Wehrspohn Risk Management

Wie berücksichtigt man Korrelationen in einer Monte-Carlo-Simulation?

Fachbeitrag

Von Dr. Uwe Wehrspohn.

Risikofaktoren hängen oft zusammen, etwa Entwicklungs- und Testkosten oder Marketingkosten und Absatz, und solche Abhängigkeiten verändern das Ergebnis einer Monte-Carlo-Simulation. Wir zeigen an einer einfachen Gewinn- und Verlustrechnung in Excel, wie man Korrelationen mit der Normalverteilungs-Copula in das Modell einbaut, wie sie die Bandbreite des Gewinns verändern und wie man Verteilungen und Korrelationen aus Daten schätzt.

Risikofaktoren hängen in der Praxis oft miteinander zusammen. Wenn die Entwicklung eines Produkts Probleme macht, steigen oft auch die Testkosten, und wenn wir mehr Marketing machen, verkaufen wir in der Regel auch mehr. Rechnen wir in einer Monte-Carlo-Simulation alle Risikofaktoren unabhängig voneinander, bleiben solche Zusammenhänge außen vor.

Wir zeigen deshalb an einer einfachen Gewinn- und Verlustrechnung in Excel in zwei Schritten, wie man Abhängigkeiten berücksichtigt. Zuerst bauen wir Korrelationen, die wir bereits kennen, mit der Normalverteilungs-Copula in das Modell ein und vergleichen den Gewinn mit und ohne Korrelationen. Danach schätzen wir die Verteilungen der Risikofaktoren und die Korrelationen zwischen ihnen aus Daten. Diese Schätzung liefert am Ende genau die Bausteine aus dem ersten Schritt: eine Korrelationsmatrix, die Verteilungen und die Copula, die beides verbindet.

Welche Risikofaktoren hängen zusammen?

Kurz gesagt: Risk Kit ist ein Add-in für Microsoft Excel, mit dem man Monte-Carlo-Simulationen direkt in der Tabelle aufbaut und auswertet. Das Prinzip, Korrelationen über eine Copula mit beliebigen Verteilungen zu verbinden, ist aber nicht an ein bestimmtes Tool gebunden.

Als Beispiel nehmen wir eine einfache Gewinn- und Verlustrechnung mit vier Kostenkomponenten: Entwicklungskosten, Testkosten, Marketingkosten und Herstellungskosten. Jede Kostenkomponente folgt einer Dreiecksverteilung, die über drei Werte festgelegt ist: das Minimum, den wahrscheinlichsten Fall und das Maximum. Auf der Ertragsseite steht die Anzahl der verkauften Produkte. Sie folgt ebenfalls einer Dreiecksverteilung und wird mit einem festen Stückpreis multipliziert.

Abbildung 1 zeigt das Modell in Excel. In Zeile 3 steht der Name der Verteilung, „Triangular“, in den Zeilen 4 bis 6 stehen Minimum, wahrscheinlichster Fall und Maximum. Bei den Entwicklungskosten in Spalte C sind das 1.300.000, 1.500.000 und 2.300.000 Euro, bei der Anzahl der verkauften Produkte in Spalte G 430.000, 500.000 und 590.000 Stück. Der Stückpreis von 21 Euro steht in Zelle J2. In Zeile 8, „Unabhängige Faktoren“, zieht das Modell für jeden Risikofaktor eine Zufallszahl aus seiner Dreiecksverteilung. Daraus ergeben sich die Kosten in Zelle I8 als Summe der vier Kostenkomponenten, die Erträge in Zelle J8 als Anzahl der verkauften Produkte mal Stückpreis und der Gewinn in Zelle K8 als Differenz aus Erträgen und Kosten. In dem Simulationslauf, den die Abbildung zeigt, sind das Kosten von 10.731.681 Euro, Erträge von 11.130.074 Euro und ein Gewinn von 398.393 Euro.

Abbildung 1: Das Modell. Die fünf Risikofaktoren folgen Dreiecksverteilungen mit Minimum, wahrscheinlichstem Fall und Maximum in den Zeilen 4 bis 6. Zeile 8 zeigt einen Simulationslauf mit unabhängigen Faktoren, rechts daneben stehen Kosten, Erträge und Gewinn.

Verwenden wir für jeden Risikofaktor einfach seine eigene Dreiecksverteilung, sind die Risikofaktoren untereinander unabhängig. Die Entwicklungskosten und die Testkosten beeinflussen sich dann zum Beispiel nicht gegenseitig, obwohl das durchaus denkbar wäre. Gibt es in der Entwicklung Probleme, müssen auch Tests wiederholt werden, und die Testkosten steigen. Verläuft die Entwicklung dagegen sehr glatt, muss man unter Umständen nur einmal testen und kommt gleich zu einem positiven Ergebnis. Dann sind beide Kosten gering. Es bietet sich also an, diese beiden Risikofaktoren voneinander abhängig zu machen.

Ähnlich ist es mit den Marketingkosten und der Anzahl der verkauften Produkte. Im Modell sind sie bisher unabhängig: Selbst wenn wir sehr viel Marketing machen, wirkt sich das nicht auf die Anzahl der verkauften Produkte aus. Genau deshalb macht man aber in der Regel Marketing. Gutes Marketing wirkt sich sehr wohl auf die Anzahl der verkauften Produkte aus, zwischen beiden Faktoren gibt es also eine Korrelation.

Eine Korrelation beschreibt, wie eng zwei Größen zusammenhängen. Bei einer positiven Korrelation treffen hohe Werte des einen Risikofaktors häufiger mit hohen Werten des anderen zusammen und niedrige mit niedrigen. Bei einer negativen Korrelation treffen hohe Werte des einen eher auf niedrige Werte des anderen.

Wir möchten deshalb die Entwicklungskosten mit den Testkosten korrelieren und die Marketingkosten mit der Anzahl der verkauften Produkte. Bei den übrigen Kombinationen ist nicht so klar, ob das eine gute Idee wäre. Wenn wir viel Marketing machen, ändern sich die Herstellungskosten in der Regel nicht. Umgekehrt hat es keinerlei Auswirkung auf das Marketing, wenn die Herstellungskosten höher ausfallen als geplant. Wie viel Marketing wir machen, ist eine völlig getrennte Frage. Dasselbe gilt für die Entwicklungskosten und das Marketing oder für die Testkosten und das Marketing. Aus betriebswirtschaftlicher Erfahrung ist hier erst einmal kein Zusammenhang zu erkennen.

Die Korrelationen zwischen allen Risikofaktoren halten wir in einer Korrelationsmatrix fest. Das ist eine Tabelle, in der jeder Risikofaktor einmal als Zeile und einmal als Spalte vorkommt. Wo sich eine Zeile und eine Spalte kreuzen, steht die Korrelation zwischen den beiden Risikofaktoren. Abbildung 2 zeigt die Korrelationsmatrix des Beispiels in den Zeilen 12 bis 16, in denselben Spalten C bis G wie die Verteilungen in Abbildung 1.

Abbildung 2: Die Korrelationsmatrix in den Zeilen 12 bis 16. Darunter folgen die noch leere Zeile 18 für die abhängigen Faktoren und die Zelle „Plot“ in Zeile 21.

Auf der Diagonalen steht überall 100 %, denn jeder Faktor ist mit sich selbst vollständig korreliert. Für die Entwicklungskosten und die Testkosten haben wir eine Korrelation von 60 % angenommen. Sie steht zweimal in der Matrix: in der Zeile der Entwicklungskosten unter den Testkosten und in der Zeile der Testkosten unter den Entwicklungskosten. Weil die Korrelation ein symmetrischer Zusammenhang ist, muss die Matrix symmetrisch sein. Wir tragen den Wert deshalb nur einmal ein, und die zweite Zelle übernimmt ihn aus der ersten.

Dieselbe Korrelation von 60 % haben wir für die Marketingkosten und die Anzahl der verkauften Produkte angenommen. Alle anderen Korrelationen stehen auf 0 %, weil wir dort keinen betriebswirtschaftlichen Zusammenhang annehmen.

Was ist eine Copula?

Um die Korrelationen in das Modell zu bringen, gibt es in Risk Kit die Funktion NormalCopulaWithDistributions. Abbildung 3 zeigt, wo sie zu finden ist: auf der Registerkarte Risk Kit unter „Weitere Funktionen“ im Untermenü „Mehrdimensionale Verteilungen“. Der Hinweis neben dem Menüeintrag beschreibt sie als „Normale Copula mit Randverteilungen“.

Abbildung 3: Die Funktion NormalCopulaWithDistributions unter „Weitere Funktionen“ und „Mehrdimensionale Verteilungen“ auf der Registerkarte Risk Kit.

Mehrdimensionale Verteilungen geben nicht nur eine Zahl zurück, sondern eine ganze Liste von Zahlen, für jeden Risikofaktor eine. Bei solchen Verteilungen kann man zwei Dinge voneinander trennen: die Abhängigkeiten zwischen den Risikofaktoren und die Verteilungen der einzelnen Risikofaktoren, die man auch Randverteilungen nennt. Den Teil, der nur die Abhängigkeiten beschreibt, nennt man Copula. Er wird mit den Verteilungen der einzelnen Risikofaktoren kombiniert.

Genau das macht die Funktion NormalCopulaWithDistributions. Die Normalverteilungs-Copula beschreibt die Abhängigkeiten über Korrelationen. Jeder Risikofaktor behält dabei seine eigene Verteilung, in unserem Beispiel die Dreiecksverteilung mit ihren Parametern. Deshalb lassen sich mit der Copula Korrelationen auch zwischen Risikofaktoren berücksichtigen, die beliebigen Verteilungen folgen. Streng genommen gelten die Korrelationen der Matrix für normalverteilte Zufallszahlen, aus denen die Copula die Werte der Risikofaktoren ableitet. Berechnet man die Korrelation direkt aus den simulierten Kosten und Stückzahlen, kann sie deshalb etwas von den 60 % abweichen.

Mehr dazu: Auch unsere Fallstudie „Wie bewertet man Kreditrisiken aus Forderungen mit einer Monte-Carlo-Simulation?“ verwendet die Normalverteilungs-Copula, dort um die Ausfälle vieler Forderungen über die Konjunktur miteinander zu korrelieren.

Wie baut man die Korrelationen in das Modell ein?

Abbildung 4 zeigt den Dialog der Funktion. Er hat drei Pflichtparameter, die fett gedruckt sind:

  • CorrelationMatrix ist die Korrelationsmatrix unserer Risikofaktoren, also C12:G16.
  • Distributions sind die Verteilungen, hier die Namen „Triangular“ aus der Zeile „Verteilung“, also C3:G3.
  • Parameters ist die Matrix der Parameter, die die einzelnen Dreiecksverteilungen verwenden, also Minimum, wahrscheinlichster Fall und Maximum in C4:G6, mit einer Spalte je Risikofaktor.

Abbildung 4: Der Dialog der Funktion NormalCopulaWithDistributions mit der Korrelationsmatrix, den Verteilungen, den Parametern und den optionalen Angaben RowVector und Identifier.

Dazu kommen zwei optionale Parameter. Bei RowVector geben wir „wahr“ ein, weil die fünf Zufallszahlen nebeneinander in einer Zeile stehen sollen, so wie die Risikofaktoren in der Tabelle. Als Identifier geben wir eine 1 ein. Er sorgt dafür, dass Risk Kit die Korrelationsmatrix und die Parameter nicht in jedem Simulationslauf neu liest, sondern im Arbeitsspeicher hält. Das macht die Simulation schneller und ändert am Ergebnis nichts, solange die Parameter konstant sind.

Man kann die Parameter aber auch selbst zufällig machen, zum Beispiel Minimum und Maximum der Dreiecksverteilung in einem vorgelagerten Zufallsexperiment. Das ist eine Verallgemeinerung des Modells. Dann muss Risk Kit die Daten in jedem Lauf neu lesen, und wir lassen den Identifier weg.

Weil die Funktion fünf Zufallszahlen auf einmal zurückgibt, fügen wir sie als Matrixformel ein. Eine gewöhnliche Formel gibt eine Zahl zurück, eine Matrixformel einen ganzen Zellbereich. Im Dialog wählen wir dazu über den kleinen Pfeil neben „Einfügen“ den Eintrag „Einfügen als Matrixformel“. In den Zellen C18 bis G18, der Zeile „Abhängige Faktoren“, steht danach:

{=NormalCopulaWithDistributions(C12:G16,C3:G3,C4:G6,WAHR,1)}

Hinweis: Das Video zeigt eine ältere Risk-Kit-Version. In aktuellen Versionen hat die Funktion zwischen dem Argument für die Zeilenausgabe und dem Identifier ein weiteres optionales Argument, IsRowWise. Wer die Formel heute nachbaut, lässt dieses Argument leer und setzt den Identifier an die sechste Stelle, also =NormalCopulaWithDistributions(C12:G16;C3:G3;C4:G6;WAHR;;1).

Die geschweiften Klammern zeigen, dass es sich um eine Matrixformel handelt. Alle Risikofaktoren folgen nach wie vor ihrer Dreiecksverteilung. Jetzt sind aber die Entwicklungskosten und die Testkosten über die Normalverteilungs-Copula zu 60 % korreliert und die Marketingkosten und die Anzahl der verkauften Produkte ebenfalls. Aus diesen Zufallszahlen berechnen wir wie in Zeile 8 die Kosten und die Erträge und erhalten in Zelle K18 einen zufälligen Gewinn mit Korrelationen.

Wie verändern Korrelationen das Ergebnis?

Um den Einfluss der Korrelationen zu sehen, stellen wir den Gewinn ohne Korrelationen dem Gewinn mit Korrelationen gegenüber. Die beiden Zufallszahlen aus einem einzelnen Lauf liegen irgendwo in ihrer Bandbreite und lassen sich nicht sinnvoll vergleichen. Wir müssen die beiden Verteilungen vergleichen und zeichnen sie deshalb mit der Plot-Funktion in eine gemeinsame Grafik. Die Funktion steht in Zelle C21, der orangen Zelle „Plot“ in Abbildung 2, und nimmt die beiden Gewinnzellen K8 und K18 entgegen:

=+Plot((K8,K18))

Dann lassen wir die Simulation laufen. Nach dem Ende der Simulation stellt Risk Kit die beiden Gewinnverteilungen in einer gemeinsamen Grafik einander gegenüber, die Abbildung 5 zeigt. Die orangen Säulen gehören zum Gewinn ohne Korrelationen, die blauen zum Gewinn mit Korrelationen.

Abbildung 5: Der Gewinn ohne Korrelationen (orange) und mit Korrelationen von 60 % (blau). Beide Verteilungen haben im Prinzip denselben Mittelwert, die blaue ist deutlich schmaler.

Beide Verteilungen haben im Prinzip denselben Mittelwert. Das ist ein ganz charakteristisches Ergebnis: Korrelationen verändern in der Regel nicht den Mittelwert, sondern nur die Bandbreite. Ob das gilt, hängt allerdings vom Modell ab. Die Copula lässt die Verteilung jedes einzelnen Risikofaktors und damit auch seinen Mittelwert unverändert. In unserem Modell addieren sich die Risikofaktoren: Der Gewinn ist die Anzahl der verkauften Produkte mal dem festen Stückpreis abzüglich der Summe der vier Kostenkomponenten. Der Mittelwert einer solchen Summe ist immer die Summe der einzelnen Mittelwerte, ganz gleich, wie die Risikofaktoren korreliert sind. Wirken die Risikofaktoren anders zusammen, zum Beispiel im Projektmanagement, muss der Mittelwert nicht gleich bleiben.

Wir sehen aber sofort, dass sich die Bandbreite der beiden Verteilungen unterscheidet. Der Gewinn mit Korrelationen streut viel weniger als der Gewinn ohne Korrelationen: Die blauen Säulen sind in der Mitte höher und laufen zu den Rändern schneller aus.

Warum wird die Verteilung schmaler?

Im Modell gibt es zwei Abhängigkeiten. Die erste besteht zwischen den Entwicklungskosten und den Testkosten. Beide sind Kosten, und hohe Testkosten treffen jetzt häufiger mit hohen Entwicklungskosten zusammen als vorher. Eigentlich würden wir deshalb eine größere Bandbreite erwarten. Die Testkosten schwanken aber nur sehr wenig: Zwischen dem Minimum von 200.000 Euro und dem Maximum von 320.000 Euro liegen nur 120.000 Euro. Deshalb ist dieser Effekt nur klein.

Bei den Marketingkosten ist es genau umgekehrt. Sie haben die größte Bandbreite aller Kostenkomponenten: Zwischen 4,5 Millionen und 7 Millionen Euro liegt eine Spannweite von 2,5 Millionen Euro. Auch die Anzahl der verkauften Produkte schwankt stark. 160.000 Stück zwischen Minimum und Maximum mal 21 Euro ergeben bei den Erträgen eine Bandbreite von über 3 Millionen Euro.

Wichtig ist nun, dass Marketingkosten und verkaufte Produkte unterschiedliche Vorzeichen haben: Das eine sind Kosten, das andere sind Erträge. Steigen die Marketingkosten, gehen wir davon aus, dass tendenziell auch die Erträge aus den verkauften Produkten steigen. Höhere Marketingkosten werden dann zum Teil durch mehr verkaufte Produkte ausgeglichen, und niedrigere Marketingkosten gehen eher mit weniger verkauften Produkten einher. Dieser Kompensationseffekt zwischen Kosten und Erträgen macht die Bandbreite des Gewinns deutlich schmaler. Weil beide Größen stark schwanken, überwiegt er den ersten Effekt bei Weitem, und genau das sehen wir in Abbildung 5. Der Effekt ist betriebswirtschaftlich gut nachvollziehbar und war der Grund, weshalb wir diese Korrelation überhaupt betrachten wollten.

Die Gegenprobe mit einer negativen Korrelation

Wir können das auch in der umgekehrten Richtung prüfen. Dazu setzen wir die Korrelation zwischen den Marketingkosten und der Anzahl der verkauften Produkte von plus 60 % auf minus 60 % und führen die Simulation noch einmal durch. Jetzt dreht sich der Zusammenhang um: Hohe Marketingkosten treffen tendenziell auf eine geringe Anzahl verkaufter Produkte. Die Kosten steigen, während die Erträge gleichzeitig sinken, und umgekehrt. Der Gewinn reicht dadurch weiter zu beiden Seiten, und die Verteilung wird breiter.

Abbildung 6 zeigt das Ergebnis. Jetzt ist der Gewinn mit Korrelationen (blau) breiter als der Gewinn ohne Korrelationen (orange). Auf der einen Seite sehen wir zusätzliche Verluste bei höheren Marketingkosten und geringeren Erträgen. Auf der anderen Seite gibt es höhere Gewinne bei geringen Marketingkosten und einer damit einhergehenden großen Anzahl verkaufter Produkte.

Abbildung 6: Dieselbe Gegenüberstellung mit einer Korrelation von minus 60 % zwischen Marketingkosten und verkauften Produkten. Jetzt ist der Gewinn mit Korrelationen (blau) breiter als ohne (orange).

Am Ergebnis können wir also die Plausibilität der Annahmen unmittelbar ablesen, in die eine wie in die andere Richtung. So lassen sich die Ergebnisse und die Modellierung gut überprüfen und validieren.

Wie schätzt man Verteilungen und Korrelationen aus Daten?

Bisher haben wir Korrelationen verwendet, die wir bereits kannten. In der Praxis werden Korrelationen oft von Experten eingeschätzt, vor allem wenn es für die Abhängigkeiten zwischen den Risikofaktoren keine Datengrundlage gibt. Das ist der Fall, wenn das eigene Unternehmen mit einer Sache noch gar keine Erfahrung hat und es deshalb auch keine Dokumentation darüber gibt. Wo dagegen Daten vorliegen, kann man mit Risk Kit sowohl die Verteilungen der einzelnen Risikofaktoren als auch die Abhängigkeiten zwischen ihnen schätzen. Diesen Fall zeigt das zweite Video.

Diese Schätzung nennt man Kalibrierung. Unser Beispiel hat dieselben Risikofaktoren wie bisher: Entwicklungs-, Test-, Marketing- und Herstellungskosten für ein Produkt auf der Kostenseite und die Anzahl der verkauften Produkte auf der Ertragsseite. Jede Zeile der Daten enthält eine Beobachtung, also Kosten und Absatz, die zusammen aufgetreten sind.

Um die Verteilungen und die Korrelationen zu bestimmen, wählen wir auf der Risk-Kit-Toolbar unter „Kalibrieren“ den Eintrag „Normale Copula kalibrieren“. Diese Kalibrierung bestimmt die Verteilungen der einzelnen Risikofaktoren ebenso wie die Abhängigkeiten zwischen ihnen. Abbildung 7 zeigt links die Daten und rechts den Dialog „Kalibrierung“. Wir markieren die Daten, hier B1:F5001, und kreuzen an, dass die erste Zeile die Bezeichnungen der Datenreihen enthält, denn dort stehen die Namen der Risikofaktoren.

Abbildung 7: Links die Daten in den Spalten B bis F, rechts der Dialog „Kalibrierung“ mit den Eingangsdaten B1:F5001. Unter „Verfügbare Verteilungen“ sind alle Verteilungen ausgewählt.

Dann wählen wir die Verteilungen aus, die wir für diese Daten als relevant betrachten. Wer nicht sicher ist, welche am besten geeignet sind, kann wie in Abbildung 7 einfach „Alles auswählen“ ankreuzen. Risk Kit sortiert bei der Kalibrierung die Verteilungen aus, die auf keinen Fall infrage kommen, kalibriert die übrigen und zeigt ihre Anpassungsgüte, also wie gut die geschätzte Verteilung zu den Daten passt.

Ein Klick auf „Kalibrieren“ startet die Kalibrierung für jeden einzelnen Risikofaktor und für die gemeinsame Verteilung. Das dauert eine Weile. Zuerst meldet Risk Kit für jeden Risikofaktor die Verteilungen, die nicht infrage kommen, zum Beispiel die Beta-Verteilung, weil die Daten nicht im Intervall von 0 bis 1 liegen.

Wie erkennt man, welche Verteilung am besten passt?

Danach zeigt Risk Kit das Ergebnis der Kalibrierung. Abbildung 8 zeigt den Dialog, hier mit den Testkosten markiert. In der oberen Tabelle steht jeder Risikofaktor mit seinem Namen aus der Spaltenüberschrift der Daten, mit der gewählten Verteilung und den geschätzten Parametern. Als Ausgangswert nimmt Risk Kit immer die Verteilung, die am besten zu den Daten passt. Für alle Risikofaktoren außer den Testkosten ist das die Dreiecksverteilung. Für die Testkosten ist es die Trapezverteilung, die der Dreiecksverteilung sehr ähnlich ist. Sie hat vier Parameter, deshalb ist bei ihr auch die Spalte „Parameter 4“ gefüllt.

Abbildung 8: Das Ergebnis der Kalibrierung mit den Testkosten markiert. Oben stehen die gewählten Verteilungen und ihre Parameter, unten alle Verteilungen für die Testkosten mit ihren Gütemaßen, sortiert nach dem Kolmogorov-Smirnov-Abstand, rechts die Daten und die Trapezverteilung. Der Dialog ist schon im Video links angeschnitten.

Im rechten Bereich sehen wir die Daten, die in die Schätzung eingeflossen sind, als Histogramm, hier 5.000 Datensätze je Risikofaktor, und darüber die kalibrierte Verteilung, die gerade ausgewählt ist.

Die untere Tabelle zeigt für den oben markierten Risikofaktor alle Verteilungen, die infrage kommen, mit ihrer Anpassungsgüte. Diese wird über verschiedene Gütemaße dargestellt, zum Beispiel den Kolmogorov-Smirnov-Abstand, die Anderson-Darling-Statistik, das Akaike-Informationskriterium (AIC) und zwei weitere Informationskriterien. Bei allen gilt: Je kleiner der Wert, desto besser passt die Verteilung. Ein Klick auf eine Spaltenüberschrift sortiert die Tabelle nach diesem Kriterium. Die Reihenfolge ändert sich dabei meist nur geringfügig, im Wesentlichen sind sich die Kriterien einig. Bei den Entwicklungskosten steht die Dreiecksverteilung nach allen Kriterien ganz oben.

Dreieck oder Trapez bei den Testkosten?

Bei den Testkosten steht nach dem Kolmogorov-Smirnov-Abstand, nach dem Risk Kit standardmäßig sortiert, die Trapezverteilung mit 0,0108 ganz oben und die Dreiecksverteilung mit 0,0120 auf dem zweiten Platz. Nach den Informationskriterien ist es umgekehrt: In den Spalten AIC, AIC Finite Correction und AIC Bayes Correction von Abbildung 8 hat die Dreiecksverteilung den kleineren Wert.

Wir können die ausgewählte Verteilung in der oberen Tabelle ändern und wählen für die Testkosten die Dreiecksverteilung. Über die kleinen Kästchen in der unteren Tabelle lassen sich mehrere Verteilungen gemeinsam in die Grafik legen und vergleichen.

Abbildung 9 zeigt die Dichte der Testkosten mit beiden Verteilungen. Die Dreiecksverteilung (blau) und die Trapezverteilung (rot) sehen im Wesentlichen gleich aus. Sie unterscheiden sich nur an einer winzig kleinen Ecke oben in der Spitze, wo das Trapez abgeflacht ist. Wir können deshalb eine einheitliche Dreiecksverteilung für alle Risikofaktoren gut verantworten.

Abbildung 9: Die Dichte der Testkosten mit der Dreiecksverteilung (blau) und der Trapezverteilung (rot). Die beiden unterscheiden sich nur an der Spitze.

Mehr dazu: Wie die Dreiecksverteilung über Minimum, wahrscheinlichsten Wert und Maximum funktioniert und wo ihre Grenzen liegen, erklärt unser Fachbeitrag „Wann nehme ich eine Dreiecksverteilung in einer Monte-Carlo-Simulation?“.

Quantile, QQ-Plot und PP-Plot

Die Anpassung an die Daten lässt sich auch aus anderen Blickwinkeln betrachten. Statt der Dichte kann der Dialog auch die Quantile zeigen, also die Werte, unter denen ein bestimmter Anteil der Daten liegt. Dann sieht man, wie die Quantile der kalibrierten Verteilung von den Quantilen der Daten abweichen. Im Quantil-Quantil-Plot (QQ-Plot) in Abbildung 10 werden die Quantile der Daten auf der waagerechten Achse und die Quantile der kalibrierten Verteilung auf der senkrechten Achse direkt einander gegenübergestellt. Passt die Verteilung, liegt die Linie auf der Diagonalen. Hier passt es hundertprozentig.

Abbildung 10: Der Quantil-Quantil-Plot der Testkosten. Die Linien der Dreiecks- und der Trapezverteilung liegen übereinander auf der Diagonalen.

Der Wahrscheinlichkeits-Wahrscheinlichkeits-Plot (PP-Plot) stellt entsprechend die Wahrscheinlichkeiten von Daten und kalibrierter Verteilung einander gegenüber. Auch dort sind sich die beiden Verteilungen sehr ähnlich und passen sehr gut auf die Daten. Nehmen wir eine Verteilung hinzu, die nicht so gut passt, etwa die Fisk-Verteilung, ergibt sich direkt eine kleine Abweichung.

Wenn mehrere Verteilungen gut passen

Die Verteilungen in Risk Kit sind alles in allem sehr flexibel, und in der Regel passen mehrere Verteilungen sehr gut auf die Daten. Welche am besten geeignet ist, kann man dann nach weiteren Kriterien entscheiden, etwa nach der Homogenität der Schätzung, wie hier mit einer einheitlichen Dreiecksverteilung für alle Risikofaktoren, oder danach, ob die Verteilung begrenzt ist. Nicht jede Verteilung passt aber gleich gut. Bei der Dichte in Abbildung 11 sieht man, dass die Fisk-Verteilung (hellblau), die in der Liste in Abbildung 8 viel weiter unten steht, ganz offensichtlich viel schlechter an die Daten angepasst ist als die Trapez- oder die Dreiecksverteilung.

Abbildung 11: Die Dichte der Testkosten mit der Fisk-Verteilung (hellblau) im Vergleich zur Dreiecksverteilung (blau) und zur Trapezverteilung (rot).

Welche Korrelationen stecken in den Daten?

Wenn wir uns für eine Kalibrierung entschieden haben, hier die Dreiecksverteilung für alle Risikofaktoren, können wir sie in die Excel-Tabelle einfügen und unser Risikomodell damit simulieren. Dazu klicken wir auf „Normale Copula einfügen“ und wählen eine Zelle aus. Abbildung 12 zeigt den eingefügten Block. Oben stehen die geschätzten Korrelationen der Normalverteilungs-Copula, um die es uns eigentlich ging, darunter die kalibrierten Verteilungen der Risikofaktoren mit dem Verteilungstyp und den Parametern.

Abbildung 12: Der eingefügte Block mit den geschätzten Korrelationen, den kalibrierten Dreiecksverteilungen mit ihren Parametern und der Zeile „Zufallszahlen“.

In der letzten Zeile, „Zufallszahlen“, werden die Korrelationen und die Verteilungen miteinander verbunden, und es werden entsprechende Zufallszahlen gezogen. Dort steht dieselbe Funktion wie im ersten Teil, diesmal ohne Identifier:

{=NormalCopulaWithDistributions(J4:N8,J11:N11,J12:N15,WAHR)}

Excel hebt in Abbildung 12 die Bereiche, auf die die Formel verweist, farbig hervor: blau die Korrelationen, rot die Namen der Verteilungen und violett die Parameter.

Schauen wir uns die Werte inhaltlich an. Zwischen den Entwicklungskosten und den Testkosten besteht mit rund 60 % eine relativ hohe Korrelation. Das ist inhaltlich plausibel: Probleme bei der Entwicklung, durch die die Entwicklungskosten steigen, ziehen in der Regel auch steigende Testkosten nach sich, weil wir mit jedem neuen Entwicklungszyklus noch einmal neu testen müssen. Die beiden Kostenarten laufen deshalb bis zu einem gewissen Grad Hand in Hand.

Ebenso sehen wir eine relativ hohe Korrelation von rund 60 % zwischen den Marketingkosten und der Anzahl der verkauften Produkte. Auch das ergibt Sinn, weil mit mehr Aufwand im Marketing potenziell mehr Kunden erreicht und dementsprechend mehr Produkte verkauft werden.

Für die anderen Paare sind die geschätzten Korrelationen klein und nur mit Mühe von null zu unterscheiden. Wir sehen 2 % und 1 %, viele Werte sind 0 %, und zwischen den Herstellungskosten und der Anzahl der verkauften Produkte stehen minus 2 %. Eine nennenswerte Abhängigkeit gibt es hier nicht. Auch das ist betriebswirtschaftlich nachvollziehbar. Dass zum Beispiel die Entwicklungskosten von den Herstellungskosten oder den Marketingkosten abhängen, ist nicht ohne Weiteres zu erkennen. Die Entwicklungsaktivitäten einer Firma sind etwas anderes als das, was am Markt passiert, wie wir auf den Markt eingehen und was wir tatsächlich herstellen. Für die übrigen Kombinationen gilt das entsprechend.

So haben wir die Verteilungen kalibriert und die Korrelationen zwischen den Risikofaktoren automatisch aus den Daten ermittelt.

Was leistet die Kalibrierung gegenüber Experteneinschätzungen?

Die Liste der verfügbaren Verteilungen umfasst zum einen Verteilungen, die man als Experte auch von Hand schätzen könnte, etwa die Dreiecksverteilung oder die Trapezverteilung. Sie kommen bei Expertenschätzungen sehr häufig zum Einsatz, weil sie sich sehr intuitiv parametrisieren lassen: die Dreiecksverteilung über das Minimum, den wahrscheinlichsten Wert und das Maximum, die Trapezverteilung über das Minimum, zwei innere Grenzen und das Maximum. Für solche Verteilungen liefert die Kalibrierung Werte derselben Art, wie Experten sie angeben. Liegen Daten vor, kann man die kalibrierten Werte deshalb auch als Vergleichsmaßstab für Experteneinschätzungen verwenden.

Zum anderen enthält die Liste Verteilungen wie die Weibull-Verteilung, die mit Experteneinschätzungen sehr viel schwieriger zu parametrisieren sind. Ohne Datengrundlage wird man diese Art von Verteilung kaum verwenden können. Für sie ist die Kalibrierung gewissermaßen die Voraussetzung, um die ganze Vielfalt der Verteilungen tatsächlich an die Daten anpassen zu können.