Wehrspohn Risk Management

Ist die Überschreitung einer Dreipunktverteilung ein Schwarzer Schwan?

Fachbeitrag

Von Dr. Uwe Wehrspohn.

Dreipunktverteilungen wie die Dreiecks- oder die PERT-Verteilung setzen stillschweigend voraus, dass ein Risiko begrenzt ist und wir sein Maximum kennen. Am Zinsanstieg ab Ende 2021 zeigen wir, wie diese Annahme in schweren Krisen Schwarze Schwäne auf dem Papier erzeugt und wie man Risiken modelliert, die nach oben unbegrenzt sind.

Wenn große Risiken eintreten, die weitreichende Konsequenzen haben, wenn also zum Beispiel Unternehmen gerettet werden müssen oder sogar insolvent werden, ist man oft versucht zu sagen, es sei ein Schwarzer Schwan eingetreten.

Im Folgenden klären wir zuerst, was mit einem Schwarzen Schwan gemeint ist und warum Dreipunktverteilungen so beliebt sind. Dann sehen wir uns an, welche Annahmen in ihnen stecken und was in schweren Krisen passiert. Zum Schluss zeigen wir, wie man Risiken modelliert, die nach oben unbegrenzt sind, um auf große Risikoereignisse besser vorbereitet zu sein.

Was ist ein Schwarzer Schwan?

Mit einem Schwarzen Schwan meint man ein Risiko, das man in dieser Größenordnung nicht vorhersehen konnte.

Unsere These ist, dass der Eindruck einer solchen außergewöhnlichen Situation oft durch einen ganz elementaren Modellierungseffekt entsteht, nämlich durch die Verwendung von Dreipunktverteilungen. Eine Dreipunktverteilung beschreibt ein Risiko mit drei Werten, meist mit dem Minimum, dem wahrscheinlichsten Wert und dem Maximum. Damit legt sie fest, dass das Risiko nicht über das Maximum hinausgeht. Überschreitet das Risiko diese Grenze doch, sieht das im Modell aus wie ein Ereignis, das niemand vorhersehen konnte.

Warum sind Dreipunktverteilungen so beliebt?

Der Sitz im Leben der Dreipunktverteilung ist die Risikoinventur im Enterprise Risk Management, dem unternehmensweiten Risikomanagement. In der Risikoinventur werden die Risiken des Unternehmens regelmäßig erfasst und neu bewertet. Diese Situation hat einige typische Eigenschaften:

  • Die Anzahl der Risiken, die erfasst und neu bewertet werden müssen, ist relativ hoch.
  • Die Risikobewertung wird manuell durchgeführt. Man muss also wirklich jedes einzelne Risiko anfassen, prüfen, wie es heute aussieht, und es neu bewerten.
  • Dazu sind sehr viele Personen nötig. Allein schon wegen der Größe des Unternehmens kann das niemand allein, denn niemand kennt alle Bereiche so genau, dass er dazu in der Lage wäre.
  • Die meisten Risikoverantwortlichen, also die Personen, die für ein Risiko zuständig sind und es bewerten, sind mit Bewertungsmethoden nicht vertraut. Risikomanagement gehört nicht zu ihrem Tagesgeschäft. Sie bewerten ihre Risiken nur nebenbei, einmal im Quartal oder im Halbjahr.
  • Deshalb müssen die Risikomanager sie betreuen, und diese Betreuung soll den Risikomanagern selbstverständlich möglichst wenig Arbeit machen.

Aus diesem Zusammenhang heraus wird der Ruf laut, die Risikobewertung möglichst einfach zu halten: „Keep it simple“. Entscheidende Voraussetzung dafür ist, dass die Methode der Bewertung für die Risikoverantwortlichen intuitiv verständlich ist und sich von den Risikomanagern einfach erklären lässt. Dann geht die Bewertung schnell und mit wenig Reibung.

Die Antwort, die in der Praxis darauf gegeben wird, sind genau die Dreipunktverteilungen. In vielen Unternehmen ist eine Dreipunktverteilung gewissermaßen die Grundform eines Risikos. Man nimmt also oft an, dass alle Risiken diese Grundform haben, und betrachtet die Bewertung als erledigt, sobald die Parameter der Dreipunktverteilung festgelegt sind.

Welche Dreipunktverteilungen gibt es?

Ein Beispiel ist die Dreiecksverteilung in Abbildung 1. Sie hat drei markante Eckpunkte: das Minimum der Verteilung, den wahrscheinlichsten Wert und das Maximum. Hat man diese drei Werte angegeben, hat man die Auswirkung des Risikos in ihrer Größenordnung und in ihrem Verlauf beschrieben. Auf der waagerechten Achse steht die Auswirkung, hier von 0 bis 350.000. Auf der senkrechten Achse steht die Dichte: Je höher die orange Fläche über einem Wert ist, desto wahrscheinlicher sind Auswirkungen in dieser Gegend. Die Fläche beginnt beim Minimum am linken Rand, steigt bis zur Spitze beim wahrscheinlichsten Wert an und fällt bis zum Maximum am rechten Rand wieder auf null ab.

Abbildung 1: Die Dreiecksverteilung als Grundform eines Risikos. Minimum, wahrscheinlichster Wert und Maximum legen sie vollständig fest.

Mehr dazu: Wie die Dreiecksverteilung definiert ist, wann sie passt und warum ihr Maximum eine Illusion sein kann, zeigt unser Fachbeitrag „Wann nehme ich eine Dreiecksverteilung in einer Monte-Carlo-Simulation?“.

Die Dreiecksverteilung ist nicht die einzige Dreipunktverteilung, die in der Praxis eingesetzt wird. Sehr beliebt ist auch die PERT-Verteilung. Sie hat genau dieselben Parameter wie die Dreiecksverteilung, also Minimum, wahrscheinlichsten Wert und Maximum. Sie hat aber einen sanften Verlauf und fällt an der langen Seite etwas schneller ab als die Dreiecksverteilung.

Ein drittes Beispiel ist die Multinomialverteilung. Bei ihr kann man eine beliebige Anzahl von Werten angeben, die dann als echte einzelne Punkte angenommen werden. Damit sie eine Dreipunktverteilung ist, geben wir hier drei Werte an. In der Simulation und in der Risikoaggregation, also beim Zusammenfassen der einzelnen Risiken zu einem Gesamtrisiko, kommt dann immer einer dieser drei Werte vor. Alle Werte, die dazwischen liegen, gibt es nicht. Schon hier sehen wir: Das Wesentliche an diesen Verteilungen ist nicht, dass sie drei Punkte haben, sondern dass sie Endpunkte haben.

Das vierte Beispiel ist die Gleichverteilung zwischen zwei Punkten, einem Minimum und einem Maximum. Alle Werte dazwischen sind gleich wahrscheinlich. Jeder von ihnen ist also ein wahrscheinlichster Wert.

Abbildung 2 zeigt die vier Verteilungen nebeneinander: oben links die Dreiecksverteilung aus Abbildung 1, oben rechts die PERT-Verteilung, unten links die Multinomialverteilung mit ihren drei einzelnen Werten als schmale Säulen und unten rechts die Gleichverteilung. Alle vier sind auf derselben Achse von 0 bis 350.000 gezeichnet. Die PERT-Verteilung fällt schon vor dem Maximum fast auf null ab, die Dreiecksverteilung läuft dagegen geradlinig bis zum Maximum aus. Gemeinsam ist allen vier, dass es jenseits des Maximums keine Werte gibt.

Abbildung 2: Vier Verteilungen mit festen Grenzen. Oben die Dreiecks- und die PERT-Verteilung, unten die Multinomialverteilung mit drei Werten und die Gleichverteilung.

Mehr dazu: Woher die PERT-Verteilung kommt, wie sie sich von der Dreiecksverteilung unterscheidet und warum sie für nach oben offene Größen nicht geeignet ist, zeigt unser Fachbeitrag „Wann nehme ich eine PERT-Verteilung in einer Monte-Carlo-Simulation?“.

Welche Annahmen stecken in einer Dreipunktverteilung?

Das Problem der Dreipunktverteilungen ist, dass sie Annahmen machen, die nach außen hin nicht ohne Weiteres erkennbar sind. Der Titel der Folie in Abbildung 2 nennt sie: Das Risiko ist begrenzt, und wir kennen das Maximum.

Die erste Annahme ist, dass das Risiko grundsätzlich begrenzt ist, dass es also überhaupt ein Maximum gibt, das man angeben könnte. Die zweite Annahme ist, dass wir dieses Maximum auch tatsächlich kennen. Es hilft uns nichts, wenn wir sagen, dass es möglicherweise ein Maximum gibt, wir aber nicht wissen, welchen Wert es hat. Mit diesen vier Verteilungen kommen wir dann nicht weiter, denn für sie müssen wir unbedingt wissen, welchen Wert das Maximum hat.

Auf der einen Seite haben diese Verteilungen einen Vorteil: Ihre Parameter sind alle einfach zu erklären. Was ein Minimum ist, weiß im Großen und Ganzen jeder, und was ein Maximum ist, ebenfalls. Beim wahrscheinlichsten Wert ist es nicht ganz so einfach, denn ihn kennt man aus dem Alltag nicht. In der Praxis wird er oft mit dem gefüllt, was man im Prinzip erwartet.

Das Problem ist jedoch, dass Minimum und Maximum nicht so einfach zu benennen sind, wie wir glauben, denn wir kennen das Maximum von Risiken oft nicht ohne Weiteres. Und wenn wir die Hand aufs Herz legen, können wir oft nicht einmal richtig sagen, ob ein Risiko wirklich hart begrenzt ist. Die Folie in Abbildung 2 fasst das in zwei Stichpunkten zusammen: einfach zu erklären, aber nicht einfach zu benennen.

Diese Annahme gerät deshalb genau dann in die Krise, wenn das Risiko die angenommenen Grenzen überschreitet.

Was passiert in schweren Krisen?

Nehmen wir ein Beispiel aus der wirtschaftlichen Lage im Frühjahr 2023, als das Video entstand. Abbildung 3 zeigt die Zinsen für den Euroraum und für die Vereinigten Staaten von Januar 2021 bis ins Frühjahr 2023: den Euro-Zins in Orange und den US-Dollar-Zins in Blau.

Abbildung 3: Der USD-Zins (blau) und der EUR-Zins (orange) in Prozent. Nach einer langen Niedrigzinsphase steigen beide ab Ende 2021 stark an.

In beiden Welten begann der Zeitraum mit einer lang andauernden Phase niedriger Zinsen. In der Dollarwelt lagen die Zinsen in der Nähe von null, in der Eurowelt sogar etwas darunter, bei etwa −0,7 %. Ende 2021 änderte sich diese Situation plötzlich, und in beiden Welten stiegen die Zinsen stark an: innerhalb von gut einem Jahr im Dollarbereich um 500 Basispunkte und im Eurobereich um knapp 400 Basispunkte. Ein Basispunkt ist ein Hundertstel Prozentpunkt, 100 Basispunkte sind also ein Prozentpunkt. Das waren sensationell hohe Zinsanstiege.

Die Zinsrisikomodelle selbst waren auf diesen Anstieg nicht vorbereitet. Sie erfassen die kleinen Schwankungen, die wir in Abbildung 3 als Zacken der Kurven sehen, und schreiben sie in die Zukunft fort. Der Anstieg war aber in gewisser Weise gar nicht zufällig, denn die Verschiebungen der Zinskurve gingen auf die Politik der Zentralbanken zurück. Das Problem war, dass diese Verschiebungen so groß waren, dass man sie oft nicht einmal im maximalen realistischen Szenario angenommen hatte.

Banken in der Krise

Im Zuge des Zinsanstiegs gab es einige Opfer zu beklagen. Als Erstes traf es die Silicon Valley Bank. Sie hatte sehr viel in Staatsanleihen investiert, die massiv an Wert verloren, nachdem die Zinsen so stark gestiegen waren. Danach gerieten auch die Credit Suisse, eine der größten europäischen Banken, die Signature Bank in den USA und zuletzt die First Republic Bank in schwere Schwierigkeiten. In allen diesen Fällen kam ein Bank Run hinzu: Kunden fingen an, ihr Geld möglichst schnell abzuziehen.

Alle diese Institute waren sehr groß, mit Bilanzsummen von jeweils über hundert Milliarden, und sehr renommiert. Die Silicon Valley Bank hatte trotzdem nicht angenommen, dass eine Zinsveränderung diese Größenordnung erreichen könnte, und war gegen dieses Szenario nicht abgesichert. Sie hatte also angenommen, dass das Risiko ein Maximum hat und dass sie dieses Maximum kennt. Diese Annahme hat sich als falsch erwiesen, und darüber ist die Bank gestolpert.

Nicht nur Banken sind betroffen

Banken sind natürlich nicht die Einzigen, die davon betroffen sein können. Dasselbe gilt für alle anderen verschuldeten Organisationen, zum Beispiel für Unternehmen, die relativ viel investiert haben und deshalb hoch verschuldet sind. Wenn sie ihre Kredite nach und nach umschulden, müssen sie wesentlich mehr Zinsen zahlen. Diese Zinsen müssen sie aus dem Ertrag der Projekte erwirtschaften, die sie mit dem Geld finanziert haben. Creditreform hatte schon lange vorhergesagt, dass viele Unternehmen das nicht schaffen und deshalb möglicherweise in die Insolvenz rutschen würden. Genauso trifft es Privatleute, die hoch verschuldet sind, oder auch Staaten. Der Effekt ist in allen Fällen derselbe.

Wir sehen also: Wenn das Risiko die angenommenen Grenzen überschreitet, entsteht schnell ein Schwarzer Schwan, sozusagen auf dem Papier.

Weitere Risiken ohne bekanntes Maximum

Zinsrisiken waren damals nicht das einzige Risiko, das weit ausgeschlagen hatte und Größenordnungen erreichte, die in der Vergangenheit nicht vorstellbar waren. Dasselbe galt für Rohstoffpreise, etwa für seltene Erden und Metalle, und für die Energiepreise für Erdgas, Mineralöl und Strom. Die Versorgungssicherheit war wieder auf die Agenda gerückt: Würde Deutschland in der Lage sein, sich mit Gas zu versorgen? Wie würde sich die Stabilität der Stromnetze in Zukunft entwickeln?

Welche Größenordnung können wir für die Inflation zugrunde legen? Gibt es für sie ein Maximum, von dem wir ausgehen können und das wir vielleicht sogar kennen müssten? Allein im Euroraum lagen die Inflationsraten der einzelnen Länder in dieser Zeit zwischen 5 und 22 %. Das ist ein extrem großer Bereich. Wo lag da das Maximum, und war damit schon das Ende der Fahnenstange erreicht?

Hinzu kamen erneute geopolitische Konflikte. Gibt es ein Maximum für das, was zwischen China und den USA, zwischen China und Taiwan, zwischen China und seinen anderen Nachbarn oder zwischen Russland, der Ukraine und anderen Ländern im Umfeld passieren kann? Wie wirken sich die Aktivitäten von Aktivisten auf manche Unternehmen aus, und wie eine immer umfassendere Regulatorik? Cyberrisiken standen auf der Risikolandkarte ohnehin auf den vorderen Plätzen. Auch bei ihnen war nicht klar, wie sie sich weiterentwickeln und welche Größenordnungen sie noch erreichen und überschreiten würden.

Die Annahme, dass ein Risiko in seiner Auswirkung immer ein Maximum hat und dass wir dieses Maximum auch kennen, steht also unter Umständen auf tönernen Füßen. Wir müssen deshalb über Alternativen nachdenken, denn wenn wir die Annahme eines Maximums nicht mehr machen wollen, kommen wir mit der Dreipunktverteilung als Arbeitstier nicht mehr weiter.

Wie modelliert man nach oben unbegrenzte Risiken?

Die alternative Annahme, die wir machen müssen, lautet: Das Risiko kann unbegrenzt sein. Wie kann man also ein Risiko darstellen, für das man Eckpunkte angibt, aber kein Maximum?

Drei Quantile statt drei Punkte

Ein erstes Beispiel ist die Expertverteilung, deren Eingabedialog Abbildung 4 zeigt. Auch sie hat den Anspruch, sehr einfach zu erklären und zu parametrisieren zu sein. Als Erstes legen wir fest, was es bedeutet, dass etwas ziemlich sicher eintritt. Im Feld „Ziemlich sicher“ steht 0,1. Das ist die Wahrscheinlichkeit, mit der wir uns irren dürfen. Ziemlich sicher heißt hier also: zu 90 % sicher.

Abbildung 4: Die Expertverteilung mit dem Minimum 0, dem Median 100.000 und zwei Werten, die ziemlich sicher über- beziehungsweise unterschritten werden. Das Feld „Maximum“ bleibt leer, die Verteilung ist nach oben offen.

Dann geben wir drei Quantile der Verteilung an. Ein Quantil ist ein Wert, unter dem die Auswirkung mit einer bestimmten Wahrscheinlichkeit bleibt. Der erste Punkt ist der Wert, bei dem wir ziemlich sicher sind, dass die Auswirkung größer ist, in diesem Fall 50.000. Der zweite Punkt ist der Median, die Mitte der Verteilung, hier 100.000. Er ersetzt sozusagen den wahrscheinlichsten Wert. Das ist auch gut so, denn der Median ist ganz klar festgelegt: 50 % der Werte liegen darunter, 50 % darüber. Der dritte Punkt ist der Wert, bei dem wir ziemlich sicher sind, dass die Auswirkung kleiner ist, hier 200.000. Mit der Festlegung von eben heißt das: Die 50.000 werden nur mit 10 % Wahrscheinlichkeit unterschritten, die 200.000 nur mit 10 % Wahrscheinlichkeit überschritten.

Minimum und Maximum müssen wir bei dieser Verteilung nicht angeben, sie sind optional. Das gibt uns sehr viel Flexibilität. Gibt es ein Minimum, zum Beispiel die Null, die es bei vielen Risikoauswirkungen gibt, dann können wir es sehr wohl angeben. Im Beispiel steht im Feld „Minimum“ die 0. Das Maximum können wir offen lassen. Wenn wir nicht wissen, welche Inflationsrate, welcher Gaspreis oder welcher Strompreis das Maximum ist, können wir hier ohnehin keinen Wert setzen. Sind wir umgekehrt in einer Situation, in der wir das Maximum sehr wohl kennen, können wir auch diesen Parameter benutzen. Der Standardfall der Dreipunktverteilung, in dem wir Minimum und Maximum kennen, ist hier also enthalten. Wir sind aber nicht darauf festgelegt, die beiden immer angeben zu müssen.

Rechts im Dialog sehen wir, wie die Verteilung verläuft. Die orange Fläche hat ihren Gipfel zwischen 0 und 150.000 und läuft nach rechts in einem langen, flachen Ausläufer aus. Auch oberhalb von 200.000 können also noch Auswirkungen vorkommen, und manche davon sind substanziell höher als 200.000.

Mehr dazu: Wie die Expertverteilung definiert ist und wie sie lange Ausläufer und offene Grenzen abbildet, zeigt unser Fachbeitrag „Experteneinschätzungen in einer Monte-Carlo-Simulation quantifizieren: die Expertverteilung“.

Beliebig viele Punkte

Eine zweite Variante zeigt Abbildung 5, die linksseitig beschränkte Poly-Verteilung. Linksseitig beschränkt heißt, dass sie eine Untergrenze hat. Hier geben wir verschiedene Werte an, die wir jeweils mit einem bestimmten Grad der Sicherheit erwarten. In der Spalte „Verlust“ steht der Wert, in der Spalte „Grad der Sicherheit“ die Wahrscheinlichkeit, mit der dieser Wert nicht überschritten wird.

Abbildung 5: Die linksseitig beschränkte Poly-Verteilung. Sieben Punkte legen fest, mit welchem Grad der Sicherheit ein Verlust nicht überschritten wird. Ein Maximum gibt es nicht.

Das Minimum ist 0, also der kleinste Wert, den die Verteilung annimmt, genau wie bei der Expertverteilung. Zu 10 % sind wir sicher, dass 50.000 nicht überschritten werden, zu 50 %, dass 100.000 nicht überschritten werden, und zu 90 %, dass 200.000 nicht überschritten werden. Das sind dieselben Werte wie in Abbildung 4. Jetzt können wir aber noch mehr Quantile angeben und damit festlegen, wie der obere Verlauf strukturiert ist: 250.000 werden zu 95 % nicht überschritten, 400.000 zu 99 % und 550.000 zu 99,9 %.

Wir sind hier also nicht darauf beschränkt, nur drei Eckpunkte anzugeben. Wir können beliebig viele Punkte der Verteilung festlegen und die Verteilung damit sozusagen genau zeichnen. Wie bei der Expertverteilung könnten wir auch hier ein Maximum hinzufügen, wenn wir das wollten. Es entspräche einem Grad der Sicherheit von 100 %. Wir können die Verteilung nach oben hin aber auch offen lassen, so wie in Abbildung 5.

Welcher Strategie sollte die Risikobewertung folgen?

Abbildung 6 fasst zusammen, welcher Strategie die Risikobewertung folgen sollte. Wenn man ein Risiko in der Hand hat und es bewertet, ist es eine gute Idee, zuerst zu prüfen, welche Eigenschaften das Risiko hat. Insbesondere sollte man sich zwei Fragen stellen: Gibt es einen ungünstigsten Fall, oder ist das Risiko nach oben offen? Und ist dieser ungünstigste Fall bekannt?

Abbildung 6: Drei Regeln für die Risikobewertung. Die Eigenschaften des Risikos prüfen, keine Annahmen verwenden, die man schon vorher als falsch erkennt, und die wesentlichen Eigenschaften des Risikos richtig abbilden.

Beantworten wir beide Fragen mit Ja, gibt es also einen ungünstigsten Fall, und wissen wir auch, welchen Wert er hat, dann ist eine klassische Dreipunktverteilung für dieses Risiko möglicherweise gar nicht so falsch. Dann können wir unter Umständen ganz einfach so weitermachen wie bisher.

Kommen wir dagegen zu dem Ergebnis, dass es diesen ungünstigsten Fall möglicherweise nicht gibt oder dass wir ihn nicht kennen, auch wenn es ihn gäbe, dann sollten wir vorsichtig sein. Dann gilt die Regel, dass wir keine Annahmen machen sollten, von denen wir schon vorher wissen, dass sie falsch sind. Wenn wir also wissen, dass es kein Maximum gibt, sollten wir auch kein Maximum annehmen. Stattdessen sollten wir versuchen, die wesentlichen Eigenschaften des Risikos richtig abzubilden, zum Beispiel mit einer Verteilung, die nach oben offen ist, wie in Abbildung 4 und 5.

So vermeiden wir, dass ein großes Risikoereignis nur deshalb wie ein Schwarzer Schwan aussieht, weil unser Modell eine Grenze angenommen hat, die es in Wirklichkeit so nicht gibt.