensektor.
Als Fazit gilt, dass lediglich durch Schaffung neuer regulatorischer Rahmenbedingungen die Finanzmärkte nicht
sicherer und effektiver werden.
13
Vor diesem Hintergrund wird deutlich, dass wir ein sich in Zukunft weiter änderndes Umfeld mit deutlich gestiegener Komplexität vorliegen haben, an das sich die Investoren durch Adaption sowohl ihrer Geschäftsmodelle
als auch ihrer Anlagestrategien schrittweise anpassen müssen.
Wir wollen in unserer Studie folgenden Fragen nachgehen:
• Wie ändern sich Investmentstrategien und die Asset Allocation im gegenwärtigen Umfeld unter den neuen
regulatorischen Rahmenbedingungen bei wichtigen Investorengruppen, insbesondere bei Banken und Versicherungen?
• Wie lässt sich für wesentliche Asset-Klassen das Risk-Return-Profil im Verhältnis zum notwendigen regulatorischen Kapital (bei Banken und Versicherungen) einordnen?
• Sind beobachtete Änderungen im Investmentverhalten mit Blick auf marktorientierte Risikomaße als effizient
zu betrachten oder sind sie nur effizient im regulatorischen Sinne (regulatorisches Eigenkapital, Liquiditätskennziffern, Anforderungen wie Durchschau und Meldewesen etc.)?
• Wie verändern sich die Ertragsprofile wichtiger Investmentportfolios (Depot A bei Banken, gebundenes Vermögen bei Versicherungen etc.) insgesamt durch das neue Umfeld (z. B. höhere Risikoprämien versus gestiegene
Ausfall- und Liquiditätsrisiken)?
• Wie wirken sich das Verhalten der Zentralbanken, angepasste Investmentstrategien von Banken und Versicherungen, höhere Collateral-Anforderungen für Mitigation von Gegenparteirisiken, Central Clearing etc. insgesamt auf die Preisbildung in den Kapitalmärkten aus?
• Ist die Anwendung von Portfoliooptimierungsmodellen vor dem Hintergrund fehlender risikoloser Anlagen,
hoher Korrelationen wegen Liquiditätsüberschüssen und zahlreicher regulatorischer Nebenbedingungen
überhaupt noch sinnvoll?
• Gibt es Opportunitäten/besondere Risiken durch Wechselwirkungen zwischen den Anpassungen der Strategien großer Investorengruppen (Versicherungen, Banken etc.) an ihre jeweiligen regulatorischen Nebenbedingungen?
Die wesentlichen Ergebnisse unserer Studie sind folgende:
Investorenumfrage 2015
• Schärfere Regulierung und die Erfahrungen der Finanzmarktkrise führen zu mehr internen wie externen
Restriktionen für die Kapitalanlage. 73% (71% im Jahr 2014) der Befragten glauben, dass sie ohne diese
Restriktionen höhere Renditen erwirtschaften können, für 30% (29% im Jahr 2014) liegt dieser Mehrertrag
über der Schwelle von 1%
• Die Vertreter der Banken in der Stichprobe glauben, dass 54,9% der Banken ihre Anlageziele aufgrund neuer
regulatorischer Vorgaben nicht erreichen, während 68,8% der Banken ihre Vorgaben aufgrund des Niedrigzinsumfeldes verfehlen
• Die Vertreter der Versicherungen in der Stichprobe glauben, dass 28,5% der Versicherungen ihre Anlageziele
aufgrund neuer regulatorischer Vorgaben nicht erreichen, während 49,4% der Versicherungen ihre Vorgaben
aufgrund des Niedrigzinsumfeldes verfehlen
14
Banken
• Die durchschnittliche Performance des Depot-A-Portfolios deutscher Banken ist von ca. 5,2% im Jahre 2005
auf ca. 1,8% im Jahre 2014 gesunken
• Der durchschnittliche Level der Liquidity Coverage Ratio (LCR) deutscher Banken ist Ende März 2015
ca. 113%
• Für zahlreiche Banken impliziert das Halten der Liquiditätsreserve gemäß Liquidity Coverage Ratio zumindest
seit 2014 eine Negative Carry (Refinanzierungskosten übersteigen die Rendite). Dies reduziert die Fähigkeiten
von Banken, Reserven aufzubauen und die Risikotragfähigkeit zu steigern
• Aufgrund der multidimensionalen Nebenbedingungen der Capital Requirement Regulation (CRR) haben die
Banken wenig Freiheit, die strategische Asset Allocation in ihren Depot-A-Portfolios anzupassen. Lediglich der
über den Erfüllungsgrad der LCR von 100% hinausgehende Teil des A-Depots ist frei gestaltbar und in Aktiva
mit höheren Renditen investierbar, allerdings kommen hier signifikant höhere Kapitalanforderungen zum Tragen. Zeitgleich ist aufgrund neuer regulatorischer Initiativen die Unsicherheit über die Auswirkungen auf die
künftige Kapitalplanung noch sehr hoch
• Insbesondere Level 1 und Level 2A und mit Abstrichen auch Level 2B Assets bestehen aus Wertpapieren, für
die eine hohe strukturelle Nachfrage am Markt besteht und die deswegen niedrige oder zum Teil auch negative Renditen aufweisen. Zum einen schafft die EZB im Kontext von QE und ihren diversen Kaufprogrammen
eine erhöhte Nachfrage, zum anderen benötigen Banken und andere Finanzinstitutionen auch die Wertpapiere, welche für die Erfüllung der LCR zulässig sind, für andere Zwecke, wie z. B. als Collateral im Derivategeschäft, und zwar sowohl für Central Clearing Counterparties als auch für bilateral gecleartes Geschäft auf
Basis eines sog. Margin Agreement (z. B. ISDA Credit Support Annex). In gegenwärtigen Risikomanagementstrategien werden oft Eigenkapitalunterlegungen in Collateral-Anforderungen transformiert („Collateral is the
new Capital“), was zunehmende Nachfrage schafft und damit dann die Renditen für akzeptable Sicherheiten
drückt. Auf dieser Basis wird auch aufgrund potenzieller Margin Calls eine Korrelation zwischen steigenden
Volatilitäten von Marktpreisen und Nachfrage nach genau diesen zulässigen Sicherheiten geschaffen und
damit das Risiko von sog. „Shortages of Collateral“ erhöht
• Banken managen die Aktiva ihrer Bilanz, welche als Sicherheiten für Repo- und Derivategeschäft und/oder für
die Liquiditätsreserve zulässig sind, unter nachfolgenden Rahmenbedingungen:
– Banken betreiben ein umfangreiches Securities-Finance- und Derivategeschäft
– Durch Markttrends und regulatorische Veränderungen (EMIR, Dodd-Frank Act etc.) wächst der
Anspruch an besichertes Geschäft
– Hieraus entsteht hoher Bedarf an Wertpapiersicherheiten (Collaterals); die Großbanken unterhalten
dafür Portfolios im zweistelligen Milliarden-Euro-Bereich
– Diese Collaterals sind unterschiedlichen Geschäftstypen zugeordnet, die wiederum aus verschiedenen
Collateral-Pools bedient werden
– Beispiele für diese Sicherheitenportfolios sind EZB, Triparty-Agenten, GC Pooling, KAGplus,
Futures-Börsen, CCP und bilaterale Geschäfte
Mit jeder dieser Plattformen sind verbunden:
– spezifische Geschäftsarten
– Anforderungen an den Typ des akzeptablen Collateral und dessen Anrechnung (Haircut)
• Die Wertpapiere, die als Sicherheiten für o. g. Zwecke akzeptabel sind, haben eine große Übereinstimmung
mit den Wertpapieren, die für die Erfüllung der LCR zulässig sind, und sie sind gleichzeitig auch Ziele diverser
Ankaufprogramme der EZB
15
• Die Wertpapiere, die für o. g. Zwecke akzeptabel sind, gehören gleichzeitig auch zum Core-Investmentuniversum großer institutioneller Investoren, wie z. B. Versicherungen
• Im Moment sind keine wesentlichen Umschichtungstendenzen in den A-Depots der Banken sichtbar und die
Struktur der A-Depots ist mit Blick auf die zahlreichen Restriktionen weitestgehend determiniert
Versicherungen
Versicherungen müssen unter Solvency II ihre Marktrisiken mit Eigenkapital unterlegen (Solvency Capital
Requirement [SCR]).
Im Vergleich zur gegenwärtigen durchschnittlichen Asset Allocation eines deutschen Lebensversicherungsunternehmens (Basis) verursachen folgende Investments/Maßnahmen im gegenwärtigen Umfeld eine Erhöhung des
Return on Solvency Capital (RoSC):
• langlaufende „GIIPS“-Staatsanleihen
• Durationsverlängerung
Folgende Investments/Maßnahmen verursachen zurzeit eine Verschlechterung des RoSC (versus Basis):
• Unternehmensanleihen
• deutsche Pfandbriefe
• deutsche Immobilien
• Staatsanleihen aus den EMU-Kernstaaten
• Durationsverkürzung
Weiter gelten die nachstehend formulierten Kernaussagen:
• Betreiben Lebensversicherungen Wiederanlage mit unveränderter strategischer Asset Allocation, dann wird
im gegenwärtigen Umfeld die durchschnittliche Rendite der Wiederveranlagung bei nur geringfügig mehr als
2,1% liegen und damit den durchschnittlichen Level der Garantien (ca. 3,3%) erheblich unterschreiten
• Geringfügige Anpassungen der strategischen Asset Allocation können o.g. Problem nicht lösen
• Solvency II begünstigt Anleihen der „GIIPS“-Staaten (Mismatch zwischen ökonomischem und regulatorischem
Risiko)
• Durationsverlängerungen sind im gegenwärtigen Umfeld eine der wenigen Optionen, um den RoSC zu erhöhen. Eine solche Strategie führt ebenfalls zu erheblichen Risiken, vor allem bei Zinsanstieg (Gefahr eines
Versicherungsruns)
• Unternehmensanleihen führen im aktuellen Marktumfeld aufgrund niedriger Durchschnittsrendite und hoher
Kapitalbelastung zur Verschlechterung des Return on Solvency Capital. Gleiches gilt auch für deutsche Pfandbriefe
16
• Eine Differenzierung der Kapitalanlagepolitik wird in der Zukunft durch Einführung von Solvency II zu unterschiedlichen Strategien von kapitalstarken und -schwachen Versicherern führen
• Für kapitalschwache Versicherungen sind im gegenwärtigen Umfeld Investments in „GIIPS“-Staatsanleihen
und Durationsverlängerungen die einzigen beiden Optionen, die im traditionellen Investmentuniversum in
großen Volumina zur Verbesserung des RoSC umgesetzt werden können
• Der geringe Freiheitsgrad, der zur Verfügung steht, hat zur Konsequenz, dass es in der Gewichtung der
verschiedenen Asset-Klassen bei vielen Lebensversicherungen in den letzten Jahren keine nennenswerten
Verschiebungen gab. Die Zahlen des GDV über die Struktur der Kapitalanlagen der Lebensversicherer zeigen,
dass sich von Ende 2012 bis Ende 2014 der Anteil der Staatsanleihen um 2% erhöht und der Anteil der
Pfandbriefe um 3% reduziert hat, die Aktienquote ist um 0,8% gestiegen
• Die Nettoverzinsung der Kapitalanlagen lag zwar in den Jahren 2012–2014 immer bei ca. 4,6%, was aber
nur durch Auflösung von Bewertungsreserven realisiert werden konnte
Falls das Zinsumfeld sich nicht signifikant ändert, dann können wir für den weiteren Ausblick von folgendem
Basisszenario ausgehen:
• Versicherungsunternehmen, die eine starke Kapitalbasis besitzen, werden in Zukunft sicher ihre Kapitalanlagestrategien anpassen, um mit alternativen Risikoprämien zusätzliche Erträge zu generieren. Dies wird in
den Kapitalanlagen zum einen Liquiditäts- und Kreditrisiken, aber zum anderen auch die Diversifikation
erhöhen
• Viele Versicherer, insbesondere die mit einer schmalen Kapitalbasis, werden allerdings an dem Punkt ansetzen,
dass für das Aktiv-passiv-Management von Kapitallebensversicherungen das Zinsänderungsrisiko dominierend
ist, insbesondere mit Blick auf die Solvabilitätsanforderungen, und sich somit auf das Duration Gap Management fokussieren
Risikomodellierung
Die Aussagekraft von Modellen, die mit historischen Daten kalibriert werden, ist geringer geworden, da die sehr
rasche Evolution neuer Topologien der Netzwerke von Finanzmarktteilnehmern zu neuen Ereignismustern, neuen
Formen der Interaktion, Erweiterungen der Strategiemengen einzelner Teilnehmer, neuen Zusammenhängen zwischen Preisbildungen von Assets und der Disposition von Marktteilnehmern sowie schnelleren Möglichkeiten,
Liquidität und Wertpapiere zu verschieben, führt. Beispiele für treibende Faktoren, die zu Änderungen der Marktinfrastruktur führen, sind u. a. Regulierung (z. B. Central Clearing Counterparties, Tendenz zu elektronischen
Single- und Multi-Dealer-Plattformen), High Frequency Trading, neue Marktteilnehmer (z. B. FinTec-Plattformen),
Globalisierung, Digitalisierung und neue Distributionskanäle. Dies kann den in der Risikolandschaft bei Weitem
dominierenden Systemrisiken noch mehr Gewicht verleihen, sodass hier Modellansätze gefragt sind, z. B.:
• Risikoindikatoren zur Messung von „Connectedness“
• kausale Modelle, wie z. B. Networkmodels
17
Die Studie ist wie folgt aufgebaut
Wir präsentieren zunächst in Kapitel 2 die Ergebnisse der Investorenbefragung im Jahre 2015.
In Kapitel 3 besprechen wir die Bedeutung und die Schwächen der klassischen Portfoliooptimierungsmodelle vor
dem Hintergrund der Erfahrungen in der jüngsten Krise. Wir heben hier, im Hinblick auf die Untersuchungen in
den folgenden Kapiteln, die nachstehenden Punkte hervor:
• Einfluss von regulatorischen und anderen Restriktionen auf die Asset Allocation
• Auswirkungen von regulatorischen Rahmenbedingungen auf Preise und andere für die Portfoliooptimierung
wichtige Parameter
• zirkuläre Effekte in Finanzsystemen, welche zu systemischen Risiken anwachsen können
Da wir uns in unserer Studie vor allem mit den Auswirkungen des Zusammenspiels von neuen regulatorischen
Rahmenbedingungen und Nullzinsumfeld beschäftigen wollen, geben wir in Kapitel 4 eine detaillierte Einführung
in alle für uns relevanten Komponenten des neuen regulatorischen Regelwerks sowohl für Banken als auch für
Versicherungen.
In Kapitel 5 führen wir für Banken und Lebensversicherungen eine quantitative Untersuchung durch, welche Auswirkungen das aktuelle Marktumfeld im Zusammenspiel mit Basel III bzw. Solvency II für das Depot A bzw. das
gebundene Vermögen hat.
In Kapitel 5.3 gehen wir kurz auf die Situation bei nicht regulierten Investoren ein, vor allem bei Family Offices.
Wir diskutieren hier, vor dem Hintergrund der Markteffizienzhypothese, insbesondere den Ausdruck „efficiently
inefficient“ und zeigen anhand einer konkreten Anlagestrategie, wie in einem solchen Marktumfeld Überschussrenditen generiert werden können.
Ausgehend von unseren Untersuchungen in Kapitel 4 und 5, verbunden mit der Beobachtung, dass die dort erzielten Resultate zwei große Gruppen von Finanzmarktteilnehmern (Banken und Versicherungen) in ähnlicher
Weise betreffen, was zu sog. „Connectedness“ innerhalb dieser Gruppen führt, sowie der Tatsache, dass systemische Risiken zirkuläre Effekte in Netzwerken von Finanzinstitutionen sind, geben wir in Kapitel 6
• eine Liste von Beispielen für Netzwerkphänomene, die zu systemischen Risiken führen können,
• eine Übersicht über Indikatoren, die Connectedness und den Anstieg von systemischen Risiken im Finanzsystem messen können, und
• eine Einführung und Beispiele von Netzwerkmodellen zur kausalen Beschreibung und Simulation systemischer
Risiken.
18
19
2 Risikoinventur
20
21
Wir präsentieren in diesem Kapitel wesentliche Teile der Ergebnisse unserer Investorenbefragung im Juni/Juli des
Jahres 2015. Einige weitere Ergebnisse, wie z. B. die Auswirkungen externer und interner Anlagerestriktionen auf
die zu erwirtschaftende Rendite und die Erreichbarkeit von Anlagezielen vor dem Hintergrund des Niedrigzinsumfeldes und regulatorischer Rahmenbedingungen, werden dann im Kontext weiterer Untersuchungen in späteren
Kapiteln diskutiert.
In der Befragung wurden insgesamt 108 Repräsentanten mit der nachfolgenden Aufteilung der Stichprobe auf
Arten von Finanzinstitutionen befragt:
Abbildung 2: Zusammensetzung der Stichprobe – Branchenzugehörigkeit
6%
2%
16%
7%
•
•
•
•
•
Versicherung, private Krankenversicherung
Versorgungswerk/Pensionskasse
Stiftung
Unternehmen
Bank/Sparkasse
29%
17%
20%
Von den Befragten waren 84% Inhaber einer Führungsposition und mehr als 60% gehörten den Finanz- oder
Vermögensmanagementabteilungen der jeweiligen Unternehmen an. Fast die Hälfte der befragten Unternehmen
haben einen Umsatz von über 1,5 Milliarden Euro und die Summe aller Assets under Management beträgt
512,3 Milliarden Euro.
Die Asset Allocation ist dominiert von Rentenpapieren und Bonds:
Abbildung 3: Aufteilung des Volumens aller Kapitalanlagen des Unternehmens
auf die verschiedenen Asset-Klassen
8%
1%
•
•
•
•
•
8%
20%
22
63%
Bonds/Rentenpapiere
Geldmarktinstrumente
Aktien
Immobilien
Private Equity
Die Vermeidung von Verlusten wird auch im Jahr 2015 mit Abstand als der wichtigste Aspekt bewertet, gefolgt
von der Vermeidung der Unterschreitung von Mindestrenditen. Klar ist, dass Benchmark-orientierte Anlageziele
durch die Erfahrungen der Finanzmarktkrise in den Hintergrund gerückt sind, während positiver Absolute Return
dominierend ist.
Abbildung 4: Wichtigkeit einzelner Aspekte beim Portfoliomanagement
Wie wichtig sind die folgenden Aspekte für Sie?
Bottom Boxes Top Boxes
(Skalenwert 5 + 6) (Skalenwert 1 + 2)
Vermeidung von Verlusten
89%
Vermeidung der Unterschreitung bestimmter Mindestrenditen
14%
Vermeidung einer Underperformance gegenüber einem Index
31%
37%
15%
Mittelwert
1,6
(1,8)
2,9
(2,8)
3,9
(3,7)
Alle Befragten (n = 108); Skala von 1 = außerordentlich wichtig bis 6 = gar nicht wichtig; Werte von 2014 in Klammern
Offensichtlich ist Sicherheit unverändert der dominierende Aspekt bei der Kapitalanlage. Allerdings hat sich,
wahrscheinlich bedingt durch das Niedrigzinsumfeld, die Gewichtung von Liquidität in Richtung Rendite verschoben. Dies ist auch bei den Aktivitäten in den Märkten zu beobachten, da immer mehr Investoren bereit sind, in
ihrer Asset Allocation illiquide Beimischungen, wie z. B. Infrastrukturinvestments, zu berücksichtigen, um ihre
Renditeziele zu erreichen.
Abbildung 5: Ausrichtung der Anlageentscheidung – Sicherheit, Liquidität, Rendite
Welche der folgenden Anlageaspekte ist für Ihr Haus bei den aktuellen Anlageentscheidungen
generell am wichtigsten?
2014
64%
2015
64%
17%
11%
19%
25%
20%
Sicherheit
Liquidität
Rendite
Alle Befragten (n=106, Rest keine Reihenfolge)
23
Niedrigzinsumfeld und regulatorische Vorgaben beeinflussen auch die Anforderungen an Asset-Manager im
Hinblick auf ihre Kompetenz im Management von Risiken:
Abbildung 6: Auswirkungen des Niedrigzinsumfeldes auf die Auswahl des Risikomanagers
Hat sich das Gewicht von Risikomanagement-Fähigkeiten bei der Auswahl eines Asset Managers wegen
des Niedrigzinsumfeldes erhöht?
2015
5%
18%
Signifikant erhöht = 1
2
3
6%
9%
23%
4
5
40%
Unverändert = 6
Abbildung 7: Bedeutung des Risikomanagements bei der Auswahl des Risikomanagers
Hat sich das Gewicht von Risikomanagement-Fähigkeiten bei der Auswahl eines Asset Managers durch
die regulatorischen Vorgaben erhöht?
2015
Signifikant erhöht = 1
7% 3%
18%
26%
9%
2
3
4
5
38%
Unverändert = 6
Neben den Kapitalmarktrisiken und den klassischen Anlagepräferenzen spielen eine Reihe von weiteren Risiken
(sog. Hintergrundrisiken) bei der Anlageentscheidung eine große Rolle, weshalb die Bedeutung dieser Risikoarten
seit 2007 in den Investorenbefragungen berücksichtigt wird:
Abbildung 8: Bedeutung allgemeiner Risiken für die Anlageentscheidung
Welche Rolle spielen die folgenden allgemeinen Risiken für Ihre Anlageentscheidung?
21%
Rechtliche Risiken
17%
Reputationsrisiken
Sicherheitsrisiken
Technologische Risiken
35%
13%
Politische Risiken
2%
36%
33%
9%
6%
Demografische Risiken
5%
Umweltrisiken
6%
13%
30%
16%
Soziale Risiken
13%
30%
28%
30%
Sehr wichtig = 1
32%
2
3
4
18%
30%
5
5%
23%
32%
9%
7%
18%
38%
4% 2%
3% 7%
17%
53%
20%
3%2%
25%
49%
8%
8%
11%
5%
7%
5%
8%
13%
Gar nicht wichtig = 6
Auffällig ist hier die hohe Bedeutung von rechtlichen und Reputationsrisiken. Hier dürften sowohl die Erfahrungen der Finanzmarktkrise mit ihren zahlreichen juristischen Konsequenzen und daraus resultierenden negativen
Auswirkungen auf die Reputation von Finanzmarktteilnehmern eine große Rolle spielen als auch die stark angestiegene Komplexität im Aufsichtsrecht. Insbesondere die stark gestiegene Bedeutung des Schutzes von Investoren und Verbrauchern, die erhöhten Transparenzanforderungen, die signifikanten Änderungen von Informationspflichten und die Auswirkungen auf Beraterhaftungen rücken die besondere Bedeutung von Reputations- und
Rechtsrisiken in den Vordergrund.
24
25
3 Klassische Modelle für Asset
Allocation und Portfoliooptimierung und ihre Grenzen
26
27
Das Ziel der Portfoliooptimierung ist die Bestimmung einer optimalen Investmentstrategie, d. h. die Beantwortung
der Frage, wie viele Anteile welcher Wertpapiere ein Investor zu welchem Zeitpunkt halten soll, um seinen Nutzen
aus dem Endvermögen im Investmenthorizont zu maximieren.
Obwohl die Portfoliotheorie seit vielen Jahren Forschungsgegenstand ist, stellt das nachfolgend skizzierte Einperiodenmodell samt einigen Varianten nach wie vor ein wesentliches Hilfsmittel für Investitionsentscheidungen
vieler Fondsmanager dar.
Varianz-Kovarianz-Ansatz:
•
•
•
•
Portfolio: x = (x1, … , xS)
Excess Returns: Re = (Re,1, … , Re,S )
y: Risiko-Aversions-Koeffizient
Zukünftiges Vermögen
future wealth = W (1+R f ) + x1 Re,1 + ...+xS R e,S
Ziel: Maximiere das künftige Vermögen bei Begrenzung des Risikos:
Unter Benutzung der Kovarianzmatrix Ω folgt:
Nach Differenziation erhalten wir:
Damit ergibt sich als optimales Portfolio:
Die Bestimmung von effizienten Portfolios nach Markowitz führt also auf ein quadratisches Optimierungsproblem, in das die Schätzungen der unbekannten Renditen, Varianzen und Kovarianzen eingehen. Allerdings erhält
man durch das Lösen dieser Probleme Portfolios, deren Risiko-Rendite-Kombinationen oft weit unterhalb der
tatsächlichen Effizienzkurve liegen können. Das liegt vor allem daran, dass Assets, deren erwartete Rendite zu
hoch bzw. deren Risiko zu gering geschätzt wird, ein zu hohes Portfoliogewicht erhalten, während Assets, deren
erwartete Rendite zu niedrig bzw. deren Risiko zu hoch geschätzt wird, ein zu niedriges Gewicht zugewiesen
bekommen. Im schlimmsten Fall erhalten diejenigen Assets das größte Gewicht, denen der größte Schätzfehler
zugrunde liegt (vgl. Thorn, 2014, S. 21). Aus diesem Grund bezeichnete Michaud (1989) das Mean-VarianceOptimierungsproblem auch als „Schätzfehlermaximierer“. Best und Grauer (1991) fanden in diesem Zusammenhang heraus, dass effiziente Portfolios sehr empfindlich auf Änderungen im Erwartungswert der Renditen reagieren. Dieses Phänomen wird als Markowitz’sches Optimierungsenigma bezeichnet (vgl. Thorn, 2014, S. 21).
In der akademischen Literatur wurden sehr viele Ansätze diskutiert, die das Problem der fehlerhaft geschätzten
Parameter angehen. Sie reichen von Verfahren der Dimensionsreduktion (Multifaktormodelle, Hauptkomponentenanalysen), um die hohe Anzahl von Parametern bei Portfolios mit vielen Asset-Klassen zu reduzieren, bis zur
Anwendung von Bootstrap-Verfahren oder Bayes-Schätzern (vgl. Thorn, 2014, S. 21).
Strukturell ist das optimale Portfolio in dem oben dargestellten Set-up charakterisiert durch den Aufbau großer
Positionen in Wertpapieren mit großem erwarteten Return, niedrigen Varianzen und niedrigen Korrelationen zu
anderen Asset-Klassen.
28
Portfolios, die auf solche Weise konstruiert sind, weichen aber signifikant von den Asset Allocations ab, die sich
aufgrund einer Vielzahl regulatorischer, anderer externer wie auch interner Restriktionen ergeben. Ein im Folgenden im Detail diskutiertes interessantes Beispiel ist:
• Banken müssen aus regulatorischen Gründen (z. B. Liquidity Coverage Ratio) den wesentlichen Anteil ihrer
Eigenanlage als Liquiditätsreserve halten. Die dort zulässigen Wertpapiere sind charakterisiert durch niedrigen
erwarteten Return und auch hohe Korrelation zum Gesamtmarkt. Dies ist insbesondere im aktuellen Umfeld
aufgrund von Quantitative Easing zu beobachten.
Weitere Schwächen des klassischen Modells sind:
• unrealistische Annahmen bzgl. Renditeverteilungen und Markteffizienz
• Volatilität bzw. Varianz als Risikomaß
• Tatsächliche Portfolios sind Gegenstand einer Reihe von Restriktionen, die nicht abgebildet werden
• Regulierung, Zentralbankpolitik und sich daraus ergebendes Investorenverhalten wirken sich preisbildend und
auch auf die relevanten Modellparameter aus
• Das Modell wird typischerweise mit historischen Daten kalibriert, allerdings ist die jüngere Vergangenheit
durch neuartige Ereignistypen geprägt, z. B.:
–
–
–
–
–
Preisschock im Jahr 1998 wegen LTCM-Bail-out
11. September
Lehman-Ausfall
Flash Crash (6. Mai 2010)
Default von Staaten (z. B. Griechenland)
Für die Zukunft sind ebenfalls neue Ereignismuster zu erwarten, welche sich z. B. ergeben könnten aus:
– dem Ende des Niedrigzinsumfeldes durch einen Zinsschock
– dem Anstieg der Marktvolatilitäten, daraus folgenden Margin Calls und einem Mangel an akzeptablen
Sicherheiten und daraus resultierenden Störungen der Märkte für besicherte Liquidität und
OTC-Derivate.
Zahlreiche Publikationen haben sich mit der Suche nach realistischen Verteilungsannahmen und der Verwendung
von geeigneten Risikomaßen beschäftigt (vgl. u. a. Hellmich und Kassberger, Efficient and robust portfolio optimization in the multivariate Generalized Hyperbolic framework, 2009, bzw. Hellmich, Liebmann und Kassberger,
2015). Eine triviale Beobachtung ist z. B., dass die durch Bonitätsrisiken verursachten Renditesprünge nicht durch
Normalverteilungsannahmen reflektiert werden und deswegen hier erheblich aufwendigere mathematische
Modelle herangezogen werden müssen (vgl. u. a. Hellmich, Schmidt und Kassberger, 2013).
Da künftige Renditen, Varianzen und Korrelationen bei der Portfoliooptimierung nach Markowitz für alle Wertpapiere bekannt sein müssen, werden oft historische Werte auf die Zukunft übertragen. De facto werden Wertpapiere in der Zukunft oftmals andere Kursmuster aufweisen als in der Vergangenheit. Da wir in einer Phase sich
beschleunigender Veränderungen leben, dürfte der Informationsgehalt von historischen Daten tendenziell weiter
schrumpfen. Gründe hierfür sind u. a.:
• sich sehr stark verändernde regulatorische Rahmenbedingungen und deren Auswirkungen auf die Angebotsund Nachfragestruktur wichtiger Asset-Klassen
29
• schnelle und fundamentale Änderungen der globalen Marktinfrastrukturen durch Digitalisierung, neue Distributionskanäle für Informationen und Finanzprodukte, elektronischen Handel, High Frequency Trading, Central
Clearing, FinTec-Plattformen etc.
• durch Regulierung bedingte reduzierte Handelsbuchkapazitäten der globalen Market Maker und sich daraus
ergebende Auswirkungen auf Liquidität und Volatilitäten wichtiger Asset-Klassen
• globale Kräfteverschiebungen und sich daraus ergebende regulatorische Ungleichgewichte
Eine weitere Schwäche der klassischen Modelle ist die Nichtberücksichtigung der Liquidität wichtiger Finanzinstrumente. In der Krise hat sich gezeigt, dass dies einer der wichtigsten Risikofaktoren ist, für die Investoren
in geeigneter Höhe kompensiert werden möchten. Es gibt u. a. Modellerweiterungen des klassischen CAPM
(Pedersen L.H., 2005).
Allerdings sind diese Ansätze nicht ausreichend, um Ereignisse wie das komplette Austrocknen der Liquidität in
wichtigen Asset-Klassen zu reflektieren. Ähnliches gilt für die Berücksichtigung von Transaktionskosten und Refinanzierungsrisiken, die in sog. Liquiditätsspiralen münden können, was die jüngste Finanzmarktkrise eindrucksvoll gezeigt hat (Keynes: “The markets can remain irrational longer than you can remain solvent”):
Abbildung 9: Liquiditätsspirale
reduced
positions
initial shock
prices move away
from fundamentals
funding
problems
higher
margins
losses on
positions
tighter risk
management
redemption
of capital
Quelle: Pedersen, L. H.
Liquiditätsspiralen sind offensichtlich zirkuläre Effekte, da sie Auswirkungen auf die Preise von Wertpapieren
haben, welche sich dann auf das Eigenkapital und die Risikotragfähigkeiten, wegen der Bedeutung vieler Wertpapiere als Sicherheiten aber auch auf Liquidität und Refinanzierung wichtiger Investorengruppen auswirken.
Dies wiederum führt dann zu Notverkäufen (Fire Sales) und Bilanzverkleinerungen (Deleverage), die wiederum
Auswirkungen auf die Preisbildung haben. Wenn dieser Kreislauf dann nicht durch Maßnahmen der Staaten
oder Notenbanken unterbrochen wird, kann dies zu einem Kollaps des Finanzsystems führen.
Fazit ist, dass es eine Vielzahl von wichtigen Faktoren gibt, die in klassischen Portfoliomodellen nicht reflektiert
werden. Wir beschränken uns hier im Hinblick auf die Betrachtungen in den folgenden Kapiteln auf die nachstehenden Punkte:
30
• Einfluss von regulatorischen und anderen Restriktionen auf die Asset Allocation
• Auswirkungen von regulatorischen Rahmenbedingungen auf Preise und andere für die Portfoliooptimierung
wichtige Parameter
• zirkuläre Effekte in Finanzsystemen, die zu systemischen Risiken anwachsen können
Zunächst gilt, dass eine Vielzahl von Investoren, u. a. diejenigen, die reguliert sind und außerdem über große
Marktanteile verfügen, ihre Investmententscheidungen gerade nicht auf Basis der erwarteten Renditen, Varianzen
und Kovarianzen treffen, sondern erhebliche interne wie externe Restriktionen zu beachten haben.
Nach Ansicht der Investoren haben diese Einschränkungen einen erheblichen und steigenden Einfluss auf die
Höhe der Renditen, die erwirtschaftet werden können, wie sich aus den nachfolgend zitierten Ergebnissen
unserer Risikoinventur 2015 ergibt:
Abbildung 10: Bedeutung externer Anlagerestriktionen für die Kapitalanlage
Wie wichtig sind die folgenden EXTERNEN Anlagerestriktionen für Ihre Kapitalanlage?
Bottom Boxes Top Boxes
(Skalenwert 5 + 6) (Skalenwert 1 + 2)
BaFin-Regelungen
70%
18%
Andere steuerliche und rechtliche Regeln
64%
8%
Anlageverordnungen
19%
61%
Mittelwert
2,2 (2,3)
2,5 (2,4)
2,7 (2,5)
Derivate V
28%
32%
3,5 (3,2)
Solvency, Basel III etc.
28%
2,7 (3,2)
Verbandsvorgaben
30%
57%
31%
IFRS
50%
(Deutlich) niedriger
20%
3,7 (3,4)
4,1 (4,1)
(Deutlich) höher
Alle Befragten (n = 108, Rest ggf. keine Angabe); Skala von 1 = außerordentlich wichtig bis 6 = gar nicht wichtig; Werte von 2014 in Klammern
31
Abbildung 11: Bedeutung interner Anlagerestriktionen für die Kapitalanlage
Wie wichtig sind die folgenden INTERNEN Anlagerestriktionen für Ihre Kapitalanlage?
Bottom Boxes Top Boxes
(Skalenwert 5 + 6) (Skalenwert 1 + 2)
Interne Richtlinien zur Risikobudgetierung
2%
Bonitätsrestriktionen
4%
86%
83%
11%
Ober-/Untergrenzen bestimmter Asset-Klassen
Vorstandsmeinung
8%
Vorgabe der investierbaren Währungen
22%
Limite für Geschäfte mit bestimmten Banken
20%
Nominallimite
12%
Stresstests
15%
Beschränkung des Derivateeinsatzes
35%
2,2 (2,2)
2,6 (2,4)
2,8 (2,6)
2,8 (2,6)
2,8 (2,7)
2,7 (2,7)
3,1 (3,0)
40%
20%
Tracking Error-Limite
71%
56%
58%
30%
Value at Risk-Limite
1,9 (1,8)
2,3 (2,1)
56%
46%
15%
Limite für Mitarbeiter
1,7 (1,7)
69%
63%
19%
Laufzeitlimite
Mittelwert
47%
3,2 (3,1)
47%
3,0 (3,2)
4,1 (4,1)
15%
(Eher) unwichtig
(Sehr) wichtig
Alle Befragten (n = 108, Rest ggf. keine Angabe); Skala von 1 = außerordentlich wichtig bis 6 = gar nicht wichtig; Werte von 2014 in Klammern
Abbildung 12: Einfluss von Restriktionen auf die Portfoliorenditeerwartung
Wie viel Prozentpunkte mehr an Rendite könnten Sie erwirtschaften, wenn Sie ohne
externe und interne Restriktionen handeln könnten?
2014
2015
29%
20%
27%
22%
Keine Mehrrendite
0,01% bis 0,09%
Über 1,0% bis 5,0%
Über 5,0%
21%
23%
Über 0,09% bis 0,5%
22%
7%
28%
2%
Über 0,5% bis 1,0%
Alle Befragten (n=102, Rest keine Angabe)
Offensichtlich bedeutet für viele Investoren die Existenz von internen und externen Restriktionen, dass sie signifikante Renditeeinbußen hinnehmen müssen. Die Höhe der angegebenen Einbußen ist insbesondere vor dem
Hintergrund der Niedrig- bis Nullzinsen von besonderer Relevanz. Die Einschränkungen führen zu anderen Gewichtungen in den Portfolios und damit zu veränderten Angebots- und Nachfragestrukturen und wirken insbesondere preisbildend, wenn ein signifikanter Anteil von Investoren denselben Einschränkungen unterliegt.
Änderungen in den Preisen führen aber auch zu einer veränderten Effizienzlinie für Investoren, die diese Einschränkungen gar nicht haben. Die Einführung neuer regulatorischer Rahmenbedingungen verändert somit
die Effizienzlinie, was dann bei einigen Investoren wiederum zu Anpassungen der Asset Allocation führt.
Einige der o. g. Restriktionen können mathematisch formalisiert werden und als Nebenbedingungen in das Portfoliooptimierungsproblem eingefügt werden. Die sich dann ergebenden effizienten Portfolios unterscheiden sich
zum Teil erheblich von denen, die man ohne Einschränkungen erhält.
32
So wirken sich z. B. die regulatorischen Bevorzugungen diverser Asset-Klassen (z. B. Staatsanleihen oder ABSSeniortranchen vor der Finanzkrise) auf die Nachfrageseite und damit preisbildend aus und führen in einem normalen ökonomischen Umfeld zu erheblich nach unten verzerrten Risikoprämien in Verbindung mit kaum noch
vorhandenen Volatilitäten. Diese verzerrten Daten fließen dann oft wieder in entsprechende Portfoliooptimierungsmodelle ein und führen eventuell zu Anpassungen der Gewichtungen in den Investmentportfolios.
Kommt es, ausgelöst durch einen Trigger, zu einer Korrektur, sind es oft wieder regulatorische Effekte, die Volatilitäten und Korrelationen verstärken und wiederum preisbildend für viele Asset-Klassen wirken. So wirken sich
z. B. fallende Vermögenspreise oder Herabstufungen von Ratings negativ auf Eigenkapitalquoten aus, sodass
Banken mit Überschuss an Liquidität anderen Banken mit Liquiditätsbedarf keine Refinanzierung mehr zur Verfügung stellen können und die Bankenindustrie insgesamt zur Verkleinerung ihrer Bilanzen gezwungen wird, was
eine weitere Korrektur der Vermögenspreise zur Folge hat. Dies betrifft dann natürlich unmittelbar die Kreditvergabekapazitäten der Bankenindustrie, was unmittelbare Folgen für die Realwirtschaft hat.
Abbildung 13: Effekte von Zyklen und Volatilität auf Eigenkapitalquoten
volatil
(IFRS & zyklische
Effekte auf P&L)
Zyklisch
Regulatorisches Kapital (Tier 1, 2, 3)
=
Kreditrisiken RWA + Marktrisiken RWA + Op. Risiken RWA
Sehr zyklisch
(PD & LGD Effekte)
Regulatorische
Eigenkapital
Quote (%)
volatil
(Markt-Parameter)
Selbstverständlich sind durch diese Entwicklung auch andere Teile der Finanzindustrie betroffen, entweder durch
ihre engen Geschäftsbeziehungen zu Banken (Hedgefonds, Private-Equity-Fonds etc.) oder durch eigene regulatorische Rahmenbedingungen (z. B. Versicherungen).
Die eben beschriebenen Mechanismen, welche zu selbstverstärkenden Effekten einer Korrektur der Vermögenspreise führen, werden weiter unterstützt durch die Tatsache, dass Geschäftsbeziehungen in der Finanzindustrie zu
einem Großteil auf Vertrauen basieren. Bricht es weg, dann stirbt auch die Geschäftsbeziehung:
Abbildung 14: Die Beziehungen zwischen Banken basieren auf Geschäft und Vertrauen
Bank 1
Bank 1
StressSituation
Bank 2
Bank 3
Bank
Geschäft
Bank 2
Vertrauen
Bank 3
Bank
33
Vermögenspreisbildungen, Bilanzen von wichtigen Investorengruppen und regulatorische Rahmenbedingungen
stehen somit in einem unauflösbaren, zirkulären Zusammenhang, der durch eine wichtige psychologische Komponente (Vertrauen) verstärkt wird und durch die klassischen Risiko- und Portfoliooptimierungsmodelle nicht
reflektiert wird.
Zirkuläre Zusammenhänge sind aber das grundlegende Konzept, das für die Entstehung von Systemrisiken im
Finanzsystem verantwortlich ist und das in klassischen Risiko- und Portfoliomodellen nicht abgebildet werden
kann. Ein weiteres Beispiel für Zirkularität im Finanzsystem ist die Beziehung der Bonität von Zentralregierungen
und Banken:
Abbildung 15: Beziehung zwischen der Bonität von Zentralregierungen und Banken
Bankenaufsicht
Zentralbank
Entscheidung
über
Solvabilität
Liquidity Assistance
Zentralregierung
Bank 1
Bank 2
Bank ...
T-Bills
Banken sind oftmals das Refinanzierungsvehikel der Zentralregierung, während diese, meist mithilfe der nationalen Notenbank, der „Lender of last resort“ für die Banken ist. Fehlt eine eigenständige nationale Notenbank,
wird die Korrelation zwischen der Bonität der Zentralregierung und der der national systemrelevanten Banken
sehr hoch:
Abbildung 16: Credit Spread Frankreich versus Credit Spreads BNP und Soc. Gen.
Quelle: Bloomberg, 2015
34
Wenn eine nationale Notenbank fehlt, dann wird auch die Rettung einer gestrauchelten Zentralregierung zu
einem sehr komplexen Unterfangen.
Abbildung 17: Beziehung zwischen der Bonität von Zentralregierungen und Banken ohne
nationale Notenbank
Die Institutionen
IMF
Eurogruppe
Target 2
EZB
T-Bills
Default
Loans/Bonds
Default
Griechenland
T-Bills
T-Bills
Griechische
Zentralbank
EZBBankenaufsicht
Emergency Liquidity Assistance
Entscheidung
über
Solvabilität
Griech.
Bank 1
Griech.
Bank 2
Griech.
Bank ...
Als Fazit lässt sich sagen, dass Finanzmärkte insbesondere seit Ausbruch der jüngsten Finanzkrise ein Verhalten
gezeigt haben, das durch Stresssituationen und Übertreibungen geprägt ist. Da Systemrisiken trotz oder gerade
wegen neuer regulatorischer Rahmenbedingungen weiter vorhanden und dominierend sind, werden solche
Datenmuster oftmals bereits als „The New Normal“ bezeichnet. Offensichtlich sind Marktbewegungen nicht
normalverteilt, sondern folgen extremen Verteilungsmustern, die durch Cluster mit hoher Volatilität und Korrelationen nahe eins geprägt sind. Krisenhafte Ansteckungseffekte, die durch diverse Kanäle verbreitet werden
(Lending Channel, Liquidity Channel) und trotz massiver Zentralbankinterventionen gleich eine ganze Reihe von
Märkten und Asset-Klassen in dieselbe Richtung treiben, sind das dominierende Risiko geworden. Die beobachteten marktübergreifenden und koordinierten Dynamiken, in denen verschiedene Märkte bzw. die Auswirkungen
auf unterschiedliche Marktteilnehmer in dieselbe extreme Richtung laufen, haben einen neuen wichtigen Begriff
geprägt: „Network Connectedness“ (vgl. Demirer, Diebold und Yilmaz, 2015). Einigkeit besteht weitestgehend
darin, dass dringend eine neue Generation von Risikomodellen benötigt wird, welche zum einen als Indikatoren
von Systemrisiken und zum anderen für ihre kausale Beschreibung verwendet werden können. Gleichzeitig sollten diese Modelle den Zentralbanken, den Aufsichtsbehörden und den politischen Entscheidungsträgern Hilfestellungen bei der Abschätzung der Konsequenzen monetärer und regulatorischer Maßnahmen liefern und Finanzinstitutionen bei der makroprudentiellen Risikomanagementaufgabe unterstützen. Solche Modelle können nicht
einfach nur methodische Verbesserungen des Markowitz-Ansatzes sein, z. B. durch andere Verteilungsannahmen
und Risikomaße, weil diesen Herangehensweisen prinzipielle Grenzen bei der Erfassung von Systemrisiken, hervorgerufen durch Connectedness und Zirkularität, gesetzt sind.
Jean-Claude Trichet forderte bereits 2010 dazu auf, sich von anderen Disziplinen wie Physik, Ingenieurwesen,
Psychologie und Biologie inspirieren zu lassen (Trichet, 2010). In der Tat haben sich in den Naturwissenschaften
durch die erheblich verbesserten Möglichkeiten der Datenverarbeitung (z. B. In-Memory-Datenbanken, RAM/
Flash) und der Datenerhebung (z. B. Microarrays und DNA-Chip-Technologien) in den letzten Jahren die Methoden radikal gewandelt. Dies hatte insbesondere die Entstehung völlig neuer Disziplinen zur Folge, wie z. B. Bioinformatik und Systembiologie. Insbesondere Letztere ist als interdisziplinäre Wissenschaft aus den Fachrichtungen
Biologie, Molekularbiologie, Biophysik, Mathematik und Informatik entstanden und hat das Potenzial, die Leitwissenschaft des 21. Jahrhunderts zu werden. Die Systembiologie untersucht nicht einzelne biologische Komponenten, wie z. B. Gene oder Proteine, oder einzelne biologische Prozesse, sondern die Zusammenwirkung aller
Komponenten eines biologischen Systems, um das Verhalten des Systems als Ganzes vorauszusagen oder zu
35
erklären, wie das System auf Störungen reagiert. Untersuchungen der Auswirkungen von Störungen in komplexen Organismen spielen eine große Rolle, z. B. in der Krebsforschung, und haben u. a. zum Fachgebiet
Cancer Systems Biology geführt.
Ein Ziel der Systembiologie ist die Untersuchung komplexer biologischer Netzwerke, z. B. des Netzwerks biologischer Transkriptionsfaktoren. Letztere sind für die Expression von Genen und die Produktion von Proteinen
aufgrund von Signalen zuständig und bilden in jedem Organismus ein durch die Evolution geformtes Netzwerk
gegenseitiger Abhängigkeiten, das für das Überleben von Organismen von entscheidender Bedeutung ist. Das
Studium eines solchen Netzwerks ist selbst bei kleinen Organismen, wie z. B. dem Bakterium Escherichia Coli,
ein erheblicher Aufwand, da selbst dieses ein integriertes biologisches System von mehreren Millionen wechselwirkenden Proteinen darstellt, die 4.000 unterschiedliche Bauarten aufweisen (vgl. u. a. Alon, 2006). Die Simulation von komplexen, dynamischen Netzwerkzuständen und eine darauf aufbauende Vorhersage des Verhaltens
des Netzwerks unter verschiedenen Umwelteinflüssen und Störungen sind somit eine Kernaufgabe der Systembiologie und der von ihr entwickelten Methoden (vgl. u. a. Palsson, 2011).
Ein wesentlicher Grund für die Schwäche der klassischen Risiko- und Portfoliooptimierungsmodelle ist, dass
sie im Wesentlichen nur lineare Phänomene abbilden und bei nicht linearen, komplexen und durch Zirkularität
geprägten Ereignissen versagen. Komplexe Systeme sind durch die Nichtlinearität ihrer Prozesse charakterisiert.
Systemrisiken haben nicht linearen Charakter und sind durch ihre Transmissionsmechanismen in komplexen
Netzwerken so gefährlich.
Das Studium von komplexen Netzwerken als Ganzes erfordert aufwendigere mathematische Methoden, leistungsfähigere IT-Grundlagen und viel größere Datenmengen als bisher in Wirtschaftswissenschaften und im
Risikomanagement verwendet.
Die Biologie, die sich heute auf das ganzheitliche Studium komplexer biologischer Systeme fokussiert, macht von
den nach dem Moore’schen Gesetz exponentiell gewachsenen Möglichkeiten der digitalen Revolution Gebrauch,
ist dadurch heute mehr denn je eine quantitative Wissenschaft und wird das 21. Jahrhundert prägen.
Die Wirtschaftswissenschaften sind hier leider in der Weiterentwicklung ihrer Modelle ganz am Anfang, aber die
in der jüngsten Finanzkrise erfahrenen Auswirkungen von „Komplexität“ und „Connectedness“ machen die Notwendigkeit einer neuen Generation von Modellen offensichtlich. Die Wirtschaftswissenschaften werden sich in
Zukunft dem ganzheitlichen Studium komplexer und dynamischer ökonomischer Netzwerke als ihres wichtigsten
Gegenstands widmen müssen und werden deshalb mehr denn je eine quantitative Wissenschaft sein.
Die Voraussetzungen dafür sind bestens, denn die massiv gewachsenen Möglichkeiten innovativer IT verändern
die Finanzwelt dramatisch, und mit den durch neue regulatorische Anforderungen noch weiter wachsenden
Reporting-Pflichten der Finanzinstitutionen und der weiter voranschreitenden Digitalisierung von Prozessen und
Distributionskanälen werden wir in Zukunft über eine erheblich gewachsene Datenmenge zur Kalibrierung neuartiger Modelle verfügen (vgl. Hellmich et al., 2013).
Schrittweise halten biologische Begriffe auch Einzug in die Wirtschaftswissenschaften (z. B. Hellmich, Liebmann
und Kassberger, 2015).
Aus den Schwächen der klassischen Modellwelt folgt keine geringere künftige Bedeutung von quantitativen
Methoden in den Wirtschaftswissenschaften. Die Wirtschaftswissenschaften werden, ähnlich wie die Biologie, in
der Zukunft viel mehr als heute quantitative Wissenschaften sein, aber aufgrund der stark zunehmenden IT-Möglichkeiten und der damit einhergehenden wachsenden Schlagkraft mathematischer Methoden werden sie sich
nicht mehr auf die Beschreibung von linearen Effekten beschränken, sondern in der Lage sein, komplexe ökonomische Systeme als Ganzes zu beschreiben und zu simulieren.
36
37
4 Regulatorische
Rahmenbedingungen
38
39
Wir geben in diesem Abschnitt einen Überblick über die neuen regulatorischen Rahmenbedingungen, die im
Folgenden für unsere Betrachtungen von Relevanz sind. Wir besprechen in diesem Kontext die Aspekte, die den
Finanzmarkt als solchen betreffen, und die Bereiche, welche die Sektoren Banken, Versicherungen und Fondsindustrie regeln. Wir orientieren uns dabei an nachfolgender Übersicht:
Abbildung 18: Übersicht über die regulatorischen Rahmenbedingungen
Finanzmärkte
Versicherungen
• EMIR/MIFIR: Neue Struktur und Transpa-
• Solvency II: 3-Säulen-Prinzip
• Säule I: Solvenzkapitalanforderungen,
renz der Derivatemärkte durch Central
Clearing Counterparties, regulierte Handelsplätze und Transaktionsregister
• MIFID II: Anlegerschutz, Wettbewerbsfähigkeit, verschärfte Zulassungsforderungen für Marktteilnehmer und geregelte Märkte
• Handelsbücher Banken: Erhöhung der
EK-Anforderungen, Kontrahentenrisiken,
Berücksichtigung von Stresssituationen
und Extremrisiken
• EU-Aufsichtsbehörden: ESMA, EBA, EIOPA
Finanzmärkte
Versicherungen
Banken
• Basel III/CRD IV/CRR
• Basel IIII.5 (Fundamental Review of the
•
•
•
•
•
Trading Book)
Neuer Standardansatz für Kreditrisiken
auf dem Bankbuch
BCBS 239: On Risk Aggregation and Risk
Reporting
Single Supervisory Mechanism
Single Resolution Mechanism
Bail in: TLAC, MREL
Minimumsolvenzkapital (MCR), ZielSolvenzkapital (SCR, Solvency Capital
Requirement), SCR als 99.5%-VaR mit
Zeithorizont 1 Jahr, Wahl zwischen Standardmodell, Partiallösungen und internem
Modell, Modulares Prinzip für Standardmodell und Risikoaggregation über Varianz-Kovarianz-Formel
• Novelle der Anlageverordnung: Anlagespektrum alle Fondstypen nach dem
KAGB (OGAW, Spezial-AIF, „sonstige“
AIF, Immobilien-AIF, Private-Equity-AIF).
Fonds-Industie
Banken
Fonds
• AIMFD/AIMFR: reguliert die Manager von
alternativen Investmentfonds, soweit nicht
bereits durch OGAW-Richtlinie reguliert.
Einführung Risikomanagement, strenge
Team- und Funktionstrennung, Depotstelle, Erlaubnispflicht, Grenzen der zulässigen Auslagerung.
• KAGB: ersetzt das InvG und integriert
die Regelungen aus AIMFD/AIMFR und
OGAW/UCITS
Die verschiedenen regulatorischen Rahmenbedingungen, die die diversen Segmente der Finanzindustrie
betreffen, haben natürlich zahlreiche Wechselwirkungen untereinander, welche sich insbesondere auf die Asset
Allocation der regulierten Investoren auswirken. So wirken sich Teile der Regulierung von Banken, wie z. B. die
Mindestliquiditätsquote (Liquidity Coverage Ratio) unter Basel III oder die Großkreditregelungen gemäß der
Capital Requirement Regulation (CRR), unmittelbar auf die Strukturierung von Spezialfondsmandaten für
Depot-A-Zwecke aus.
Wir fokussieren uns im Rahmen unserer Studie insbesondere auf die regulatorischen Rahmenbedingungen,
die sich quantitativ formalisieren lassen und deren Auswirkungen auf Asset Allocation und Bilanzstrukturen
von regulierten Marktteilnehmern offensichtlich sind.
40
4.1
Banken
Unter dem Eindruck der Bankenkrise, der ökonomischen Rahmenbedingungen (z. B. Niedrigzinsumfeld) sowie
der neuen regulatorischen Rahmenbedingungen steht die Diskussion über die künftigen Geschäftsmodelle von
Banken im Moment im Vordergrund. Folgende Grafik soll einen Überblick geben über die Vielfältigkeit der
Aspekte, die in dieser Diskussion eine Rolle spielen:
Abbildung 19: Einflussfaktoren für die Geschäftsmodelle von Banken
BOARD LEVEL
Regulation – Risk Management – Business Model – Analytics & Infrastructure – Trends
Regulation
Basel III
• NSFR
• LCR
• LR
• CVA
MIFID II
• CCP
EMIR
• Central
Clearing
AIFMD
• LM
• RM
Risk Management
Business model
Business
planing
Risk
assessment
Capital
evaluation
Liquidity and
Funding
Business
evaluation
Management
model
Product
•
•
•
•
•
•
•
• Underwriting
•
•
•
•
• Liquidity Moni-
• Risk-adjusted
Retail Banking
Mortgages
toring and planning
• Fund Transfer
• Pricing
• Real Time
Cashflows
performance
measurement
and review
• Risk and performance reporting
• Incentives and
compensation
• Disclosure
Commercial Banking
Consumer Loans
Wholesale Banking
Commercial Loans
Investment Banking
Credit Cards
Asset Management
Wealth Advisory
Private Banking
Trust Products
Risk appetite
Strategy
Financing
Budgeting
New products
New business
M&A
•
•
•
•
•
•
•
and pricing
Material risk
Risk identification,
measurement and
aggregation
Stress testing
Monitoring
P&L attribution
Limits
Validation of internal controls
Capital needs
Stable funding
Capital adequacy
Real time requirements
Derivatives
Analytics and Infrastructure
Liquidity
management
Risk measures
Capital measures
Stress testing
Performance
measures
Control indicators
Technology
Data
Resources
Underlying trends
Regulatory Compliance – New technologies – Revision of business models – Shift in global power balances – Consumer centricity – Demographic changes
41
Nachfolgende Grafik gibt einen Überblick über die wesentlichen Aspekte der neuen regulatorischen Rahmenbedingungen für Banken. Große Teile der aufgelisteten Punkte sind Bestandteil von Basel III und umgesetzt in der
CRD IV und der CRR.
Abbildung 20: wesentliche Neuerungen in der Regulierung von Banken
• Einführung Stressed VaR und
A
Incremental Risk Measure
• Neue EK-Anforderungen für Verbriefungen
und Correlation Trading (CT)
• Tier1 und Tier2: Erhöhung Quantität und Qualität
• Verbesserung Markt-Disziplin durch
B
neue Richtlinien
• CVA Charge und Wrong Way Risk
• Einführung Asset Value Correlation (AVC)
Multiplikator
Wesentliche
Eckpunkte
• Incentivierung zum Transfer von OTC Transaktionen
Marktrisiken
(BCBS 157)
Kapital
Definition
C
Counterparty Credit Risk
auf CCPs
• Einführung der Leverage Ratio als Ergänzung zu
D
risikogewichteten Aktiva
• Einführung Conservation Buffer
• Einführung Countercyclical Buffer
• Vermeidung des exzessiven Wachstums
Leverage
ratio
E
Countercyclicality
der Kreditmärkte
• Aufbau kurz- und langfristiger
Liquiditätsreserven:
– Liquidity Coverage Ratio (LCR)
– Net Stable Funding Ratio (NSFR)
42
F
Implementierung
Ende 2010
Liquiditätsrisiken
(BCBS 165)
B
S
B
S
1
6
4
Klarer Fokus auf
Leverage-,
Liquiditätsund
Refinanzierungsrisiken
Fundamentaler
Einfluss
auf
Kapitalund
Liquiditätskosten
Fokus
auf
Stressszenarien
Im Vergleich zur Solvabilitätsverordnung impliziert die CRR/Säule 1 multidimensionale Nebenbedingungen,
die sich simultan auf die Bilanzstruktur, das Kreditgeschäft und das Depot A von Banken auswirken:
Abbildung 21: die multidimensionalen Nebenbedingungen der CRR
2
Marktrisiko
(BCBS 157)
3
CRR
B
C
B
S
1
6
4
RWATotal
≥ 6% + [2.5%, 8.5%]
4 2
6
KapitalTier1 + KapitalTier2
≥ 8% + [2.5%, 8.5%]
12.5* (K + VaR
OpR
MR
5
MR
ΔCVA
+ VaR + sVaR + VaR
4
Leverage
ratio
2
)
4
Leverage Ratio CapitalTier1 ≥ 3%*(Bilanzsumme + x%*Außerbilanzielle Positionen)
7
Liquidity coverage Ratio* Liquiditätsreserve‘ ≥ Nettoabfluss‘
7
Net Stable Funding Ratio Verfügbares stabiles Funding ≥ Benötigtes stabiles Funding
2
3–6
Liquiditätsrisko
(BCBS 165)
6
Kapital
Kapital-Kennziffer
CR
2 6b
Systemische
0
Risiken
7
4 2
RWATotal
3
Kreditrisiko
5
≥ 4.5% + [2.5%, 8.5%]
Tier1
SolvV
4
6
KapitalCET1
3
Kernkapitalkennziffer
Kapitaldefinition
6a Antizyklizität
7
3
Harte KernkapitalKennziffer
7
Revisions to the Basel II market risk framework (BCBS 193)
Strengthening the resilience of the banking sector (BCBS 189)
Basel III: International framework for Ly risk measurement, standards and monitoring (BCBS 188)
Die ersten drei Quoten sind die Eigenkapitalquoten. Die Zähler repräsentieren die gestiegenen Anforderungen an
die Qualität des zur Verfügung stehenden Eigenkapitals, während die Nenner die gestiegenen risikogewichteten
Aktiva (Risk Weighted Assets/RWA) darstellen, welche sich aus den traditionellen Komponenten Kredit-, Marktund operationelle Risiken sowie den neu hinzugekommenen Komponenten Gegenparteirisiken (Credit Valuation
Adjustment [CVA]) und Stressed Value at Risk (sVaR) zusammensetzen. Neben den Anforderungen 4,5%, 6%
und 8% kommen verschiedene Puffer zur Anwendung (Kapitalerhaltungspuffer, antizyklischer Puffer, Puffer für
systemrelevante Institute), welche sich in der Summe zwischen 2,5% und 8,5% bewegen und allesamt mit hartem Kernkapital abgedeckt werden müssen. Somit sind die Kennziffern als solche gestiegen und repräsentieren
im schlimmsten Fall eine Anforderung an die Gesamtkennziffer von 16,5%, welche dann gleichzeitig eine Forderung von 13% hartem Kernkapital wäre, wie auch die RWA aufgrund neuer Komponenten und konservativerer
Berechnungsmethoden.
Andererseits beruhen die RWA je nach den verwendeten Ansätzen auf Ergebnissen interner Modelle der Banken,
sodass mit der Leverage Ratio eine modellunabhängige und volumenbasierte EK-Quote geschaffen wurde, die
auch außerbilanzielle Aktivitäten in Abhängigkeit von aufsichtsrechtlich definierten Konversionsfaktoren miteinbezieht.
Die Mindestliquiditätsquote (Liquidity Coverage Ratio [LCR]), auf welche wir im Folgenden noch detaillierter
eingehen, fordert Banken auf, ein Minimum an liquiden Aktiva zu halten und Nettoabflüsse von Liquidität in
einem 30-Tage-Stressszenario abzudecken, und ist u. a. eine Antwort auf die in Stressszenarien beobachteten
Bank Runs.
43
Die Net Stable Funding Ratio (NSFR) ist eine Umsetzung der goldenen Bankenregel. Sie erfordert von Banken ein
Mindestmaß an stabiler Refinanzierung und begrenzt u. a. das Ausmaß an Fristentransformation.
Nachdem stabile und langfristigere Refinanzierung höhere Kosten impliziert, steigert dies die Kosten der Passivseite der Bankbilanz, während die LCR aufgrund niedrigerer Renditen liquider Aktiva, insbesondere im jetzigen
Umfeld, die Erträge auf der Aktivseite reduziert. Diese beiden Phänomene sind natürlich im Zusammenhang mit
den Effekten der ersten vier Quoten auf Höhe und Kosten des notwendigen Eigenkapitals zu sehen, sodass insgesamt die ökonomischen Grundlagen der Geschäftsmodelle von Banken neu definiert werden müssen. Insbesondere sind Banken deutlich weniger geeignet, als Endinvestoren großer Risiken zu fungieren, sodass es mittelfristig
zu einer Reallokation von Risiken und Assets im Finanzsystem kommen müsste.
Weitere regulatorische Initiativen werden diesen Trend noch verstärken:
Abbildung 22: weitere wichtige künftige aufsichtsrechtliche Projekte für Banken
Initiative
Beschreibung
1. Neuer
Standardansatz für
Kreditrisiken
auf dem
Bankbuch
•
Neue Risikogewichte:
– Staaten: rwnew = rwold
– Banken: rwnew = f(T1-capital ratio, Asset quality)
– Unternehmen: rwnew = f(turnover, leverage)
– Retail, unsecured: rwnew = f(qualitative criteria)
– Retail, Hypotheken: rwnew = f(L2V, Debt servicing capacity)
2. IRRBB/CSRBB
•
•
•
Wahrscheinlich künftig Pillar 1 Charge, d.h. Eigenkapitalunterlegung
3. Fundamentale
Überarbeitung
des
Handelsbuches
•
•
•
•
•
Pillar3 Reports Phase 2
Standardisierter Messansatz ist zusätzlich verbindlich zu rechnende
Vergleichsgröße für Säule 2
Regulatorische Abgrenzung Handelsbuch: trading-evidence basiert
Ersetzung Value at Risk durch Expected Shortfall
Alle Banken betroffen:
Modellbanken: modifizierte Modelle und Parallelrechnung Standardansatz
Banken mit Standardansatz: neuer Standardansatz
Modifizierte interne Modelle: Diversifikation, Marktliquiditäts-Abschläge,
Modelllizenz für einzelne Handelstische
Neuer Standardansatz: Diversifikationseffekte, immer noch Kategorisierungen
(aber nicht die gleichen Katagorien wie bisher), Zerlegung einfacher Derivate
beibehalten
Diese künftigen Initiativen haben im Wesentlichen die Zielrichtung, die Abhängigkeit sowohl von internen
Modellen als auch von Ratingagenturen zu reduzieren und weitere Risikoarten mit Eigenkapitalvorschriften zu
versehen, z. B. Zinsrisiken auf Bankbüchern oder Liquiditätsrisiken auf Handelsbüchern. Die Reduzierung der
Abhängigkeiten von internen Modellen und die gestiegene Bedeutung von Standardmodellen verbessern zwar
die Vergleichbarkeit von Finanzinstituten aus Sicht der Aufsicht, allerdings dürfte sich durch die Vereinheitlichung
der Methoden zur Risikomessung auch die Struktur der Bilanzen weiter angleichen und damit die „Connectedness“ der Häuser erhöhen.
Es ist davon auszugehen, dass diese Initiativen zu weiteren Anpassungen von Risikoprämien diverser Asset-Klassen führen werden. So impliziert der neue Standardansatz für Kreditrisiken auf dem Bankbuch, dass Risikogewichte für Banken und Unternehmen künftig von zwei Faktoren abhängig sind, statt von externen Ratings. Wie
sich aus Tabelle 22 entnehmen läßt, sind die beiden Faktoren für Banken die Tier 1 Ratio sowie die Qualität der
Aktiva auf ihrer Bilanz, während für Unternehmen, welche Nichtbanken sind, die beiden Kenngrößen Leverage
und Umsatz relevant sind. Nachdem die Mehrzahl der Banken in Europa bisher im Ratingsegment A– bis A+ war
(nach Herabstufungen nunmehr in BBB bis BBB+) und mit einheitlichen Risikogewichten versehen war, sinkt nun
44
die Abhängigkeit von externen Ratings. Die Refinanzierungskosten von Banken und auch Corporates werden sich
mehr differenzieren und relative Renditen für gute Risiken werden sinken.
Wir wollen in den folgenden Kapiteln untersuchen, wie sich die Kombination von Nullzinsumfeld und regulatorischen Rahmenbedingungen auf die Bilanzen von Banken und Versicherungen auswirkt. Hierzu ist es notwendig,
die Struktur der Liquidity Coverage Ratio genauer zu analysieren:
Abbildung 23: Struktur der Liquidity Coverage Ratio
Bilanz
Kundeneinlagen
Liquide
Aktiva
Illiquide
Positionen
Emissionen
Eigenkapital
Cash-Abflüsse
Angenommene Zu- und Abflüsse von Liquidität in 30-Tage
Stressszenario sind Determinanten der LCR
Die drei Komponenten der
Liquidity Coverate Ratio
3
CFt+
Liquiditätspuffer
3 Liquidationswerte
liquider Aktiva
!
≥
Nettoabflüsse
Net
Outflow
CFt–
Liquiditätspuffer
LCR =
1
Gestresste 2 CashNettoabflüsse
Zuflüsse
1 Gestresste
Abflüsse
CFt–
–
2
CFt+
Als zulässig für den Liquiditätspuffer gelten sog. Level-1-, Level-2A- und -2B-Aktiva, wobei der Anteil der
Level-1-Aktiva mindestens 60% ausmachen muss, die Summe der Level-1- und Level-2A-Aktiva mindestens
85% sein muss und für Level-2A- bzw. -2B-Aktiva ein Haircut von 15% bzw. 50% anwendbar ist:
• Level-1-Aktiva (mind. 60%): Kasse, Zentralbankguthaben, Staatsanleihen mit RW von 0%, Bundesanleihen,
EU-Staatsanleihen, Länderanleihen, Anleihen von BIZ, IWF, EIB und anderen multinationalen Entwicklungsbanken, Mindestreserve
• Level-2A-Aktiva (Anrechnung 85%): Staatsanleihen mit einem Risikogewicht von 20%, gedeckte Schuldverschreibungen mit einem Mindestrating von AA–, Pfandbriefe, Covered Bonds, Unternehmensanleihen mit
einem Mindestrating von AA–
• Level-2B-Aktiva (Anrechnung 50%, RMBS 25%): Unternehmensanleihen mit einem Mindestrating von A+
bis BBB, unbelastete Aktien eines Hauptindex des Sitzlands des Instituts (z. B. DAX), mit privaten Immobilienfinanzierungen besicherte Anleihen (Residential Mortgage Backed Securities [RMBS]) mit einem Mindestrating
von AA
Für die High Quality Liquid Assets (HQLA) des Levels 2B gilt: Die Marktwerte von Unternehmensanleihen und
Aktien erhalten einen Haircut von 50%, bei den RMBS beträgt der Abschlag 25%. Der Anteil der HQLA des
Levels 2B am gesamten Liquiditätspuffer ist auf maximal 15% beschränkt. Als Obergrenze für die gesamten
Level-2-Aktiva gelten 40%.
45
Als Formel für die Anrechnung von liquiden Aktiva für die Liquiditätsreserve gilt somit:
𝐇𝐐𝐋𝐀 𝐒𝐭𝐨𝐜𝐤 = Level 1 Assets+Level 2A Assets+Level 2B Assets−Adjustment für 15%
Cap−Adjustment für 40% Cap
𝐀𝐝𝐣𝐮𝐬𝐭𝐦𝐞𝐧𝐭 𝐟ü𝐫 𝟏𝟓% 𝐂𝐚𝐩 = MAX(Level 2B Assets−15/85∗(Level 1+Level 2A),
Level 2B Assets−15/60∗Level 1 Assets,0)
𝐀𝐝𝐣𝐮𝐬𝐭𝐦𝐞𝐧𝐭 𝐟ü𝐫 𝟒𝟎% 𝐂𝐚𝐩 = MAX(Level 2A Assets + Level 2B Assets −Adjustment for 15%
Cap−2/3∗Level 1 Assets,0)
Sondervermögen sind zu maximal 85% anrechenbar, falls sie ausschließlich aus Level-1- und Level-2A-Aktiva
bestehen. Daraus ergibt sich oft die Notwendigkeit einer Prüfung und ggf. Anpassung der Fondsrichtlinien. Traditionell besteht der überwiegende Teil der Depot-A-Anlagevolumina aus Renten- bzw. Geldmarktpapieren. Aktienquote und Immobilienbestände sind meist unter 5%, während Genussscheine, Rohstoffe, Private Equity etc.
lediglich Beimischungen sind. Typische Anlageziele im Depot A sind Liquidität, ein angemessener Beitrag zum
Ergebnis der Bank und Risikodiversifikation zu oftmals regionalen und Branchenkonzentrationen im Depot B.
Falls die Mindestliquiditätsquote ≥ 100% ist bzw. die Summe der Marktwerte aus liquiden Level-1- und -2-Aktiva
größer als die gestressten Nettoabflüsse in 30 Tagen, dann ist der darüber hinausgehende Depot-A-Bestand frei
gestaltbar.
Wir betrachten im Folgenden die Bankbilanz aus der LCR-Perspektive. Die in nachfolgender Grafik angegebenen
Prozentsätze stellen bei den liquiden Aktiva den Grad der Anrechenbarkeit (100% minus Haircut), bei den anderen Aktiva die Liquiditätszuflüsse und bei den Passiva die Liquiditätsabflüsse dar und sind aufsichtsrechtliche Vorgaben. Mit DD (Demand Deposits) bzw. CL (Credit Lines) bzw. Ly bezeichnen wir Sichteinlagen bzw. Kreditlinien
bzw. Liquiditätslinien von bzw. an verschiedene Kundengruppen. Wichtig ist, dass alle Cash Flows mit Fälligkeiten
in weniger als 30 Tagen in der Berechnung von anderen separiert werden müssen. Die Abkürzung CSCP steht für
Einlagen von Corporates, Sovereigns, Central Banks und Public Sector Entities. Als Functional Deposits gelten
Transaktionskonten, z. B. Konten mit automatischer Lohneinzahlung. Sichteinlagen gelten als stabil, wenn sie
durch eine wirksame Einlagensicherung oder durch eine gleichwertige Staatsgarantie vollständig gedeckt sind
und wenn die Einleger weitere regelmäßige Geschäftsbeziehungen mit der Bank haben, sodass ein Rückzug der
Einlagen höchst unwahrscheinlich ist, oder wenn es sich um Transaktionskonten handelt. Zur Berechnung der
LCR sind alle Positionen mit den aufsichtsrechtlich definierten Prozentsätzen zu multiplizieren, die auf diese
Weise gewichteten Positionen sind innerhalb der entsprechenden Farben zu addieren und die drei Resultate entsprechend der Farbe in den Quotienten einzutragen. Hat die Bank Geld geliehen oder verliehen und Sicherheiten
bekommen oder gestellt, so fließen bei Zu- bzw. Abflüssen die Sicherheiten ab bzw. zu, sodass sich aus LCR-Sicht
der Vorgang bei Level-1-Sicherheiten neutral und bei Level-2-Sicherheiten nur der Haircut von 15% auswirkt. Mit
besonderem Nachdruck ist darauf hinzuweisen, dass in dem LCR-Stressszenario davon ausgegangen wird, dass
der Interbankenmarkt vollständig austrocknet und damit alle Cash Flows, welche diesem zuzuordnen sind und
eine Fälligkeit in weniger als 30 Tagen haben, vollständig auf der Aktivseite zu- und auf der Passivseite abfließen.
Andererseits haben stabile Einlagen von Privatkunden (Retail) und kleinen wie mittleren Unternehmenskunden
(SME) lediglich Abflüsse von 5% zu verzeichnen.
46
Abbildung 24: Bilanzstruktur aus Sicht der Liquidity Coverage Ratio
(A) Aktiva
(B) Passiva
Cash
100%
Level 1 bonds
DD, ≤ 30d
All
Level 2 bonds Maturities
85%
>30d
100%
+ Reserve
CSCP
Others (IB,B)
L1
+ Reserve 15%
L2
100%
Non-L1/–L2
Wholesale
50%
Unsecured
Functi. dep.
10%
Credit
100%
Ly
Nonfinancial Corp.
100%
>30d
DD,
≤ 30d
Corp.,
Nonfin.
Stable
5%
Less Stable
10%
Functional dep.
25%
CSCP-deposits
75%
Others (interbank, bonds)
L1
L2
100%
Reserve
15%
Non-L1/-L2-collateral
Reserve
100%
Comm.
Lines
Others
100%
National Discretion
Other contingent outflows
100%
Planned CF- (new business,...)
(C) Außerbilanzielle Engagements (OBS)
2 Zuflüsse
20%
3-notch Downgrade Collateral
Retail and SME
DD,
≤ 30d
National Discretion
Derivative collateral
Retail
5%
1 Abflüsse
ΔFV of Derivatives
Market Price
Fluctuations
Retail und SME
Secured
50%
Capital
Unsecured
Central bank deposits
Secured
100%
Wholesale
100%
LCR =
–
(D) LCR
3 Reserve
47
Die folgende Grafik zeigt, dass es sich bei der Liquidity Coverage Ratio um ein kombiniertes Stressszenario
handelt. Die verschiedenen Komponenten des Szenarios und ihre Auswirkungen auf verschiedene Positionen
der Bankbilanz sind in unterschiedlichen Farben gekennzeichnet:
Abbildung 25: kombiniertes Stressszenario für die LCR und Auswirkungen auf die Bankbilanz
Aktiva
Passiva
Cash
Others (ABS, CDOs, ...)
Receivables performing assets
Repos
Unsecured
Corp./Covered Bonds
A– ... AA–
Deposits
60%
Wholesale
AA≤
Less stable
Stable
Deposits at central banks
80%
Stable
Retail
Public Debtor Securities
Small
Business Less stable
7.5% ≤
15% ≤
7.5% ≤
15% ≤
Corp., Firm only holds deposits
Non-fin. Firm uses other products
75%
25%
Others
Secured
Market Price
Fluctuations
Mark-to-Market of Derivatives
Derivative collateral
tbd
20%
3-notch Downgrade Collateral
Security Roll-Overs
10%
10%
Retail
Credit
Liquidity
Nonfinancial Corp.
Simultanes und kombiniertes Stressszenario
Comm.
Lines
Others
Other contingent outflows
tbd
Planned Outflows (e.g. new business
Off-Balance Sheet items
Liquidity (Rating)
Call Risk
Significant Downgrade
Partial loss of Deposits
Calls on Off-Balance Sheet exposures
Funding Risk
Asset Liquidity
Loss of unsecured wholesale funding
Significant increase of secured funding haircuts
Liquidity (Market)
Increase in derivative collateral calls
Wir wollen noch einen detaillierteren Blick auf die Net Stable Funding Ratio werfen, welche die verfügbare
stabile Refinanzierung (Available Stable Funding [ASF]) in Beziehung zur notwendigen stabilen Refinanzierung
(Required Stable Funding [RSF]) setzt und eine ALM-Kennzahl ist:
Abbildung 26: Struktur der Net Stable Funding Ratio
Formel für NSFR
2. Available
stable funding
1. Required
stable funding
48
Zur Berechnung der NSFR werden Aktiva mit einem regulatorisch festgelegten Required Stable Funding Factor
(RSF) multipliziert und Passiva mit einem Available Stable Funding Factor (ASF). Die NSFR setzt Zahlungsströme
der Aktiv- wie Passivseite unter ein einjähriges Stressszenario. Die LCR führt tendenziell zu einem höheren Anteil
von Aktiva mit niedrigeren Renditen und die NSFR zu höheren Refinanzierungskosten.
In nachfolgender Grafik sind die angegebenen Prozentzahlen auf der Aktivseite die aufsichtsrechtlich vorgegebenen RSFs, während die Prozentzahlen auf der Passivseite die regulatorisch definierten ASFs sind. Auf Aktivbzw. Passivseite werden die jeweiligen Bilanzpositionen dann mit den RSFs bzw. ASFs multipliziert und aufaddiert. Die auf der Passivseite errechnete Zahl stellt dann den Zähler der NSFR dar, das auf der Aktivseite erzielte
Ergebnis ist der Nenner.
Abbildung 27: Bilanzstruktur aus Sicht der Net Stable Funding Ratio
(A) Aktiva
100%
(B) Passiva
0%
0%
100%
Cash
Bonds <1Y
Bonds <1Y
Bonds reverse r.
L1
5%
20%
L2
50%
L31
Bonds
≥1Y
50%
Equity Securities
50%
Gold
Bonds,
≥1Y
100%
Capital (T1, T2, beyond T2, Other preferred shares)
100%
Interbank
50%
CSCP
85%
Retail, SME
Interbank
Loans
<1Y, DD
All other Assets
5%
Credit
5%
ND%
Liquidity
CSCP
50%
Retail, SME
2
100%
Committed Lines
Less Stable
Stable
80%
90%
Other liabilities
NSFR =
Other conting. obligations
(C) Außerbilanzielle Engagements
1 Required stable funding
Deposits
<1Y, DD
2 Available stable funding
(D) NSFR
1
Non-bank Corporate Bonds, ≥A–, 2 Alle unbesicherten Bank Bonds.
Die quantitativen Anforderungen der CRR aus Abbildung 21 und insbesondere der LCR und NSFR bedeuten
erhebliche Einschränkungen der Banken für die Strukturierung ihrer Bilanz, welche man mathematisch formulieren kann. Auch wenn die mathematische Formalisierung dieses Problems eine im Vergleich zur Realität erhebliche Vereinfachung bedeutet, weil außer den CRR-Restriktionen noch zahlreiche weitere externe und interne
Nebenbedingungen berücksichtigt werden müssen, beschreibt sie doch die Attraktivität und den Nutzen von
Vermögenswerten aus Sicht einer Bank deutlich realistischer als im Markowitz-Kalkül. Diese Herangehensweise
liefert auch einen Startpunkt, um das rationale Verhalten einer Bank bei Interaktionen mit anderen Finanzinstitutionen (d. h. als Teil eines Netzwerkes von Finanzinstitutionen) zu beschreiben, und verhilft letztlich zu einer
Herangehensweise mit spieltheoretischen Methoden. Zunächst muss man eine geeignete Zielfunktion definieren,
die Gegenstand einer Optimierung unter den regulatorischen Nebenbedingungen der CRR ist. Eine einfache
Zielfunktion könnte z. B. sein, die regulatorischen Nebenbedingungen zu erfüllen bei minimalen Eigenkapitalkosten. Eine Alternative wäre z. B. die Maximierung des Shareholder Value unter den durch die CRR gegebenen
Einschränkungen.
49
4.2
Versicherungen
Die Harmonisierung der europäischen Regulierung von Versicherungen durch Solvency II besitzt eine ähnliche
Struktur wie die Solvabilitätsvorschriften des Bankensektors und ist damit insbesondere ein Dreisäulensystem.
Wir fokussieren uns für unsere Zwecke auf die erste Säule, welche Regelungen zur marktnahen Bewertung von
Aktiva und Passiva, insbesondere zu den versicherungstechnischen Rückstellungen und den vorhandenen Eigenmitteln, enthält. Die fundamentale Größe ist die Solvency Capital Requirement (SCR), die die regulatorische
Solvenzkapitalanforderung ist. Versicherungen können wählen zwischen der Verwendung einer vorgegebenen
Standardformel und einem vom jeweiligen Unternehmen entwickelten internen Modell. Die Minimum Capital
Requirement (MCR) beschreibt die regulatorische Untergrenze des zu haltenden Solvenzkapitals und stellt die
letzte aufsichtsrechtliche Eingriffsschwelle dar, bevor dem Unternehmen die Lizenz entzogen wird. Das Risikokapital wird so bestimmt, dass das Unternehmen mit 99,5% Wahrscheinlichkeit auch bei schlechten Ergebnissen
das nächste Jahr übersteht, d. h., die SCR entspricht einer Value-at-Risk-(VaR-)Kennziffer mit einem Konfidenzniveau von 99,5% und einem Zeithorizont von einem Jahr. Der VaR ist definiert als der Verlust, der mit der vorgegebenen Mindestwahrscheinlichkeit innerhalb eines gegebenen Zeithorizonts nicht überschritten wird. Der VaR
bestimmt sich somit als ein spezielles, von der vorgegebenen Mindestwahrscheinlichkeit abhängiges Quantil der
Verteilung potenzieller Verluste. Das Solvency-II-Standardmodell ist modular aufgebaut und legt den einzelnen
Risikofaktoren ein Stressszenario auf einem 99,5%-Konfidenzlevel in einem einjährigen Zeithorizont zugrunde,
welche dann mit der Varianz-Kovarianz-Formel aggregiert werden. Dabei sind die verwendeten Kovarianzmatrizen vorgegeben. Dieses Stressszenario stellt somit den Nachfolger des sog. BaFin-Stresstests dar, der auf folgenden Szenarien beruhte:
• Kursrückgang festverzinslicher Wertpapiere um 10%
• Aktienkursrückgang um 10–45%, je nach Stand des EURO STOXX 50
• Kursrückgang festverzinslicher Wertpapiere um 5% in Kombination mit Szenario 2
• Szenario 2 in Kombination mit einem Rückgang der Immobilienpreise um 10%
• Bei allen Szenarien Preisrückgang um 10% für NIG-Anleihen und für CCC oder schlechter sogar um 30%
Der BaFin-Stresstest berücksichtigt dabei die Reserven auf der Aktivseite der Bilanz und Rückstellungen für
Beitragsrückerstattungen (RfB) auf der Passivseite.
Das Solvency-II-Standardmodell führt insgesamt zu einer differenzierteren Betrachtungsweise. Betrachtet man
z. B. die Komponente 5 des BaFin-Stresstests, wird diese z. B. durch folgende Vorgehensweise ersetzt:
bonitätsinduzierte Preisschwankung einer Anleihe = Marktwert * Modified Duration * F
F ist ein vom Rating abhängiger Faktor: u. a. für EWR-Staaten 0%, für Pfandbriefe 0,6%, für AAA 0,9%, für
B 7,5% sowie für Anleihen ohne Rating 3,0%. Es wird somit eine Betrachtungsweise eingeführt, welche von
Marktwerten ausgeht, und für die Schwankungen dieser Marktwerte werden ratingbasierte Spreadszenarien
zugrunde gelegt. Dieser Ansatz behandelt Anleihen von EWR-Staaten analog zum entsprechenden Standardansatz von Banken für die Messung von regulatorischen Eigenkapitalanforderungen für Kreditrisiken auf den Bankbüchern. Der neue Kreditrisikostandardansatz für Banken enthält allerdings nicht mehr die Abhängigkeit von
externen Ratings, während sie für Versicherungen jetzt durch Solvency II etabliert wird. Die nachfolgende Grafik
gibt einen Überblick, wie sich die Spread-Risiken in Verbindung mit der Länge der Laufzeit auf die Solvency
Capital Requirement auswirken. Auch hier wird klar, dass Bonds mit schlechteren Ratings zu hohen Eigenkapitalanforderungen führen:
50
Abbildung 28: Spread-Risiko-Modul im Solvency-II-Standardmodell
50%
AAA
AA
A
BBB
BB
45%
40%
SCR Spreadmodul
35%
30%
25%
20%
15%
10%
5%
0%
Quelle: GDV
0 1 2 3 4 5 6 7 8 9 10
15
Duration in Jahren
20
25
Das in unseren folgenden Betrachtungen verwendete Solvency-II-Standardmodell ist modular nach unterschiedlichen Risikoklassen aufgebaut. Der Output des Modells besteht aus der Solvency Capital Requirement (SCR),
welche sich additiv aus der Basis-SCR (BSCR), diversen Adjustierungen (Adj) sowie den Anforderungen für
operationale Risiken (Op) zusammensetzt.
Abbildung 29: modularer Aufbau des Solvency-II-Standardmodells
SCR
Adj
Non-Life
Surplus
SCR
Marktwert der
Aktiva
ASM
MVM
Best
Estimate
of
Liabilities
MVL
Market
BSCR
Op
Health
Default
Life
PremRes
Interest
SLT
Lapse
Equity
CAT
Long
DisMorb
CAT
Prop.
Non-SLT
Lapse
Expenses
Illiq
Spread
Rev.
CAT
Conc.
FX
Intang
Mort
51
Die verfügbaren ökonomischen Eigenmittel gemäß Solvenzbilanz werden mit ASM (Available Solvency Margin)
bezeichnet, MVL (Market Value Liabilities) bezeichnen den Marktwert der Passiva, welcher die Summe der MVM
(Market Value Margin) mit den Best Estimates of Liabilities darstellt.
Die Risikoaggregation wird im Standardmodell in mehreren Stufen mit der Wurzelformel umgesetzt, welche die
Teilkapitalanforderungen der einzelnen Risiken bzw. Risikomodule zu einer Gesamtkapitalanforderung zusammenführt und dabei mögliche Diversifikationseffekte (risikomindernd) berücksichtigt:
Dabei sind
jeweils aufsichtsrechtlich vorgegebene Korrelationsmatrizen. Die in der nachfolgenden Grafik rot umrandete
Matrix aggregiert als Input der Wurzelformel beispielsweise die unterschiedlichen Kapitalanforderungen des
Marktrisikomoduls (Interest, Equity, etc.) zu einer Kapitalanforderung für Marktrisiko, welche dann mit den
Kapitalanforderungen der Module Non-Life, Health, Life etc. wiederum mit der Wurzelformel und der grün
umrandeten Matrix als Input zur BSCR aggregiert wird.
Abbildung 30: Anwendung der Wurzelformel im Solvency-II-Standardmodell
Corr SCR SCR mkt
SCR
SCR = BSCR + Adj + Op
Adj
52
NL
Prem
Lapse
Pre
1.00
Lapse
0.00
1.00
CAT
0.25
0.00
CAT
BSCR
Non-Life
Market
Health
PremRes
Interest
SLT
Lapse
Equity
CAT
CAT
Prop.
Illiq
Spread
Conc.
Non-SLT
Op
Default
Life
Intang
SCR def
SCR life SCR health SCR nl
SCR mkt
1.00
SCR def
0.25
SCR life
0.25
0.25
1.00
SCR health 0.25
0.25
0.25
1.00
SCR nl
0.5
0.00
0.00
1.00
Life exp
Life rev
0.25
1.00
Mort
Long
DisMorb
Lapse
Expens.
Rev.
CAT
FX
Corr Life Life mort Life long
Life dis
Life lapse
Life mort
1.00
Life long
–0.25
1.00
Life dis
0.25
0.00
1.00
Life lapse
0.00
0.25
0.00
Life exp
0.25
0.25
0.5
0.5
1.00
Life rev
0.00
0.25
0.00
0.00
0.50
1.00
Life cat
0.25
0.00
0.25
0.25
0.25
0.00
1.00
1.00
Market
Interest
Interest
1.00
Equity
Property
Spread
FX
Conc.
Equity
0.50
1.00
Property
0.50
0.75
1.00
Spread
0.50
0.75
0.50
1.00
FX
0.25
0.25
0.25
0.25
1.00
Conc.
0.00
0.00
0.00
0.00
0.00
1.00
Illiquidity
0.00
0.00
0.00
–0.5
0.00
0.00
Illiquidity
1.00
Corr Health Health ex
Health cl
Health exp
1.00
Health cl
0.50
1.00
Health ac
0.25
0.25
Life cat
Health ac
1.00
1.00
Die Berechnung der Kapitalanforderung unter der Standardformel basiert auf der Annahme, dass alle Risiken
normalverteilt sind; die Summe der Risiken ist dann wieder normalverteilt.
Für unsere Betrachtungen ist das Marktrisikomodul von Relevanz, dessen Methodik aus einer Menge von
Marktrisikofaktoren
F1, ... FN
besteht, die jeweils einem Schock ausgesetzt werden. Die Änderungen des Net Asset Value (NAV), welche durch
diesen Schock induziert werden, stellen dann die Risikokapitalanforderungen Mktj für den Faktor Fj dar:
Die einzelnen faktorbezogenen Kapitalanforderungen werden dann in gewohnter Weise mit der grün umrandeten Matrix aus Abbildung 30 zu einer Kapitalanforderung für Marktrisiken aggregiert:
Im Folgenden stellen wir kurz die Berechnungsmethoden für die wichtigsten Marktrisikofaktoren dar.
Zinsrisiken (Mktint)
Das Zinsrisiko betrifft alle Aktiva und Passiva, deren Wert unmittelbar von Veränderungen in der Zinsstrukturkurve
oder der Zinsvolatilitäten beeinflusst wird. Zinsrisiken werden durch Diskontierung der Aktiva und Passiva mit
zwei Schockzinskurven gemessen, von denen eine die Veränderung der Ausgangszinskurve nach oben und die
andere eine Bewegung nach unten darstellt. Zwei Szenarien dienen somit der SCR-Bestimmung:
• Upward shock: Verschiebung der Zinsstrukturkurve nach oben
• Downward shock: Verschiebung der Zinsstrukturkurve nach unten
Das relative Ausmaß dieser Verschiebung hängt wie folgt von der Restlaufzeit ab:
Tabelle 1: Schockfaktoren für die Zinskurven im Solvency-II-Standardmodell
Restlaufzeit
t (in Jahren)
≤1
2
3
4
5
6
7
8
9
10
sup(t)
70%
70%
64%
59%
55%
52%
49%
47%
44%
42%
sdown(t)
75%
65%
56%
50%
46%
42%
39%
36%
33%
31%
Restlaufzeit
t (in Jahren)
11
12
13
14
15
16
17
18
19
20
>90
sup(t)
39%
37%
35%
34%
33%
31%
30%
29%
27%
26%
20%
sdown(t)
30%
29%
28%
28%
27%
28%
28%
28%
29%
29%
20%
53
Die Zinskurve nach Veränderung der gegenwärtigen Kurve nach oben, ist gegeben durch:
Analog erhalten wir die Kurve nach einem Zinsschock, welcher zu niedrigeren Zinsen führt:
Nachfolgende Grafik stellt das Prinzip dar:
Abbildung 31: Zinskurvenveränderungen im Solvency-II-Standardmodell
100%
Schock der Zinskurve
80%
60%
40%
20%
0%
–20%
–40%
–60%
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20+
Restlaufzeit
Schock nach oben
Schock nach unten
Für sämtliche zinssensitiven Aktiva (A) und Passiva (L) wird jeweils die Barwertänderung
ermittelt, die sich (a) bei Eintritt des Zinsschocks nach oben und (b) bei Eintritt des Zinsschocks nach unten ergibt. Die simulierten Barwertänderungen werden gegeneinander
aufgerechnet.
Marktwertszenario
A
L
without Mktint = Mktint – Mktint
Szenario Zinsanstieg
A
L
up Mktint = upMktint – upMktint
Szenario Zinsrückgang
A
L
downMktint = downMktint – downMktint
Für jedes der beiden Szenarien wird unter Berücksichtigung möglicher Anpassungen der
zukünftigen Überschussbeteiligung die Veränderung des Net Asset Value, ∆NAV, ermittelt.
Berechnung der jeweils szenariospezifischen Kapitalanforderungen:
Szenario Zinsanstieg
SCR intup = without Mktint – upMktint = ∆NAVintup
Szenario Zinsrückgang
SCR intdown = withoutMktint – downMktint = ∆NAVintdown
54
Für die SCR für Zinsänderungsrisiken ist letztlich maßgeblich, welches der beiden Szenarien eine höhere
Kapitalanforderung impliziert:
SCRint = max {SCRintdown ; SCRintup ; 0}
Spread-Risiken (Mktsp):
Hier werden Auswirkungen der Änderungen von Credit spreads gegenüber dem „risikolosen“ Zins auf den
Marktwert von Kapitalanlagen unter Kreditrisiko analysiert.
Die SCR für Spread-Risiken Mktsp ergibt sich aus den Kapitalanforderungen der Segemente
• Anleihen – Mktspbonds
• Kreditverbriefungen – MktspRPL
• Kreditderivate – Mktspcd
Damit ergibt sich
Mktsp = Mktspbonds + MktspRPL + Mktspcd.
Die Bestimmung der Kapitalanforderungen für Anleihen erfolgt anhand (1) des Marktwertes MV der jeweiligen
Anleihe und (2) eines Risikofaktors FUP , in den die Bonitätsstufe und die modifizierte Duration eingehen. Für ein
Portfolio aus N Anleihen (i = 1, …, N) ergibt sich also eine Kapitalanforderung von
Mktsp = ∑MVi ∙ m (duri) F (Rating ) mit m (duri) = max {min. (duri; Duration Cap); Duration Floor}
Abbildung 32: Risikofaktoren für Credit Spreads im Solvency-II-Standardmodell
Rating
AAA
AA
A
BBB
BB
B or lower
Unrated
Spread shock corporates
Duration
Duration
Fup
floor
cap
0,9%
1
36
1,1%
1
29
1,4%
1
23
2,5%
1
13
4,5%
1
10
7,5%
1
8
3,0%
1
12
Spread shock non-EEA governments
Duration
Duration
Fup
floor
cap
–
–
–
–
–
–
1,1%
1
29
1,4%
1
23
2,5%
1
13
4,5%
1
10
3,0%
1
12
Quelle: European Insurance and Occupational Pensions Authority (EIOPA) (2010)
Dagegen ist bei Kreditverbriefungen der Risikofaktor allein bonitätsabhängig. In diesem Fall gilt:
Mktsprpl = ∑i FiUP * duri * MVi
Bei Kreditderivaten wird die Kapitalanforderung davon abhängig gemacht, welche Veränderung des Net Asset
Value (∆NAV) sich (a) bei einem relativen Spread-Anstiegs von 75% und (b) im Falle eines bonitätsabhängig
festgelegten absoluten Spread-Anstiegs einstellt.
55
Abbildung 33: SCR für Spread-Risiken von Corporates im Solvency-II-Standardmodell
SCR für Spread-Risiken in Prozent des MV
70%
B Corp
BB Corp
Unrated
BBB Corp
A Corp
AA Corp
AAA Corp
60%
50%
40%
30%
20%
10%
0%
0
10
20
30
40
50
Abbildung 34: SCR für Spread-Risiken von Sovereigns im Solvency-II-Standardmodell
SCR für Spread-Risiken in Prozent des MV
50%
B Non-EEA Gov
BB Non-EEA Gov
BBB Non-EEA Gov
A Non-EEA Gov
45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
0
10
20
30
40
50
Währungsrisiken (Mktfx):
Zur Ermittlung des Fremdwährungsrisikos werden je Währung zwei „Schockszenarien“ untersucht:
• Auswirkung eines Fremdwährungskursrückgangs (= Fallen des jeweiligen Wechselkurses) um 25%
• Auswirkung eines Fremdwährungskursanstiegs (= Steigen des jeweiligen Wechselkurses) um 25%
56
Ausnahmen von dieser Regel gibt es bei Währungen, die an den Euro gebunden sind.
Es wird in zwei Schritten vorgegangen:
1) Zunächst werden die Auswirkungen der beiden obigen Szenarien auf den Net Asset Value separat quantifiziert. In jedem Fall wird dann das jeweils ungünstigere Ergebnis zur Ermittlung der Kapitalanforderung für
das Fremdwährungsrisiko herangezogen.
2) Nach Abschluss von Schritt 1 für alle relevanten Fremdwährungen werden die Ergebnisse addiert.
Immobilienrisiken (Mktprop):
Analog ergeben sich Property-Schocks als Stress der Real Estate Benchmark um 25%:
Mktprop = max(∆NAV | propertyshocki,0)
Aktienrisiken (Mkteq):
Aktienrisiken basieren auf zwei Risikofaktoren:
Tabelle 2: Risikofaktoren Aktien
1
2
Indextyp
Global
Other
Schock
39%
49%
Globale Aktien werden um 39% gestresst, andere, z. B. Private Equity, um 49%:
Mkteq = max(∆NAV | equetyshocki,0)
Die Aggregation zu einer Kapitalanforderung für Beteiligungen basiert wieder auf der Wurzelformel mit einer
Korrelation von 0,75:
2
2
Mkteq = √Mktep
1 + Mktep2 + 2 * 0,75 * Mkteq1 * Mkteq2
Konzentrationsrisiken (Mktconc):
Das Konzentrationsrisiko ist die Gefahr unerwarteter Verluste, die aus einem zu geringen Grad der Risikostreuung
in einem Portfolio resultiert. Dieses Marktrisikosubmodul bezieht sich lediglich auf die Konzentration gegenüber
einzelnen Emittenten/Kontrahenten. Andere Dimensionen (z. B. Region, Branche) werden bis dato nicht berücksichtigt.
Ausnahmen: Nicht berücksichtigt werden dabei
• Beteiligungen (> 20% an einem Versicherungsunternehmen oder Kreditinstitut), die nicht der Gruppenaufsicht
unterliegen und deren Beteiligungswert gleichzeitig > 10% der Eigenmittel des beteiligten Unternehmens ist,
• Staatsanleihen aus Staaten der OECD oder EEA sowie
• Termin- und Festgelder (sofern die Restlaufzeit weniger als drei Monate beträgt, der Anlagebetrag drei Millionen Euro nicht überschreitet und die Bank mindestens über ein AA-Rating verfügt).
57
Die Vorgehensweise besteht aus drei Schritten.
1) Bestimmung des Excess Exposure (XSi) für jede Einzeladressedes
Mit Ei = Exposure gegenüber Adresse i und Assets = Gesamtexposure des Portfolios. Die Concentration
Threshold CT wird gemäß nachfolgender Tabelle bestimmt:
Tabelle 3: Konzentrationsrisiken
Rating
AA-AAA
A
BBB
BB or lower
CT
0.03
0.03
0.015
0.015
2. Bestimmung des Konzentrationsrisikos je Einzeladresse (Risk Concentration Requirement = Conci):
Conci = Assets ⋅ XSi ⋅ gi
Die ratingabhängigen Faktoren ergeben sich zu
Tabelle 4: ratingabhängige Faktoren für Konzentrationsrisiken
Rating
AAA
AA
A
BBB
BB or lower
gi
0.12
0.12
0.21
0.27
0.73
3. Die Aggregation der Ergebnisse aus 1 und 2 über alle Adressen ergibt sich auf Basis der nachfolgenden
Formel und unter der Annahme, dass keine Korrelation zwischen den Einzeladressen besteht:
Zusammenfassend ergibt sich für Marktrisiken die folgende Übersicht:
58
Abbildung 35: Übersicht über die Auswirkungen des Marktrisikomoduls im Solvency-II-Standardmodell
• Globaltitel (Aktien aus EWR/OECD) : –39%
• Sonstige Titel (Aktien EM, Hedge Funds, PE): –49%
• QIS 6 des GDV: SA wurde auf –4 % festgesetzt
A
• Upward- und Downward-Faktoren auf die
B
Aktienrisiken
35% – 45%
Zinskurve
• Alle Aktiva und Passiva, die sensitiv auf Veränderungen in der Zinsstrukturkurve und Zinsvolatilitäten
reagieren
StandardModell
Zinsrisiken
• Immobilien-Direktinvestment: pauschal 25%
• Immobilien – Other Equity: 49% (SA: –4%)
C
• Konzentration von Kapitalanlagebeständen beim
D
selben Geschäftspartner
• Bonitätsabhängige Risikozuschläge auf die
aggregierten Schuldner-Exposures E
• Je nach Art der Anlage unterschiedliche Methoden
zur Berücksichtigung von Stressszenarien
• Staatsanleihen: keine Berücksichtigung beim
Spreadrisiko
• Fremdwährungen: Faktor –/–25%
• Bei Währungen, die an den Euro gebunden sind,
ist er allerdings durch einen von EIOPA angesetzten
Faktor zu ersetzen
Property-Risk
25% – 45%
Market Risk
Concentrations
E
Spread
Risk
F
Währungsrisiken
25%
Wechselwirkungen
Basel III ?
Einzelne
Asset-Klassen
erfordern eine
hohe Risikokapitalunterlegung vom
Versicherer
(z.B. Immobilien*,
Aktien etc.)
Die Renditen für
Aktien und
Immobilien müssen
zukünftig
attraktive
Rendite-RisikoProfile aufweisen,
um den Kapitalanforderungen
gerecht zu werden
Der sog. SA ist der symmetrische Anpassungsfaktor zur Vermeidung von prozyklischen Effekten.
Welche Anlageklassen bieten also nach Einführung von Solvency II ein gutes Renditeprofil im Verhältnis zu den
Eigenkapitalanforderungen?
59
Nachfolgende Grafik stellt auf der Basis von Marktdaten vom 21. August 2015 das Verhältnis von Renditen zu
Kapitalanforderungen für wichtige Asset-Klassen dar:
Abbildung 36: Rendite versus Solvency Capital Requirement (SCR) für wichtige Asset-Klassen
(isolierte Betrachtung)
12%
PE
10%
Equity
Rendite
8%
6%
4%
EMU Bank Subordinated
Italy (Gov’t)
2%
Euro HY
Real Estate
EMU Corporate
EMU Covered
France (Gov’t)
German Pfandbriefe
EMU Core (Gov’t)
0%
0%
5%
10%
15%
20%
Solvency
60
25%
30%
35%
40%
45%
61
5 Auswirkungen von Niedrigzinsumfeld und neuen regulatorischen Rahmenbedingungen auf
Banken und Versicherungen
62
63
Die Unternehmen der Finanzbranche sind gegenwärtig einer sehr ungünstigen Kombination von neuen und sich
weiter verschärfenden regulatorischen Rahmenbedingungen und einem Niedrig- bis Nullzinsumfeld ausgesetzt.
Wie beurteilen die Vertreter der Branche den Einfluss von regulatorischen Vorgaben auf die Anlageziele der jeweiligen Unternehmen?
Abbildung 37: Einfluss regulatorischer Vorgaben auf Anlageziele
Und was schätzen Sie, wie viele Unternehmen Ihrer Branche werden ihre selbst gesteckten Anlageziele in 2018
aufgrund neuer regulatorischer Vorgaben NICHT erreichen?
Gesamt
19%
12%
10%
8%
10%
16%
ø
25%
43,4%
Anteil der jeweiligen Klasse in Prozent
ø
Branche
Versicherung, PKV (n=16)
41,2
11,8
17,6
5,9
0
5,9
17,6
28,5%
Versorgungswerk/PK (n=16)
37,5
25,0
12,5
0
0
0
26,0
31,5%
Stiftung (n=16)
11,1
11,1
5,6
11,1
22,2
33,3
5,6
47,1%
Unternehmen (n=19)
4,5
4,5
22,7
4,5
4,5
13,6
45,5
53,5%
Bank/Sparkasse (n=31)
9,7
6,5
0
16,1
12,9
22,6
32,3
54,9%
Kirchliche Einrichtungen (n=1)
50,0
0
0
0
0
0
50,0
35,0%
Kapitalanlage-G. (n=5)
30,0
40,0
10,0
0
20,0
0
0
22,5%
0% bis 10%
Über 10% bis 20%
Über 20% bis 30%
Über 30% bis 40%
Über 40% bis 50%
Über 50% bis 70%
Über 70%
Alle Befragten (n=103, Rest kA)
Immerhin sind 40% der Befragten der Ansicht, dass mindestens 50% der Unternehmen ihrer Branche aufgrund
neuer regulatorischer Rahmenbedingungen ihre Anlageziele nicht erreichen. Die Sichtweise ist auch zwischen den
Branchen sehr unterschiedlich. Offensichtlich spüren Kapitalanlagegesellschaften den geringsten Regulierungsdruck, vermutlich weil sie oftmals nur indirekt betroffen sind, nämlich dann, wenn sie Mandate von Kunden verwalten, die mit neuen regulatorischen Vorschriften konfrontiert sind. Signifikant, aber nicht überraschend ist der
Unterschied in der Sichtweise von Banken und Versicherungen. Während bei Banken der durch Basel III ausgelöste Regulierungsdruck bereits durch zahlreiche weitere regulatorische Initiativen, welche sich teilweise erst in
der Konsultationsphase befinden, verstärkt und damit die bereits stattgefundene Erosion von Profitabilität diverser Geschäftszweige fortgesetzt wird, ist die Situation bei Versicherungen eine andere. Hier steht Solvency II zwar
kurz vor der Einführung, allerdings werden die nachteiligen Effekte von Solvency II auf die Asset Allocation von
Versicherungen von Politik und Aufsichtsbehörden wohlwollender zur Kenntnis genommen, und auch die Novelle
der Anlageverordnung für Versicherungsunternehmen lässt ein Bemühen erkennen, Versicherungsunternehmen
die Kapitalanlage zu erleichtern.
64
Abbildung 38: Einfluss des Niedrigzinsumfeldes auf Anlageziele
Und was schätzen Sie, wie viele Unternehmen Ihrer Branche werden ihre selbst gesteckten
Anlageziele in 2018 aufgrund des Niedrigzinsumfeldes NICHT erreichen?
Gesamt
7% 6% 5% 9%
11%
24%
ø
39%
60,2%
Anteil der jeweiligen Klasse in Prozent
ø
Branche
Versicherung, PKV (n=17)
29,4
5,9
0
5,9
11,8
17,6
29,4
49,4
Versorgungswerk/PK (n=8)
0
25,0
0
12,5
12,5
12,5
37,5
55,4
64,4
Stiftung (n=18)
0
0
5,6
0
11,1
55,6
27,8
Unternehmen (n=22)
4,5
0
13,6
13,6
9,1
13,6
45,5
59,5
Bank/Sparkasse (n=31)
3,2
6,5
3,2
3,2
6,5
25,8
51,6
68,8
Kirchliche Einrichtungen (n=2)
0
0
0
0
50,0
0
50,0
50,0
Kapitalanlage-G. (n=10)
0
10,0
0
40,0
20,0
10,0
20,0
51,8
0% bis 10%
Über 10% bis 20%
Über 20% bis 30%
Über 30% bis 40%
Über 40% bis 50%
Über 50% bis 70%
Über 70%
Alle Befragten (n=104, Rest kA)
Die Antworten auf die Frage nach der Relevanz des Niedrigzinsumfeldes ergeben ein etwas anderes Bild. Hier
sind insbesondere auch Anleger betroffen, welche nicht so stark reguliert sind wie Banken oder Versicherungen,
was im Übrigen auch mit der immer noch sehr starken Ausrichtung deutscher Investoren auf Fixed-IncomeInstrumente zu tun hat.
65
5.1
Banken
Die nachfolgende Grafik zeigt die Entwicklung der Zusammensetzung der Erträge und Aufwendungen deutscher
Banken. Offensichtlich ist, dass für Banken in Deutschland Zinserträge der dominierende Faktor sind, weil der
wesentliche Teil des Geschäftsmodells das Kreditgeschäft in der klassischen Originate-to-hold-Version ist. Einige
Banken in Deutschland, insbesondere die Deutsche Bank, weichen von diesem Muster signifikant ab. Die große
Mehrzahl der Banken ist allerdings auf der Ertragsseite massiv verwundbar, wenn Zinserträge sinken, da diese
fehlenden Einnahmen dann nicht mehr durch gleichzeitig sinkende Refinanzierungskosten ausgeglichen werden
können und gleichzeitig Risiko- und Eigenkapitalkosten steigen.
Abbildung 39: Ertragssituation deutscher Banken
Revenues
400
300
300
200
200
100
100
0
0
19
9
19 0
9
19 4
9
19 5
9
19 6
9
19 7
9
19 8
9
20 9
0
20 0
0
20 1
0
20 2
0
20 3
0
20 4
0
20 5
0
20 6
0
20 7
0
20 8
0
20 9
1
20 0
1
20 1
12
400
Interest
Fees
Financial
Dividends
Other operating
19
9
19 0
9
19 4
9
19 5
9
19 6
9
19 7
9
19 8
9
20 9
0
20 0
0
20 1
0
20 2
0
20 3
0
20 4
0
20 5
0
20 6
0
20 7
0
20 8
0
20 9
1
20 0
1
20 1
12
Expenses
Interest
Fees
Financial
Administrative
Other operating
Note: in billions of Euro.
Quelle: (Kötter, 2013)
Betrachtet man z. B. das Zusammenwirken der quantitativen Anforderungen der Capital Requirement Regulation
(CRR), und hier insbesondere die Leverage Ratio, Net Stable Funding Ratio und Liquidity Coverage Ratio, so folgt,
dass die Kombination von höheren Kapital- und Refinanzierungskosten bei gleichzeitig größerem Anteil von liquideren, dafür im Nullzinsumfeld deutlich niedriger rentierenden Aktiva auf der Bilanz auf die Profitabilität sowohl
des Kreditgeschäfts als auch des Depot-A-Geschäfts einen erheblichen Druck ausübt. Andererseits sind die aggregierten Bilanzsummen des europäischen Bankensektors im Verhältnis zur Wirtschaftsleistung immer noch deutlich
größer als in den USA, und dies auch nach Eliminierung der verzerrenden Einflüsse aufgrund unterschiedlicher
Rechnungslegungsstandards. Große Bankbilanzen in Kombination mit niedriger Profitabilität stellen einen Ausgangspunkt zu neuen systemischen Risiken dar, weil die Banken die ausbleibenden Erträge nicht zum Aufbau von
weiteren Reserven zur Steigerung der Risikotragfähigkeit nutzen können. Somit ist eine umfangreiche Reallokation der von Banken gehaltenen Kreditrisiken innerhalb des Finanzsystems sinnvoll, welche letztendlich dazu führen sollte, dass Banken ihre Rolle mehr auf die eines Finanzintermediärs reduzieren, statt als Endinvestor zu
agieren, während z. B. institutionelle Investoren ihr Anlageuniversum diversifizieren. Die Notwendigkeit einer solchen Entwicklung wurde von vielen Marktteilnehmern in den vergangenen Jahren erkannt, so haben viele Banken und Versicherungen in Kooperation an Loan Funds gearbeitet, die es Banken ermöglichen sollten, Teile ihrer
Kreditrisiken unter angemessenem Risikoselbstbehalt an Versicherungen auszulagern und gleichzeitig den Zugang für Versicherungen zu einer neuen Asset-Klasse zu öffnen. Dieser Trend wird sich mit der Novelle der Anlageverordnung für Versicherungen vom 3. März 2015 sicher weiter beschleunigen, mit der das zulässige Anlagespektrum nun alle Fondstypen nach dem KAGB sind und generell der Zugang zu kollektiven Anlageformen
erleichtert wird.
66
Volkswirtschaftlich ist die Reallokation von Kreditrisiken neben potenziellen günstigen Auswirkungen auf Fremdkapitalkosten gleich aus mehreren Gründen sinnvoll. Zum einen bedeutet eine Krise des Bankensystems dann
nicht notwendigerweise erhebliche Einschnitte in der Kreditversorgung der Realwirtschaft, wie das z. B. 2009 der
Fall war, zum anderen sind Banken auch in vielen Fällen nicht die richtigen Finanzierungspartner, was insbesondere für innovative Start-up-Unternehmen gilt. Aus regulatorischer Sicht wäre eine solche Entwicklung ebenfalls
zu begrüßen, schließlich ist es ja das Kernziel von Basel III, Risikokonzentrationen in Bankbilanzen und in der
Bankenindustrie auf ein Maß zu reduzieren, das das vom Bankensektor ausgehende Systemrisiko beherrschbar
macht.
Wir wollen die sich durch Regulierung und das aktuelle ökonomische Umfeld bzw. die aktuelle Notenbankpolitik
ergebenden Auswirkungen am Beispiel des Zusammenwirkens von Niedrigzinsumfeld und Liquidity Coverage
Ratio im Hinblick auf die aktuelle durchschnittliche Bilanzstruktur von Banken in Deutschland genauer untersuchen. Wir haben bereits erwähnt, dass Banken ihren A-Depots nur dann Assets mit höheren Renditen hinzufügen
können, wenn die Nebenbedingung LCR > 100% erfüllt ist. Einschränkend muss gesagt werden, dass die LCR bis
Anfang 2019 schrittweise implementiert werden muss, aber wir werden zeigen, dass die durchschnittliche Bankbilanz in Deutschland bereits heute (Stand März 2015) die durch die LCR vorgegebene Nebenbedingung vollumfänglich erfüllt.
Unsere Konstruktion der durchschnittlichen Bilanzstruktur einer deutschen Bank basiert auf den aggregierten
Bankstatistiken, welche die Deutsche Bundesbank auf Monatsbasis publiziert. Die verwendeten Daten befinden
sich in Anhang 2. Voraussetzung für eine Aggregation der Daten individueller Banken zu einer einheitlichen
Bilanz ist eine Standardisierung von Rechnungslegungsmethoden und der Darstellung der Bilanzstrukturen individueller Institute, welche von der Bundesbank in diesem Kontext vorgenommen wird. Diese Standardisierung
führt zu dem Nachteil, dass es an einigen Stellen an Detailgenauigkeit fehlt, z. B. kann das Fälligkeitsprofil von
Fixed-Income-Wertpapieren aus den Daten nicht abgelesen werden. Zur Durchführung unserer Berechnungen
ergänzen wir die aggregierten Bilanzdaten um Annahmen, welche wir aus dem Quarterly Financial Report der
Commerzbank AG für das erste Quartal 2015 (vgl. Anhang 1) entnommen haben.
Die verwendeten Daten wurden von der Deutschen Bundesbank im Mai 2015 publiziert und beziehen sich auf
den März 2015. Die Grundlagen dieser Daten basieren auf Berichtspflichten der deutschen Banken im Hinblick
auf ihre Bilanzstrukturen auf Monatsbasis. Es werden von den Banken Informationen über 21 Aktiv- und 23
Passivpositionen bereitgestellt, welche dann zu der in Anhang 1 dargestellten Bilanz aggregiert werden. In dieser aggregierten Bilanz sind die beiden Positionen „Debt Securities and other fixed Interest Securities“ sowie
„Shares and other variable Yield Securities“ von besonderem Interesse, da sie die wesentlichen Komponenten
der Investments auf eigene Rechnung der Banken abdecken. Allerdings müssen diese beiden Positionen für unsere Zwecke in ihre Komponenten aufgespalten werden, wozu wir die in Abschnitt 10 der Monatsberichte bereitgestellten Informationen nutzen. Für die sich daraus ergebende aggregierte Bilanz teilen wir die Größe der
einzelnen Positionen durch die Anzahl der Banken, welche eine Berichtspflicht haben (1.804 Institutionen, Stand
März 2015), und erhalten damit die nachfolgende Bilanz, die Grundlage unserer weiteren Berechnungen ist:
67
Abbildung 40: repräsentative Bilanz deutscher Banken im März 2015
Repräsentative Bankbilanz, Stand März 2015
Aktiva (in EURm)
4.558,58
Cash in Hand
8,59
Balances with Central Banks
64,12
Treasury Bills and Treasury Discount Paper
1,77
Bills
0,32
Unsecuritised Lending to Banks (MFIs)
1.148,22
Unsecuritised Lending to Non-Banks (non-MFIs)
1.766,00
Debt Securities and other fixed Interest Securities
658,56
Bank Debt Securities (domestic)
197,59
of which: Maturity of up to (incl.) 2 Years
3,02
of which: Maturity of more than 2 Years
194,57
Public Debt Securities
140,21
of which: Issued by Federal Governments and its special Funds 17,24
Corporate Debt Securities (non-MFIs)
27,84
Bank Debt Securities (foreign)
126,82
Bonds and Debt Securities issued by foreign Non-Banks
155,22
Money Market Paper
10,87
Shares and other variable Yield Securities
119,45
Shares (incl. Participation Certificates) (domestic)
21,90
of which: Shares issued by Banks (MFIs)
0,98
Mutual Fund Shares, other Securities (domestic)
72,61
of which: Mutual Fund Shares issued by Banks (MFIs)
0,23
Shares, mutual fund shares and other securities (foreign)
24,93
Participating Interests
20,68
Shares in affiliated Enterprises
50,64
Fiduciary Assets
30,33
of which: Fiduciary Loans
23,73
of which: Securities held on fiduciary Basis
0,48
Tangible Assets
14,76
Other Assets
675,13
of which: Trading Portfolio Derivatives
550,04
Memo Item: Rediscount Credit
0,33
Total Equity (in EURm)
of which: Subscribed Capital
of which: Reserves
212,41
58,34
154,06
Memo Item: Sureties
127,94
Balance Sheet Volume
Balance Sheet Volume
4.558,58
Passiva (in EURm)
Liabilities to Banks (MFIs)
Liabilities to Non-Banks (non-MFIs)
Sight and Time Deposits
Saving Deposits
Bank Savings Bonds
Securitised Debts
of which: Debt Securities in Issue
of which: Money Market Paper in Issue
Fiduciary Liabilities
of which: Fiduciary Loans
of which: Securities issued on fiduciary Basis
Value Adjustments
Provisions for Liabilities and Charges
Subordinated Liabilities
Participation Rights Capital
Fund for general Banking Risks
Other Liabilities
of which: Trading Portfolio Derivatives
4.346,17
1.021,21
1.857,31
1.484,76
339,91
32,63
648,74
585,24
62,63
30,33
23,73
0,42
4,25
35,48
41,59
6,52
40,85
659,89
550,04
4.558,58
Quelle: Göhring, 2015
Es ist nicht überraschend, dass mit 658,56 Millionen Euro gegenüber 119,45 Millionen Euro die Fremdkapitalinstrumente bei Weitem das Volumen von Investments in Beteiligungen dominieren. Interessanter ist ein genauerer Blick auf die Position „Other Assets“, welche mit 675,13 Millionen Euro eine beachtliche Größe hat und
gleichzeitig stark gewachsen ist, ausgehend von einem Volumen von 110,88 Millionen Euro im Jahr 2007. Die
Mehrheit der unter „Other Assets“ subsumierten Positionen besteht aus Derivaten, welche dem Treasury der
Bank zuzuordnen sind (550,04 Millionen Euro). Auch wenn keine Detailinformationen über die Zusammensetzung des Derivateportfolios zur Verfügung stehen, so ist es doch eine plausible Annahme, dass diese gestiegenen
Aktivitäten dem Risikomanagements der Bank zuzuordnen sind.
68
5.1.1
Berechnung der durchschnittlichen Liquidity
Coverage Ratio für deutsche Banken
Folgende Annahmen und Informationen wurden bei der Berechnung benutzt:
High Quality Liquid Assets (HQLA)
• Für die Kategorien Bargeld (Cash in Hand) und Einlagen bei der Zentralbank (Balances with Central Banks)
sowie Treasury Paper, Treasury Discount Paper und Bills werden 100% ihrer Nominalvolumina auf die HQLA
angerechnet. Bei den letzten drei Kategorien ist eine genauere Analyse auch aufgrund der vernachlässigbaren
Größe nicht notwendig
• Schuldinstrumente, welche von Banken emittiert wurden (Bank Debt Securities), werden von unserer Betrachtung ausgeschlossen, da sie nicht zulässig sind als Level-1- und -2A-Aktiva. Selbst wenn solche Wertpapiere
als Level-2B-Aktiva klassifiziert würden, würde dies für unsere Berechnungen keine Rolle spielen, da das Gesamtvolumen von Level-2B-Assets auf der Bankbilanz den für diese anwendbaren Cap von 15% übersteigt
• Für die Kategorie der öffentlichen Schuldverschreibungen (Domestic Public Debt Securities) kann, sofern sie
von einer EU-Zentralregierung emittiert wurden, der Status von Level-1-Aktiva und damit ein Haircut von 0%
angenommen werden. Für regionale Emittenten, wie z. B. deutsche Bundesländer, kann lediglich dann eine
Zuordnung zu Level 1 angenommen werden, wenn ein regulatorisches Risikogewicht von 0% zur Anwendung
kommt, andernfalls erfolgt eine Zuordnung zu Level 2A. Auch wenn damit u. a. die von einigen deutschen
Bundesländern emittierten Schuldverschreibungen der Kategorie Level 2A zugeordnet werden mit einem daraus resultierenden Haircut von 15%, so ist dieser Effekt aufgrund des relativ kleinen Anteils regionaler Emittenten (12,29%) am Gesamtvolumen öffentlicher Schuldverschreibungen vernachlässigbar
• Die Klassifizierung von Schuldverschreibungen, die von Unternehmen emittiert wurden, die nicht der Finanzbranche zuzuordnen sind (Corporate Debt Securities/non-MFIs), unterliegt einer Reihe von Unsicherheiten.
Unter den Voraussetzungen, dass für eine Schuldverschreibung ein Emissionsvolumen von mindestens 250
Millionen Euro und eine maximale Laufzeit von zehn Jahren vorliegt, kann bei einem Mindestrating von AA–
eine Klassifizierung als Level-2A-Instrument erfolgen. Ein Mindestrating von BBB– lässt noch eine Zuordnung
zu Level 2B zu. Die von uns verwendeten Statistiken der Deutschen Bundesbank enthalten keine Ratingverteilungen der von Banken gehaltenen Schuldverschreibungen von Unternehmen. Allerdings liegt das durchschnittliche Rating europäischer Corporates bei BBB und eine Studie der EZB (European Central Bank, 2012)
gibt die durchschnittliche Laufzeit ausstehender deutscher Unternehmensschuldverschreibungen für das Jahr
2011 mit 4,8 Jahren an. Aus diesem Grunde klassifizieren wir die Position „Domestic and Foreign Corporate
Debt Securities“ als Level-2B-Assets und adjustieren deren Wert durch Anwendung eines Haircuts von 50%.
Für Geldmarktpapiere (Money Market Paper) wählen wir dieselbe Vorgehensweise und wenden einen Haircut
von 50% an. Unabhängig davon ist der Anteil von Geldmarktpapieren mit durchschnittlichen 0,24% vernachlässigbar
• Beteiligungsinstrumente (Shares and other Variable Yield Securities) können entweder als Level 2B Assets
oder gar nicht in den HQLA berücksichtigt werden. Beteiligungsinstrumente, welche von Finanzinstitutionen
emittiert wurden, sind nicht für die HQLA zulässig, die anderen ordnen wir den Level-2B-Aktiva zu mit einem
anwendbaren Haircut von 50%
69
Erwartete Zahlungsmittelabflüsse
• Da in den Statistiken der Deutschen Bundesbank die Fälligkeiten der Verbindlichkeiten nicht im Detail dargestellt sind, legen wir die Fälligkeitsprofile der Commerzbank unseren Betrachtungen zugrunde (vgl. Anhang 1).
Die aufgeführten täglichen Verbindlichkeiten werden zu 100% berücksichtigt, während wir für diejenigen, die
in maximal drei Monaten fällig werden, annehmen, dass 50% eine Fälligkeit in maximal 30 Tagen haben und
somit LCR-relevant sind
• Dementsprechend haben Verbindlichkeiten gegenüber Banken (Liabilities to Banks/MFIs) eine Abflussrate von
100%, falls die Dauer bis zur Fälligkeit maximal 30 Tage beträgt, andernfalls fließen sie in die Betrachtung
nicht ein
• Für Verbindlichkeiten gegenüber Nichtbanken (Liabilities to Non-Banks/non-MFIs) muss zwischen stabilen
und weniger stabilen Einlagen von Privat- sowie kleineren und mittleren Unternehmenskunden unterschieden
werden. Für stabile Einlagen wird im LCR-Stressszenario eine Abflussrate von 5% angenommen, für weniger
stabile 10%. Allerdings wird eine solche Differenzierung in den Statistiken der Deutschen Bundesbank nicht
vorgenommen, sodass wir den konservativen Ansatz wählen und eine Abflussrate von 10% annehmen
• Sparbriefe (Savings Deposits and Bank Savings Bonds) weisen gewöhnlich eine Kündigungsfrist von drei
Monaten auf und haben somit auf die LCR-Berechnung keinen Einfluss
• Für verbriefte Schuldinstrumente (Securitised Debt) gilt eine angenommene Abflussrate von 100%, allerdings
nur für die, die eine Fälligkeit in maximal 30 Tagen aufweisen
• Für Treuhandkonten (Fiduciary Liabilities) gilt eine Abflussrate von 100%, allerdings sind sie mit einem Anteil
von 0,70% der Passiva oder 30,33 Millionen Euro irrelevant
• Für Zinsderivate nehmen wir Fälligkeiten in über 30 Tagen an, während wir für FX- und andere Derivate Fälligkeiten in bis zu 30 Tagen annehmen
Erwartete Zahlungsmittelzuflüsse
• Wir analysieren alle relevanten Zahlungsflüsse, welche in einem Zeithorizont von bis zu 30 Tagen wirksam
werden
• Wir legen die Fälligkeitsprofile der Commerzbank zugrunde und berücksichtigen alle täglichen Fälligkeiten
und 50% der Fälligkeiten in bis zu drei Monaten
• Für Fälligkeiten, welche nicht spezifiziert sind, nehmen wir einen Zufluss von 20% an (vgl.
(Commission, 2014, S. 7)
70
Zusammenfassend erhalten wir damit:
Tabelle 5: Berechnung der durchschnittlichen Liquidity Coverage Ratio für deutsche Banken
Liquidity Coverage Ratio – Zusammenfassung
Stock of HQLA*
Level 1 Assets
Level 2A Assets
Level 2B Assets
Expected Cash Outflows
Liabilities to Banks (MFIs)
Sight and Time Deposits
Saving Deposits
Bank Savings Bonds
Securitised Debts
Fiduciary Liabilities
Value Adjustments
Provisions for Liabilities and Charges
Subordinated Liabilities
Participation Rights Capital
Fund for general Banking Risks
Other Liabilities
of which: Trading Portfolio Derivatives
Expected Cash Inflows
Unsecuritised Lending to Banks (MFIs)
Unsecuritised Lending to Non-Banks (non-MFIs)
of which: No maturity given
Liquidity Coverage Ratio**
März 2015
265,54
197,78
14,65
156,09
940,23
592,67
101,55
0,00
0,00
32,50
30,33
0,00
0,00
0,00
0,00
0,00
0,00
183,18
871,52
761,88
66,12
43,52
112,97%
* HQLA nach Berücksichtigung der Caps von 15% bzw. 40%
** LCR nach Berücksichtigung eines minimalen Abflusses von 25% der gesamten erwarteten Abflüsse
Quelle: Göhring, 2015
Aus einem durchschnittlichen Ergebnis von ca. 113% zum Ende des ersten Quartals 2015 ergibt sich, dass der
Durchschnitt der deutschen Banken die Liquidity Coverage Ratio bereits jetzt zu 100% erfüllt statt zu 60%, wie
im Jahr 2015 gefordert. Dieses Ergebnis harmoniert auch mit den Resultaten einer Bundesbankstudie aus dem
Jahre 2013 (vgl. Deutsche Bundesbank, 2013), in der zwei Gruppen von Banken untersucht wurden. Eine Gruppe
erzielte einen durchschnittlichen LCR-Level von 99,7% und die zweite einen von 129,5%.
Depot-A-Performance
Für die in den nachfolgenden Berechnungen verwendeten Datengrundlagen und -quellen verweisen wir auf
Anhang 1. Wir stellen ohne Quellenangaben in den folgenden Tabellen die verwendeten Zahlen für die verschiedenen Portfoliokomponenten dar und aggregieren sie zu Performancezahlen für das Gesamtportfolio für die
Jahre 2005, 2010 und 2014.
71
Cash and Cash Equivalents
Tabelle 6: Yield Overview – Cash and Cash Equivalents
Cash and Cash Equivalents
Yield 2005
Yield 2010
Yield 2014
Cash in Hand
+ 0.00%
+ 0.00%
+ 0.00%
Balances with Central Banks
+ 1.02%
+ 0.25%
– 0.09%
Total Return
+ 0.08%
+ 0.02%
– 0.01%
Quelle: Göhring, 2015
Fixed Income Securities
Tabelle 7: Yield Overview – Fixed Income Securities
Fixed Income Securities
Yield 2005
Yield 2010
Yield 2014
Treasury Bills and Treasury
Discount Paper
+ 3.17%
+ 2.43%
+ 1.03%
Bills
+ 3.17%
+ 2.43%
+ 1.03%
Bank Debt Securities (domestic)
+ 3.05%
+ 2.66%
+ 0.89%
Public Debt Securities
+ 3.17%
+ 2.43%
+ 1.03%
of which: Issued by Federal
Governments and its special
Funds
+ 3.17%
+ 2.43%
+ 1.03%
Corporate Debt Securities
(Non-MFIs)
+ 3.70%
+ 4.03%
+ 2.95%
Bank Debt Securities (foreign)
+ 3.72%
+ 3.00%
+ 1.72%
Bonds and Debt Securities issued
by foreign Non-Banks
- 0.17%
+ 6.42%
+ 3.83%
Money Market Paper
+ 2.09%
+ 0.44%
+ 0.10%
Total Return
+ 2.46%
+ 3.58%
+ 1.84%
Quelle: Göhring, 2015
Equity-linked Securities
Tabelle 8: Yield Overview – Equity-linked Securities
Equity-linked Securities
Yield 2005
Yield 2010
Yield 2014
Domestic Shares
(incl. Participation Certificates)
+ 27.07%
+ 16.06%
+ 2.65%
of which: Shares issued by Banks
+ 38.72%
- 10.22%
- 15.79%
Domestic Mutual Fund Shares,
other Securities
+ 27.07%
+ 16.06%
+ 2.65%
Shares, mutual Fund Shares and
other Securities (foreign)
+ 7.56%
+ 9.55%
+ 2.93%
Total Return
+ 23.09%
+ 14.49%
+ 2.56%
Quelle: Göhring, 2015
72
Performance-Berechnung
Tabelle 9: Total Portfolio Return Calculation
Total Portfolio
Yield 2005
Yield 2010
Yield 2014
Cash and Cash Equivalents
+ 0.08%
+ 0.02%
- 0.01%
Fixed Income Securities
+ 2.46%
+ 3.58%
+ 1.84%
Equity-linked Securities
+ 23.09%
+ 14.49%
+ 2.56%
Total Portfolio Return
+ 5.22%
+ 4.82%
+ 1.78%
Quelle: Göhring, 2015
Wir stellen also fest, dass die durchschnittliche Performance des Depot-A-Portfolios von ca. 5,2% im Jahre 2005
auf ca. 1,8% im Jahre 2014 gesunken ist. Auch wenn klar ist, dass dies ein erheblicher Ertragseinbruch für Banken ist, welche ja traditionell in ihrem Depot A eine Kombination der Anlageziele Liquidität, angemessener Ergebnisbeitrag sowie Risikodiversifikation verfolgen, muss natürlich auch berücksichtigt werden, dass im Niedrigzinsumfeld und aufgrund der Geldpolitik der EZB die Refinanzierung erheblich günstiger geworden ist, was einen Teil
der zurückgegangenen Renditen kompensiert. Auf der anderen Seite müssen die Banken eine Bilanzpolitik betreiben, welche in Zukunft auch eine Erfüllung der ALM-Kennziffer Net Stable Funding Ratio (NSFR) sicherstellt. Hier
werden Zahlungsströme der Aktiv- wie Passivseite unter einem einjährigen Stressszenario auf erforderliche und
verfügbare Refinanzierung geprüft. Somit führt die LCR tendenziell zu einem höheren Anteil von Aktiva mit niedrigeren Renditen, was durch das gegenwärtige Zinsumfeld noch massiv verstärkt wird, und die NSFR gleichzeitig
zu höheren Refinanzierungskosten.
73
5.1.2
Kosten der Liquiditätsreserve
Funds Transfer Pricing (FTP) ist ein bankinternes Verfahren, um Refinanzierungskosten zu bestimmen. Bei diesem
Verfahren wird der Transfer von Zahlungsmitteln innerhalb der Bank als interner Vertrag zwischen dem Funding
Center (Treasury) und den Profit Centers modelliert. Die Profit Centers behalten in diesem Modell die Zahlungen
von Kunden nicht ein, sondern verkaufen sie an das Funding Center weiter, das die Refinanzierung am Geld- und
Kapitalmarkt vornimmt. Fast alle Bankprodukte haben Einfluss auf die Liquiditätssituation. Banken stellen den
Kunden traditionell „Liquiditätsoptionen“ zur Verfügung. Dies kann sowohl bei den Aktiva (Liquiditätsverbraucher, z. B. Kreditlinien) geschehen als auch bei den Passiva (Liquiditätsversorger, z. B. Spareinlagen). Produktabhängig wird also Liquidität generiert oder verbraucht und eventuell werden Liquiditätsrisiken in die Bank
hineingebracht (vgl. Heidorn und Schmaltz, 2009).
Nachfolgendes Beispiel zeigt die Kosten der notwendigen Liquiditätsreserve auf Basis interner Fund-TransferPreise einer großen europäischen Bank auf Basis von Daten vom 26. September 2014:
Abbildung 41: Kosten der Liquiditätsreserve auf Basis von internen Verrechnungspreisen
17,1 bn
@ aktueller*
interner FTP
= EONIA
∼ 0,00 bp
21,6 bn
@ gegenwärtiger*
Durchschnitt
∼ –0,04 bp
Sichteinlagen
@ aktueller*
Zinssatz
= – 20 bp
40,5 bn
@ aktueller*
interner FTP
= 1 m Passivkurve ∼ 2 bp
Savings
dep.
EZB
0 bn
Liquide
Aktiva
4,5 bn
EZB
Einlage
@ aktueller*
Zinssatz
= – 20 bp
Passiva
5,3 bn
@ aktueller*
interner FTP
= 3 m Passivkurve ∼ 9 bp
Com. Term
Dep.
Liquiditäts-Reserve*
3,5 bn
@ aktueller*
interner FTP
= mix 1–12 m
Passivkurve
∼ 29 bp
ST
Wholesale
Aktiva
12,8 bn
@ aktuelle*
Kosten
∼ 32 bp
62,1 bn
* Daten per 26. September 2014
@ gegenwärtiger*
Durchschnitt
∼ 10,0 bp
Das Beispiel zeigt, dass die Liquiditätsreserve eine „Cost of Carry“ (Refinanzierungskosten übersteigen die Renditen der Aktiva) generiert. Insbesondere Level-1- und Level-2A- und mit Abstrichen auch Level-2B-Assets bestehen aus Wertpapieren, für die eine hohe strukturelle Nachfrage am Markt besteht und die deswegen niedrige
und zum Teil auch negative Renditen aufweisen. Zum einen schafft die EZB im Kontext von QE und ihren diversen Kaufprogrammen eine erhöhte Nachfrage nach Staatsanleihen, Pfandbriefen und aufgrund von ABSPP sogar
nach Senior-Tranchen von Verbriefungen. Zum anderen benötigen Banken und andere Finanzinstitutionen auch
die Wertpapiere, welche für die Erfüllung der LCR zulässig sind, für andere Zwecke, wie z. B. als Collateral im
74
Derivategeschäft, und zwar sowohl für Central Clearing Counterparties als auch für bilateral gecleartes Geschäft
auf Basis eines sog. Margin Agreement (z. B. ISDA Credit Support Annex). In gegenwärtigen Risikomanagementstrategien werden oft Eigenkapitalunterlegungen in Collateral-Anforderungen transformiert („Collateral is the
new Capital“), was zunehmende Nachfrage schafft und damit dann die Renditen für akzeptable Sicherheiten
drückt. Auf dieser Basis wird auch aufgrund potenzieller Margin Calls eine Korrelation zwischen steigenden Volatilitäten von Marktpreisen und Nachfrage nach genau diesen zulässigen Sicherheiten geschaffen und damit das
Risiko von sog. „Shortages of Collateral“ erhöht.
Banken managen die Aktiva ihrer Bilanz, die als Sicherheiten für Repo- und Derivategeschäft und/oder für die
Liquiditätsreserve zulässig sind, unter nachfolgenden Rahmenbedingungen.
Zusammenfassend lässt sich sagen:
• Banken betreiben ein umfangreiches Securities-Finance- und Derivategeschäft
• Durch Markttrends und regulatorische Veränderungen (EMIR, Dodd-Frank Act, etc.) wächst der Anspruch an
besichertes Geschäft
• Hieraus entsteht hoher Bedarf an Wertpapiersicherheiten (Collaterals); die Großbanken unterhalten dafür
Portfolios im zweistelligen Milliarden-Euro-Bereich
• Diese Collaterals sind unterschiedlichen Geschäftstypen zugeordnet, die wiederum aus verschiedenen
Collateral-Pools bedient werden
• Beispiele für diese Sicherheitenportfolios sind EZB, Triparty-Agenten, GC Pooling, KAGplus, Futures-Börsen,
CCP und bilaterale Geschäfte
• Mit jeder dieser Plattformen sind verbunden:
– spezifische Geschäftsarten
– Anforderungen an den Typ des akzeptablen Collateral und dessen Anrechnung (Haircut)
• Die Wertpapiere, die als Sicherheiten für o. g. Zwecke akzeptabel sind, haben eine große Übereinstimmung
mit den Wertpapieren, die für die Erfüllung der LCR zulässig sind, und sie sind gleichzeitig auch Ziele diverser
Ankaufprogramme der EZB
• Die Wertpapiere, die für o. g. Zwecke akzeptabel sind, gehören gleichzeitig auch zum Core-Investmentuniversum großer institutioneller Investoren, wie z. B. Versicherungen
Durch die hohe strukturelle Nachfrage sind somit die Renditen für Level 1 und Level 2 Assets sehr niedrig. Falls
die Liquiditätsquote mindestens 100% beträgt und die Summe der Marktwerte aus liquiden Level-1- und -2-Aktiva größer als die Nettoabflüsse in maximal 30 Tagen ist, dann ist der darüber hinausgehende Depot-A-Bestand
frei gestaltbar. Da die durchschnittliche Bank im Moment einen LCR-Level von ca. 113% hat, ist der wesentliche
Anteil des Depots A ohne bilanzpolitische Maßnahmen durch die Liquiditätsreserve determiniert. Der überwiegende Teil der Anlagevolumina im Depot A liegt in Renten- bzw. Geldmarktpapieren, welche in eine der beiden
Kategorien Level 1 und Level 2 fallen. Die Aktienquote und der Immobilienbestand sind meist unterhalb von 5%
und Genussscheine, Rohstoffe, Private Equity etc. sind lediglich geringfügige Beimischungen. Sondervermögen
sind oftmals Bestandteil des Depots A und können maximal zu 85% auf die Liquiditätsreserve angerechnet werden, falls sie ausschließlich aus Level-1- und Level-2A-Aktiva bestehen. Dies macht eine Prüfung und ggf. Anpassung der Fondsrichtlinien notwendig, soweit die Nutzung dieser Bestände für die Berechnung der LCR-Kennziffer
vorgesehen ist.
Die Nutzung von Derivaten zur Risikosteuerung ist gestiegen. Der bisherige OTC-Derivate-Markt wird sich aufteilen in standardisierte Derivate (CCPs, weniger flexibel) und nicht standardisierte Derivate (OTC, flexibel). Für
standardisierte Derivate sinken die EK-Anforderungen, aber die Anforderungen an die Qualität von Sicherheiten
75
steigen. Insgesamt verteuern sich Finanzdienstleistungen, die von Handelsbuchinstituten im OTC-Bereich erbracht
werden, durch Neuregelungen, die sich aus BCBS 265 (Fundamental Review of the Trading Book) ergeben.
Die aufgrund des hohen strukturellen Nachfragedrucks niedrigen Renditen der Wertpapiere, die den Löwenanteil
des Depots A ausmachen, dürften durch in Zukunft anstehende regulatorische Änderungen weiter sinken. Der
neue Standardansatz für Kreditrisiken impliziert z. B., dass Risikogewichte für Banken und Unternehmen künftig
von zwei Faktoren statt externen Ratings abhängig sind. Die Mehrzahl der großen Banken bzw. Unternehmen in
Europa befindet sich im Ratingsegment A bis BBB+ bzw. BBB+ bis BBB–. Durch den neuen Standardansatz werden sich die Refinanzierungskosten von Banken und Unternehmen mehr differenzieren und die relativen Renditen
für gute Risiken weiter sinken.
Vor der Krise haben zahlreiche deutsche Banken sog. Kreditersatzgeschäft betrieben und in diesem Rahmen
große Portfolios an Asset Backed Securities und zum Teil kapitalgarantierten Exposures zu weiteren Asset-Klassen, wie z. B. Hedgefonds, aufgebaut. Bis heute sind in den Banken sog. „Non Core Asset Units“ mit dem Abbau
dieser Wertpapiere beschäftigt. Für Aktivitäten ähnlicher Art gibt es auf mittlere Sicht keinen regulatorischen
Spielraum.
Bei einer durchschnittlichen Höhe der LCR von 113% gibt es auch nur einen geringen Freiheitsgrad, um im
Depot A in Wertpapieren mit höheren Renditen zu investieren. Um hier mehr Freiraum zu haben, müsste durch
bilanzstrategische Maßnahmen der Abfluss an Zahlungsmitteln verringert bzw. der Zufluss erhöht werden. Da
die Anrechnung des Letzteren auf 75% der Abflüsse beschränkt ist, was bei der durchschnittlichen Bankbilanz
bereits der Fall ist, liegt es nahe, sich auf Ersteres zu konzentrieren. Hier wiederum bietet es sich an, die Verbindlichkeiten gegenüber Banken weiter zu reduzieren, was auch aus Gründen der Net Stable Funding Ratio erforderlich ist. Neben den Auswirkungen auf die Refinanzierungskosten muss allerdings berücksichtigt werden, dass die
Möglichkeiten auch hier limitiert sind. So ist u. a. eine strategische Verlagerung hin zu mehr Einlagen von Privatund Firmenkunden aufgrund eines sehr kompetitiven Bankenmarktes in Europa nicht so ohne Weiteres möglich.
Aber selbst wenn eine Umgestaltung der Passivseite, welche die Abflüsse im Sinne des LCR-Stressszenarios signifikant reduzieren würde, möglich wäre, unterlägen die daraus resultierenden Möglichkeiten für andere Asset Allocations im Depot A zahlreichen weiteren Nebenbedingungen, welche durch das nachstehende lineare Programm
formalisiert werden können (Schmaltz, 2014).
Tabelle 10: lineares Programm mit Nebenbedingungen aus der CRR
max
xi
Σ
(ObjF )
8% ⋅ i∈AΣ
& OBS rwi ⋅Xi
≤
CT1 + CT2
(CR )
3% ⋅ i∈AΣ& OBS 100% ⋅Xi
≤
CT1
(LR )
100% ⋅ i∈A & OBS rsfi ⋅Xi
≤
Σ in ⋅X
( 1 – hci ) ⋅ Xi + 100% ⋅ i ∈ANR i i
≥
Σ Xi
=
i ∈A
76
Ci ⋅Xi
–
Σ
i∈AR
Σ
Σi (mi ⋅ Xi – ai ⋅ IIXi – Xi InitialII)
i∈ {CT1, CT2 }
Σ
asfi ⋅Xi
(NSFR )
Σ
outi ⋅Xi
(LCR )
i ∈L
100% ⋅
i ∈ L & OBS
Σ Xi
i ∈L
(BSEqual )
Dabei haben die Symbole in der Zielfunktion (ObjF) die nachstehend erläuterte Bedeutung:
•
•
•
•
•
•
Xi:
mi:
ai:
Ci:
CT1:
CT2:
Volumen des Geschäftstyps i
Profitabilitätsmarge des Geschäftstyps i
Anpassungskosten zur Expansion/Verkleinerung des Geschäftstyps i
Kapitalkosten für Kapital des Typs i (Kernkapital/Core Tier 1, Tier 1, Tier 2)
Tier-1-Kapital
Tier-2-Kapital
Die Symbole in den Nebenbedingungen (CR, LR, NSFR, LCR, BSEqual) haben folgende Bedeutung:
•
•
•
•
•
•
•
•
•
•
•
A:
L:
R:
OBS:
AR:
ANR:
ini:
outi:
hci:
rwi:
rsfi/asfi:
Aktiva
Passiva
Reserve
außerbilanzielle Positionen
Aktiva, welche für die Erfüllung der Liquidity Coverage Ratio zulässig sind
Aktiva, welche für die Erfüllung der Liquidity Coverage Ratio nicht zulässig sind
Zahlungsmittel-Rückfluss-Rate von Finanzprodukt i im LCR-Stressszenario
Zahlungsmittel-Abfluss-Rate von Finanzprodukt i im LCR-Stressszenario
regulatorischer Haircut der liquiden Aktivposition i
regulatorisches Risikogewicht von Aktivposition i
erforderliches/verfügbares Funding für Finanzprodukt i
Eine Änderung in der Bankbilanz führt somit zu einer Veränderung des Vektors (X1,…,Xn). Jede strategische
Anpassung in der Bankbilanz unterliegt demgemäß multidimensionalen Nebenbedingungen, welche durch Eigenkapitalanforderungen, Limitierung des Leverage und Liquiditäts- sowie Refinanzierungsgesichtspunkte determiniert sind. Hinzu kommt, dass dies nur die regulatorischen Rahmenbedingungen der Säule 1 sind, es kommen
zahlreiche weitere Aspekte der Säule 2, der ökonomischen Kapitalsteuerung und des immer wichtiger werdenden
optimalen Managements der Sicherheiten hinzu. Erschwerend ist weiter, dass die regulatorischen Reformen bei
Weitem nicht abgeschlossen sind. So ergeben sich durch Initiativen wie Fundamental Review of the Trading Book,
den neuen Standardansatz für Kreditrisiken, Interest Rate Risk in the Banking Book (IRRBB) und Anforderungen
an Bail-in-fähiges Kapital (TLAC, MREL) zahlreiche Unsicherheiten für die künftige Kapitalplanung. Da im gegenwärtigen Niedrigzinsumfeld höhere Renditen nur mit deutlich erhöhten Liquiditäts- oder Kreditrisiken erzielt werden können (vgl. Abbildung 42), stehen Kapital-, Leverage- und Liquiditätsquoten einer Anpassung der strategischen Asset Allocation im Depot A im Wege. Vor der Krise wurden regulatorische Anforderungen durch Methoden des Financial Engineering (Erzielung hoher Ratings, Kapitalgarantien, Einsatz von Liquiditätsfazilitäten etc.)
reduziert. Diese Methoden der regulatorischen Arbitrage sind im gegenwärtigen Umfeld nicht möglich. Aus diesem Grunde sind im Moment keine langfristigen Umschichtungstendenzen in den A-Depots der Banken sichtbar
und die Struktur der A-Depots ist mit Blick auf die Liquiditätsreserve weitestgehend determiniert.
77
5.2
Versicherungen
Das gegenwärtige Niveau des Garantiezinses für Neuverträge deutscher Lebensversicherungen liegt bei 1,25%.
Kalkuliert man jedoch den Durchschnitt der Garantiezinsen für die bestehenden Altverträge der deutschen
Lebensversicherungsindustrie, so ist, basierend auf Zahlen des GDV, von einem Level von ca. 3,3% auszugehen.
Die nachfolgende Grafik setzt die gegenwärtigen Renditen für Wiederanlage von wichtigen Asset-Klassen in
Relation zu der durchschnittlichen Höhe der Garantien (Zahlen vom 21. August 2015):
Abbildung 42: Renditekurven wichtiger Asset-Klassen
5,00%
Corporates HY (BB–)
Corporates BBB
EM Governments BB
4,00%
EM Governments BBB
Garantiezins
Rendite in Prozent
3,00%
Corporates A
Corporates AA
Financials A+
EMU Covered
2,00%
EUR Governments AA bis A–
EUR Gov BBB
AAA Pfandbriefe
1,00%
Bundesanleihen
0,00%
0
5
10
15
20
25
30
Laufzeit in Jahren
–1,00%
Quelle: Bloomberg, 2015
Wir gehen bei unseren folgenden Betrachtungen von der in nachstehender Grafik dargestellten Asset Allocation
eines typischen deutschen Lebensversicherers aus. Im Hinblick auf die systemische Verbundenheit unterschiedlicher Bereiche der Finanzindustrie ist hier hervorzuheben, dass Lebensversicherungsunternehmen einen sehr wichtigen Beitrag für die stabile und langfristige Refinanzierung der Banken im Sinne der Net Stable Funding Ratio
leisten, indem sie einen wesentlichen Anteil ihres gebundenen Vermögens in Pfandbriefen, Bank- und Nachranganleihen halten. Hier stellt sich die strategische Frage, ob eine direkte Beteiligung der Versicherungsunternehmen
an den von Banken gehaltenen Assets und die damit einhergehende Reduktion der Risiken im Bankensektor und
Verbesserung der Diversifikation der Asset Allocation in der Versicherungsindustrie der reinen Refinanzierung der
Banken vorzuziehen ist:
78
Abbildung 43: Asset Allocation einer idealtypischen deutschen Lebensversicherung
Staatsanleihen
17,8 %
Pfandbriefe
28,3 %
Bankanleihen
19,4 %
Nachranganleihen
2,9 %
Unternehmensanleihen
8,7 %
High Yield Bonds
1,0 %
Emerging Market Bonds
1,0 %
Aktien
Private Equity
ca. 50%
2,7 %
1,0 %
Immobilien
3,6 %
Hypotheken
Sonstiges
6,6 %
7,0 %
Quelle: BaFin, Boris Sonntag
Das Anlageumfeld für Lebensversicherungen ist also geprägt von mehreren Herausforderungen:
• einem Umfeld mit niedrigen Zinsen
• dem regulatorischen Umfeld, insbesondere Solvency II
• Bedienung der weiterhin hohen Garantieverpflichtungen aus Altverträgen
Es stellen sich folgende Fragen:
1. Welche Optionen haben kapitalschwache und kapitalstarke Versicherungsunternehmen in diesem Umfeld?
2. Wie kann Kapitalanlagepolitik als Instrument zur Solvenzsteuerung dienen?
In den folgenden Betrachtungen orientieren wir uns methodisch an einer Ausarbeitung von Boris Sonntag (2013).
Für die Berechnung wurden die Vorgaben der nationalen QIS-6-Studie, sowie die Marktdaten vom 21. August
2015 verwendet.
• Die idealtypische Asset Allocation aus Abbildung 43 liefert den Ausgangspunkt für unser Basisportfolio,
welches in nachstehender Abbildung 45 den Bezugspunkt darstellt
• Bzgl. der Kapitalunterlegung wurde nur das Marktrisiko und hier das Zins-, Spread-, Immobilien- und
Aktienrisiko gemessen
• Die Aufteilung der Position Investmentanteile wurde geschätzt
• Immobilienrisiken wurden ohne Fremdkapitalunterlegung simuliert
• Für die Berechnung des Zinsrisikos wurden vereinfachende Annahmen getroffen:
– modifizierte Duration für Aktiv- und Passivseite wurde verwendet (anstatt Einzelcashflows)
– Volumen zinssensitiver Aktiva = Volumen zinssensitiver Passiva
79
Die nachfolgende Grafik zeigt die Rendite des Basisportfolios (y-Achse) im Verhältnis zur Solvency Capital Requirement (x-Achse). Des Weiteren werden die Auswirkungen diverser Asset-Reallokationen auf die Rendite und
die SCR berechnet. Die Grafik zeigt klar und deutlich, dass deutliche Renditesteigerungen nur durch eine Inkaufnahme von deutlich steigenden Kapitalanforderungen oder durch regulatorische Arbitrage erreicht werden können. Letzteres bedeutet, dass durch eine Steigerung der Allokation in höher rentierliche Staatsanleihen unter
Ausnutzung der Risikogewichtung von 0% eine Reduktion der Kapitalanforderung bei gleichzeitiger Steigerung
der Rendite erwirtschaftet werden kann:
Abbildung 44: Auswirkung von Allokationsveränderungen für eine typische Lebensversicherung
2,6%
2,5%
+4% Equity
+3% PE
2,4%
–10% Pfandbriefe
2,3%
+5% high yield
+10% Italy
–10% corp
2,2%
+2% EMU Nachrang
–5% EMU core bond
–5% France
+4% Real E
Basic +10% corp
+10% EMU cov.
2,1%
+10% Pfandbriefe
+10% EMU core bond
–2,5% PE
2,0%
1,9%
1,8%
7,0%
7,5%
8,0%
8,5%
9,0%
9,5%
Im Hinblick auf den Return on Solvency Capital (RoSC) im Vergleich zum Basisportfolio gilt Folgendes.
Positiver RoSC (versus Basis)
• Langlaufende „GIIPS“-Staatsanleihen
• Durationsverlängerung
Negativer RoSC (versus Basis)
•
•
•
•
•
80
Unternehmensanleihen
Deutsche Pfandbriefe
Deutsche Immobilien
Staatsanleihen aus den EMU-Kernstaaten
Durationsverkürzung
10,0%
Somit gelten die nachstehend formulierten Kernaussagen:
• Betreiben Versicherungen Wiederanlage mit unveränderter strategischer Asset Allocation, dann wird die
durchschnittliche Rendite der Wiederveranlagung bei nur geringfügig mehr als 2,1% liegen und damit den
durchschnittlichen Level der Garantien erheblich unterschreiten
• Geringfügige Anpassungen der strategischen Asset Allocation können das Problem nicht lösen
• Solvency II begünstigt Anleihen der „GIIPS“-Staaten (Mismatch zwischen ökonomischem und regulatorischem Risiko)
• Durationsverlängerungen sind im gegenwärtigen Umfeld eine der wenigen Optionen, um den RoSC zu
erhöhen. Wir werden unten zeigen, dass eine solche Strategie ebenfalls zu erheblichen Risiken führt, vor
allem bei Zinsanstieg
• Unternehmensanleihen führen im aktuellen Marktumfeld aufgrund niedriger Durchschnittsrendite und hoher
Kapitalbelastung zu schlechtem Return on Solvency Capital. Gleiches gilt auch für deutsche Pfandbriefe
• Eine Differenzierung der Kapitalanlagepolitik wird in der Zukunft durch Einführung von Solvency II zu unterschiedlichen Strategien von kapitalstarken und -schwachen Versicherern führen
• Für kapitalschwache Versicherungen sind Investments in „GIIPS“-Staatsanleihen und Durationsverlängerungen die einzigen beiden Optionen, die im traditionellen Investmentuniversum in großem Volumen umgesetzt
werden können
Der geringe Freiheitsgrad, der zur Verfügung steht, hat zur Konsequenz, dass es in der Gewichtung der verschiedenen Asset-Klassen bei Lebensversicherungen in den letzten Jahren keine nennenswerten Verschiebungen gab.
Die Zahlen des GDV über die Struktur der Kapitalanlagen der Lebensversicherer zeigen, dass sich zwar von Ende
2012 bis Ende 2014 der Anteil der Staatsanleihen um 2% erhöht und der Anteil der Pfandbriefe um 3% reduziert
hat und dass die Aktienquote um 0,8% gestiegen ist. Die in Abbildung 45 dargestellten Sensitivitäten zeigen
aber, dass die Auswirkungen dieser Umschichtungen marginal sind.
Die Nettoverzinsung der Kapitalanlagen lag zwar in den Jahren 2012–2014 immer bei ca. 4,6%, was allerdings
nur durch Auflösung von Bewertungsreserven realisiert werden konnte.
Falls das Zinsumfeld sich mittelfristig nicht signifikant ändert, dann können wir für den weiteren Ausblick von
folgendem Basisszenario ausgehen:
• Versicherungsunternehmen, welche eine starke Kapitalbasis besitzen, werden in Zukunft sicher ihre Kapitalanlagestrategien anpassen, um mit alternativen Risikoprämien zusätzliche Erträge zu generieren. Dies wird
in den Kapitalanlagen zum einen Liquiditäts- und Kreditrisiken, aber zum anderen auch die Diversifikation
erhöhen
• Viele Versicherer, insbesondere die mit einer schmalen Kapitalbasis, werden allerdings an dem Punkt ansetzen,
dass für das Aktiv-passiv-Management von Kapitallebensversicherungen das Zinsänderungsrisiko dominierend
ist, insbesondere mit Blick auf die Solvabilitätsanforderungen, und sich somit auf das Duration Gap Management fokussieren
Das Duration Gap ist die Differenz der mittleren Laufzeit der Aktiva und der mittleren Laufzeit der Verbindlichkeiten, und führt im Standardmodell mittels Mktint zu Eigenkapitalanforderungen. Eine Möglichkeit, diese
zu reduzieren, stellt die Durationsverlängerung der Aktiva dar. Es ist realistisch, basierend auf einer mittleren
Duration der Passiva von 15 Jahren und der Aktiva von acht Jahren, von einem Duration Gap von sieben
Jahren auszugehen.
81
Eine Strategie ist nun, ein Portfolio aufzubauen, welches dieses Duration Gap vollständig ausgleicht, und die
damit erzielte Eigenkapitalersparnis dann zum Investment in Asset-Klassen mit höheren Renditeerwartungen zu
nutzen. Wir haben in Anhang 2 ein typisches Beispiel für ein solches Portfolio dargestellt und in nachfolgender
Grafik die Sensitivität dieses Portfolios im Hinblick auf Szenarien mit steigenden Zinsen kalkuliert:
Abbildung 45: Verteilung des Anlagevolumens auf Länder und Anleihearten
Bundesrep. Deutschland
Niederlande
Frankreich
Italien
Europäische Investitionsbank EIB
Österreich
Spanien
Gesamtvolumen: €m 60,5
Durchschnittl. Restlaufzeit: 15,4 Jahre
Modifizierte Duration: 11,5
Wertänderung bei Zinsschock:
von +100 bp: –10,43%
von +200 bp: –18,72%
Großbritannien
Irland
Belgien
Staatlich
Gedeckt
Ungedeckt
Geldmarkt
Nachrang
Norwegen
Polen
Schweden
USA
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
Für die meisten deutschen Lebensversicherungsunternehmen impliziert dieser Weg also den Aufbau von FixedIncome-Portfolios mit einer Duration von mehr als zehn Jahren und einem durchschnittlichen AA-Rating. Versicherungsunternehmen mit beschränkten Möglichkeiten der Kapitalaufnahme werden sich in ihrer Asset Allocation nicht sehr weit von AA-Bonds wegbewegen können und damit Schwierigkeiten haben, ihren Kunden
attraktive Verzinsungen zu bieten.
Genau an diesem Punkt setzt die Studie von Feodoria und Förstemann (2015) an. Die Autoren stellen fest, dass
das Zinsänderungsrisiko für Lebensversicherer die bedeutendste Risikoart ist. Wir haben uns in unserer Studie bisher auf die Wechselwirkungen der neuen regulatorischen Vorgaben mittels Solvency II und dem Nullzinsumfeld
fokussiert und insbesondere darauf hingewiesen, dass die Verlängerung der Duration der Kapitalanlagen von Versicherern eine Konsequenz sein wird, insbesondere für die Unternehmen mit schwächerer Kapitalbasis. Feodoria
und Förstemann leiten wiederum aus dieser Entwicklung ab, dass damit das Risiko anhaltend niedriger Zinsen
durch das Risiko eines erheblichen Zinsanstiegs ergänzt wird. Versicherungen sind zwar durch den Aufbau eines
Portfolios mit langer Duration in der Lage, Eigenkapitalanforderungen unter Solvency II zu reduzieren, und verbessern ihre Zinserträge im Hinblick auf die Erfüllung langfristiger Verbindlichkeiten, setzen sich aber gleichzeitig
82
einem steigenden Risiko von Kündigungen ihrer Kunden bei steigenden Kapitalmarktzinsen aus. Das Szenario
wäre also ein Run auf die Lebensversicherer, da Kunden ja bei einer Fortführung ihrer Verträge weiter am Portfolio der Lebensversicherer partizipieren würden, dessen Rendite aber durch den Altbestand gering verzinster Wertpapiere belastet wäre. Gleichzeitig besitzen die Aktiva der Lebensversicherer durch die gestiegene Laufzeit eine
höhere Zinssensitivität, wirken sich in der Solvenzbilanz negativ auf die Kapitalpuffer aus und können auch nur
unter Realisierung erheblicher Verluste veräußert werden. Da diese Entwicklung zahlreiche Lebensversicherungen
zeitgleich beträfe, wären dieses Szenario und seine erheblichen Auswirkungen wieder den Systemrisiken zuzuordnen und ein weiteres Beispiel für „Connectedness“ im Finanzsystem.
83
5.3
Nicht regulierte Investoren
Aus einem von der UBS veröffentlichten Bericht über die Anlagestrategien von 224 Family Offices weltweit
geht hervor, dass 49% ihrer Investments sich in alternativen Anlagen befinden und davon wieder fast die Hälfte
in Private Equity. Ebenfalls stark vertreten sind Immobilien und Hedgefonds, Letztere wiederum mit Fokus auf
Long-Short-Strategien und Trendverfolgungsverfahren. Weitere 26% der Assets bestehen aus Aktien mit globaler
Streuung und lediglich 14% sind in Anleihen, ebenfalls mit globaler Streuung, investiert. Damit sind die verfolgten Asset Allocations diametral von den Gewichtungen bei Versicherungen und Pensionskassen verschieden. Ein
solcher Anlagestil kann nur verfolgt werden bei langen Anlagehorizonten, kleinen Ausschüttungen und Akzeptanz von geringer Liquidität der Assets under Management. Allerdings hinterlässt auch hier das Niedrigzinsumfeld seine Spuren, so ist die durchschnittliche Rendite im Jahr 2014 auf 6,1% gegenüber 8,5% im Jahr
2013 gesunken.
Eine interne McKinsey-Studie für Führungskräfte sagt für die folgenden Jahre weiter stark wachsende Nachfrage
nach Alternative Investments voraus und listet die wichtigsten Motivationen für diesen Trend auf, verbunden mit
dem Hinweis, dass sie strukturell und nicht zyklisch sind:
• “Diversification from (and disillusionment with) traditional asset classes and products in an era of increased
volatility and macroeconomic uncertainty”
• “Evolution in state-of-the-art of portfolio construction (e.g., risk-factor-based asset allocation, tail-risk and
volatility management)”
• “Increased focus on specific investment ‘outcomes’ (e.g., inflation protection, long-dated income streams)”
• “Allocations out of ‘desperation rather than desire’, driven by persistent asset-liability requiring a shift to
higher-yielding assets”
In jedem Fall zeigt sich, dass die Präferenz für alternative Assets und Strategien bei jenen Investorengruppen
vorhanden ist, welche komparative Vorteile haben (z. B. durch Akzeptanz geringerer Liquidität) und aufgrund
dessen nach alternativen Risikoprämien suchen können.
Abbildung 46: Effizienz und Investmentstil
Market efficiency
Efficient Market Hypothesis
Inefficient Market
Efficiently Inefficient Markets
Investment implications
Passive investing
Active investing
Active investment by those with a comparative advantage
Quelle: Pedersen, L. H.
Auf dieser Basis lässt sich der Ausdruck „Efficiently inefficient“ verstehen, der in folgendem Zitat gut umschrieben wird: “Markets must be in an equilibrium level of inefficiency: reflecting enough information to make it difficult to make money, but not so efficient that no one wants to collect information and trade on it” (Grossman und
Stiglitz, 1980).
Die Existenz von Marktineffizienzen ist in der akademischen Literatur unumstritten. Es stellt sich aber die Frage,
wie ausgeprägt diese Ineffizienzen sind, ob sie also eher theoretischer Natur sind oder auch monetarisiert werden können, nach Transaktionskosten also noch (statistisch) signifikante Überschussrenditen zulassen. Letzteres
ist der Fall, wie wir anhand eines einfachen Beispiels demonstrieren werden.
Dazu betrachten wir eine Trendfolgestrategie („The trend is your friend“), die im Wesentlichen auf MomentumEffekten beruht, die aus der Literatur bekannt sind. Die Strategie dient lediglich als Proof of Concept – wir verzichten also auf Verfeinerungen und Erweiterungen, wie man sie bei einer Umsetzung mit „echtem Geld“ vornehmen würde. Insbesondere unterbleibt jegliches Risikomanagement und Hedging. Zudem schichten wir das
84
Portfolio immer nur am Monatsanfang um. Durch diese Einschränkungen können wir die erzielten Überschussrenditen ausschließlich den Momentum-Effekten zurechnen.
Die betrachtete Strategie ist strikt regelbasiert und damit reproduzierbar. Insbesondere unterbleiben also diskretionäre Eingriffe des Portfoliomanagers. Die Strategie ist sehr sparsam parametrisiert, um „backfitting“ zu
vermeiden, d. h. die übermäßige Anpassung an historische Daten. Es werden ausschließlich Long-Positionen in
DAX-30-Aktien und Long-Positionen in einem Staatsanleihen-ETF (bzw. direkt in Staatsanleihen) als „saven
haven“ gehalten. Diese Instrumente sind äußerst liquide und können jederzeit glattgestellt werden, die anfallenden Transaktionskosten sind sehr gering. Die Überschussrenditen der Strategie sind also nicht auf Liquiditätsrisikoprämien zurückzuführen.
Die betrachtete Strategie basiert auf zwei Grundideen. Erstens während steigender Marktphasen in besonders
aussichtsreiche DAX-Titel zu investieren, um damit eine Outperformance gegenüber dem DAX zu erzielen. Zweitens bei fallenden Märkten in eine Anleihen-ETF zu investieren. Dazu ist es essenziell, Marktumschwünge bzw.
Trendbrüche rechtzeitig zu erkennen. (“Have a rule. Always follow the rule, but know when to break it.”) Die
Basisstrategie kann variiert und erweitert werden, worauf wir abschließend noch eingehen werden.
Das folgende Schaubild zeigt die Performance (nach Transaktionskosten) der oben skizzierten Strategie (grüne
Kurve) über die letzten knapp 20 Jahre im Vergleich zum DAX 30 (blaue Kurve) und zum REX-Performance-Index
(graue Kurve). Der Wert einer gemäß der Strategie investierten Geldeinheit verneunzigfacht (!) sich etwa über
diesen Zeitraum.
Abbildung 47: Performance nach Transaktionskosten
Performance Strategie vs. DAX 30 vs. REXP
Value (normalized)
50.0
10.0
2.0
0.5
30.01.1996
30.08.2002
30.04.2009
30.06.2015
Index
Es wird deutlich, dass Abschwungphasen im DAX rechtzeitig erkannt und dadurch weitgehend vermieden werden, während in Aufschwungphasen eine Outperformance gegenüber dem DAX erzielt wird. In diesem Zusammenhang ist bemerkenswert, dass die Marktineffizienzen (also Momentum-Effekte und die darauf basierende
Outperformance) auch Jahre nachdem diese in der akademischen Literatur untersucht wurden, weiter existieren.
Es ist also nicht übermäßig optimistisch, anzunehmen, dass Momentum-Effekte auch über die nächsten Jahre zu
beobachten sein werden.
In Abbildung 48 werden die monatlichen Gewinne und Verluste (in Prozent) der Strategie dargestellt. Es wird
deutlich, dass die Anzahl der Gewinnmonate die Anzahl der Verlustmonate deutlich übersteigt, was für die
Anlegerpsyche nicht unwesentlich ist.
85
Abbildung 48: monatliche Gewinne und Verluste (in Prozent)
Monthly returns
0.4
0.2
0.0
0
–0.4
Month
Die folgende Tabelle veranschaulicht die wesentlichen Kennzahlen der Handelsstrategie:
Tabelle 11: Kennzahlen der Handelsstrategie
AVERAGE ANNUAL RETURN
VOLATILITY (ANNUALIZED)
DOWNSIDE DEVIATION
SHARPE RATIO (R=5%)
SORTINO RATIO (R=5%)
BIGGEST MONTHLY LOSS
BIGGEST MONTHLY GAIN
DAX
TF (INCL. TCS)
7.9%
21.9%
15.2%
13.4%
19.4%
–25.4%
21.4%
25.9%
30.0%
14.8%
69.6%
140.8%
–24.3%
42.8%
Unsere Strategie weist also (nach Transaktionskosten) eine deutlich höhere Rendite bei leicht geringerem Risiko
auf als der DAX. (Zum Vergleich: Berkshire Hathaway erzielte eine durchschnittliche Rendite von 19,7% über den
Zeitraum von 1965 bis 2012.) Als Risikomaß eignet sich die Downside Deviation (also die Standardabweichung
der negativen Renditen) besser als die Standardabweichung, da Letztere auch positive Renditen berücksichtigt,
die allerdings kein Risiko für den Investor darstellen und deshalb nicht in ein Risikomaß eingehen sollten. Vergleicht man die Sortino Ratios (also das Verhältnis von Überschussrendite über den risikolosen Zins zur Downside
Deviation) des DAX und unserer Trendfolgestrategie, fällt der Vergleich noch deutlicher zugunsten Letzterer aus:
Unter Annahme eines risikolosen Zinssatzes von 5% p. a. erhalten wir Sortino(DAX30) = 19,4% und
Sortino0(TF1) = 1,41 – ein für eine Strategie mit nur monatlicher Handelsfrequenz beachtlicher Wert.
Das Risiko-Rendite-Profil der vorgestellten Strategie kann durch verschiedene Erweiterungen noch verbessert
werden. Beispiele für Erweiterungen sind:
• Einbeziehung anderer Aktienmärkte und ggf. Asset-Klassen
• Eingehen von Short-Positionen
• aktives Risikomanagement und Hedging
86
87
6 Neue Modellansätze:
Connectedness
88
89
Wir haben in unserer Analyse von Banken und Versicherungen an mehreren Stellen hervorgehoben, dass die,
u. a. durch Regulierung determinierten, Anlagestrategien in Verbindung mit Geldpolitik und Niedrigzinsumfeld
die Connectedness der Finanzinstitutionen und damit auch die Gefahr von Systemrisiken erhöhen.
Systemische Krisen können definiert werden als Ereignisse, welche gleichzeitig eine erhebliche Zahl von Finanzinstitutionen oder Marktsegmenten betreffen und damit das reibungslose Funktionieren des Finanzsystems als
Ganzes gefährden. Wesentlich für die Charakterisierung von Systemkrisen ist somit die Tatsache, dass nicht nur
ein Finanzinstitut, Unternehmen oder Marktsegment betroffen ist. Vielmehr ist der Punkt entscheidend, dass eine
Systemkrise von Ursachen hervorgerufen wird, welche die Tatsache, dass unterschiedliche Institute oder Märkte
ähnlichen Risikofaktoren ausgesetzt sind, schlagend werden lässt. Im Umkehrschluss bedeutet dies, dass zur
Messung der Gefahr, dass eine Systemkrise ausgelöst wird, das Exposure von unterschiedlichen Institutionen oder
Märkten zu gemeinsamen Risikofaktoren mit Konzepten gemessen werden muss, welche über die Messung von
Korrelationen hinausgehen. Offensichtlich sind Finanzinstitutionen verknüpft durch diese gemeinsamen Risikofaktoren, und falls sich diese Risiken materialisieren, gibt es eine Reihe von Übertragungskanälen zu anderen Instituten oder Märkten, durch die im schlimmsten Fall eine systemische Krise ausgelöst wird. Dies bedeutet, dass sich
systemische Risiken durch Verknüpfung („Connectedness“) von Institutionen und Netzwerken von Übertragungskanälen auszeichnen und damit insgesamt ein Netzwerkphänomen darstellen.
Beispiele für Netzwerkphänomene sind:
• Banken und Versicherungen investieren, u. a. getrieben durch regulatorische Rahmenbedingungen, in
ähnlichen Positionen und Asset-Klassen. Die dadurch induzierten Korrelationen können zu einem simultanen Schock mehrerer Banken oder Versicherungen führen
• Strategien der Zentralbanken, insbesondere Quantitative Easing, können zu einer hohen Korrelation von
wichtigen Asset-Klassen, wie z. B. Aktien oder Bonds, führen. Damit entfällt der Diversifikationseffekt für
viele Investoren. Insbesondere sind Fixed-Income- und Aktieninvestoren in einem Schockszenario gleichzeitig betroffen
• Credit Channel: Falls die Bankenindustrie durch ein systemisches Ereignis betroffen ist und damit die Kapazität
zur Kreditvergabe drastisch sinkt, überträgt sich dieses Schockszenario auf die Realökonomie
• Liquidity Channel: Die Liquiditätsversorgung von Banken durch den Interbankenmarkt verbindet die Banken
zu einem komplexen Interbankennetzwerk
• Derivatives Channel: OTC-Derivate und die daraus resultierenden Gegenparteirisiken formen ein Netzwerk
komplexer Handelsbeziehungen zwischen den Banken. Ausfälle oder Bonitätsverschlechterungen von Market
Makern führen über Handelsbuchverluste der Geschäftspartner zur schnellen Verbreitung der Risiken im
Finanzsystem
• Zahlungssysteme, Korrespondenzbanken, Settlement-Risiken: Banken haben für Korrespondenzdienstleistungen eine sehr komplexe, den Globus umspannende Organisationsstruktur entwickelt, die sich aus einem Netzwerk von Zahlungssystemen, Banken, Intermediären und Depotbanken zusammensetzt. In dieser Struktur ist
jede Bank abhängig von anderen Banken, Zentralbanken und Zahlungssystemen für die erfolgreiche Abwicklung von Refinanzierungs- und Settlement-Aktivitäten
90
• Collateral Channel: Einige Asset-Klassen werden bevorzugt für viele Zwecke nachgefragt, z. B. für die Liquiditätsreserve von Banken (Liquidity Coverage Ratio), für Ankaufprogramme der EZB, als Collateral für zentrale
Gegenparteien oder bilaterales Clearing in Kombination mit einem Margin Agreement (z. B. ISDA Credit Support Annex) bei Derivategeschäften und als Sicherheiten für Repo-Geschäfte zwischen Banken oder von Banken mit der Zentralbank. Die hohe Nachfrage führt in diesen Asset-Klassen zu sehr niedrigen Erträgen und
damit reduziert die Notwendigkeit des Haltens dieser Wertpapiere auf Bankbilanzen die Erträge der Banken
und den Aufbau von Risikopuffern. Gleichzeitig führt ein Anstieg der Volatilitäten in den Märkten zu Margin
Calls und zur Reduzierung von Eigenkapitalquoten durch einen Anstieg der risikogewichteten Aktiva, was viele
Banken und andere Marktteilnehmer gleichzeitig betrifft. Sinkende Eigenkapitalquoten und fehlende Liquidität
durch ein zu geringes Angebot an akzeptablen Sicherheiten können zu einer systemrelevanten Krise führen
• Ungleichgewichte im Finanzsystem: Vor der Finanzkrise haben viele US-Banken die im Überschuss vorhandene
Liquidität zur Kreditvergabe genutzt. Die Existenz von Kreditrisikotransferinstrumenten (Asset Backed Securities und Credit Default Swaps) führte zur Verlagerung der daraus entstehenden Kreditrisiken in deutsche
Bankbilanzen (Kreditersatzgeschäft). US-Banken hatten durch die hohe Nachfrage zu wenig Eigenkapitalressourcen bei zu billiger Liquidität, während zahlreiche deutsche Banken durch nicht ausreichend profitable
Geschäftsmodelle über unbeschäftigtes Eigenkapital verfügten
• Versicherungen spielen eine wesentliche Rolle bei der Refinanzierung des Bankensektors in Deutschland: ungedeckte Bankschuldverschreibungen (Marktanteil ca. 20%), Pfandbriefe (ca. 40%), Hybridkapital (ca. 20%).
Damit besteht eine wechselseitige Ansteckungsgefahr zwischen dem Versicherungs- und dem Bankensektor
Man kann diese Liste an Beispielen um viele weitere interessante Fälle erweitern. Insgesamt zeigt sich, dass Messung bzw. Monitoring sowie die kausale Beschreibung der Mechanismen wie Konsequenzen von Systemrisiken,
die zentralen Aufgaben makroprudentieller Risikomanagementansätze sind. Für den ersten Teil der Aufgabe eignet sich ein Indikatorenkonzept, während der zweite Teil einen strukturellen Ansatz erfordert, der die Charakteristika und Strategien sowie die Netzwerktopologie der Beziehungen wesentlicher Marktteilnehmer hinreichend
beschreibt.
91
6.1
Indikatoren für Connectedness
Unabhängig davon, welche Volkswirtschaft oder welcher Finanzmarkt in den letzten acht Jahren betrachtet
wurde, muss man fast durchgehend von einer Periode von „Financial Stress“ sprechen. Egal wie Investoren sich
aufgestellt hatten, waren sie doch häufig Spielball irrationalen Verhaltens vieler Marktteilnehmer oder massiver
Zentralbankinterventionen. Das machte sowohl effektives Risikomanagement als auch eine gute Portfolioallokation extrem schwierig. Auch wenn in den letzten Monaten einige Fundamentalrisiken deutlich an Gefahrenpotenzial verloren haben, bleiben die enorme Liquidität im Markt und die anhaltende Niedrigzinspolitik in der
Eurozone eine nicht minder schwere Herausforderung.
Anhaltender Stress an den Finanzmärkten kann zudem auch leicht negative Auswirkungen auf die Realwirtschaft
haben. Steigende Kreditkosten, zurückhaltende Kreditvergabe und fehlender unternehmerischer Mut für langfristige Investitionen sind nur einige Konsequenzen, die Volkswirtschaften auf Jahre belasten können. Die daraus
resultierenden verschlechterten Fundamentaldaten belasten zudem Investments im Immobilien- oder realwirtschaftlichen Bereich.
Für Entscheidungsträger ist es daher wichtig, nicht nur über exzellente Kenntnisse über die Finanzmärkte zu verfügen, sondern auch über „harte“ Zahlen, die Risikomanager, Entscheidungs- oder Aufsichtsgremien überzeugen
können.
Stress an den Finanzmärkten ist aber dennoch schwierig zu messen und zu definieren, da keine Krise der nächsten gleicht. Einige wichtige Aspekte sind aber bei fast allen Krisen zu beobachten.
1. Gesteigerte Unsicherheit über den fundamentalen Wert von Assets
Der Fundamentalwert eines Assets ist formal der Barwert aller zukünftigen Cashflows wie Dividenden oder
Zinszahlungen. Unsicherheit über das Ausmaß eines negativen Ereignisses oder über die langfristige volkswirtschaftliche Entwicklung beeinträchtigt direkt den Diskontierungszins und damit den Wert der Assets. Neben
einer Flucht in kurzfristige Papiere kommt es zu einem erheblichen Anstieg der Volatilität der Marktpreise.
2. Unsicherheit über das Verhalten anderer Investoren
Während in Zeiten normaler Entscheidungsfindung das Verhalten anderer Portfoliomanager zwar interessiert
beobachtet wird, wird die Investitionsentscheidung zum Großteil fundamental begründet. In Zeiten der Unsicherheit und der unvollständigen Information steigt die Nervosität. Der Gedanke, dass ein anderer Marktteilnehmer möglicherweise mehr weiß, verleitet häufig zu irrationalen Verkaufsentscheidungen.
3. Gesunkene Bereitschaft zum Halten riskanter Wertpapiere
Ein übliches Zeichen von gestressten Finanzmärkten ist die Flucht in sichere Häfen. Die Umschichtung von
Wertpapieren, deren Risikoprofil in Stresszeiten diskutiert wird, in sichere Anlageklassen wie Bunds ist häufig
ein Pyrrhussieg, da das geringe Risiko mit Verlusten beim Verkauf und zu hohen Preisen beim Kauf einhergeht.
4. Gesunkene Bereitschaft zum Halten illiquider Wertpapiere
Die Anzahl illiquider Wertpapiere nimmt in Zeiten gestresster Finanzmärkte deutlich zu. Die Unsicherheit über
die zukünftige Wertentwicklung und die Flucht in sichere Häfen erzeugen ein Überangebot auf der Bid-Seite,
was häufig zur Realisierung entsprechender Buchverluste führt.
Wir sind der Überzeugung, dass sich bei entsprechendem Monitoring der Finanzmärkte viele Verluste, die sich
durch die vorgenannten Eigenschaften ergeben, durch Aufbau einer „Financial Heatmap“ und eines theoretischen Bewertungsmodells vermeiden lassen.
Eine „Financial Heatmap“ ist ein Dashboard von diversen Finanzmarktindikatoren nach Ländern oder AssetKlassen (Advanced Traffic Light Approach), die je nach Stresslevel die Farbe und je nach Portfolioabhängigkeit
die Größe ändern. Hierbei werden primär zwei Indikatorenarten unterschieden:
92
• Financial Stress Index (FSI)
Ziel solcher Indizes ist es, Stress an den Finanzmärkten zu messen und im Idealfall vorhersagen zu können.
Stress wird dabei i. d. R. als Unterbrechung oder Einschränkung der Funktionsfähigkeit von Finanzmärkten
verstanden
• Financial Conditions Index (FCI)
Durch eine möglichst vollständige Betrachtung der Finanzmärkte soll bei einem FCI auf den Gesamtzustand
der Finanzmärkte geschlossen werden. Mit einem FCI sollen sich Schocks im Finanzsystem messen lassen.
Letztlich soll es im Idealfall möglich sein, von einer Änderung des Index auf die zukünftige Entwicklung des
realen BIP-Wachstums zu schließen
Umfangreiche „Financial Heatmaps“ verfügen über 100 verschiedene Indikatoren, die z. B. portfoliotheoretische
Aspekte berücksichtigen oder den Effekt von geldpolitischen Sondermaßnahmen messen
Im Zusammenhang mit dem Portfoliomanagement ist z. B. der Composite Indicator of Systemic Stress (CISS)
von Holló et al. sehr interessant. Dieser Finanzmarktstressindikator, der 2011 veröffentlicht wurde, ist für die
Eurozone konstruiert worden. Wöchentlich verfügbare Daten zum Anleihen-, Aktien-, Geld- und Devisenmarkt
bilden dabei die Grundlage für seine Berechnung. Hervorzuheben ist, dass im Gegensatz zu anderen gängigen
Indikatoren die Portfoliotheorie in die Berechnungen miteinbezogen wird. Der CISS ist damit der erste Finanzmarktstressindikator, der die Portfoliotheorie in seiner Berechnungsmethode umsetzt.
Ein weiterer sehr bekannter Indikator für den US-Markt ist z. B. der St. Louis Financial Stress Index (STLFSI). Der
Index wurde 2010 zum ersten Mal berechnet. Er wird häufig in der Literatur zitiert und ist einer der bekanntesten
Indizes zur Messung von Stress auf den Finanzmärkten. Auf Basis von wöchentlichen Daten misst er den Zustand
der US-amerikanischen Finanzmärkte. Grundlage für den Index sind Daten des Anleihen-, Aktien-, Geld- und
Devisenmarktes. Hervorzuheben ist, dass der Index u. a. verschiedene andere Indizes für ausgewählte Geld- und
Kapitalmarktsegmente verwendet.
Im Rahmen der neuen Generation von Finanzmarktindikatoren spielen „Realtime“-Informationen natürlich eine
große Rolle. Ein sich in diesem Zusammenhang in der Entwicklung befindlicher Indikator ist der „SCDM Social
Media Financial Stress Indicator“. Dieser Indikator misst anhand der Häufigkeit verschiedener Begriffe in den
Social Media den Stress an den Finanzmärkten.
Ein derzeit breit diskutierter und ganz neuer Indikator zur Messung systemischen Risikos ist der Diebold-YilmazIndikator, der sowohl auf Aktien- als auch auf Staatsanleihen- oder FX-Märkte angewandt werden kann und auf
Varianzzerlegungen basiert.
Ein bislang weitestgehend unterschätztes Tool zur Portfolioentscheidung ist die eigene Berechnung theoretischer
Preise für Wertpapiere. Verfügt man über ein theoretisches Bewertungsmodell, kann für jedes Wertpapier stets
ein nach Marktdaten kalibrierter theoretischer Preis errechnet werden – unabhängig von dem Stressniveau an
den Finanzmärkten. Der darauf aufbauende „SCDM-llliquidity Expected Shortfall Indicator“ misst je nach Einstellung entweder die aktuelle Differenz zwischen durchschnittlichen Anschaffungskosten und theoretischem BidPreis oder berechnet den Expected Shortfall für diverse Szenarien im Rahmen einer Monte-Carlo-Simulation.
Eine Finanzkrise ist das Ergebnis eines langfristigen Verhaltens von Volkswirtschaften, Investoren oder anderen
Finanzmarktteilnehmern und damit niemals plötzlich. Eine Strategie mit Fundamentalanalyse und einem Set von
richtigen Indikatoren zu unterlegen, ist heute besonders wichtig, wo Zentralbanken durch riesige Interventionen
Marktpreise enorm beeinflussen.
93
6.2
Netzwerkmodelle
Ein weiterer entscheidender Beitrag zur Einschätzung von „Financial Stress“ sind zudem die Modellierung der
Vernetzung von Finanzmarktteilnehmern und die Analyse der Übertragungseffekte.
Ein Netzwerkmodell besteht typischerweise aus folgenden Bausteinen:
Abbildung 49: Komponenten eines Netzwerkmodells
• Banken, Zentralbanken, Fonds, Unternehmen,
A
Finanzmarktinstitutionen
Hedge-Funds, Versicherungen
• Bilanz-Modell für alle Typen von Instituten
• Aktienindizes, Credit-Indizes, Swap-Kurven, etc.
B
mit Preisprozessen
• Wechselseitige Exposures (Debt, Equity) von
Marktteilnehmern
• Nodes: Links repräsentieren Exposures zwischen
Aktiva
C
Netzwerk-Topologie
Instituten (OTC Derivative, Interbank Lending, etc.)
ModellKomponenten
• Connectedness: In/Out-Degree
• Regulatorische Rahmenbedingungen
• Externe Restriktionen
• Mikroprudentielle/interne Restriktionen
• Verhalten von Institution i ist für jeden Zeitschritt ein
D
E
Spiel, dessen Strategiemenge abhängt von Zahl der
Links zu anderen (Connectedness)
Nebenbedingungen
für zulässige Strategien der
Marktteilnehmer
(Spieltheoretischer)
Ansatz zur Beschreibung der
Dynamik
F
• Feedback-Mechanismen für Liquidity Channels,
Leverage Ratios, Wertpapierpreise, etc.
94
Feedback-Loops/
Zyklizität
Modelle der Bilanzstrukturen von Finanzmarktteilnehmern sind dabei eine besonders wichtige Modellkomponente, da die Auswirkungen von systemischen Risiken auf die Bilanzen sehr vielfältig sind und sie wiederum
Ausgangspunkt von Feedback-/zirkulären Effekten mit krisenverstärkender Wirkung sind, wie nachfolgende
Grafik für Bankbilanzen zeigt:
Abbildung 50: Auswirkungen von Schockszenarien auf Bankbilanzen
Ein Anstieg der Risiken hat typischerweise
zwei Effekte
• Anstieg von Rückstellungen und
Abschreibungen
• Anstieg der RWA
Typischerweise sind alle
Segmente des Kreditportfolios
in unterschiedlichem Ausmaß
betroffen
• Änderungen im Risikoprofil und
Marktumfeld führen zu Änderungen der Refinanzierungskosten
• Im Fall eines Defaults reduziert
ein Bail-In den notwendigen
Bail-Out des Steuerzahlers
Auslands Portfolio
Inlands Portfolio
Kundeneinlagen
Kunden-Kredite
• Commercial real estate finance (CRE)
• Public finance (PBF)
• Corporate lending (COR)
• SME lending (SME)
• Retail mortgage lending (RMO)
• Other retail lending (RET)
• ...
Interbanken- und Kapitalmärkte
(incl. Sovereign Debt, Non-current
Assets Held for Sale, Derivate)
Wertänderungen der Aktiva in Fair Value
und Available For Sale‘ Portfolios
Einlagen von Banken und Geldmarkt
Refinanzierung über Kapitalmärkte
Eigenkapital
Änderungen in der EK-Basis
• Verluste
• Rekapitalisierungen
In der akademischen Literatur gibt es im Moment eine Vielzahl von Ansätzen zur Modellierung von Netzwerken
im Finanzsystem. Wir wollen exemplarisch hier nur drei Beispiele nennen:
• Sebastian Pokutta und Christian Schmaltz (Pokutta und Schmaltz, 2011) beschreiben in ihrem Modell die
Auswirkungen eines makroökonomischen Schocks auf die Fähigkeiten von Banken zur Kreditvergabe und
benutzen dazu die folgenden Bausteine:
I. Ein Modell für die Preisentwicklung von Aktiva, welche nicht dem Bankensektor zuzuordnen sind. Ein
Schockszenario für diese Aktiva ist der Ausgangspunkt der Übertragung einer Krise von der Realwirtschaft
in den Finanzsektor
II. Ein Netzwerkmodell, welches die Grundlage zur Beschreibung der Ausbreitung des Schocks im
Finanzsystem ist
III. Regulatorische Nebenbedingungen, welche die strategischen Aktionen von Banken beschreiben
Das systemische Risiko in diesem Modell materialisiert sich durch die Reduktion der Kreditvergabekapazität des
Bankensektors. Das Modell hebt insbesondere die Prozyklizität der gegenwärtigen Eigenkapitalanforderungen für
Banken hervor und analysiert ihre Auswirkungen in einem Netzwerkkontext. Ein weiterer Aspekt ist der bereits
95
hervorgehobene zirkuläre Charakter von systemischen Risiken. Erst ist die Realwirtschaft von einem Schock
betroffen, der sich auf die Finanzindustrie auswirkt. Dies hat dann durch Reduktion der Kreditvergabe wieder
Auswirkungen auf die Realwirtschaft und eine Fortsetzung dieser Wechselwirkung kann zu einer nicht prognostizierbaren Krisenverstärkung führen
• „Macroeconomic impact assessment of OTC derivatives regulatory reforms“ (BIS, 2013): In diesem Paper
werden die Kosten der OTC-Derivate-Reform mithilfe eines einfachen Netzwerkmodells analysiert. Kosteneinsparungen durch Verringerungen der Krisenwahrscheinlichkeit stehen zusätzliche Ausgaben der Realwirtschaft
durch erhöhte Kosten von OTC-Derivaten bei deren Nutzung für Absicherungsgeschäfte gegenüber mit entsprechenden Auswirkungen auf das Wirtschaftswachstum. Das Modell hat folgende Bausteine:
– Netzwerkmodell aus 41 Banken, darunter 16 globale Market Maker (G-16-Dealer).
– G-16-Dealer besitzen untereinander mit 100% Wahrscheinlichkeit ein positives Exposure, G-16-Dealer
zu anderen mit 50% bzw. andere untereinander mit 25% Wahrscheinlichkeit.
– Falls die Ausfallwahrscheinlichkeit einer der beteiligten Banken ansteigt (z. B. Rating-Herabstufung),
folgen auf den Handelsbüchern ihrer Geschäftspartner entsprechende Marktwertverluste auf existierende
positive Exposures, da die Credit Valuation Adjustments (CVAs) ansteigen. Daraus resultieren wieder
Feedback-Mechanismen/zirkuläre Effekte auf die Gegenparteien, da die Marktwertverluste zu Eigenkapitalreduzierungen führen und damit die Leverage Ratios ansteigen. Dies führt zu gesteigerten Ausfallwahrscheinlichkeiten der Gegenparteien, was sich dann, in derselben Weise wie oben, auf die
Handelsbücher ihrer Geschäftspartner auswirkt.
• Connect to Connectedness (Hellmich et al., Connect to Connectedness, 2015)
– Unser Modellansatz besteht aus mathematischen Formulierungen der Modellkomponenten aus Abbildung
50 in der Form, dass die Existenz eines Nash-Gleichgewichts in jedem Zeitschritt gesichert ist.
– Das Modell kann in einer zeitdiskreten oder auch kontinuierlichen Version formuliert werden.
– Ein besonderer Analysefokus wird auf die Sensitivität der Lage des Nash-Gleichgewichts im Hinblick
auf regulatorische Randbedingungen gelegt.
– Unser Netzwerkansatz wird von der SCDM Germany GmbH implementiert und wird Teil der Systemic
Risk Platform von SAP HANA (vgl. nachfolgende Abbildungen).
96
Abbildung 51: Systemic Risk Platform, SAP HANA
Structured
Methodologies
Reduce-Form
Methodologies
Market-Based
Interconnectedness
Systemic Risk Indicators
Financial Network Approach
Simulation Models
w/Behavioral, Regulatory & System
Feedback
Scenario-Based
Methodologies
Connectedness
(UPenn & U-Koc, 2015)
Frankfurt School & LMU
QuantLab (2015)
Stress Testing
CoVaR
(Princeton & NY Fed, 2009)
DSGE Models
SAP EBA Stress Testing
(QuanticCloud)
SRISK
Barcelona GSE & NYU, 2015
Agent Based Models
SAP US Stress Testing
MES & MES-BE
(NYU, 2010)
Graph Theory
(Flow Network Theory)
SAP Central Banking Stress
Testing Solutions
...
...
SAP HANA PLATFORM
Database &
Advanced Data
Procressing Services
+
Application
Platform Services
+
Advanced Analytics,
Simulation & Visualization
+
Mission-Critical
Deployment
Services
(On Premise Cloud, Hybrid)
Quelle: BIS
97
Dabei deckt der von uns entwickelte Netzwerkansatz das Segment der „Structured Methodologies“ ab, wobei
dies in unserem Kontext eine kausale Beschreibung von Systemrisiken als Netzwerkphänomen bedeutet:
Abbildung 52: Netzwerkmodell als Teil der Systemic Risk Platform von SAP HANA
First Gulf Bank UAE 0.018
Structured
Methodologies
Qatar National Bank 0.012
Samba Financial Group KSA 0.016
Qatar National Bank 0.012
Financial Network Approach
Simulation Models
w/Behavioral, Regulatory & System
Feedback
National Bank of Abu Dhabi 0.009
Arab National Bank KSA 0.010
Abu Dhabi Commercial Bank 0.011
Bank AlBilad 0.011
Frankfurt School & LMU
QuantLab (2015)
Kuwait Finance House 0.015
X_sys_MENA 18
Arab Bank Jordan 0.014
DSGE Models
Dubai Islamic Bank 0.012
Agent Based Models
Emirates NBD 0.011
Riyad Bank 0.012
Graph Theory
(Flow Network Theory)
Al Rajhi Bank KSA 0.013
...
Attjiariwafabank Morocco 0.012
Saudi Investment Bank 0.011
Saudi Hollandi Bank 0.016
Saudi British Bank 0.012
SAP HANA PLATFORM
Database &
Advanced Data
Procressing Services
+
Application
Platform Services
+
Advanced Analytics,
Simulation & Visualization
+
Mission-Critical
Deployment
Services
(On Premise, Cloud, Hybrid)
Quelle: BIS
Auch wenn die Entwicklung von Netzwerkmodellen für die realistische Simulation von Finanzmärkten und ihren
Teilnehmern noch am Anfang steht, so ist doch jetzt schon klar, dass dies ein vielversprechender Forschungsbereich mit vielen interessanten Anwendungen in der Praxis ist. Der Erfolg von solchen Modellen in den Naturwissenschaften und hier insbesondere in der Systembiologie, welcher sich nur in Kombination mit der Beobachtung
durch die erheblich gestiegenen Möglichkeiten moderner Informationstechnologie realisieren ließ, dass Systemrisiken Netzwerkphänomene sind, legen die Übertragung solcher Ideen auf ökonomische Fragestellungen nahe.
Auch für die Finanzmärkte gilt, dass heute viel mehr Daten als Basis für Modellierungen vorhanden sind als früher, und die gestiegenen Berichtspflichten von Finanzinstitutionen steigern noch die theoretische Verfügbarkeit
von Daten. Mit einem Joint Venture, welches aus Universitäten, IT-Firmen und den Providern relevanter Daten
(z. B. Ratingagenturen, Aufsichtsbehörden, Zentralbanken, etc.) gebildet wird, werden sich in den nächsten
Jahren hier gute Fortschritte erzielen lassen.
98
99
Anhang 1
Tabelle 12: Commerzbank AG – Maturity Profile of Liabilities to Banks (Q1 2015)
Maturity
Percentage of Liabilities to Banks
Daily
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 Year – 5 Years (incl.)
Above 5 Years
45.75%
24.58%
5.85%
13.23%
10.59%
Tabelle 13: Commerzbank AG – Maturity Profile of Liabilities to Non-Banks
(Q1 2015)
Maturity
Percentage of Liabilities to Non-Banks
Daily
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 Year – 5 Years (incl.)
Above 5 Years
61.05%
14.69%
10.38%
4.99%
8.90%
Tabelle 14: Commerzbank AG – Maturity Profile of Securitised Debt (Q1 2015)
Maturity
Percentage of Securitised Debt
Daily
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 Year – 5 Years (incl.)
Above 5 Years
0.00%
10.02%
24.90%
47.04%
18.04%
Tabelle 15: Commerzbank AG – Composition of Derivatives (Q1 2015)
Type of Derivatives
Percentage of Total Derivatives
FX Derivatives
Interest Rate Derivatives
Other Derivatives
25.51%
66.70%
7.80%
Tabelle 16: Commerzbank AG – Maturity Profile of Lending to Banks (Q1 2015)
100
Maturity
Percentage of Lending to Banks
Daily
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 Year – 5 Years (incl.)
Above 5 Years
51.76%
29.19%
11.41%
7.17%
0.47%
Tabelle 17: Commerzbank AG – Maturity Profile of Lending to Non-Banks
(Q1 2015)
Maturity
Percentage of Lending to Non-Banks
No Information
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 Year – 5 Years (incl.)
Above 5 Years
12.32%
14.98%
9.95%
27.70%
35.05%
Quelle: (Commerzbank AG, 2015, S. 69)
Tabelle 18: Portfoliozusammensetzung und Performance zum März 2015
Portfolio Assets
Cash in Hand
Balances with Central Banks
Treasury Bills and Treasury Discount Paper
Bills
Debt Securities and other fixed Interest Securities
Bank Debt Securities (domestic)
Public Debt Securities
of which: Issued by Federal Governments and its special Funds
Corporate Debt Securities (non-MFIs)
Bank Debt Securities (foreign)
8,59
64,12
1,77
0,32
658,56
197,59
122,98
17,24
27,84
126,82
Share of
Portfolio
1,01%
7,52%
0,21%
0,04%
77,22%
23,17%
14,42%
2,02%
3,26%
14,87%
Bonds and Debt Securities issued by foreign Non-Banks
155,22
18,20%
Fixed Income
Money Market Paper
Shares and other variable Yield Securities
Shares (incl. Participation Certificates) (domestic)
of which: Shares issued by Banks (MFIs)
10,87
119,45
20,92
0,98
1,27%
14,01%
2,45%
0,11%
Fixed Income
Equity
Equity
Equity
72,61
24,93
8,51%
2,92%
Equity
Equity
852,81
100%
Multi-Asset
Mutual Fund Shares, other Securities (domestic)
Shares, mutual fund shares and other securities (foreign)
Total Portfolio Return
Value (in EURm)
Asset
Category
Cash
Cash
Fixed Income
Fixed Income
Fixed Income
Fixed Income
Fixed Income
Fixed Income
Fixed Income
Fixed Income
Assumptions
Performance
2005 p.a. 2010 p.a. 2014 p.a.
Assumed to be Zero
0%
0%
0%
Average ECB Interest Rate
1,02%
0,25%
-0,09%
Bundesbank Time Series
3,17%
2,43%
1,03%
Bundesbank Time Series
3,17%
2,43%
1,03%
–
2,46%
3,58%
1,85%
Bundesbank Time Series
3,05%
2,66%
0,89%
Bundesbank Time Series
3,17%
2,43%
1,03%
Bundesbank Time Series
3,17%
2,43%
1,03%
Bundesbank Time Series
3,70%
4,03%
2,95%
Largest 6 US Banks +
3,72%
3,00%
1,72%
25 largest European Banks
(Size weighted)
Barclays Capital Bond
-0,17%
6,42%
3,83%
Composite Global Index
EONIA
2,09%
0,44%
0,10%
–
23,09%
14,49%
2,56%
DAX
27,07%
16,06%
2,65%
All German listed Banks
38,72% –10,22% –15,79%
(Market Cap weighted)
DAX
27,07%
16,06%
2,65%
MSCI World
7,56%
9,55%
2,93%
5,22%
4,82%
1,78%
101
Tabelle 19: Bundesbankstatistik
Aggregated Bundesbank Banking Statistics (Germany)
Reporting Date
2007
2010
2013
03-2015
# of reporting institutions
2.015
1.919
1.846
1.804
Total Assets (in EURm)
Cash in Hand
Balances with Central Banks
Treasury Bills and Treasury Discount Paper
Bills
Unsecuritised Lending to Banks (MFIs)
Unsecuritised Lending to Non-Banks (non-MFIs)
Debt Securities and other Fixed Interest Securities
Shares and other variable Yield Securities
Participating Interests
Shares in affiliated Enterprises
Fiduciary Assets
Tangible Assets
Other Assets
Memo Item: Rediscount Credit
7.625.737
17.833
64.986
2.360
2.285
2.328.112
3.140.365
1.365.192
231.024
43.775
113.966
63.307
29.107
223.425
2.360
8.352.276
16.515
79.612
8.314
1.033
2.088.062
3.231.604
1.340.350
165.768
40.769
104.838
59.848
27.451
1.188.112
1.093
7.604.207
18.744
85.686
1.628
691
1.935.483
3.097.401
1.184.825
177.918
36.012
95.335
79.923
26.960
863.601
716
8.223.672
15.490
115.674
3.200
577
2.071.396
3.185.865
1.188.046
215.486
37.307
91.353
54.717
26.632
1.217.929
603
Total Liabilities (in EURm)
Liabilities to Banks (MFIs)
Liabilities to Non-Banks (non-MFIs)
Securitised Debts
Fiduciary Liabilities
Value Adjustments
Provisions for Liabilities and Charges
Subordinated Liabilities
Participation Rights Capital
Fund for general Banking Risks
Other Liabilities
Memo Item: Sureties
7.319.311
2.211.146
2.834.760
1.659.812
63.307
11.617
62.551
107.433
25.527
19.999
323.159
435.815
8.007.941
1.973.525
3.108.668
1.436.336
59.848
10.818
59.125
104.443
14.675
21.776
1.218.727
277.055
7.235.042
1.651.646
3.261.140
1.143.945
79.923
8.100
59.573
86.725
8.239
60.134
875.617
232.018
7.840.492
1.842.270
3.350.581
1.170.324
54.717
7.659
64.009
75.033
11.763
73.694
1.190.442
230.796
306.426
80.901
225.525
344.335
128.432
215.903
369.165
107.882
261.283
383.180
105.247
277.933
2.007
–
–
–
–
–
–
1.466.921
905.271
480.834
186.139
93.704
15.349
129.245
1.345.962
828.026
389.005
245.580
50.979
18.550
123.912
1.383.914
830.131
356.452
252.946
50.230
39.508
130.995
–
–
–
–
561.650
258.859
281.617
21.174
517.936
227.965
254.515
35.456
553.783
228.789
280.013
44.981
Total Equity (in EURm)
of which: Subscribed Capital
of which: Reserves
Total Securities* (in EURm)
Domestic Securities
Bank Debt Securities (domestic)
Public Debt Securities
Corporate Debt Securities (non-MFIs)
Shares (incl. Participation Certificates) (domestic)
Mutual Fund Shares, other Securities (domestic)
Foreign Securities
Bank debt securities (foreign)
Bonds and debt securities issued by foreign non-banks
Shares, mutual fund shares and other securities (foreign)
*All securities, excluding money market instruments
102
Tabelle 20: Liquidity Coverage Ratio
Assets
Cash in Hand
Balances with Central Banks
Treasury Bills and Treasury Discount Paper
Bills
Unsecuritised Lending to Banks (MFIs)
Unsecuritised Lending to Non-Banks (non-MFIs)
of which: No maturity given
Debt Securities and other fixed Interest Securities
Bank debt securities (domestic)
Public debt securities
of which: Issued by Federal Governments and its Special Funds
Corporate debt securities (non-MFIs)
Value (in EURm)
HQLA Level
Haircut
8,59
64,12
1,77
0,32
1148,22
1766,00
1766,00
1
1
1
1
–
–
–
0%
0%
0%
0%
0%
50%
80%
197,59
122,98
17,24
27,84
N
1
2A
2B
0%
15%
50%
Bank debt securities (foreign)
Bonds and debt securities issued by foreign non-banks
126,82
155,22
N
2B
Money market paper
Shares and other variable Yield Securities
Participating Interests
Shares in affiliated Enterprises
Fiduciary Assets
Tangible Assets
Other Assets
10,87
118,24
20,68
50,64
30,33
14,76
675,13
2B
2B
N
N
N
N
N
Liabilities
Liabilities to Banks (MFIs)
Liabilities to Non-Banks (non-MFIs)
Sight and Time Deposits
Saving Deposits
Bank Savings Bonds
Securitised Debts
Fiduciary Liabilities
Value Adjustments
Provisions for Liabilities and Charges
Subordinated Liabilities
Participation Rights Capital
Fund for general Banking Risks
Other Liabilities
of which: Trading Portfolio Derivatives
Value (in EURm)
1021,21
1857,31
1484,76
339,91
32,63
648,74
30,33
4,25
35,48
41,59
6,52
40,85
659,89
550,04
Relevant Proportion
Adjusted LCR Value (in EURm)
–
–
–
–
Commerzbank Maturity Profile
Commerzbank Maturity Profile
No maturity given results in a haircut of 80%
8,59
64,12
1,77
0,32
761,88
66,12
43,52
Irrelevant as issued by financial institutions
Domestic (German) government debt always level 1
Local authorities imply higher risk than government
Average corporate debt rating of BBB
0,00
122,98
14,65
66,35%
7,49%
12,32%
100%
Assumptions made
Irrelevant as issued by financial institutions
Average corporate debt rating of BBB
50%
50%
50%
Excluding shares issued by financial institutions
Irrelevant for us (too small)
Irrelevant for us (too small)
Irrelevant for us (too small)
Irrelevant for us (too small)
Outflow (in %)Relevant Proportion (in%)
Assumptions made
13,92
0,00
77,61
5,44
59,12
0,00
0,00
0,00
0,00
0,00
Adjusted LCR Value (in EURm)
100%
58,04%
Commerzbank Maturity Profile
592,67
10%
N
N
100%
100%
N
N
N
N
N
N
100%
68,39%
0
0
5,01%
Unstable, as no further details available
Maturity above 30 days, thus irrelevant
Maturity above 30 days, thus irrelevant
Commerzbank Maturity Profile
–
–
–
–
–
–
33,30%
Irrelevant for us (too small)
Irrelevant for us (too small)
Irrelevant for us (too small)
Irrelevant for us (too small)
–
–
Excl. Interest Rate Derivatives, as > 30 days
101,55
0,00
0,00
32,50
30,33
0,00
0,00
0,00
0,00
0,00
0,00
183,18
103
Tabelle 21: Details Commerzbank AG
Commerzbank AG – Additional Details as of March 2015
Maturity
Proportion
(in EURm)
Proportion (in %)
LCR relevant Proportion
Daily
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 – 5 Years (incl.)
Above 5 Years
44.702
25.215
9.857
6.191
406
51,76%
29,19%
11,41%
7,17%
0,47%
66,35%
Lending to Non-Banks (non-MFIs)
n.a
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 – 5 Years (incl.)
Above 5 Years
29.876
36.316
24.128
67.174
84.986
12,32%
14,98%
9,95%
27,70%
35,05%
7,49%
48.228
25.913
6.169
13.948
11.167
45,75%
24,58%
5,85%
13,23%
10,59%
58,04%
6.762
51
99,25%
0,75%
0,00%
Daily
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 – 5 Years (incl.)
Above 5 Years
155.384
37.384
26.427
12.691
22.643
61,05%
14,69%
10,38%
4,99%
8,90%
68,39%
Daily
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 – 5 Years (incl.)
Above 5 Years
4.819
11.976
22.625
8.679
0,00%
10,02%
24,90%
47,04%
18,04%
5,01%
Währungsbezogene
Derivategeschäfte
Zinsbezogene Derivategeschäfte
Übrige Derivategeschäfte
27.470
25,51%
71.832
8.397
66,70%
7,80%
Lending to Banks (MFIs)
Liabilities to Banks
Daily
Below (incl.) 3 Months
3 Months – 1 Year (incl.)
1 – 5 Years (incl.)
Above 5 Years
Liabilities to Non-Banks
Savings Deposits
Sight- and Time Deposits
3 Months
Above 3 Months
Securitised Debt
Trading Derivatives
104
Tabelle 22: Cash Performance
Performance Overview – Cash and Cash Equivalents
Balances with Central Banks Total Return (p.a.)
Time Series
Source: ECM Interest Rates
(Deutsche Bundesbank)
Performance 2014
-0,09%
Performance 2010
0,25%
Performance 2005
1,02%
Cash in Hand
Total Return (p.a.)
2014-12 2014-11 2014-10 2014-09 2014-08
–0,20% -0,20% –0,20% –0,20% –0,10%
2010-12 2010-11 2010-10 2010-09 2010-08
0,25% 0,25% 0,25% 0,25% 0,25%
2005-12 2005-11 2005-10 2005-09 2005-08
1,25% 1,00% 1,00% 1,00% 1,00%
2014-07
–0,10%
2010-07
0,25%
2005-07
1,00%
2014-06 2014-05 2014-04
–0,10%
0%
0%
2010-06 2010-05 2010-04
0,25% 0,25% 0,25%
2005-06 2005-05 2005-04
1,00% 1,00% 1,00%
2014-03 2014-02
0%
0%
2010-03 2010-02
0,25% 0,25%
2005-03 2005-02
1,00% 1,00%
2014-01
0%
2010-01
0,25%
2005-01
1,00%
2014-12 2014-11 2014-10 2014-09 2014-08 2014-07 2014-06 2014-05 2014-04
0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00%
2010-12 2010-11 2010-10 2010-09 2010-08 2010-07 2010-06 2010-05 2010-04
0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00%
2005-12 2005-11 2005-10 2005-09 2005-08 2005-07 2005-06 2005-05 2005-04
0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00%
2014-03 2014-02
0,00% 0,00%
2010-03 2010-02
0,00% 0,00%
2005-03 2005-02
0,00% 0,00%
2014-01
0,00%
2010-01
0,00%
2005-01
0,00%
Time Series
Source: Assumption
Performance 2014
0,00%
Performance 2010
0,00%
Performance 2005
0,00%
105
Tabelle 23: Fixed Income Performance
Performance Overview – Fixed Income Securities
Bank Debt Securities
Total Return (p.a.)
(domestic)
Source: Bundesbank Time Series
Performance 2014
0,89%
Performance 2010
2,66%
Performance 2005
3,05%
Public Debt Securities
Total Return (p.a.)
Source: Bundesbank Time Series
Performance 2014
1,03%
Performance 2010
2,43%
Performance 2005
3,17%
Total Return (p.a.)
of which: Issued by
Federal Governments and
its special Funds
Source: Bundesbank Time Series
Performance 2014
1,03%
Performance 2010
2,43%
Performance 2005
3,17%
Corporate Debt Securities Total Return (p.a.)
(non-MFIs)
Source: Bundesbank Time Series
Performance 2014
2,95%
Performance 2010
4,03%
Performance 2005
3,70%
Bank Debt Securities
Total Return (p.a.)
(foreign)
Source: Bundesbank Time Series
Performance 2014
Performance 2010
Performance 2005
Time Series
2014-12 2014-11 2014-10 2014-09 2014-08 2014-07 2014-06 2014-05 2014-04
0,50% 0,60% 0,60% 0,70% 0,70% 0,80% 0,90% 1,00% 1,10%
2010-12 2010-11 2010-10 2010-09 2010-08 2010-07 2010-06 2010-05 2010-04
2,90% 2,60% 2,40% 2,30% 2,30% 2,50% 2,50% 2,60% 2,80%
2005-12 2005-11 2005-10 2005-09 2005-08 2005-07 2005-06 2005-05 2005-04
3,20% 3,30% 3,00% 2,80% 2,90% 2,80% 2,80% 3,00% 3,10%
2014-03 2014-02
1,20% 1,20%
2010-03 2010-02
2,90% 3,00%
2005-03 2005-02
3,30% 3,20%
2014-01
1,40%
2010-01
3,10%
2005-01
3,20%
2014-03 2014-02
1,30% 1,30%
2010-03 2010-02
2,80% 2,80%
2005-03 2005-02
3,50% 3,30%
2014-01
1,50%
2010-01
3,00%
2005-01
3,30%
2014-03 2014-02
1,30% 1,30%
2010-03 2010-02
2,80% 2,80%
2005-03 2005-02
3,50% 3,30%
2014-01
1,50%
2010-01
3,00%
2005-01
3,30%
2014-03 2014-02
3,40% 3,40%
2010-03 2010-02
4,20% 4,40%
2005-03 2005-02
4,10% 3,90%
2014-01
3,40%
2010-01
4,40%
2005-01
3,90%
2014-03 2014-02
0,19% 0,16%
2010-03 2010-02
0,35% 0,34%
2005-03 2005-02
2,06% 2,06%
2014-01
0,20%
2010-01
0,34%
2005-01
2,08%
Time Series
2014-12 2014-11 2014-10 2014-09 2014-08 2014-07 2014-06 2014-05 2014-04
0,60% 0,70% 0,70% 0,80% 0,90% 1,00% 1,10% 1,20% 1,30%
2010-12 2010-11 2010-10 2010-09 2010-08 2010-07 2010-06 2010-05 2010-04
2,50% 2,30% 2,10% 2,00% 2,10% 2,30% 2,20% 2,40% 2,70%
2005-12 2005-11 2005-10 2005-09 2005-08 2005-07 2005-06 2005-05 2005-04
3,30% 3,30% 3,10% 2,90% 3,00% 3,00% 2,90% 3,10% 3,30%
Time Series
2014-12 2014-11 2014-10 2014-09 2014-08 2014-07 2014-06 2014-05 2014-04
0,60% 0,70% 0,70% 0,80% 0,90% 1,00% 1,10% 1,20% 1,30%
2010-12 2010-11 2010-10 2010-09 2010-08 2010-07 2010-06 2010-05 2010-04
2,50% 2,30% 2,10% 2,00% 2,10% 2,30% 2,20% 2,40% 2,70%
2005-12 2005-11 2005-10 2005-09 2005-08 2005-07 2005-06 2005-05 2005-04
3,30% 3,30% 3,10% 2,90% 3,00% 3,00% 2,90% 3,10% 3,30%
Time Series
2014-12 2014-11 2014-10 2014-09 2014-08 2014-07 2014-06 2014-05 2014-04
2,40% 2,50% 2,60% 2,70% 2,70% 2,80% 3,00% 3,20% 3,30%
2010-12 2010-11 2010-10 2010-09 2010-08 2010-07 2010-06 2010-05 2010-04
3,80% 3,60% 3,50% 3,70% 3,80% 4,00% 4,40% 4,30% 4,30%
2005-12 2005-11 2005-10 2005-09 2005-08 2005-07 2005-06 2005-05 2005-04
3,70% 3,70% 3,50% 3,30% 3,50% 3,50% 3,60% 3,80% 3,90%
Time Series
1,72%
3,00%
3,72%
Bonds and Debt Securities Total Return (p.a.)
Time Series
issued by foreign Non-Banks
Source: Bloomberg – Barclays Capital Bond Composite Global Index
2014-12 2013-12
Performance 2014
3,83%
379,64 365,65
2010-12 2009-12
Performance 2010
6,42%
336,84 316,52
2005-12 2004-12
Performance 2005
–0,17%
245,94 246,35
Money Market Paper
Source: EONIA Time Series
Total Return (p.a.)
Performance 2014
0,10%
Performance 2010
0,44%
Performance 2005
2,09%
106
Time Series
2014-12 2014-11 2014-10 2014-09 2014-08 2014-07 2014-06 2014-05 2014-04
-0,03% -0,01% 0,00% 0,01% 0,02% 0,04% 0,08% 0,25% 0,25%
2010-12 2010-11 2010-10 2010-09 2010-08 2010-07 2010-06 2010-05 2010-04
0,50% 0,59% 0,70% 0,45% 0,43% 0,48% 0,35% 0,34% 0,35%
2005-12 2005-11 2005-10 2005-09 2005-08 2005-07 2005-06 2005-05 2005-04
2,28% 2,09% 2,07% 2,09% 2,06% 2,07% 2,06% 2,07% 2,08%
107
Tabelle 24: Equity Performance
Performance Overview – Equity-linked Securities
Shares (incl. Participation
Certificates) (domestic)
Total return (p.a.)
Time Series
Source: Bloomberg – DAX Index
27,07
2014-12
9805,55
2010-12
6914,19
2005-12
5408,26
2013-12
9552,16
2009-12
5957,43
2004-12
4256,08
–15,79%
–10,22%
38,72%
Deutsche
Bank AG
24,45%
–13,29%
25,38%
Ending
Value
24,99
37,29
71,28
Beginning
Value
33,07
43,01
56,85
Market MCAP in
Capitalisation
34.454,60
35.935,30
41.400,50
%
59,19%
72,60%
58,35%
Performance 2014
Performance 2010
Performance 2005
Postbank AG
–9,33%
–9,09%
50,77%
Ending
Value
35,14
20,80
49,00
Beginning
Value
38,75
22,88
32,50
Market MCAP in
Capitalisation
7.687,50
4.551,00
8.036,00
%
13,21%
9,19%
11,33%
Performance 2014
Performance 2010
Performance 2005
Umweltbank AG
31,06%
1,95%
83,62%
Ending
Value
51,10
17,28
12,67
Beginning
Value
38,99
16,95
6,90
Market MCAP in
Capitalisation
283,00
95,70
59,60
%
0,49%
0,19%
0,08%
2014-12
9.805,55
2010-12
6.914,19
2005-12
5.408,26
2013-12
9.552,16
2009-12
5.957,43
2004-12
4.256,08
2014-12
1.709,67
2010-12
1.280,07
2005-12
1.257,78
2013-12
1.661,07
2009-12
1.168,47
2004-12
1.169,348
Performance 2014
2,65%
Performance 2010
16,06%
Performance 2005
of which: Shares issued by Banks (MFIs)
Source: Bloomberg – All listed German Banks
Performance 2014
Performance 2010
Performance 2005
Mutual Fund Shares, other Securities (domestic)
Source: Bloomberg – DAX Index
Performance 2014
2,65%
Performance 2010
16,06%
Performance 2005
27,07%
Shares, mutual fund shares and other securities (foreign)
Source: Bloomberg – MSCI World
Performance 2014
2,93%
Performance 2010
9,55%
Performance 2005
7,56%
Aggregated MCAP
MCAP 2014 58.206,10
;MCAP 2010 49.499,40
MCAP 2005 70.947,40
108
Commerzbank AG
–6,23%
–5,62%
71,64%
Ending
Value
10,98
33,29
155,96
Beginning
Valu
11,71
35,27
90,86
Market MCAP in
Capitalisation
12.509,90
6.509,50
17.061,30
%
21,49%
13,15%
24,05%
IKB Deutsche
Industriebank
47,54%
–9,88%
22,73%
Ending
Value
0,84
0,68
25,00
Beginning
Value
0,57
0,75
20,37
Market MCAP in
Capitalisation
747,40
459,20
1.826,90
%
1,28%
0,93%
2,58%
Oldenburgische
Landesbank
–5,21%
–18,97%
–19,92%
Ending
Value
20,20
37,80
51,25
Beginning
Value
21,31
46,65
64,00
Market MCAP in
Capitalisation
469,80
879,10
1.191,90
%
0,81%
1,78%
1,68%
Aareal
Bank
15,65%
71,95%
31,54%
Ending
Value
33,29
20,52
28,87
Beginning
Value
28,79
11,94
21,95
Market MCAP in
Capitalisation
1.992,60
974,80
1.371,20
%
3,42%
1,97%
1,93%
Quirin
Bank AG
4,01%
4,76%
Ending
Value
1,50
2,20
Beginning
Value
1,45
2,10
Market MCAP in
Capitalisation
61,30
94,80
%
0,11%
0,19%
109
Tabelle 25: Fixed Income Details
Performance Analysis – Bank Debt Securities (Foreign)
Bank Debt Securities in Europe
(25 largest Institutions)
Total Return (p.a.) Time Series
Source: Bloomberg, Maturity
of c. 5 years
HSBC Holdings
Banco Santander
Lloyds Banking Group
BNP Paribas
UBS AG
Barclays PLC
BBVA
Royal Bank of Scotland Group
Nordea Bank
Intesa Sanpaolo
Deutsche Bank
Credit Suisse Group
UniCredit S.p.A.
Credit Agricole Group
Societe Generale
Standard Chartered Plc
Svenska Handelsbanken AB
Groupe BPCE
ING Groep
Rabobank Group
Commerzbank AG
Credit Mutuel
KfW Group
Danske Bank
DZ Bank AG
Total Return
Bond Issue
2014
1,12%
1,63%
1,88%
1,50%
1,13%
0,00%
0,00%
1,63%
1,25%
1,12%
1,16%
1,38%
1,50%
0,00%
0,00%
0,00%
0,00%
1,38%
0,00%
1,75%
1,00%
1,13%
0,38%
1,00%
0,92%
1,31%
Size (in m)
Announcement
Maturity
10,00
750,00
1.000,00
5,00
1.500,00
–
–
1.000,00
1.500,00
50,00
25,00
2.250,00
1.000,00
–
–
–
–
1.500,00
–
1.500,00
500,00
1.700,00
1.500,00
25,00
20,00
15.835,00
26.03.14
03.06.14
07.10.13
29.04.14
24.06.15
–
–
18.06.14
07.01.14
16.10.14
19.05.14
27.05.14
12.06.14
–
–
–
–
14.05.14
–
15.01.14
29.01.14
29.01.14
15.07.14
15.08.14
11.03.14
26.03.19
11.06.19
10.10.18
06.05.19
30.06.20
–
–
25.06.19
14.01.19
20.10.19
27.05.19
29.11.19
19.06.19
–
–
–
–
22.05.19
–
22.01.19
05.02.19
06.02.19
22.07.19
27.08.19
18.03.19
Size (in m)
Announcement
Maturity
2.000,00
2.500,00
2.000,00
1.750,00
750,00
1.250,00
10.250,00
15.10.14
27.03.14
22.07.14
14.04.14
02.05.14
21.04.14
22.10.19
01.04.19
29.07.19
22.04.19
15.05.19
25.04.19
Bank Debt Securities in US Total Return (p.a.) Time Series
(6 largest Institutions)
Source: Bloomberg, Maturity
of c. 5 years
JPMorgan Chase
Bank of America
Citigroup
Wells Fargo
The Bank of New York Mellon
U.S. Bancorp
Total Return
110
Bond Issue
2014
2,20%
2,65%
2,50%
2,13%
2,20%
2,20%
2,36%
Bond Issue
2010
3,60%
3,13%
3,38%
2,88%
3,50%
3,13%
0,00%
3,00%
2,75%
3,00%
2,88%
2,63%
2,63%
3,00%
3,00%
3,63%
3,13%
2,88%
0,00%
3,00%
3,00%
3,00%
2,25%
2,63%
2,40%
2,89%
Size (in m)
Announcement
Maturity
10,00
1.000,00
1.500,00
1.500,00
1.750,00
1.500,00
–
1.500,00
1.250,00
1.000,00
150,00
1.250,00
1.250,00
1.550,00
1.250,00
1.250,00
100,00
1.400,00
–
3.150,00
6,00
750,00
5.000,00
1.000,00
100,00
29.216
06.05.09
19.01.10
10.03.10
06.07.10
08.07.10
07.01.10
–
01.09.10
04.08.10
20.10.10
28.07.10
24.11.10
31.08.10
12.07.10
22.03.10
22.06.10
02.02.10
13.09.10
–
09.02.10
02.02.10
21.10.10
21.04.10
25.11.10
27.10.10
19.05.14
28.01.15
17.03.15
13.07.15
15.07.15
14.01.15
–
08.09.15
11.08.15
04.11.15
03.08.15
01.12.15
31.10.15
20.07.15
31.03.15
15.12.15
09.02.15
22.09.15
–
16.02.15
09.02.15
29.10.15
10.04.15
02.12.15
29.12.15
Bond Issue
2010
3,40%
3,70%
4,00%
3,63%
2,95%
2,45%
3,43%
Size (in m)
Announcement
Maturity
1.650,00
1.500,00
1.250,00
1.250,00
650,00
1.000,00
7.300,00
17.06.10
17.08.10
19.11.10
23.03.10
11.06.10
22.07.10
24.06.10
01.09.15
26.11.15
15.04.15
18.06.15
27.07.15
Bond Issue
2005
3,32%
3,25%
0%
3,00%
4,35%
0,00%
2,75%
1,88%
0,00%
3,20%
2,85%
0,00%
2,75%
0,00%
3,50%
0,00%
0,00%
0,00%
0,00%
3,13%
2,50%
2,86%
2,70%
0,00%
2,15%
3,02%
Size (in m)
Announcement
Maturity
15,00
500,00
–
50,00
702,25
–
3.000,00
300,00
–
25,00
1,87
–
25,00
–
10,00
–
–
–
–
1.400,00
20,00
20,00
1,19
–
50,00
6.120
19.11.04
09.03.04
–
03.05.05
18.01.05
–
25.05.05
31.10.05
–
22.02.05
10.01.05
–
30.09.05
–
03.05.05
–
–
–
–
11.01.05
28.02.05
07.09.05
04.01.05
–
25.01.05
12.10.09
15.03.09
–
20.05.10
18.02.10
–
07.06.10
27.10.10
–
22.02.10
19.01.10
–
20.08.10
–
29.07.10
–
–
–
–
19.07.10
30.09.09
08.09.10
12.01.10
–
10.03.10
Bond Issue
2005
4,60%
4,50%
4,13%
4,63%
4,95%
4,50%
4,43%
Size (in m)
Announcement
Maturity
500,00
1.250,00
2.000,00
1.000,00
400,00
850,00
6.000,00
15.09.05
19.07.05
14.02.05
01.08.05
08.12.05
25.07.05
17.01.11
01.08.10
22.02.10
09.08.10
14.01.11
29.07.10
111
Anhang 2
Beispiel für ein Lebensversicherungsportfolio mit Duration-Match
Privatbanken
Landesbanken
Genobanken
Stl. Institut.
Sparkassen
Bundesländer
Automobiles & Parts
Chemicals
Telecommunications
Utilities
Unternehmen
Staat
Bundesrep. Deutschland
Genobanken
Stl. Institut.
Privatbanken
Automobiles & Parts
Chemicals
Industrial Goods & Services
Unternehmen
Zweckges.
Niederlande
Staat
Privatbanken
Construction & Materials
Retail
Unternehmen
Frankreich
Staat
Privatbanken
Italien
Supranational
Europäische Investitionsbank EIB
Genobanken
Privatbanken
Landesbanken
Staat
Real Estate
Unternehmen
Stl. Institut.
Österreich
Staat
Stl. Institut.
Privatbanken
Sparkassen
Spanien
Privatbanken
Großbritannien
Privatbanken
Staat
Irland
Staat
Belgien
Privatbanken
Norwegen
Staat
Polen
Privatbanken
Schweden
Privatbanken
USA
Gesamt
112
Kupon
aktuell
Zeros
Staatl.
Gedeckt
Ungedeckt
Geldmarkt
Nachr.
RLZ
3,51%
3,92%
4,30%
4,47%
4,33%
4,53%
0,10%
1,88%
0,13%
5,54%
1,08%
4,78%
3,84%
4,43%
4,08%
4,47%
0,99%
5,14%
5,40%
1,61%
5,87%
4,15%
3,17%
3,97%
0,05%
0,15%
0,14%
3,07%
3,73%
5,14%
4,10%
4,27%
4,27%
4,42%
4,61%
4,75%
4,53%
4,49%
4,49%
4,72%
4,55%
4,21%
4,67%
4,53%
4,40%
4,34%
4,31%
4,31%
4,52%
2,73%
4,19%
3,86%
3,86%
4,42%
4,42%
4,20%
4,20%
4,82%
4,82%
4,54%
4,54%
3,92%
11.145.548
6.425.626
3.936.398
2.233.803
1.881.898
1.147.235
177.028
253.268
421.623
83.956
935.875
781.164
28.487.548
4.133.567
1.413.934
1.185.565
493.462
1.789
78.227
573.478
19.045
7.325.589
3.842.067
1.865.090
86.284
610.400
696.685
6.403.842
2.583.694
919.582
3.503.276
3.070.337
3.070.337
1.281.407
884.786
497.111
130.512
57.370
57.370
36.158
2.887.345
1.325.100
528.433
34.142
37.103
1.924.778
1.781.535
1.781.535
1.312.038
289.687
1.601.725
1.446.207
1.446.207
1.024.703
1.024.703
880.656
880.656
143.059
143.059
26.797
26.797
60.507.395,52
1.841.537
946.388
1.651.126
1.048.366
191.774
0
0
0
0
0
0
267.645
5.946.836
3.403.964
1.291.588
258.160
0
0
0
0
0
4.953.712
3.164.110
84
0
0
0
3.164.194
1.308.059
0
1.308.059
2.573.819
2.573.819
0
0
0
0
0
0
0
0
496.798
0
0
0
496.798
123.879
123.879
89.648
0
89.648
240.881
240.881
0
0
0
0
0
0
0
0
18.897.826,44
0
2.120.456
0
1.898.733
940.949
1.147.235
0
0
0
0
0
781.164
6.888.538
0
1.357.377
0
0
0
0
0
0
1.357.377
3.765.226
0
0
0
0
3.765.226
2.557.857
0
2.557.857
3.039.633
3.039.633
0
70.783
293.295
129.207
0
0
362
493.647
1.298.598
512.580
0
36.732
1.847.910
0
0
0
283.893
283.893
1.417.283
1.417.283
0
0
871.849
871.849
0
0
0
0
22.523.212,87
3.343.665
2.184.713
3.306.574
111.690
602.207
0
0
0
0
0
0
0
9.548.849
0
0
101.527
0
0
1.565
0
571
102.099
0
373.018
0
0
0
373.018
0
901.191
901.191
0
0
76.884
309.675
203.815
0
0
0
0
590.375
26.502
10.569
0
371
37.442
18
18
367.371
2.897
370.268
0
0
61.482
61.482
8.807
8.807
138.767
138.767
0
0
12.132.314,24
4.569.675
321.281
551.096
0
56.457
0
3.541
78.513
0
83.956
161.843
0
5.664.519
4.050.896
56.557
1.084.038
74.019
1.771
76.662
162.575
18.473
5.372.539
0
1.473.421
1.726
6.104
0
1.473.421
25.837
18.392
44.229
0
0
1.076.382
451.241
0
1.305
56.223
57.370
0
1.586.298
0
5.284
33.459
0
38.744
1.710.273
1.710.273
26.241
2.897
29.138
28.924
28.924
963.221
963.221
0
0
2.861
2.861
26.797
26.797
16.940.963,29
2.340.565
1.028.100
0
0
0
0
173.487
174.755
421.623
0
774.032
0
4.138.530
82.671
0
0
419.443
18
0
410.903
0
493.574
76.841
0
84.559
604.296
696.685
773.526
0
0
0
30.703
30.703
0
0
0
0
0
0
0
0
0
0
683
0
683
0
0
918.427
0
918.427
0
0
0
0
0
0
1.431
1.431
0
0
6.356.874,20
891.644
771.075
78.728
223.380
282.285
0
0
0
0
0
0
0
2.247.112
0
0
0
0
0
0
0
0
0
0
18.651
0
0
0
18.651
0
0
0
0
0
128.141
53.087
0
0
1.147
0
35.797
217.025
0
0
0
0
0
71.261
71.261
0
0
0
0
0
0
0
0
0
0
0
0
0
2.554.048,85
7,87
9,95
19,01
19,91
9,66
12,47
0,24
1,77
0,44
3,21
0,85
16,09
11,13
30,61
26,95
6,93
0,32
0,48
0,91
0,73
1,86
23,63
26,84
15,00
0,53
0,55
0,09
20,53
12,02
14,17
12,59
32,33
32,33
11,10
8,20
9,96
13,65
7,45
8,04
7,14
9,92
16,47
13,60
5,20
10,36
15,36
16,14
16,14
10,07
15,13
10,98
28,00
28,00
10,30
10,30
12,85
12,85
7,80
7,80
1,93
1,93
15,42
113
Literaturverzeichnis
Alon, Uri. 2006. Design Principles of Biological Circuits
Boris Sonntag. BaFin
Best und Grauer. 1991. On the Sensitivity of Mean-Variance-Efficient Portfolios to Changes in Asset Means:
Some Analytical and Computational Results. The Review of Financial Studies
BIS. 2013. Macroeconomic impact assessment of OTC derivatives regulatory reforms
BIS. Credit Counterparty Risk
Bloomberg. 21.08.2015. Eigene Berechnungen
Commerzbank AG. 2015. Quarterly Financial Report – Q1 2015. Commerzbank AG
Commission, European. 2014. Commission delegated Regulation (EU) of 10.10.2014 to supplement Regulation
(EU) 575/2013 with regard to liquidity coverage requirement for Credit Institutions
Demirer, Diebold und Yilmaz. 2015. Estimating Global Bank Network Connectedness
Deutsche Bundesbank. 2013. Ergebnisse des Basel III Monitoring für deutsche Institute. Deutsche Bundesbank
Diebold, F., und Yilmaz, K. 2014. On the Network Topology of Variance Decompositions: Measuring the Connectedness of Financial Firms. Journal of Econometrics, S. 182 (1), 119–134
European Central Bank. 2012. Corporate Indebtedness in the Euro Area
European Insurance and Occupational Pensions Authority (EIOPA). 2010. QIS5 Technical Specifications. Brüssel:
European Commission
Feodoria und Förstemann. 2015. Lethal lapses – how a positive interest rate shock might stress German life
insurers. Deutsche Bundesbank
Göhring, Paul. 2015. Investment Strategies in an Environment of intensified financial Market Regulation.
Frankfurt School of Finance and Management, Master Thesis. (F. S. Management, Hrsg.)
Heidorn und Schmaltz. 2009. Interne Transferpreise für Liquidität
Hellmich, Michael. Weitreichende Konsequenzen aus EMIR & Co. Deutsche Pensions & Investment Nachrichten
Hellmich et al. 2013. Economic Study: The Benefits of Innovative Information Technology in the Banking
Industry. SAP
Hellmich et al. 2015. Connect to Connectedness. Frankfurt School
Hellmich, Kraft und Siddiqui. 2014. Temporary Alienation or Lasting Separation? Covered and Government Bond
Spread Movements during and after the Crisis of 2007-09. International Journal of Economics and Finance
Hellmich, Liebmann und Kassberger. 2015. A general framework for cooperative evolution
Hellmich, Liebmann und Kassberger. 2015. A Lévy-driven framework for the joint modelling of interest rates
and equity prices
Hellmich, Michael. 10/2015. ABS-Ankaufprogramm – wo stehen wir nach fast einem Jahr? Die Bank
114
Hellmich, Schmidt und Kassberger. 2013. Credit Modelling under Jump Diffusions with Exponentially Distributed
Jumps – Stable Calibrations. Dynamics and Gap Risk. International Journal of Theoretical and Applied Finance, 4
Hellmich und Kassberger. 2008. The Ultimate Guide to CDOs: Market, Application, Valuation, and Hedging.
(R. Books, Hrsg.) G. Meissner (ed.)
Hellmich und Kassberger. 2009. Efficient and robust portfolio optimization in the multivariate Generalized
Hyperbolic framework. Journal for Quantitative Finance
Hellmich und Siddiqui. 01/2014. Klassische Geschäftsmodelle im Wandel. Die Bank
Hollo, Dániel, Kremer, Manfred, und Lo Duca, Marco. 2012. CISS – a composite indicator of systemic stress
in the financial system. European Central Bank (ECB)
Kötter, Michael. 2013. Market structure and competition in German banking. Report commissioned by the Council of Economic Experts and the Monopolies Commission
Manamperi, Nimantha. P. 2013. A Comparative Analysis of US Financial Stress Indicators. Texas Tech University
Michaud Richard O. 1989. The Markowitz Optimization Enigma: Is ‘Optimized’ Optimal?
Financial Analysts Journal
Palsson, Bernhard Ø. 2011. Systems Biology, Simulation of Dynamic Network States
Pedersen, Lasse Heje. 2005. Liquidity-adjusted CAPM
Pedersen, Lasse Heje. Efficiently Inefficient
Pokutta und Schmaltz. 2011. A Network Model for Bank Lending Capacity
Schmaltz. 2014. How to make regulators and shareholders happy under Basel III. Journal of Banking & Finance
Sonntag, Boris. 21.02.2013. Kapitalanlagepolitik von Lebensversicherungen – Attraktivität von Anlageklassen
unter Solvency II. Vorlesung an der Universität Leipzig
Thorn. 2014. Berücksichtigung von Schätzunsicherheit bei der Portfolio-Optimierung nach Markowitz. PhilippsUniversität Marburg
Trichet, Jean-Claude. 18.11.2010. Reflections on the nature of monetary policy non-standard measures
and finance theory. (ECB, Hrsg.)
115
Abbildungsverzeichnis
Abbildung 1: politische und makroökonomische Auswirkungen der Bankenkrise
Abbildung 2: Zusammensetzung der Stichprobe – Branchenzugehörigkeit
Abbildung 3: Aufteilung des Volumens aller Kapitalanlagen des Unternehmens auf die
verschiedenen Asset-Klassen
Abbildung 4: Wichtigkeit einzelner Aspekte beim Portfoliomanagement
Abbildung 5: Ausrichtung der Anlageentscheidung – Sicherheit, Liquidität, Rendite
Abbildung 6: Auswirkungen des Niedrigzinsumfeldes auf die Auswahl des Risikomanagers
Abbildung 7: Bedeutung des Risikomanagements bei der Auswahl des Risikomanagers
Abbildung 8: Bedeutung allgemeiner Risiken für die Anlageentscheidung
Abbildung 9: Liquiditätsspirale
Abbildung 10: Bedeutung externer Anlagerestriktionen für die Kapitalanlage
Abbildung 11: Bedeutung interner Anlagerestriktionen für die Kapitalanlage
Abbildung 12: Einfluss von Restriktionen auf die Portfoliorenditeerwartung
Abbildung 13: Effekte von Zyklen und Volatilität auf Eigenkapitalquoten
Abbildung 14: Die Beziehung zwischen Banken basiert auf Geschäft und Vertrauen
Abbildung 15: Beziehung zwischen der Bonität von Zentralregierungen und Banken
Abbildung 16: Credit Spread Frankreich versus Credit Spreads BNP und Soc. Gen.
Abbildung 17: Beziehung zwischen der Bonität von Zentralregierungen und Banken ohne
nationale Notenbank
Abbildung 18: Übersicht über die regulatorischen Rahmenbedingungen
Abbildung 19: Einflussfaktoren für die Geschäftsmodelle von Banken
Abbildung 20: wesentliche Neuerungen in der Regulierung von Banken
Abbildung 21: die multidimensionalen Nebenbedingungen der CRR
Abbildung 22: weitere wichtige künftige aufsichtsrechtliche Projekte für Banken
Abbildung 23: Struktur der Liquidity Coverage Ratio
Abbildung 24: Bilanzstruktur aus Sicht der Liquidity Coverage Ratio
Abbildung 25: kombiniertes Stressszenario für die LCR und Auswirkungen auf die Bankbilanz
Abbildung 26: Struktur der Net Stable Funding Ratio
Abbildung 27: Bilanzstruktur aus Sicht der Net Stable Funding Ratio
Abbildung 28: Spread-Risiko-Modul im Solvency-II-Standardmodell
Abbildung 29: modularer Aufbau des Solvency-II-Standardmodell
Abbildung 30: Anwendung der Wurzelformel im Solvency-II-Standardmodell
Abbildung 31: Zinskurvenveränderungen im Solvency-II-Standardmodell
Abbildung 32: Risikofaktoren für Credit Spreads im Solvency-II-Standardmodell
Abbildung 33: SCR für Spread-Risiken von Corporates im Solvency-II-Standardmodell
Abbildung 34: SCR für Spread-Risiken von Sovereigns im Solvency-II-Standardmodell
Abbildung 35: Übersicht über die Auswirkungen des Marktrisikomoduls im Solvency-II-Standardmodell
Abbildung 36: Rendite versus Solvency Capital Requirement (SCR) für wichtige
Asset-Klassen (isolierte Betrachtung)
Abbildung 37: Einfluss regulatorischer Vorgaben auf Anlageziele
Abbildung 38: Einfluss des Niedrigzinsumfeldes auf Anlageziele
Abbildung 39: Ertragssituation deutscher Banken
Abbildung 40: repräsentative Bilanz deutscher Banken im März 2015
Abbildung 41: Kosten der Liquiditätsreserve auf Basis von internen Verrechnungspreisen
Abbildung 42: Renditekurven wichtiger Asset-Klassen
Abbildung 43: Asset Allocation einer idealtypischen deutschen Lebensversicherung,
Abbildung 44: Auswirkung von Allokationsveränderungen für eine typische Lebensversicherung
Abbildung 45: Verteilung des Anlagevolumens auf Länder und Anleihearten
Abbildung 46: Effizienz und Investmentstil
Abbildung 47: Performance nach Transaktionskosten
Abbildung 48: monatliche Gewinne und Verluste (in Prozent)
Abbildung 49: Komponenten eines Netzwerkmodells
Abbildung 50: Auswirkungen von Schockszenarien auf Bankbilanzen
Abbildung 51: Systemic Risk Platform, SAP HANA
Abbildung 52: Netzwerkmodell als Teil der Systemic Risk Platform von SAP HANA
116
11
22
22
23
23
24
24
24
30
31
32
32
33
33
34
34
35
40
41
42
43
44
45
47
48
48
49
51
51
52
54
55
56
56
59
60
64
65
66
68
74
78
79
80
82
84
85
86
94
95
97
88
Tabellenverzeichnis
Tabelle 1:
Tabelle 2:
Tabelle 3:
Tabelle 4:
Tabelle 5:
Tabelle 6:
Tabelle 7:
Tabelle 8:
Tabelle 9:
Tabelle 10:
Tabelle 11:
Tabelle 12:
Tabelle 13:
Tabelle 14:
Tabelle 15:
Tabelle 16:
Tabelle 17:
Tabelle 18:
Tabelle 19:
Tabelle 20:
Tabelle 21:
Tabelle 22:
Tabelle 23:
Tabelle 24:
Tabelle 25:
Schockfaktoren für die Zinskurven im Solvency-II-Standardmodell
Risikofaktoren Aktien
Konzentrationsrisiken
ratingabhängige Faktoren für Konzentrationsrisiken
Berechnung der durchschnittlichen Liquidity Coverage Ratio für deutsche Banken
Yield Overview – Cash and Cash Equivalents
Yield Overview – Fixed Income Securities
Yield Overview – Equity-linked Securities
Total Portfolio Return Calculation
lineares Programm mit Nebenbedingungen aus der CRR
Kennzahlen der Handelsstrategie
Commerzbank AG – Maturity Profile of Liabilities to Banks (Q1 2015)
Commerzbank AG – Maturity Profile of Liabilities to Non-Banks (Q1 2015)
Commerzbank AG – Maturity Profile of Securitised Debt (Q1 2015)
Commerzbank AG – Composition of Derivatives (Q1 2015)
Commerzbank AG – Maturity Profile of Lending to Banks (Q1 2015)
Commerzbank AG – Maturity Profile of Lending to Non-Banks (Q1 2015)
Portfoliozusammensetzung und Performance zum März 2015
Bundesbankstatistik
Liquidity Coverage Ratio
Details Commerzbank AG
Cash Performance
Fixed Income Performance
Equity Performance
Fixed Income Details
53
57
58
58
71
72
72
72
73
76
86
100
100
100
100
100
101
101
102
103
104
105
106
108
110
117
118
119
Herausgeber
Prof. Dr. Martin Hellmich
Hinweis
Union Investment Institutional GmbH
Weißfrauenstraße 7
60311 Frankfurt am Main
Karl Friedrich Hagenmüller
Professor für Financial Risk Management
Dieses Dokument ist ausschließlich für professionelle
Kunden gemäß § 31a Abs. 2 WpHG vorgesehen und
wurde von Union Investment Institutional GmbH
sorgfältig entworfen und hergestellt, dennoch übernehmen wir keine Gewähr für die Aktualität, Richtigkeit und Vollständigkeit.
Telefon: +49 69 2567-7652
Telefax: +49 69 2567-1616
www.die-risikomanager.de
Frankfurt School of
Finance & Management GmbH
Sonnemannstraße 9–11
60314 Frankfurt am Main
Telefon: +49 69 154008-443
Telefax: +49 69 154008-4443
Stand: November 2015
005980 11.15
[email protected]
www.frankfurt-school.de
Quelle aller Grafiken, sofern nicht anders angegeben,
ist Union Investment.