In Sammlung (en) In der gespeicherten
  1. Mathematik
  2. Statistik Und Wahrscheinlichkeitsrechnung

σ - RiskNET

Werbung 
Benefits of Enterprise Risk Management (ERM)
Quelle:
PriceWaterhouseCoopers:
Global CEO Survey 2005
© 2006 RiskNET / Frank Romeike
Seite 0
17.05.2006
Adding Value Through Risk and Capital Management
Quelle:
Towers Perrin/
Tillinghast:
2004 Benchmarking
Survey
Report: Adding
Value Through
Risk and Capital
Management
© 2006 RiskNET / Frank Romeike
Seite 1
17.05.2006
Bewertung von Zielen des Asset Liability Managements
© 2006 RiskNET / Frank Romeike
Seite 2
17.05.2006
Logarithmieren von Veränderungen
• Beispiel Straßenbau: Eine vierspurige Straße wird um zwei
Spuren erweitert. In der Folge kommt es zu zahlreichen Unfällen
wegen Geschwindigkeitsüberschreitung. Die neuen Spuren
werden mit Blumenkübeln unbrauchbar gemacht.
Relative Betrachtung:
Logarithmiert:
4+2=6
(+50 %)
⎛6⎞
ln⎜ ⎟ = +0,405465
⎝ 4⎠
6-2=4
(-33 %)
⎛ 4⎞
ln⎜ ⎟ = −0,405465
⎝6⎠
Saldo
+ 17 %
Fazit für die Statistik: Das Straßennetz
wurde um 17 % ausgebaut.
© 2006 RiskNET / Frank Romeike
Gesamtänderung
gleich Null
Seite 3
17.05.2006
Die Eigenschaften der Standard-Normalverteilung
0,45
0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
-3
-2
-1
0
1
2
3
68,27 %
[0+1σ]
90,00 %
[ 0 + 1,65 σ ]
95,45 %
[0+2σ]
99,73 %
[0+3σ]
© 2006 RiskNET / Frank Romeike
Seite 4
17.05.2006
Kleine und große Streuung um den Mittelwert
Normalverteilung (0;1)
0,45
0,40
µ =0
σ² = 1
σ =1
0,35
0,30
0,25
0,20
Normalverteilung (0;4)
0,15
0,45
0,10
0,40
0,05
µ =0
σ² = 4
σ =2
0,35
0,00
-3
-2
-1
0
1
2
3
0,30
0,25
0,20
0,15
0,10
0,05
0,00
-15
© 2006 RiskNET / Frank Romeike
-10
-5
0
5
10
15
Seite 5
17.05.2006
Schiefe Verteilungen
1,2
1,0
0,8
0,6
0,4
0,2
0,0
-2,5
0,6
-2,0
-1,5
-1,0
-0,5
rechtsschief (Schiefe >0)
0,5
0,0
0,4
0,3
0,2
0,1
0,0
-2,5
-1,5
-0,5
0,5
1,5
2,5
linksschief (Schiefe <0)
© 2006 RiskNET / Frank Romeike
Seite 6
17.05.2006
Die Kurtosis (Wölbung) einer Verteilung
Kurtosis = Krümmung = Wölbung = Exzess
0,45
0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
Normalverteilung mit
Kurtosis 3,0
Logistikverteilung mit
Kurtosis 4,2
-5
-4
-3
-2
-1
0
© 2006 RiskNET / Frank Romeike
1
2
3
4
5
Seite 7
17.05.2006
Planung basierend auf stochastischen Modellen (1/2)
Jede wichtige Variable wird durch eine Verteilung zu
verschiedenen Zeitpunkten abgebildet!
Heute
3
6
9
12
Monate
15
18
21
24
Für jede wichtige Variable emitteln wir den Erwartungswert sowie die
Volatilität und leiten daraus eine Verteilung für verschiedene Zeitpunkte in
der Zukunft ab.
Die Basis hierfür bilden die Historie und die zukünftigen Entscheidungen …
Hierbei werden vor allem Korrelationen und Abhängigkeiten berücksichtigt!
© 2006 RiskNET / Frank Romeike
Seite 8
17.05.2006
Planung basierend auf stochastischen Modellen (2/2)
Jeder Pfad spiegelt ein potenzielles
Ergebnis wider!
Individuelle
potenzielle Pfade
Verteilung der
Ergebnisse
Heute
3
6
9
12
Monate
15
18
21
24
Für jede wichtige Variable wird eine Simulation von verschiedenen
potenziellen Pfaden durchgeführt
Aggregiere die granularen Variablen auf Zielgrößen, wie beispielsweise
Kapital oder Prämieneinnahmen
Das Ergebnis ist eine Verteilung von allen wichtigen Meßgrößen für
verschiedene Zeithorizonte in der Zukunft
© 2006 RiskNET / Frank Romeike
Seite 9
17.05.2006
Die Standardabweichung dient als Maß für die Volatilität
einer Vermögensposition
Die Volatilität wird allein durch den Markt bestimmt und ist damit
unabhängig von subjektiven Einschätzungen über die Kursentwicklung.
Aber:
Messen lässt sich nur die historische Volatilität als Durchschnitt der
Kursschwankungen in der Vergangenheit.
Erforderlich wäre für die Quantifizierung der zukünftigen Verlustrisiken
die Kenntnis der zukünftigen Volatilität.
Unter der Annahme, dass die historischen Volatilitäten im Zeitablauf
stabil sind, können sie als Prognose für die zukünftige Volatilität
verwandt werden.
Diese Annahme ist für kurze Zeithorizonte zulässig, für längere
jedoch problematisch.
© 2006 RiskNET / Frank Romeike
Seite 10
17.05.2006
Implizite versus historische Volatilitäten
80
70
60
50
40
30
20
10
© 2006 RiskNET / Frank Romeike
Sep. 01
Jul. 01
Mai. 01
Mrz. 01
Jan. 01
Nov. 00
Sep. 00
Jul. 00
Mai. 00
Mrz. 00
Jan. 00
0
Nov. 99
Implizite Volatilitäten in %
Beispiel: Implizite Volatilität der DaimlerChrysler-Aktie
Seite 11
17.05.2006
Berücksichtigung von Korrelationen
A
-1 < Korrelation < +1
Korrelation = 0
B
A
A
Korrelation = 0,5
Korrelation = - 0,5
B
B
A
A
Korrelation = 0,75
Korrelation = - 0,75
B
B
A
A
Korrelation = 1
Korrelation = - 1
B
© 2006 RiskNET / Frank Romeike
B
Seite 12
17.05.2006
Achtung: Die Korrelation kann nur lineare
Zusammenhänge messen
5,0
4,0
4,0
3,0
3,0
2,0
2,0
1,0
1,0
X
Y
Z
Y
1
1
0,8577
Z
0,8577
0,8577
1
© 2006 RiskNET / Frank Romeike
5·Z
0,0
X
Y
Z
X
1
0,7607
0,8577
Y
0,7607
1
0,4695
2,40
Z
Z
2,20
2,40
2,20
2,00
1,80
1,60
1,40
1,20
1,00
0,0
X
1
1
0,8577
Y2 = e
6,0
2,00
5,0
7,0
1,80
Y1 = e
6,0
1
8,0
·Z
X2 = e
X
Y
9,0
1,60
7,0
10,0
1,40
8,0
Z
1,20
X1 = e
X
Y
9,0
1,00
10,0
Z
Z
0,8577
0,4695
1
Seite 13
17.05.2006
Beispiel für sichere Cash Flows: Festverzinsliches
Wertpapier mit 3 Jahren Restlaufzeit
t=0
Marktwert?
38.929,44
37.423,10
t=1
+ 40.000
t=3
+ 40.000
+ 1.040.000
: 1,02754
: 1,03384²
: 1,04035³
923.647,46
1.000.000,00
t=2
Berechnung mit Hilfe von Nullkupon-Zinssätzen
© 2006 RiskNET / Frank Romeike
Seite 14
17.05.2006
Definition des Value at Risk
Maximaler Wertverlust eines Portefeuilles, der mit einer vorgegebenen
Wahrscheinlichkeit innerhalb einer ebenfalls vorgegebenen
Haltedauer nicht überschritten wird.
Wertverlust eines Portefeuilles => negative Abweichung des
zukünftigen Barwertes (Marktwertes) vom aktuellen Barwert
(Marktwert) des Portefeuilles.
Die gewählte Haltedauer definiert den betrachteten Zeithorizont
zwischen den jeweiligen Barwertänderungen (Dispositionshorizont
versus Haltedauer).
Die Schätzung potenzieller Verluste erfolgt auf Basis der vorliegenden
Verteilung der Barwertänderungen und wird mit einer
Wahrscheinlichkeitsaussage verknüpft.
© 2006 RiskNET / Frank Romeike
Seite 15
17.05.2006
Berechnungskomponenten des Value at Risk
für Einzelgeschäfte
Die Standardabweichung (Volatilität
σ) hängt von der vorgegebenen
Haltedauer (HD) ab.
Ausgangspunkt ist der
aktuelle Marktwert
VaR
=
Marktwert
• geschätzter
• maximaler Verlust
• unter üblichen Marktbedingungen
• innerhalb einer bestimmten Periode
• bei einer bestimmten Wahrscheinlichkeit
© 2006 RiskNET / Frank Romeike
·
σHD
·
zp
• Die vorgegebene Aussagesicherheit
(p) wird in den z-Wert umgerechnet
• Beispiele:
p = 95%
z = 1,65
p = 99%
z = 2,33
Seite 16
17.05.2006
Markowitz, Pythagoras und der Value at Risk eines
Portfolios
2
2
2
2
σp = x1 ⋅ σ 1 + x 2 ⋅ σ 2 + 2 ⋅ x1 ⋅ σ 1 ⋅ x 2 ⋅ σ 2 ⋅ k 1,2
für VaR1² = x1² · σ1² und VaR2² = x2² · σ2²
2
2
VaRp = VaR 1 + VaR 1 + 2 ⋅ VaR 1 ⋅ VaR 2 ⋅ k 1,2
© 2006 RiskNET / Frank Romeike
Seite 17
17.05.2006
Beispiel zum Varianz-Kovarianz-Ansatz
• Ein deutsches Unternehmen hält Kupfer-Vorräte mit einem
Marktwert von 455.500 USD.
• Der Wechselkurs (EUR/USD) beträgt 1,170 EUR/USD
• Der Kupferpreis (LME CASH $/TO) beträgt 4.555USD
• Der Rohstoffpreis für Kupfer in USD/Tonne hat auf Basis von
historischen Beobachtungen eine tägliche Standardabweichung
von 41,55 USD.
• Die tägliche Standardabweichung für den Wechselkurs EUR/USD
beträgt 0,023 EUR/USD.
• Korrelation zwischen Wechselkurs und Kupferpreis k1,2= - 0,75
• Marktdaten vom 02.12.2005, Quelle: Schlusskurse auf
Handelsblatt.com / Reuters RWT
© 2006 RiskNET / Frank Romeike
Seite 18
17.05.2006
Übung: Value at Risk Berechnung
• Berechnen Sie den Value at Risk für 1 Tag Haltedauer mit 95%
Wahrscheinlichkeit in EUR! Hinweis: Für 95% Wahrscheinlichkeit
beträgt der z-Wert 1,65.
• Schritt 1: Berechnung der Einzel-VaR‘s jeweils für
Währungsschwankungen und Kupferpreisschwankungen.
• Schritt 2: VaR für beide Risikofaktoren, unter Berücksichtigung
der genannten Korrelation. Formel:
2
2
VaRp = VaR 1 + VaR 1 + 2 ⋅ VaR 1 ⋅ VaR 2 ⋅ k 1,2
© 2006 RiskNET / Frank Romeike
Seite 19
17.05.2006
Portfolio-VaR bei mehr als 2 Assets/Risikofaktoren
VaR p =
n
2 2
x
∑ i σi
i =1
n
+ 2⋅ ∑ ∑ x ⋅ x ⋅σ
i
j
i, j
⎡ σ 12
⎢
VaR p = [x 1 , x 2 , K , x n ]⋅ ⎢ M
⎢cov 1,2
⎣
© 2006 RiskNET / Frank Romeike
n
⋅z
i =1j<1
cov 1,2
cov n,2
K cov 1, n ⎤ ⎡ x 1 ⎤
⎥ ⎢ ⎥
⎥ ⋅ ⎢ M ⎥ ⋅z
K
σ n2 ⎥⎦ ⎢⎣ x n ⎥⎦
Seite 20
17.05.2006
Der vorgegebene Zeithorizont (die Haltedauer)
beeinflusst zusätzlich den VaR
In der Regel steht σ für die Tagesvolatilität von Barwerten
Je länger die vorgegebene Haltedauer, umso höher wird der VaR
σn−Tage = n ⋅ σ1−Tag
Beispiel:
σ9−Tage = 9 ⋅ σ1−Tag = 3 ⋅ σ1−Tag
© 2006 RiskNET / Frank Romeike
Seite 21
17.05.2006
Kritische Würdigung des Delta-Normal-Ansatzes
• Für die Praxis kann das Varianz-Kovarianz-Modell als erste
schnelle Lösung dienen, um beispielsweise einen groben
Eindruck von den aktuell bestehenden Risiken zu erhalten.
• Probleme bereiten dem Modell wegen der unterstellten linearen
Beziehung von Risikofaktor und Wertänderung asymmetrische
Gewinn- und Verlustprofile (z.B. bei Optionen im Portfolio).
• In diesen Fällen lässt sich der Delta-Normal-Ansatz zum DeltaGamma-Ansatz erweitern und der Schätzfehler verringern. Beim
Delta-Gamma-Ansatz wird eine zusätzliche Optionskennzahl
berücksichtigt.
© 2006 RiskNET / Frank Romeike
Seite 22
17.05.2006
Historische Simulation: Die Differenzenmethode
am Beispiel des Wechselkurses EUR/USD
Funktion:
1,170 + historische Differenz
Normal(1,1694080; 0,0066231)
80
Verteilung der
simulierten
Wechselkurse
70
60
50
40
30
20
10
<
5,0%
1,195
1,190
1,185
1,180
1,175
1,170
90,0%
1,1585
© 2006 RiskNET / Frank Romeike
1,165
1,160
0
1,155
Simulierter
Historie
EUR/USD
Differenz
Szenario Nr. Wechselkurs
15.07.05
1,209
18.07.05
1,205
-0,004
1
1,166
19.07.05
1,197
-0,008
2
1,162
20.07.05
1,208
0,010
3
1,180
21.07.05
1,214
0,006
4
1,176
22.07.05
1,215
0,001
5
1,170
25.07.05
1,207
-0,008
6
1,162
26.07.05
1,201
-0,006
7
1,164
27.07.05
1,199
-0,002
8
1,168
28.07.05
1,208
0,009
9
1,179
29.07.05
1,209
0,001
10
1,171
...
...
...
...
...
18.11.05
1,168
0,000
90
1,170
21.11.05
1,181
0,013
91
1,183
22.11.05
1,170
-0,011
92
1,158
23.11.05
1,177
0,007
93
1,177
24.11.05
1,179
0,002
94
1,172
25.11.05
1,175
-0,004
95
1,165
28.11.05
1,171
-0,004
96
1,166
29.11.05
1,178
0,007
97
1,177
30.11.05
1,177
-0,001
98
1,169
01.12.05
1,177
-0,001
99
1,169
02.12.05
1,170
-0,007
100
1,163
Auf Basis des aktuellen
Wechselkurses vom 02.12.2005
(= 1,170 EUR/USD) werden die
Veränderungen der letzten 100
Tage in die Zukunft projiziert.
>
1,1803
Seite 23
17.05.2006
Geordnete Ergebnisse für die Gewinne und
Verluste nur aus Wechselkursschwankungen
Aus den der Größe nach geordneten Ergebnissen der Simulation wird der mit z.B. 95% oder 99%
schlechteste Wert abgezählt. Der Value at Risk folgt aus der Differenz zwischen dem Ausgangswert für
100 Tonnen Kupfer am 01.12.2005 (455.500 USD / 1,170 EUR/USD = 389.383 EUR) und dem mit z.B. 95 %
Wahrscheinlichkeit schlechtesten Wert am nächsten Tag (385.984 EUR). Im Beispiel beträgt der Value at
Risk nur aus Wechselkursschwankungen mit 95 % Wahrscheinlichkeit nicht mehr als 3.399 EUR.
Rang
1
2
3
4
5
6
7
8
9
10
11
...
Wert
382.837
384.161
384.843
385.038
385.984
386.148
386.181
386.312
386.475
386.475
386.607
...
2,5
2
1,5
Verteilung der
simulierten
Vermögenwerte bei
einem über Nacht
schwankenden
Wechselkurs
5,0%
95,0%
1
0,5
0
382
384
386
388
390
392
394
Wert in TEUR
© 2006 RiskNET / Frank Romeike
Seite 24
17.05.2006
Berechnung des Value at Risk bei Schwankungen vom
Kupferpreis und Wechselkurs EUR/USD
Die historischen Veränderungen des Wechselkurses und des Kupferpreises werden paarweise als
Szenarien für die zukünftigen Preisschwankungen eingesetzt. Beispiel: Ausgehend von den aktuellen
Werten für EUR/USD und Kupfer werden im ersten Simulationslauf die Preisänderungen von vor 100
Tagen, dann von vor 99 Tagen usw. auf die aktuellen Marktpreise addiert. Dadurch bleibt die Korrelation
beider Risikofaktoren erhalten. Im Beispiel beträgt der Value at Risk mit 95 % Wahrschein. - 8.923 EUR.
Rang
1
2
3
4
5
6
7
8
9
10
11
...
Wert
375.032
376.114
377.464
380.014
380.460
381.449
381.699
382.425
382.826
383.342
384.240
...
5,0%
370
375
380
95,0%
385
390
395
400
405
Werte in TEUR
© 2006 RiskNET / Frank Romeike
Seite 25
17.05.2006
Kritische Würdigung der Historischen Simulation
Pro:
- Es wird keine Verteilungsannahme benötigt
- Es wird keine explizite Korrelationsmatrix berechnet
- Im Portfolioansatz werden implizit die Korrelationen aus der
Vergangenheit berücksichtigt
Contra:
- großer Datenhaushalt muss gepflegt werden
- Entscheidende Prämisse: was es in der Vergangenheit nicht gab,
wird es auch in der Zukunft nicht geben, denn das Modell arbeitet
mit historischen Beobachtungen und es lassen sich nur Dinge
prognostizieren, die schon passiert sind.
- Zukunftsorientierte Marktdaten wie implizite Volatilitäten werden
nicht berücksichtigt.
© 2006 RiskNET / Frank Romeike
Seite 26
17.05.2006
Die Monte Carlo Simulation
Ereignisse in der Zukunft sind unsicher und damit zufällig. Daher wird
das Verhalten von Risikofaktoren mit Hilfe von Zufallszahlen
abgebildet.
Der Name kommt vom Casino in Monte Carlo:
Ein Roulettetisch ist im Prinzip ein Zufallszahlengenerator.
Zufallszahlen beliebiger Verteilungen können in
beliebigen Mengen generiert werden.
Beispiel: 10.000 Zufallszahlen können binnen Sekunden erzeugt
werden, die Historische Simulation müsste hierfür die vergangenen 40
Jahre auswerten (40 Jahre à 250 Handelstage).
© 2006 RiskNET / Frank Romeike
Seite 27
17.05.2006
Die Monte Carlo Methode zur Simulation
beliebiger Verteilungen
Normal(0; 1)
Student(6)
X <= -1,6448
5,0%
0,45
X <= 1,6448
95,0%
0,4
LogLogistic(0; 5; 5)
X <= -1,9432
5,0%
0,4
X <= 1,9432
95,0%
0,35
0,35
X <= 2,7747
5,0%
0,3
X <= 9,0099
95,0%
0,25
0,3
0,3
0,2
0,25
0,25
0,15
0,2
0,2
0,15
0,15
0,1
0,1
0,1
0,05
0,05
0,05
0
0
-3
-2
-1
0
1
2
3
0
-4
-2
-1
0
1
2
3
-2
4
0
2
4
Expon(1)
Beta(2; 2)
X <= 0,13535
5,0%
1,6
-3
X <= 0,86465
95,0%
X <= 0,051293
5,0%
1,2
6
8
10
12
14
ChiSq(5)
X <= 2,9957
95,0%
X <= 1,1455
5,0%
0,18
X <= 11,070
95,0%
0,16
1,4
1
1,2
0,8
0,14
0,12
1
0,1
0,6
0,08
0,8
0,06
0,4
0,6
0,04
0,4
0,2
0,02
0,2
0
-0,5
0
-0,2
0
0,2
0,4
0,6
0,8
1
0
0
0,5
Rayleigh(1)
1,5
2
2,5
3
3,5
4
4,5
-2
5
0
2
General(0; 5; {x}; {p})
X <= 0,32029
5,0%
0,7
1
4
6
8
10
12
14
16
1,2
X <= 2,4477
95,0%
X <= 0,54772
5,0%
0,35
Pert(0; 8,5; 9,4)
X <= 4,2254
95,0%
X <= 4,3384
5,0%
0,35
0,6
X <= 9,1278
95,0%
0,3
0,3
0,5
0,25
0,25
0,4
0,2
0,3
0,15
0,2
0,1
0,2
0,15
0,1
0,1
0,05
0,05
0
-0,5
0
0
0,5
1
1,5
2
2,5
3
3,5
-1
0
1
2
3
4
5
6
0
-2
© 2006 RiskNET / Frank Romeike
0
2
4
6
8
10
Seite 28
17.05.2006
Monte Carlo Simulation für Wechselkurs- und
Kupferpreisschwankungen
4,5
X <=374.174
5%
X <=404.905
95%
4,0
Values in 10^ -5
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
350
370
390
410
Minimum
Mean
Maximum
Std Dev
Variance
Skewness
Kurtosis
Mode
Left X
Left P
Right X
Right P
353.591
389.431
425.539
9.433
88.979.150
0,07
2,98
377.442
374.174
5%
404.905
95%
5th Perc.
95th Perc.
374.174
404.905
430
Werte in TEUR
Die Veränderungen des Wechselkurses und des Kupferpreises werden paarweise mit Zufallszahlen einer
gewünschten Verteilung simuliert. Die Korrelation kann dabei explizit berücksichtigt werden.
Im Beispiel beträgt der Value at Risk mit 95 % Wahrscheinlichkeit - 15.209 EUR (= Ausgangswert von
389.383 EUR abzüglich dem mit 95 % schlechtesten Wert am nächsten Tag von 374.174 EUR).
© 2006 RiskNET / Frank Romeike
Seite 29
17.05.2006
Kritische Würdigung der Monte Carlo Simulation
• wegen ihrer Flexibilität gegenüber anderen Verfahren überlegen
• kann Restlaufzeitverkürzungseffekte, Volatilitätsclustering, fat
tails, nichtlineare Exposures und Extremszenarios in der
Risikoberechnung berücksichtigen
• bei Portfolios mit einem erhöhten Anteil an Optionen die einzige
praktikable Methode. Die Methode kann beliebge Verteilungen
simulieren
-150
-100
-50
0
50
100
150
Einziger Nachteil: Hohe Rechenintensität.
© 2006 RiskNET / Frank Romeike
Seite 30
17.05.2006
Cashflow
Die operativen Cash Flows eines Unternehmens sind
unsicher (Cash Flow Exposure)
Zeit
1. Q.
2. Q.
3. Q.
4. Q.
???
Welcher Betrag soll diskontiert werden,
wenn der Cash Flow in seiner Höhe
variabel ist?
© 2006 RiskNET / Frank Romeike
Seite 31
17.05.2006
Beispiel: Ableitung von Zinsszenarien in der
klassischen Historischen Simulation
• Der 1-Jahres-Kuponzinssatz aus der DGZF-Kurve beträgt im Beispiel am
31.03.2005 p.a. 2,33 %, am 31.03.2006 p.a. 3,24 %. Die Differenz beträgt +
0,91 % - Punkte. Für die Historische Simulation folgt daraus:
Wird der 1-Jahres-Zins linear von
3,17 % auf 4,08 % steigen?
+ 0,91 %
1-Jahres-Zins: 4,08 %
1-Jahres-Zins: 3,17 %
Prognosezeitpunkt
11.04.2006
© 2006 RiskNET / Frank Romeike
Prognosehorizont
11.04.2007
Seite 32
17.05.2006
Dynamische versus statisch-komparative Simulation
4,10%
Historische Simulation
statisch-komparativ
3,90%
3,70%
3,50%
3,30%
3,10%
Dynamische Simulation mit
Earnings at Risk: Tatsächliche
Entwicklung des
1-Jahres-Zinssatzes in einem von
z.B. 1000 alternativen Szenarien
2,90%
2,70%
2,50%
1
11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171 181 191 201 211 221 231 241 251 261
© 2006 RiskNET / Frank Romeike
Seite 33
17.05.2006
Zufallsprozesse bilden Entscheidungen unter
Unsicherheit ab
150
140
1 von 10.000 simulierten
Preispfaden
130
120
130,00
110
USD / JPY
125,00
100
120,00
90
115,00
80
110,00
105,00
1
24
47
70
93 116 139 162 185 208 231 260
100,00
95,00
150
90,00
1
2
3
4
5
6
7
8
9
10 11
Monate
12
140
130
120
90 % der simulierten
Preispfade liegen in einem zweiseitigen
Vertrauensintervall
110
100
90
80
1
© 2006 RiskNET / Frank Romeike
38
75
112
149
186
223
260
Seite 34
17.05.2006
Beispiel für die Erzeugung der Pfade und
Intervallgrenzen
Der Prognosetag ist im Beispiel der 24.01.2005 mit einem
aktuellen Wechselkurs von S0 = 1,3060 EUR/USD.
Verteilung der logarithmierten 1-Tages-Quotienten für EUR/USD
(für den Zeitraum 25.01.01 - 24.01.05)
X <= -0,010
5,0%
90
X <= 0,011
95,0%
80
70
60
50
40
30
20
10
0
-0,03
-0,02
© 2006 RiskNET / Frank Romeike
-0,01
0
0,01
0,02
0,03
Seite 35
17.05.2006
Beispiel für einen per Zufallszahlen simulierten Pfad
versus tatsächlicher Wechselkursverlauf
1,4000
Beispiel: 1 von 10.000 simulierten Pfaden
1,3500
1,2500
Realer Wechselkursverlauf (ex post)
1,2000
© 2006 RiskNET / Frank Romeike
24.02.05
22.02.05
20.02.05
18.02.05
16.02.05
14.02.05
12.02.05
10.02.05
08.02.05
06.02.05
04.02.05
02.02.05
31.01.05
29.01.05
27.01.05
1,1500
25.01.05
EUR/USD
1,3000
Seite 36
17.05.2006
Beispiel für einen aus historischen Beobachtungen
simulierten Pfad versus tatsächlicher Verlauf EUR/USD
1,4000
Beispiel: 1 von 10.000 simulierten Pfaden
1,3500
1,2500
Realer Wechselkursverlauf (ex post)
1,2000
© 2006 RiskNET / Frank Romeike
24.02.05
22.02.05
20.02.05
18.02.05
16.02.05
14.02.05
12.02.05
10.02.05
08.02.05
06.02.05
04.02.05
02.02.05
31.01.05
29.01.05
27.01.05
1,1500
25.01.05
EUR/USD
1,3000
Seite 37
17.05.2006
Der rote Faden
JJ
Vokabular
Vokabular im
im Bereich
Bereich Risikomodelle
Risikomodelle
K
K
Statische
Statische Risikomodelle:
Risikomodelle: Value
Value at
at Risk
Risk
LL
Dynamische
Dynamische Risikomodelle:
Risikomodelle: Cash
Cash Flow
Flow at
at Risk
Risk
M
M
Tools
Tools
N
N
Zusammenfassung
Zusammenfassung ++ Ausblick
Ausblick
© 2006 RiskNET / Frank Romeike
Seite 38
17.05.2006
Der Wunsch …
Integriertes Risikoberichtswesen
Risiko-Landkarte
Key Risk Indikatoren
Entwicklung / Trends
Gesamtrisiko
€
t
1
3
2
4
Analyse &
Drill-down
© 2006 RiskNET / Frank Romeike
Seite 39
17.05.2006
Die Realität …
© 2006 RiskNET / Frank Romeike
Seite 40
17.05.2006
Was leisten reaktive Steuerungssysteme?
•
Mit Hilfe „unternehmerische Intuition“ und „Bauchgefühl“ dürfte
es immer schwieriger sein, die Komplexität der heutigen
Unternehmenssituation zu erfassen und zu analysieren.
•
Traditionelle Planungs- und Steuerungssystem sind
deterministisch, d.h. sie können nicht mit Verteilungen und
Wahrscheinlichkeiten rechnen!
•
Moderne und dynamische Steuerungs- und Frühwarnsysteme
setzen früher ein und versuchen potenzielle Störgrößen zu
erfassen!
© 2006 RiskNET / Frank Romeike
Seite 41
17.05.2006
Informationsstand ohne und mit Informationssystemen
Informationsstand
nach Einsatz eines IS
Informationsstand
vor Einsatz eines IS
Objektiver
Informationsbedarf
Subjektiver
Informationsbedarf
Objektiver
Informationsbedarf
Subjektiver
Informationsbedarf
Informationsnachfrage
Informationsnachfrage
Informationsangebot
© 2006 RiskNET / Frank Romeike
Informationsangebot
Seite 42
17.05.2006
Grundsätzliche positive Effekte eines RMIS
•
•
•
•
•
•
•
•
•
Komplexität der Entscheidungssituation wird transparenter
Die Informationsnachfrage des Entscheiders steigt
Das Angebot an Informationen steigt durch effizientere und
schnellere Informationsbereitstellung (quantitativ + qualitativ)
Entscheidungsqualität steigt
Akzeptanz des Risikomanagements steigt durch höhere Effizienz
Kosten der Informationsbeschaffung und -verarbeitung sinken
Potenzielle Bewertungsfehler können durch die Simulation
mehrerer Alternativszenarien reduziert werden
IT-gestützte RMIS fördern Feedbackschleifen
Entscheidungsprozesse werden beschleunigt, weil Daten
entscheidungsorientiert aufbereitet werden (vs. Entscheidungsinseln)
© 2006 RiskNET / Frank Romeike
Seite 43
17.05.2006
Der Einsatz eines RMIS wird bestimmt …
•
… vom erreichten Reifegrad des Risk Managements
•
… von der erreichten Evolutionsstufe des Risk Managements
•
Wichtig: Risk Management / ALM darf nicht als „Insel“ betrachtet
werden!
•
Wichtig: Risk Management ist Bestandteil eines
unternehmensweiten Enterprise Risk Managements! Siehe
OpRisk
© 2006 RiskNET / Frank Romeike
Seite 44
17.05.2006
Schwachstellen von traditionellen RM-Systemen
•
•
•
•
•
•
•
Fehlende und unvollständige Risikolandschaft
Keine adäquaten risikorelevanten Informationen auf den
unterschiedlichen Hierarchieebenen und unterschiedlichen
Granularitätsstufen
Redundante und inkonsistente Erfassung und Speicherung von
Daten
Fehlende Überblick über die Risikolage eines Unternehmens in
der Form eines aggregierten Gesamtrisikoumfangs
Fehlende bzw. gestörte Informations- und Kommunikationswege
Eine nicht ausreichend informierte bzw. sensibilisierte
Unternehmensleitung
Verzögerte bzw. nicht fundierte Entscheidungsfindung (siehe
traditionelle Insellösungen)
© 2006 RiskNET / Frank Romeike
Seite 45
17.05.2006
Risikomanagement = Management von Informationen
Management
Information
Analysen
Risk Engine
Frühwarnsystem
Risk
Reporting
RMIS
Modellierung
der Daten
Data Warehouse (z. B. SAP BW)
Informationen
Daten
Basis für Risk Mapping, RMIS, Risk Engine etc.
Ereignisse
Schäden
© 2006 RiskNET / Frank Romeike
Risikoinventar
Weitere
Daten
Externe
Risiken
Reporting und
Frühwarnsystem
Flexible
Datenanalyse,
Data Mining
Ad hoc
Abfragen
Operative
Systeme,
Dateneingabe
Seite 46
17.05.2006
Group work
You are the CRO of a large corporation.
You should design a RMIS covering the
overall risk management process!
© 2006 RiskNET / Frank Romeike
Seite 47
17.05.2006
Analytische Stärken
Tools – Risk Management Information System (RMIS)
AMA-Modelle
Simulationen
Berechnung
ökonomisches
Kapital
statistische
Analysen
‘Proaktive Messung‘
‘integriertes/ganzheitliches RM‘
Intelligente
Informationssysteme
basierend auf Künstlicher
Intelligenz (KI) bzw.
Neuronaler Netze
Simulationstools
etwa basierend auf der
Monte Carlo Simulation
‘Reaktive Messung‘
‘Reaktives Management’
Proaktive RMIS
Datenanalysen
und Trends
Verlustdatensammlung
MSMS
Excel,
Excel,
Access etc.
Risiken
identifizieren
Schadensfalldatenbanken
Risiken bewerten Risiken kontrol- Frühwarnsystem/ Risk Workflow
Management
und zuordnen
lieren und
KRI
steuern
Quelle: Romeike, Frank; Finke, Robert: Erfolgsfaktor Risikomanagement: Chance für Industrie und
Handel, Lessons learned, Methoden, Checklisten und Implementierung, Gabler Verlag, 2003.
© 2006 RiskNET / Frank Romeike
Reporting / Management Power
Seite 48
17.05.2006
Analytische Stärken
RMIS – Anbieter im Vergleich (subjektive
Auswahl ohne Beurteilung/Scoring)
AMA-Modelle
Simulationen
Berechnung
ökonomisches
Kapital
@Risk,
Crystal Ball
Algo OpRisk
iRisk Agena
Advise/
DFA CM
Centersphere
RMCE/MIS
SAS
ORTOS
SWORD Comit
RCS (OpRisk)
VÖB ORC
statistische
Analysen
ifb OKULAR
Schleupen
R2C
IDS Risk Scout
RISKIT
Datenanalysen
und Trends
Verlustdatensammlung
Procora
Antares
MS Excel/
Access etc.
Risiken
identifizieren
SAP SEM
Loss Database:
Stars etc.
Risiken bewerten Risiken kontrol- Frühwarnsystem/ Risk Workflow
Management
und zuordnen
lieren und
KRI
steuern
Reporting / Management Power
© 2006 RiskNET / Frank Romeike
Seite 49
17.05.2006
A Key Risk Indicator …
… proactively reflects the development
of the underlying risk
A KRI signals changes in the risk profile, before
something happens. Unfavorable trends are
made visible and transparent. There is enough
time to take appropriate counter measures to
mitigate risks.
… requires appropriate thresholds
An appropriate threshold is dependent on the
reaction required to mitigate risk.
Threshold shouldn’t constantly move in the red or
green area (managers will ignore it).
… is measured on a regular basis
Regular measurement is required to discover
unfavorable trends in an early stage (dependent
on reaction time for required mitigation, severity
and variance of severity).
... can be measured neartime
… can be measured efficiently
© 2006 RiskNET / Frank Romeike
A KRI should raise red flags before a risk
becomes imminent.
Using KRIs to measure and monitor risks can be
costly and time-consuming. Therefore an efficient
collection and processing is a pivotal requirement.
Seite 50
17.05.2006
Definition of KRI
© 2006 RiskNET / Frank Romeike
Seite 51
17.05.2006
IT-Support (Example)
© 2006 RiskNET / Frank Romeike
Seite 52
17.05.2006
Definition of Thresholds
© 2006 RiskNET / Frank Romeike
Seite 53
17.05.2006
Group Work
Please define a „Set of Key
Risk Indikators“ for your
company focussing on
Information Technology!
© 2006 RiskNET / Frank Romeike
Seite 54
17.05.2006
Betriebswirtschaftliche und methodische
Anforderungen an ein RMIS (1/3)
• Verfügbarkeit von Checklisten zur Identifikation der
wichtigsten Risiken
• Erstellung eines „Risikoinventars“ als Gesamtübersicht der
Risiken
• Priorisierung von Risiken (z. B. nach Relevanz)
• Zuordnung eines für die Überwachung zuständigen
Risikoverantwortlichen (Risk-Owner)
• Zuordnung der wichtigsten organisatorischen Regelungen –
speziell zur Risikoüberwachung (Überwachungsturnus etc.) –
zu jedem Risiko
• Strukturierte Erfassung sämtlicher wesentlicher
Risikobewältigungsmaßnahmen (beispielsweise auch
sämtliche Versicherungen)
• Zuordnung von Risikobewältigungsmaßnahmen zu jedem
Risiko, die die Möglichkeiten für die Verminderung oder den
Transfer dieses Risikos beschreiben
(„Maßnahmencontrolling“)
© 2006 RiskNET / Frank Romeike
Seite 55
17.05.2006
Betriebswirtschaftliche und methodische
Anforderungen an ein RMIS (2/3)
• Das Maßnahmencontrolling ist mit der Risikosteuerung und
Unternehmensplanung verknüpft
• Flexibilität hinsichtlich der Art der quantitativen
Beschreibung von Risiken (z. B. mittels Normalverteilung
oder nach Schadenshöhe und Eintrittswahrscheinlichkeit)
• Zuordnung von Risiken zur Unternehmensplanung („Welche
Planabweichungen werden durch die Risiken verursacht?“)
• Die Korrelationen von Risiken – sowohl über die Zeit
(Autokorrelationen) als auch zwischen den Risiken – sind
funktional abzubilden, sodass sie bei der Simulation
berücksichtigt werden können
• Die aggregierte Auswirkung aller Risiken auf die Zielgrößen
des Unternehmens (wie z. B. den Gewinn oder den Free
Cashflow) ist mittels Simulation zu ermitteln
• Mathematische Verfahren zur Bestimmung des
Gesamtrisikoumfangs (Aggregation von Einzelrisiken, z. B.
mittels Monte-Carlo-Simulation)
© 2006 RiskNET / Frank Romeike
Seite 56
17.05.2006
Betriebswirtschaftliche und methodische
Anforderungen an ein RMIS(1/3)
• Berechnung von Risikokennzahlen (z. B.
Eigenkapitalbedarf, Value-at-Risk, Return on Risk adjusted
Capital – RoRAC)
• Zuordnung von Frühwarnindikatoren (z. B. mit
„Ampelfunktion“) zu jedem Risiko, die frühzeitig auf eine
kritische Entwicklung hinweisen
• Erweiterbarkeit des Katalogs der betrachteten
Risiken/Abdecken sämtlicher Risikofelder (z. B.
Leistungsrisiken, Absatzmarktrisiken und Finanzrisiken)
• Berechnung des Eigenkapitalbedarfs, erforderlicher
Liquiditätsreserven sowie eines risikoadjustierten
Kapitalkostensatzes für eine wertorientierte
Unternehmensführung
© 2006 RiskNET / Frank Romeike
Seite 57
17.05.2006
Technische Anforderungen an ein RMIS
•
•
•
•
•
•
•
•
•
Möglichkeit der Abbildung von Konzernstrukturen
System-Logiken zur Abbildung von Workflows (Arbeitsprozesse)
Verfügbarkeit von aktuellen Daten zu jedem beliebigen Zeitpunkt
Schnittstellen für Datenimport und -export
Bereitstellung eines dezentralen und anwenderorientierten
Risiko-Reportings
(Revisionssichere) Aufzeichnung der Datenhistorie sämtlicher
Risiken und Risikoüberwachungstätigkeiten
Bereitstellung und Verdichtung von Daten auf beliebigen
Hierarchie- oder Verdichtungsebenen
Erstellung von nutzenspezifischen Risikoreports, die auch für
Dritte (z. B. Ratingagentur) verständlich sind
Autorisierungs- und Datenschutzkonzepte
© 2006 RiskNET / Frank Romeike
Seite 58
17.05.2006
Investitionssicherheit, Service: RMIS
•
•
•
•
•
•
•
•
Größe und zukünftige Strategie des Softwareanbieters
Branchen-Know-how
Referenzkunden
Sicherstellen der Einführung von Software und Support
Gibt es einen Generalunternehmer für das Gesamtprojekt?
Kosten für Lizenzen
Kosten für das Customizing
Kosten für Einführung, Schulung, Wartung etc.
© 2006 RiskNET / Frank Romeike
Seite 59
17.05.2006
Anbieter von DFA / ALM-Tools
•
•
•
•
•
•
•
Igloo
Remetrica
Finesse
Prophet
TAS P/C
Advise / DFA Capital Management
Dynamo
© 2006 RiskNET / Frank Romeike
Seite 60
17.05.2006
Enterprise Risk Management (Centerprise) – Risk
Reporting (Beispiel)
© 2006 RiskNET / Frank Romeike
Seite 61
17.05.2006
Enterprise OpRiskCenter
Integrated Op Risk, SOX and Governance Solution
Control
Self
Assessments
Sarbanes
Oxley
Loss
Event
Database
Issue/
Action Plan
Mgmt
Exposure
Operational
Indicator
Risk
Capture (KxI)
Analytics
Risk
Profiling
Document Management
Business Process Management
Organizational Management
and Role/Accountability
Definition
Data and
Application
Integration
Foundation elements are the key
to successful enterprise implementation
© 2006 RiskNET / Frank Romeike
Seite 62
17.05.2006
Enterprise OpRiskCenter
Integrated Op Risk, SOX and Governance Solution
Key Performance
Indicators
Organization
Management
Accountabilities
& Responsibilities
Key Risk
Indicators
Business
Processes
Loss Events
Control SelfAssessment
Internal Audit
Activity-Based
Costing
Six-Sigma &
Quality Init
SarbanesOxley
Issues &
Action Plans
Policies &
Supporting Docs
Systems
& Data
© 2006 RiskNET / Frank Romeike
Business Continuity
Planning
Seite 63
17.05.2006
Enterprise OpRiskCenter
Enterprise Reporting and Control Solution
Policies &
Business
Strategies
Key
Performance
Indicators
Control SelfAssessment/
SOX
Capture All Relevant Policies,
Procedures and Documents
Organization
• Reporting & Disclosure
Policies
Accountabilities
Management
• Accounting Policies
& Responsibilities
• Risk Control Policies
• Operational Risk Policies
• Code of Ethics
• Definition of Materiality
Management
Business
• Relevant External Documents
• Regulatory Policies/Reporting
Forms
Reports
Processes
Link Policies to Other System Objects
• (e.g., workflow processes, reports, CSA / audit
issues, KRIs, KPIs)
Issues &
Action Items
© 2006 RiskNET / Frank Romeike
Systems
& Data
Seite 64
17.05.2006
Enterprise OpRiskCenter
Enterprise Reporting and Control Solution
Organization
Policies &
Management
Accountabilities
Business
& Responsibilities
Strategies
fDocument all Internal Reporting Structures
ƒ Legal & Managerial reporting lines (including complex matrix structures)
Key
ƒ Drill down from org units to trading account / book Management
level, cost centers, etc.
Business
Performance
ƒ Links to segmented accounting 20F filing (statutory under US GAAP)
Reports
Processes
ƒ Historically tracks all changes every made to data and structures
Indicators
fEstablish Key Committees and Teams
ƒControl
Board ofSelfDirectors, Audit Committee, Disclosure Controls Committee
Systems
fAssign
Key Personnel to Posts
Assessment/
Issues &
ƒ Supports
multiple roles and posts& Data
SOX persons having
Action Items
fLinks to op risk, corporate accountability,KRIs, etc.
© 2006 RiskNET / Frank Romeike
Seite 65
17.05.2006
Enterprise OpRiskCenter
Enterprise Reporting and Control Solution
f
f
Establish all roles and responsibilities
Policies &
Organization
ƒ Roles related to financial
reporting, audit,
Business oversight, Management
compliance,
committees
ƒ Strategies
Assign people to roles
Define Accountabilities
ƒ To
whom do people report and in what
Key
roles
Business
Performance
f Define Responsibilities Processes
Indicators
Accountabilities
& Responsibilities
Management
Reports
ƒ For what are people responsible and in
what roles
ControlFSA
Self-Approved Persons,
ƒ Satisfies
Assessment/
CP-142
Issues &
SOX
Action Items
© 2006 RiskNET / Frank Romeike
Systems
& Data
Seite 66
17.05.2006
Enterprise OpRiskCenter
Enterprise Reporting and Control Solution
f
Policies &
Organization
Business
Management
Strategies
Catalogue all reports
Accountabilities
& Responsibilities
ƒ Multiple cataloguing schemes
Key distribution lists
Define
Business
Performance
f Define producers and Processes
reviewers of
Indicators
reports
f Associate reports with production
Control Selfprocesses
Assessment/
Issues &
SOX
Action Items
f
© 2006 RiskNET / Frank Romeike
Management
Reports
Systems
& Data
Seite 67
17.05.2006
Enterprise OpRiskCenter
Enterprise Reporting and Control Solution
Catalogue all relevant system
Policies & applications
Organization
Accountabilities
Business ƒ Multiple
Management
cataloguing schemes
& Responsibilities
Strategies
f Define associated processes
f
f
Key
f
Performance
Indicators
Define data types
Associate Business
with reports produced
Management
Control SelfAssessment/
SOX
Processes
Issues &
Action Items
© 2006 RiskNET / Frank Romeike
Reports
Systems
& Data
Seite 68
17.05.2006
Enterprise OpRiskCenter
Enterprise Reporting and Control Solution
Capture all issues
Policies &
Organization
ƒ Link relevant
documents
Accountabilities
Business ƒ CaptureManagement
regulatory, internal audit, self& Responsibilities
Strategies assessment, complaints, suggestions
f Full action plan capture and tracking
Key f Associate with any other data type in
Management
Business
system
Performance
Reports
Processes
f
View
status
from
various
perspectives
Indicators
f
Control SelfAssessment/
SOX
Issues &
Action Items
© 2006 RiskNET / Frank Romeike
Systems
& Data
Seite 69
17.05.2006
Enterprise OpRiskCenter
Enterprise Reporting and Control Solution
Full control self-assessment module
Policies &ƒ Including Organization
support for SOX 404 control assessment
Accountabilities
to policies, procedures,
KRIs, KPIs,
Business ƒ Link issues
Management
& Responsibilities
Strategies workflow processes
f
Key
Performance
Indicators
ƒ Utilize workflow technology to control and
automate the entire CSA/SOX process, including
notifications of overdue items
Control SelfAssessment/
SOX
Business
Processes
Issues &
Action Items
© 2006 RiskNET / Frank Romeike
Management
Reports
Systems
& Data
Seite 70
17.05.2006
Enterprise OpRiskCenter
Enterprise Reporting and Control Solution
f
Policies &
Business
Strategies
Catalogue key performance and
risk indicators
Organization
ƒ Supports multiple schemes
– e.g. key
Accountabilities
Management
management indicators,
key risk
& Responsibilities
indicators, etc.
Set notification trigger levels
f Associate with any other data
Management
Business
types in system
Reports
Processes
f Link to operational risk
calculations and six sigma metrics
f Link to policies and processes
Systems
Issues &
& Data
Action Items
f
Key
Performance
Indicators
Control SelfAssessment/
SOX
© 2006 RiskNET / Frank Romeike
Seite 71
17.05.2006
Enterprise OpRiskCenter
Enterprise Financial Reporting and Control Solution
f
f
Full-featured workflow functionality
ƒ Define
business
processes
Policies
&
Organization
Associate
processes w/
policies, org units,Accountabilities
people, KPIs,
Business
Management
KRIs,
systems, triggers, loss events, CSAs
& Responsibilities
Strategies
Key
Performance
Indicators
f
f
Business
Processes
Management
Reports
Control SelfWorkflows
can be implemented as executable processes
Systems
Assessment/
Full
audit trail of all executed
processes
Issues &
& Data
SOX
Action Items
© 2006 RiskNET / Frank Romeike
Seite 72
17.05.2006
Business Process Repository
Supporting the full process spectrum
Word, Visio, other, etc.
Unstructured Process
Documentation
• Unstructured, static, often informal
• No system intelligence
Formal workflow modeling tool
• Structured process framework
• Activities linked to controls, issues, people,
roles, responsibilities, costs
Structured Process
Documentation
Workflow modeling and execution
• Formal mapping and task routing, execution
• Full audit trail of process activity
Process Execution
© 2006 RiskNET / Frank Romeike
Seite 73
17.05.2006
Intelligent Business Process Maps - example
Balance Sheet Reporting
© 2006 RiskNET / Frank Romeike
Seite 74
17.05.2006
ORTOS (Dresdner Bank) – Risk Reporting (Beispiel)
© 2006 RiskNET / Frank Romeike
Seite 75
17.05.2006
ORTOS (Dresdner Bank) – Self Assessment (Beispiel)
© 2006 RiskNET / Frank Romeike
Seite 76
17.05.2006
ORTOS (Dresdner Bank) – Risikoaggregation (Beispiel)
© 2006 RiskNET / Frank Romeike
Seite 77
17.05.2006
ORTOS (Dresdner Bank) – KRI (Beispiel)
© 2006 RiskNET / Frank Romeike
Seite 78
17.05.2006
R2C (Schleupen AG) – Risikobewertung (Beispiel)
qualitativ bewertet
© 2006 RiskNET / Frank Romeike
quantitativ bewertet
Seite 79
17.05.2006
R2C (Schleupen AG) – Aggregation (Beispiel)
Aggregierte Risiken werden
wie Einzelrisiken bewertet.
Quellrisiken können über
einen Online-Filter
ausgewählt
und dem aggregierten Risiko
zugeordnet werden!
© 2006 RiskNET / Frank Romeike
Seite 80
17.05.2006
Verknüpfung mit den Quellrisiken
R2C (Schleupen AG) – Aggregierte Risiken (Beispiel)
© 2006 RiskNET / Frank Romeike
Seite 81
17.05.2006
R2C (Schleupen AG) – Risk Reporting (Beispiel)
© 2006 RiskNET / Frank Romeike
Seite 82
17.05.2006
R2C (Schleupen AG) – Risk Reporting (Beispiel)
© 2006 RiskNET / Frank Romeike
Seite 83
17.05.2006
Haufe Risiko-Manager (RMCE/Haufe) – Risikoanalyse
© 2006 RiskNET / Frank Romeike
Seite 84
17.05.2006
Haufe Risiko-Manager (RMCE/Haufe) – Risikoanalyse
© 2006 RiskNET / Frank Romeike
Seite 85
17.05.2006
Haufe Risiko-Manager (RMCE/Haufe) – Risikoanalyse
© 2006 RiskNET / Frank Romeike
Seite 86
17.05.2006
Haufe Risiko-Manager (RMCE/Haufe) –
Risikobewertung und -überwachung
© 2006 RiskNET / Frank Romeike
Seite 87
17.05.2006
MIS Risk Management (MIS) – Berechnung Risikomaße
© 2006 RiskNET / Frank Romeike
Seite 88
17.05.2006
MIS Risk Management (MIS) – Abweichungsanalyse
© 2006 RiskNET / Frank Romeike
Seite 89
17.05.2006
Process Risk Scout (IDS Scheer)
© 2006 RiskNET / Frank Romeike
Seite 90
17.05.2006
egip Process Engine (egip)
© 2006 RiskNET / Frank Romeike
91
RISKIT – Astrum IT: Risikobewertung
© 2006 RiskNET / Frank Romeike
Seite 92
17.05.2006
RISKIT – Astrum IT: Maßnahmen-Management
© 2006 RiskNET / Frank Romeike
Seite 93
17.05.2006
RISKIT – Astrum IT: Risikoportfolio
© 2006 RiskNET / Frank Romeike
Seite 94
17.05.2006
RISKIT – Astrum IT: Risikoportfolio
© 2006 RiskNET / Frank Romeike
Seite 95
17.05.2006
Enter and import Loss Data
ORC Modules
RE RP RC RI RA
To-Do list
© 2006 RiskNET / Frank Romeike
Seite 96
17.05.2006
description
tabs within the data record
risk factors and decision tree
© 2006 RiskNET / Frank Romeike
Seite 97
17.05.2006
Online history of data record
Audit trail
© 2006 RiskNET / Frank Romeike
Seite 98
17.05.2006
+ Simple search (query by example)
+ Detailed Search (SQL-GUI)
+ Saved Search Requests
© 2006 RiskNET / Frank Romeike
Seite 99
17.05.2006
Tabular Risk Matrix
Save search request
© 2006 RiskNET / Frank Romeike
Seite 100
17.05.2006
Detailed Search
© 2006 RiskNET / Frank Romeike
Seite 101
17.05.2006
Online Reporting
© 2006 RiskNET / Frank Romeike
Seite 102
17.05.2006
Definition of user defined fields
© 2006 RiskNET / Frank Romeike
Seite 103
17.05.2006
Control Self Assessment
Modul ORC-RC
Color coded radio buttons
© 2006 RiskNET / Frank Romeike
Seite 104
17.05.2006
Administration of Questions
© 2006 RiskNET / Frank Romeike
Seite 105
17.05.2006
Report (Excel Template)
Control Assessment Scores
© 2006 RiskNET / Frank Romeike
Seite 106
17.05.2006
Risk Indicators
Multiple Data Entry
Aggregation
and traffic lights
© 2006 RiskNET / Frank Romeike
Seite 107
17.05.2006
Administration of
indicator catalogs
© 2006 RiskNET / Frank Romeike
Seite 108
17.05.2006
Administration of
thresholds
© 2006 RiskNET / Frank Romeike
Seite 109
17.05.2006
Administration of
aggregation structures
© 2006 RiskNET / Frank Romeike
Seite 110
17.05.2006
Administration of
rating scales
(for traffic lights)
© 2006 RiskNET / Frank Romeike
Seite 111
17.05.2006
+ Online Reporting
+ PDF File
+ Excel Templates
© 2006 RiskNET / Frank Romeike
Reporting Module
ORC-RA
Seite 112
17.05.2006
Line Chart: Example with
values (top) and grades
(bottom)
© 2006 RiskNET / Frank Romeike
Seite 113
17.05.2006
Line Chart:
Thresholds changing
over time
© 2006 RiskNET / Frank Romeike
Seite 114
17.05.2006
Details of Datapoints: Example with second Deadline
© 2006 RiskNET / Frank Romeike
Seite 115
17.05.2006
Overview Datapoints: Example with second Deadline
© 2006 RiskNET / Frank Romeike
Seite 116
17.05.2006
Red Datapoints: Example with first Deadline
© 2006 RiskNET / Frank Romeike
Seite 117
17.05.2006
Online Manual
© 2006 RiskNET / Frank Romeike
Seite 118
17.05.2006
Risk Simulation ORC-RS
Base data
Input
Simulation
Output
Expert
Expert
estimations
estimations
P2
OpVaR
OpVaR
Loss
Loss Data
Data
intern/extern
intern/extern
P1
Parameter
Parameter
Sets
Sets
© 2006 RiskNET / Frank Romeike
Monte
Monte Carlo
Carlo
Loss
Loss Distribution
Distribution
Seite 119
17.05.2006
Simulation algorithms
can be freely defined.
They are stored in the database
and can be retrieved.
© 2006 RiskNET / Frank Romeike
Seite 120
17.05.2006
Icons to edit, run simulation, show history,
delete, copy and view
More than 100 algorithms are stored in the database
(no software limit)
© 2006 RiskNET / Frank Romeike
Seite 121
17.05.2006
Flexible definition an
simulation algorithms
Data source
can be:
+Imported data
+Loss data
+External data
+Random –
generated data
+Scenarios
+KRI
(From ORC
Database and
Files)
ORC-RS guides through the building
of the algorithm: When a loss data source
is made available as a simpro, extraction
simpros for business units and risk factors
can be added; From those data streams,
distribution parameters can be computed
and with all these inputs Monte Carlo
simulation can be introduced.
© 2006 RiskNET / Frank Romeike
Seite 122
17.05.2006
As soon as f.i. Lognormaland Poisson Distribution are
defined you can add the
Simpro “Interexa Monte-Carlo
Simulation".
Add a SimPro to the
algorithm
Save with name and description
and create calculation run
© 2006 RiskNET / Frank Romeike
Seite 123
17.05.2006
Maximize SimPro box
Minimize SimPro box
© 2006 RiskNET / Frank Romeike
Seite 124
17.05.2006
Define parameters
Selected data file
Default
values
Truncated
data
© 2006 RiskNET / Frank Romeike
Seite 125
17.05.2006
Parameters for
poisson
distribution &
Monte Carlo
Simulation
Name for the
calculation run
in the database
© 2006 RiskNET / Frank Romeike
Seite 126
17.05.2006
Starting time
and
priority of the job
Save batch and
option to run it „ad hoc“
© 2006 RiskNET / Frank Romeike
Seite 127
17.05.2006
Data import
is started first
Other SimPros
waiting for
the results
Legend
© 2006 RiskNET / Frank Romeike
Seite 128
17.05.2006
Five SimPros
finished (=green)
Simulation is
still running
© 2006 RiskNET / Frank Romeike
Click eyes icon to
view the data
and link for
CSV-export
Seite 129
17.05.2006
View
„imported loss
data“
View
„business units“
View
„risk factors“
© 2006 RiskNET / Frank Romeike
Seite 130
17.05.2006
View results
„lognormal distribution“
© 2006 RiskNET / Frank Romeike
Seite 131
17.05.2006
View results
„poisson distribution“
© 2006 RiskNET / Frank Romeike
Seite 132
17.05.2006
ORC stores all (historical) results within the
system (at database and file system)
© 2006 RiskNET / Frank Romeike
Seite 133
17.05.2006
View results
„Monte Carlo simulation“
Expected loss
and
Value at Risk
Some cells are
intentionally
empty due to
insufficient empirical
data
© 2006 RiskNET / Frank Romeike
Seite 134
17.05.2006
Add SimPro from list of avaliable SimPros
Data from database queries (out of all modules!)
„Relative relations“ method implemented!
+ Parameter estimations
for severity distributions
+ Goodness of Fit Tests
+ Parameter estimation
for frequency distributions
© 2006 RiskNET / Frank Romeike
Seite 135
17.05.2006
+ Goodness of Fit Test for frequency distributions
+ Currency conversion SimPro
+Inflation adjustement
+Insurance Matrix / risk mitigation
Monte Carlo Simulation with
multiple Random generators
(+Quasi Random numers etc.)
+ Flexible generator for loss data
All these SimPros are completely developed with
distributed test by multiple reference banks
(f.i. Bayerische Landesbank: 6 years experience in
OpRisk Quantification)
© 2006 RiskNET / Frank Romeike
Seite 136
17.05.2006
Compare calculation runs
© 2006 RiskNET / Frank Romeike
Seite 137
17.05.2006
You can add all types of
external data files
…with automatic history tracking
© 2006 RiskNET / Frank Romeike
Seite 138
17.05.2006
Herunterladen
Werbung