Kreditrisiken sind ein Querschnittsrisiko für alle Unternehmen. Wir zeigen im Folgenden, wie man ein Portfolio aus 1.000 Forderungen in Excel modelliert und mit einer Monte-Carlo-Simulation bewertet. Dabei rechnen wir das Portfolio dreimal: zuerst mit unabhängigen Ausfällen, dann mit einer Korrelation der Ausfälle über die Konjunktur und schließlich mit einem Forderungsmanagement, das nach dem Ausfall einen Teil der Forderung zurückholt.
Warum betrifft das Kreditrisiko jedes Unternehmen?
Mit dem Wort Kreditrisiko verbinden wir zunächst einmal Banken. Das ist auch naheliegend, denn das Geschäftsmodell von Banken besteht darin, große Geldbeträge an vollkommen Unbekannte zu verleihen. Da ist es natürlich, dass auch einmal etwas schiefgeht und ein solcher Betrag nicht zurückgezahlt wird. Das ist das Kreditrisiko.
Industrie-, Handels- und Dienstleistungsunternehmen sind interessanterweise in einer ähnlichen Situation. Auch sie erbringen unter Umständen Leistungen für ihre Kunden, bevor diese bezahlt haben. Von kleinen Kunden und Privatkunden verlangen sie vielleicht Vorkasse, bei größeren Kunden geht das in der Regel aber nicht. Diese erwarten, dass zuerst geliefert und danach per Rechnung bezahlt wird. Damit besteht die Möglichkeit, dass das Unternehmen die Leistung erbringt und am Schluss nicht bezahlt wird. Es hat also ebenfalls ein Kreditrisiko.
Dazu kommt, dass ein Unternehmen nicht nur ein einzelnes Kreditrisiko hat. In der Regel sind Tausende, möglicherweise sogar Hunderttausende oder Millionen solcher Forderungen offen. Wir müssen also nicht nur das einzelne Kreditrisiko modellieren, sondern auch eine große Anzahl von Kreditrisiken, die wir dann zusammenfassen.
Welche Angaben braucht man zu jeder Forderung?
Abbildung 1 zeigt das Forderungsportfolio in Excel. Ab Zeile 10 steht in jeder Zeile eine Forderung, im Beispiel sind es 1.000 Stück. Für jede Forderung liegen drei Informationen vor. Spalte A enthält eine reine ID, die die Forderung identifiziert und das Risiko eigentlich gar nicht beeinflusst. In Spalte B steht das Forderungsvolumen, also der Betrag, der auf dem Spiel steht. Das ist eine sehr einfache Kenngröße, denn der Betrag ist in der Rechnung abgedruckt und damit von vornherein bekannt. Die erste Forderung in Zeile 10 beläuft sich zum Beispiel auf 1.512 Euro.
Spalte C enthält die Ausfallwahrscheinlichkeit, um die es im nächsten Abschnitt geht. Die Spalte D „Ausfall?“ ist noch leer, die Spalte E „Verlust“ zeigt Nullen. In Spalte D simulieren wir gleich, ob eine Forderung ausfällt, und in Spalte E den Verlust daraus. Das gelbe Feld in Zelle E6 nimmt später den Portfolioverlust auf, also die Summe der Verluste aller Forderungen.
Abbildung 1: Das Forderungsportfolio in Excel. Jede Forderung hat eine ID in Spalte A, ein Forderungsvolumen in Spalte B und eine Ausfallwahrscheinlichkeit (PD) in Spalte C. Die Spalten „Ausfall?“ und „Verlust“ werden im Lauf des Beitrags gefüllt.
Wie hoch ist die Ausfallwahrscheinlichkeit einer Forderung?
Die Unsicherheit der Forderung steckt in Spalte C mit der Überschrift PD. PD steht für Probability of Default, also für die Ausfallwahrscheinlichkeit. Sie ist eine wesentlich schwierigere Größe als das Forderungsvolumen, denn wir brauchen eine Einschätzung, mit welcher Wahrscheinlichkeit die Forderung nicht beglichen wird.
Diese Wahrscheinlichkeit können wir uns nicht selbst ausdenken. Deshalb gibt es Firmen, die sich darauf spezialisiert haben, Ausfallwahrscheinlichkeiten für eine große Anzahl von Firmen und Kunden zu schätzen. Sie bieten diese Schätzungen als Dienstleistung für Unternehmen an, die Forderungsmanagement betreiben wollen. Beispiele sind Creditreform, die Schufa oder Experian. Bei großen Firmen kommen Ratingagenturen hinzu, die den Firmen ein externes Rating geben. Auch einem solchen Rating ist eine Ausfallwahrscheinlichkeit zugeordnet.
Eine Jahres-PD für Forderungen mit kurzer Laufzeit
Die Ausfallwahrscheinlichkeiten sind in der Regel auf ein Jahr standardisiert. Die PD von 1,1 % bei der ersten Forderung bedeutet also, dass der Kunde mit dieser Wahrscheinlichkeit innerhalb der nächsten zwölf Monate ausfällt. Die Laufzeit einer Forderung ist aber meistens viel kürzer. Üblich sind 30 Tage nach Rechnungseingang, vielleicht 45 oder 60 Tage, aber nicht ein Jahr. Das wäre sehr ungewöhnlich. Die Ausfallwahrscheinlichkeit der realen Forderung ist also viel kleiner. Sie hängt auch davon ab, welche Zahlungsfrist tatsächlich vereinbart wurde und ob diese Frist etwas überschritten wird.
Das Problem relativiert sich aber. Die meisten Unternehmen wollen gar nicht unbedingt wissen, welche Verluste dem heute bestehenden Forderungsportfolio über seine Laufzeit drohen. Sie wollen vielmehr wissen, welches Forderungsrisiko sie über ein ganzes Jahr haben. Im Lauf des Jahres werden einzelne Forderungen bezahlt und verschwinden aus dem Portfolio. Parallel dazu werden aber neue Rechnungen verschickt, sodass neue Forderungen in das Portfolio aufgenommen werden.
Das ist wie bei einem See, in den auf der einen Seite Wasser hineinfließt und aus dem auf der anderen Seite Wasser herausfließt. Der See ist ständig in Bewegung, aber der Wasserspiegel bleibt immer ungefähr gleich. Wir können also sagen: Hier steht eine Forderung über 1.512 Euro, die mit 1,1 % ausfällt. Wird sie beglichen, kommt eine andere, ähnliche Forderung neu in das Portfolio. Deshalb können wir mit dem heutigen Stand des Portfolios, sozusagen einer Momentaufnahme, tatsächlich eine repräsentative Aussage über das ganze Jahr machen.
Dieses Vorgehen ist eins zu eins auch bei Banken im Einsatz, wo genau das Gleiche passiert. Ein Kredit wird Monat für Monat getilgt, und es werden Zinsen gezahlt. Das eine oder andere Geschäft läuft aus, und das Portfolio verkleinert sich. Gleichzeitig vergibt die Bank aber laufend neue Kredite, sodass sich das Portfolio wieder auffüllt und über die Zeit genauso stabil bleibt wie das Forderungsportfolio.
Wie simuliert man den Ausfall einer einzelnen Forderung?
Kurz gesagt: Risk Kit ist ein Add-in für Microsoft Excel, mit dem man Monte-Carlo-Simulationen direkt in der Tabelle aufbaut und auswertet. Was wir hier zeigen, gilt aber allgemein: Die Bewertung von Kredit- und Forderungsrisiken über eine Monte-Carlo-Simulation funktioniert in jedem Simulationstool nach demselben Prinzip.
Der Ausfall einer Forderung ist ein 0-1-Ereignis: Entweder die Forderung wird beglichen, oder sie fällt aus. Das ist quasi ein Münzwurf, allerdings nicht mit einer Wahrscheinlichkeit von 50 % für Kopf und Zahl, sondern mit der Ausfallwahrscheinlichkeit, bei der ersten Forderung also mit 1,1 %. Diese Darstellung ist mit dem Namen von Jakob Bernoulli verbunden. In Risk Kit verwenden wir dafür die Bernoulli-Verteilung.
Mehr dazu: Unser Fachbeitrag „Wann nehme ich eine Bernoulli-Verteilung in einer Monte-Carlo-Simulation?“ erklärt, wie diese Verteilung Ereignisse mit genau zwei Ausgängen beschreibt, etwa ob eine Forderung ausfällt oder nicht.
Die Bernoulli-Verteilung findet sich auf der Risk-Kit-Toolbar unter dem Button „Beliebt“. Ein Klick darauf öffnet den Dialog in Abbildung 2. Unter der Auswahl „Funktion“, die auf „Zufallszahl“ steht, hat er zwei Eingabefelder. Das wichtige ist die Wahrscheinlichkeit, der Parameter P, und das ist genau unsere PD. Dort verweisen wir auf Zelle C10 mit der Ausfallwahrscheinlichkeit der ersten Forderung. Rechts neben dem Feld zeigt der Dialog ihren Wert an, 0,0112813767, also rund 1,1 %. Das andere Feld, „Name“, brauchen wir im Augenblick nicht.
Abbildung 2: Der Dialog der Bernoulli-Verteilung für Zelle D10. Als Wahrscheinlichkeit P ist die PD der ersten Forderung aus Zelle C10 eingetragen.
Nach dem Einfügen steht in Zelle D10 eine Tabellenfunktion mit dem Verweis auf die Ausfallwahrscheinlichkeit:
=Bernoulli_variate(C10)
Die Funktion für alle Forderungen kopieren
Bei einem großen Portfolio könnten wir für jede einzelne Forderung genauso vorgehen. Dann müssten wir in diesem Beispiel tausendmal den Dialog öffnen, die Funktion auswählen, parametrisieren und bestätigen. Das ist natürlich sehr aufwendig. Wir kopieren die Zellfunktion deshalb einfach mit Excel nach unten. Mit allen Risk-Kit-Funktionen kann man genauso arbeiten wie mit den Standardfunktionen von Excel: Man kann sie kopieren oder auch direkt in die Zelle eingeben. Ein Doppelklick auf das kleine Quadrat rechts unten an der markierten Zelle kopiert die Formel bis ans Ende der gefüllten Spalte.
In Spalte D stehen jetzt viele Nullen für Forderungen, bei denen das Risiko nicht eingetreten ist. Vereinzelt stehen dort aber auch Einsen für Risiken, die tatsächlich schlagend geworden sind, bei denen die Forderung also ausgefallen ist.
Wie berechnet man den Verlust des Forderungsportfolios?
Die Spalte „Ausfall?“ liefert uns einen Ausfallindikator. Er ist aber noch nicht unser Ausfallrisiko. Dazu müssen wir wissen, welchen Verlust wir erleiden, wenn ein Ausfall eintritt. Der Verlust ist hier die Forderung, die im Raum stand. Seine Höhe hängt also davon ab, welche Forderung konkret ausfällt.
Abbildung 3 zeigt die Spalte E mit dem Verlust, in der wir den Indikator auswerten. Hat der Ausfallindikator den Wert 1, ist der Verlust die Forderungshöhe. Hat er den Wert 0, ist auch der Verlust 0. In der Abbildung ist zum Beispiel die Forderung mit der ID 10 in Zeile 19 ausgefallen: In Spalte D steht eine 1 und in Spalte E der Verlust von 3.369 Euro, also das volle Forderungsvolumen aus Spalte B. Oben in der Bearbeitungsleiste steht die Formel von Zelle E10:
=+WENN(D10=1;B10;0)+OutputName("Forderung "&A10)+OutputUnit("EUR")
Abbildung 3: Spalte E enthält den Verlust je Forderung, oben steht die Formel von Zelle E10. Rechts ist der Dialog des Buttons „Eingabe“ mit dem Ausgabenamen und der Einheit EUR geöffnet. In Zeile 19 ist die Forderung mit der ID 10 ausgefallen.
Die Funktionen OutputName und OutputUnit am Ende der Formel haben wir über den Button „Eingabe“ auf der Risk-Kit-Toolbar hinzugefügt. Er markiert die Verlustzelle als Eingabezelle. Im Dialog dazu, den Abbildung 3 rechts zeigt, geben wir einen Ausgabenamen an, hier „Forderung“ zusammen mit der ID aus Zelle A10, und als Einheit EUR.
Der Portfolioverlust als Zielgröße
Wenn wir den Verlust für jede einzelne Forderung berechnet haben, können wir die Summe bilden. Sie ist unsere Zielgröße, der Portfolioverlust aller Forderungen zusammen. Er steht in Zelle E6 unter der Überschrift „Portfolioverlust“ in Zelle E5:
=+SUMME(E10:E1009)+OutputName(E5)+OutputUnit("EUR")
Auch hier stehen die Funktionen OutputName und OutputUnit, diesmal über den Button „Ausgabe“ hinzugefügt. Dieser Button markiert die Zelle als Ausgabezelle, und bei der Gelegenheit vergeben wir den Ausgabenamen „Portfolioverlust“ und die Einheit.
Die Simulation starten
Damit ist das Modell vollständig. Alle Eingabedaten stehen fest, wir haben ein Modell für den Ausfall der einzelnen Forderung, wir haben den Verlust daraus berechnet, und wir haben die Summe aller Verluste als Portfolioverlust modelliert. Jetzt können wir das Modell auswerten. Über den Button „Konfiguration“ stellen wir die Simulation ein. Die wichtigste Größe ist die Zahl der Simulationsläufe, hier 10.000, und als Simulationsmodus wählen wir „Aktive Arbeitsmappe“. Ein Klick auf „Simulation“ startet die Simulation, die dann im Hintergrund durchläuft. In jedem der 10.000 Läufe zieht Risk Kit für jede Forderung neu, ob sie ausfällt, und berechnet daraus den Portfolioverlust.
Wie groß ist das Ausfallrisiko des ganzen Portfolios?
Nach der Simulation stehen rechts neben der Tabelle die Ergebnisstatistiken, die Abbildung 4 zeigt. Die mittlere Spalte enthält Beträge in Euro, die rechte Spalte „Relativ zum Exposure“ dieselben Beträge als Anteil am Gesamtexposure. Darunter folgt das Histogramm der Verlustverteilung.
Abbildung 4: Die Ergebnisse bei unabhängigen Ausfällen. Oben stehen die Statistiken des Portfolioverlusts, absolut und relativ zum Exposure, darunter das Histogramm der Verlustverteilung.
Schauen wir uns zuerst das Gesamtexposure an. Exposure ist sozusagen das Forderungsvolumen, das im Feuer steht. Die Summe aller Forderungsbeträge beträgt 6.403.211 Euro, also rund 6,4 Millionen Euro.
Die Wahrscheinlichkeit, dass im gesamten Portfolio ein Verlust eintritt, steht in der Zeile „Ws von Verlusten“ und beträgt 100 %. Die einzelne Forderung mag eine kleine Ausfallwahrscheinlichkeit haben, etwa 1,1 %, 0,3 % oder 6,2 % wie die ersten drei Forderungen in Abbildung 1. Dass bei 1.000 solchen Forderungen irgendetwas schiefgeht, ist aber sicher oder nahezu sicher. In dieser Simulation ist es in allen Läufen passiert.
Der erwartete Verlust, also der Mittelwert über alle Simulationsläufe, liegt bei 167.409 Euro oder 2,6 % des Gesamtexposures. Darunter folgen der kleinste simulierte Verlust (Minimum), der Value at Risk (VaR) zu verschiedenen Konfidenzniveaus und der größte simulierte Verlust (Maximum). Der VaR ist ein Quantil der Verlustverteilung. Der VaR zu 99 % ist zum Beispiel der Verlust, der in 99 % der Simulationsläufe nicht überschritten wird, hier 459.178 Euro.
Das Histogramm zeigt die Form der Verteilung. Auf der waagerechten Achse steht der Portfolioverlust in Euro. Auf der senkrechten Achse steht die Dichte, also wie häufig Verluste dieser Höhe vorkamen. Ihre Zahlen sind so klein, weil die Dichte sich auf einen einzelnen Euro bezieht. Sehr kleine Verluste haben eine sehr kleine Wahrscheinlichkeit, bis hin zu null. Dann steigt die Wahrscheinlichkeit an, und meistens liegt der Verlust zwischen 0 und 320.000 Euro. Darüber gehen die Verluste dünn weiter bis zum Maximum von 743.811 Euro, dem größten Ergebnis dieser Simulation.
Wie wirkt sich die Konjunktur auf Forderungsausfälle aus?
Eine wichtige Eigenschaft dieser Simulation ist, dass wir alle Ausfälle als unabhängig voneinander dargestellt haben. Man kann der Meinung sein, dass das keine realistische Annahme ist. Firmen hängen natürlich an der makroökonomischen Umgebung, in der sie sich befinden, also an der Konjunktur. Gerät die Volkswirtschaft, in der ein Unternehmen zu Hause ist, in eine Krise, wächst sie nicht oder schrumpft sie sogar und steigen die Kosten, dann fehlt das Geld, um Forderungen zu begleichen. Insgesamt steigt dann die Wahrscheinlichkeit, dass Firmen ihre Forderungen nicht bedienen. Dadurch entsteht eine Abhängigkeit zwischen den Ausfällen.
Umgekehrt kann es auch sein, dass es für alle sehr gut läuft. Wenn die Konjunktur fantastisch ist und viel Geld vorhanden ist, ist ein Forderungsausfall eigentlich kein großes Thema mehr. Diese Abhängigkeit fügen wir im nächsten Schritt hinzu.
Wie korreliert man die Ausfälle der Forderungen?
Damit wir später sehen, welchen Effekt die Abhängigkeit hat, speichern wir zuerst die bisherigen Ergebnisse. Dazu wählen wir unter „Simulationsergebnisse“ den Punkt „Ergebnisse speichern“. Wir speichern hier nur die Modellausgaben und nennen sie „Unabhängig“. Klicken wir auf „Exportieren“, fügt Risk Kit in Excel ein weiteres Tabellenblatt ein, in dem die simulierten Werte aus allen Simulationsläufen stehen.
Nehmen wir nun an, wir wollen zwischen den Kreditrisiken eine Korrelation von 20 % einfügen. Eine positive Korrelation bedeutet, dass die Forderungen eher gemeinsam ausfallen. In schlechten Zeiten fallen dann viele Forderungen aus, in guten Zeiten wenige.
Korrelationen dieser Größenordnung sind auch im Bankenbereich üblich. Die Bankenregulierung schreibt sie Banken für die Berechnung ihrer Eigenkapitalanforderungen vor, in Europa in der Capital Requirements Regulation (CRR).
Für die Korrelation gibt es in Risk Kit eine eigene Funktion. Abbildung 5 zeigt, wo sie zu finden ist. Sie steht unter dem Button „Weitere“ im Untermenü „Mehrdimensionale Verteilungen“. Mehrdimensional heißt die Verteilung deshalb, weil wir jetzt nicht mehr nur die einzelne Forderung betrachten, sondern alle Forderungen gemeinsam. Wir haben also 1.000 Dimensionen. Die Funktion, die wir brauchen, heißt NormalCopulaWithDistributions. Links im Bild steht die Korrelation von 20 % bereits in Zelle D6 unter der Überschrift „Korrelation“.
Abbildung 5: Unter „Weitere“ und „Mehrdimensionale Verteilungen“ findet sich die Funktion NormalCopulaWithDistributions. Links steht in Zelle D6 die Korrelation von 20 %.
Die Copula trennt Abhängigkeit und Verteilung
Der Name der Funktion ist sehr kompliziert. Er bezieht sich darauf, dass man bei einer mehrdimensionalen Verteilung die Abhängigkeiten zwischen den einzelnen Dimensionen immer von der Verteilung der einzelnen Dimensionen trennen kann. Die Verteilungen der einzelnen Dimensionen heißen auch Randverteilungen, hier sind es die Bernoulli-Verteilungen der Ausfälle. Den Teil, der nur die Abhängigkeit beschreibt, nennt man Copula. Wenn wir Korrelationen verwenden wollen, ist die Normalverteilungs-Copula das Mittel der Wahl, weil sie genau über Korrelationen parametrisiert wird. Das ist die „Normale Copula mit Randverteilungen“, wie der Hinweis in Abbildung 5 sagt.
Die Funktion parametrisieren
Die Funktion braucht als Erstes die Korrelationsmatrix, hier also die 20 %. Als Zweites braucht sie die Verteilungen, und zwar den Namen der Verteilung als neuen Parameter. Wir fügen deshalb eine Spalte ein, überschreiben sie mit „Verteilung Risikofaktor“ und tragen dort für jede Forderung den Namen „Bernoulli“ ein, denn das ist der Name der Verteilung für alle einzelnen Risiken. Durch die neue Spalte D rücken die übrigen Spalten nach rechts. Die Korrelation steht jetzt in Zelle E6, die Spalte „Ausfall?“ ist jetzt Spalte E und die Spalte „Verlust“ Spalte F.
Abbildung 6 zeigt den ausgefüllten Dialog für Zelle E10. Die einzelnen Felder bedeuten Folgendes:
- Im Feld CorrelationMatrix steht E6, also die Korrelation von 20 %. Risk Kit nimmt im Hintergrund an, dass jeder einzelne Korrelationskoeffizient denselben Wert von 20 % hat. Eigentlich gehört hierher eine Korrelationsmatrix mit 1.000 mal 1.000 Zahlen, also eine Million Zahlen. Weil sie alle denselben Wert haben, reicht diese eine Zahl. Wollten wir unterschiedliche Korrelationen zwischen den einzelnen Forderungen, müssten wir die große Matrix angeben.
- Im Feld Distributions steht D10:D1009, der Vektor der Verteilungen mit „Bernoulli“ an jeder Stelle.
- Im Feld Parameters steht C10:C1009, der Vektor der Parameter mit den Ausfallwahrscheinlichkeiten.
- Im Feld ResultInRow geben wir an, ob wir die Ergebnisse in einer Zeile haben möchten. Das möchten wir nicht, deshalb steht dort falsch.
- Im Feld IsRowWise geben wir an, ob die Parameter, die zu einem Risikofaktor gehören, in einer Zeile stehen. Das ist hier der Fall, denn die PD und der Name der Verteilung stehen in derselben Zeile. Deshalb steht dort wahr.
Abbildung 6: Der ausgefüllte Dialog der Funktion NormalCopulaWithDistributions für Zelle E10. Links steht die neue Spalte D „Verteilung Risikofaktor“ mit dem Namen „Bernoulli“ für jede Forderung.
Damit ist die Funktion parametrisiert, und wir können sie einfügen. In Zelle E10 steht dann:
=NormalCopulaWithDistributions(E6;D10:D1009;C10:C1009;FALSCH;WAHR)
Excel gibt uns jetzt den gesamten Vektor als eine Ergebnisgröße zurück. Die alten Bernoulli-Formeln in den Zellen darunter löschen wir. Dann füllt der eine Funktionsaufruf die ganze Spalte automatisch, und auch hier steht an einzelnen Stellen eine Eins für einen Ausfall. Danach lassen wir die Simulation wieder laufen und schauen, wie sich das Ergebnis entwickelt.
Was ändert die Korrelation am Ergebnis?
Abbildung 7 zeigt die neuen Statistiken. Das Gesamtexposure hat sich naturgemäß nicht verändert. Es ist gar nicht zufällig, sondern einfach die Summe der Forderungen.
Abbildung 7: Die Ergebnisse mit einer Korrelation von 20 %. Rechts ist das Histogramm bei gut 1,6 Millionen Euro abgeschnitten, weil im Video dort das Kamerabild liegt.
Die Wahrscheinlichkeit, dass Verluste auftreten, liegt jetzt nicht mehr bei 100 %, sondern nur noch bei 98,4 %. Durch die Korrelation zwischen den Forderungsausfällen ist die Wahrscheinlichkeit gestiegen, dass nichts passiert. Mit 1,6 % Wahrscheinlichkeit ist die Konjunktur im Land so gut, dass keine einzige Forderung aus dem Portfolio ausfällt. Entsprechend liegt das Minimum jetzt bei 0 Euro. Die Verteilung reicht also weiter nach links als vorher.
Bei den hohen Verlusten am Ende der Tabelle sehen wir, dass dasselbe auch auf der rechten Seite der Verteilung passiert ist. Vorher lag der größte Verlust bei 743.811 Euro. Jetzt liegt der VaR zu 99,9 % bei 1.509.993 Euro oder 23,6 % des Gesamtexposures, und das Maximum liegt bei 1.805.293 Euro, das sind rund 28 % des Gesamtexposures.
Das zeichnet sich auch im Histogramm ab, das jetzt völlig anders aussieht. Der Hügel, der vorher um den Erwartungswert lag, ist zu den Rändern hin auseinandergezogen worden. Links gibt es jetzt viel mehr ganz kleine Verluste, die höchste Säule steht ganz links bei null. Rechts gibt es ganz hohe Verluste, die viel höher sind als vorher.
Unabhängigkeit und Korrelation im direkten Vergleich
Um vorher und nachher direkt zu vergleichen, speichern wir auch dieses Ergebnis über „Simulationsergebnisse“ und „Ergebnisse speichern“, diesmal unter dem Namen „Korrelation“, und exportieren es. Wir bekommen ein zweites Tabellenblatt mit Ergebnissen. Beide Ergebnisse können wir wieder importieren, indem wir auf „Ergebnisse laden“ und „aus Excel-Tabelle laden“ klicken. Dann stehen sie direkt nebeneinander.
Der erwartete Portfolioverlust liegt bei Unabhängigkeit und bei Abhängigkeit relativ nah beieinander, bei 167.409 Euro und 163.187 Euro. Der Unterschied zwischen beiden Mittelwerten ist ein reiner Monte-Carlo-Effekt, also eine zufällige Schwankung der Simulation. Durch die Korrelation ändert sich der Erwartungswert nicht, sondern nur die Form der Verteilung, die darum herum liegt.
Das wird an der Spannweite sofort deutlich, also am Abstand zwischen dem kleinsten und dem größten simulierten Verlust. Sie ist von rund 720.000 Euro (743.811 minus 23.790 Euro) auf rund 1,8 Millionen Euro gestiegen und damit zweieinhalbmal so groß. Jetzt kommt auch der Wert null vor, und dafür gibt es sehr große Ergebnisse bei den hohen Quantilen.
Abbildung 8 zeigt beide Verteilungen übereinander als Histogramm, orange bei Unabhängigkeit und blau bei Korrelation. Wo sich beide überlagern, erscheint die Fläche dunkelblau. Bei Unabhängigkeit hatten wir einen Hügel rund um den Erwartungswert. Mit Korrelation ist die Verteilung polarisiert: Sie hat viel Gewicht links bei ganz kleinen Verlusten und reicht rechts bis zu ganz großen Verlusten.
Abbildung 8: Die Verlustverteilung bei Unabhängigkeit (orange) und bei Korrelation (blau) im Vergleich. Rechts ist die Grafik bei knapp 1,5 Millionen Euro abgeschnitten, weil im Video dort das Kamerabild liegt.
Das ist genau der Effekt von Abhängigkeiten: Sie polarisieren. Das ist paradox, denn mit Abhängigkeiten steigt auch die Wahrscheinlichkeit von kleinen Verlusten. Abhängigkeiten machen die Schäden also nicht automatisch nur größer, sondern zunächst einmal auch deutlich kleiner. Die Phasen, in denen wenig oder gar nichts passiert, werden länger, obwohl die Krisen schlimmer werden, wenn welche eintreten.
Was kann man gegen Forderungsausfälle tun?
In diesen Rechnungen haben wir noch gar kein Risikomanagement betrieben. Wir haben bisher sozusagen nur das Bruttorisiko modelliert, also das Risiko vor jeder Art von Maßnahmen. Das ist durchaus notwendig, denn auch für den Prüfungsstandard IDW PS 340 modelliert man das Bruttorisiko. Wir wollen dieser Situation aber natürlich nicht hilflos ausgeliefert sein, sondern das Forderungsrisiko reduzieren.
Vorkasse verschiebt das Risiko
Eine Lösung haben wir bereits angesprochen: Wir könnten Vorkasse verlangen. Das ist eine aktive Maßnahme und bombensicher. Wenn jemand schon gezahlt hat, verschiebt sich das Risiko vom Lieferanten auf den Besteller. Dann hat eventuell der Besteller das Problem, dass die Ware nicht kommt, nachdem er sie bezahlt hat. Wenn man Vorkasse durchsetzen kann, funktioniert das.
Genau wegen dieser Situation sind große Kunden aber in der Regel nicht bereit, nur gegen Vorkasse zu bestellen. Sie gehen davon aus, dass das Unternehmen wegen der dauerhaften Geschäftsbeziehung bereit ist, das Forderungsrisiko zu tolerieren und auf Rechnung zu liefern. Diese Forderungen bleiben also für uns im Risiko.
Inkasso holt einen Teil der Forderung zurück
Wie können wir damit umgehen? Eine klassische Möglichkeit ist das Inkasso. Man gibt nicht einfach auf, wenn der Kunde sagt, dass er die Forderung nicht bezahlen kann. Stattdessen beauftragt man ein Inkassounternehmen, etwa eine Rechtsanwaltskanzlei oder ein anderes spezialisiertes Unternehmen, die Forderung doch noch einzubringen. Wir gehen dann davon aus, dass das Inkassounternehmen es schafft, zumindest Teile der Forderung noch hereinzuholen, vielleicht nicht die ganze Forderung, aber zumindest etwas davon. Diesen zurückgeholten Teil nennt man Recovery. Genau diesen Ansatz verfolgen wir jetzt.
Wie modelliert man die Recovery nach dem Ausfall?
Dafür fügen wir zwei weitere Spalten ein, die Recovery Rate in Spalte E und die Recovery Vola in Spalte F. Die Recovery Rate ist die Erlösquote, also der Anteil der ausgefallenen Forderung, der noch eingebracht wird. Die Recovery Vola beschreibt die Unsicherheit dieser Erlösquote, also ihre Volatilität. Die Spalten „Ausfall?“ und „Verlust“ rücken dadurch in die Spalten G und H.
Woher die Werte kommen
Die Recovery Rate ist ähnlich wie die PD keine einfach zu bestimmende Zahl. Wir würden das Inkassounternehmen nach seiner Erfahrung fragen: In welcher Größenordnung seid ihr typischerweise in der Lage, noch Beträge einzubringen, wenn ihr euch darum kümmert? Das Unternehmen wird etwa antworten: Im Lauf der ersten zwölf Monate nach dem Forderungsausfall schaffen wir es typischerweise, diesen oder jenen Anteil des Forderungsvolumens noch einzubringen. Typische Werte liegen zwischen 30 und 40 %. Wir setzen hier 30 % an.
Die Volatilität, die sich damit verbindet, liegt typischerweise in der Größenordnung zwischen 15 und 20 %. Wir setzen 15 % an. Auch das sind im Grunde gemessene Erfahrungswerte. Wer schon längere Zeit selbst Forderungsmanagement betreibt, kann auch seine eigenen Erfahrungen mit der Recovery auswerten und diese Zahlen daraus bestimmen. Es sind also keine Experteneinschätzungen, die auf der grünen Wiese aus der Luft gegriffen werden. Wir nehmen an, dass die Werte für alle Forderungen gleich sind, und kopieren die Parameter nach unten.
Die Beta-Verteilung für die Erlösquote
Welche Verteilung können wir dafür nehmen? Eine Verteilung, die sich sehr gut dafür anbietet, ist die Beta-Verteilung. Sie nimmt Werte zwischen 0 und 1 an und ist deshalb ideal geeignet, um einen Anteil zu beschreiben, also einen Prozentsatz von irgendetwas. Risk Kit bietet neben der Standardparametrisierung eine zweite Parametrisierung an, die genau auf den Erwartungswert und die Standardabweichung abhebt, mit denen wir die Recovery Rate hier beschreiben. Das ist die Funktion Beta2_variate.
Abbildung 9 zeigt den Dialog. Unter „Parameter“ ist „Erwartung + Standardabw.“ gewählt. Im Feld Expectation verweisen wir auf die Recovery Rate von 30 % in Zelle E10, im Feld Std auf die Recovery Vola von 15 % in Zelle F10. Rechts daneben zeigt der Dialog eine Vorschau, wie die Verteilung aussieht: die Dichte als Grafik und eine Tabelle mit Statistiken. Die Erlösquote wird im Wesentlichen zwischen 0 und 80 % liegen, mit dem Erwartungswert bei 30 %. In der Tabelle sieht man das am Erwartungswert von 0,30 und am Quantil zu 99,9 % von 0,80.
Abbildung 9: Die Beta-Verteilung für die Erlösquote ist über den Erwartungswert von 30 % aus Zelle E10 und die Standardabweichung von 15 % aus Zelle F10 parametrisiert. Links stehen die neuen Spalten E und F.
Der Verlust nach der Recovery
Damit können wir die Forderung gewichten. Der Verlust bei einem Ausfall ist nicht mehr die volle Forderung, sondern nur der Teil, der nicht zurückgeholt wurde. Wir multiplizieren die Forderung deshalb mit dem Anteil, der verloren geht. Dieser Anteil ist genau 1 minus die Erlösquote. In der Fachsprache heißt er Loss Given Default (LGD), also Verlust bei Ausfall. Die Formel für den Verlust in Zelle H10 lautet jetzt:
=+WENN(G10=1;B10*(1-Beta2_variate(E10;F10));0)+OutputName("Forderung "&A10)+OutputUnit("EUR")
Beta2_variate zieht dabei für jeden Ausfall eine eigene, zufällige Erlösquote. Wir kopieren die Formel auf alle Forderungen herunter. Damit haben wir das Modell so verallgemeinert, dass es das Inkasso berücksichtigt, und können auf dieser Basis neu simulieren.
Was bringt das Forderungsmanagement nach dem Ausfall?
Abbildung 10 zeigt die Statistiken der Simulation mit Recovery Rates. Die Wahrscheinlichkeit von Verlusten ist praktisch gleich geblieben, 98,6 % gegenüber 98,4 % vorher. Die kleine Abweichung ist wieder ein Monte-Carlo-Effekt. Die Recovery Rate berührt den bloßen Eintritt eines Ausfalls nämlich überhaupt nicht, die Forderungen fallen genauso aus wie vorher. Das Forderungsmanagement setzt erst danach an und bestimmt, was wir verlieren, wenn der Ausfall eingetreten ist.
Abbildung 10: Die Ergebnisse mit Korrelation und Forderungsmanagement, also mit einer Recovery Rate von 30 % und einer Recovery Vola von 15 %.
Die Verteilung hat eine ähnlich polarisierte Form wie vorher, mit sehr kleinen und auch sehr großen Verlusten. Das Minimum liegt wieder bei 0 Euro. Der VaR zu 99,9 % ist aber deutlich geringer geworden, von 1.509.993 Euro oder 23,6 % des Exposures auf 1.080.467 Euro oder 16,9 %. Das liegt daran, dass wir aktiv Forderungsmanagement betrieben haben.
Das Maximum hat sich dagegen gar nicht so sehr geändert, es liegt bei 1.782.867 Euro gegenüber 1.805.293 Euro vorher. Das liegt daran, dass hier zwei sehr schlechte Ereignisse zusammenkommen können. Große Verluste entstehen, wenn wir das Pech haben, dass sehr viele Forderungen im Portfolio ausfallen, und wenn wir zusätzlich ausgerechnet bei diesen Ausfällen wenig zurückholen können.
Die Verteilung hat deshalb einen ähnlich langen Tail wie vorher, also einen ähnlich langen rechten Rand mit seltenen, großen Verlusten. Dieser Tail wird aber sehr viel dünner, das heißt, die extremen Ereignisse treten seltener ein. Das ist ein wesentlicher Effekt des Forderungsmanagements.
Der zweite Effekt ist, dass sich der erwartete Verlust deutlich geändert hat. Er lag vorher in der Größenordnung von 160.000 bis 170.000 Euro, jetzt sind es nur noch 116.181 Euro. Das sind etwa 30 % weniger. Grundsätzlich können wir also erwarten, dass wir uns durch dieses Forderungsmanagement deutlich besser stellen.
Mit und ohne Forderungsmanagement im Vergleich
Um das genauer anzusehen, exportieren wir auch diese Simulationsergebnisse, diesmal unter dem Namen „Forderungsmanagement“. Es entsteht ein drittes Tabellenblatt. Nach dem erneuten Import können wir das ungemanagte Portfolio unter Korrelation mit dem gemanagten vergleichen.
Abbildung 11 zeigt die beiden Verteilungen als Histogramm, orange ohne und blau mit Forderungsmanagement. Wo sich beide überlagern, erscheint die Fläche wieder dunkelblau. Auf der linken Seite sind die blauen Säulen höher, mit Forderungsmanagement kommen kleine Verluste also häufiger vor. Auf der rechten Seite ist der Tail deutlich dünner geworden. Dort sehen wir im Wesentlichen Orange, also den Portfolioverlust ohne Maßnahmen. Die blauen Säulen sind immer noch da, aber sie sind seltener geworden.
Abbildung 11: Die Verlustverteilung bei Korrelation ohne Forderungsmanagement (orange) und mit Forderungsmanagement (blau). Rechts ist die Grafik bei knapp 1,5 Millionen Euro abgeschnitten, weil im Video dort das Kamerabild liegt.
Sehr schön sieht man den Effekt an der Verteilungsfunktion in Abbildung 12. Sie zeigt für jeden Verlustbetrag auf der waagerechten Achse die Wahrscheinlichkeit, mit der der Portfolioverlust diesen Betrag nicht überschreitet. Die blaue Kurve mit Forderungsmanagement liegt auf jeder Höhe, also für jedes Konfidenzniveau, deutlich links von der orangen Kurve des ungemanagten Portfolios. Auf der Höhe 0,80 liegt die blaue Kurve zum Beispiel bei knapp 190.000 Euro und die orange bei gut 260.000 Euro. Das sind die VaR zu 80 % aus Abbildung 10 und Abbildung 7, nämlich 187.825 Euro und 264.618 Euro.
Abbildung 12: Die Verteilungsfunktion des Portfolioverlusts ohne Forderungsmanagement (orange) und mit Forderungsmanagement (blau). Die blaue Kurve liegt auf jeder Höhe links der orangen. Auch diese Grafik ist rechts bei knapp 1,5 Millionen Euro abgeschnitten.
Was zeigen die drei Bewertungen zusammen?
Wir haben das Portfolio jetzt dreimal bewertet. Das erste Modell hat vereinfachend angenommen, dass alle Forderungen unabhängig voneinander ausfallen. Das haben wir korrigiert und makroökonomische Effekte über eine Korrelation aufgenommen. Dabei haben wir uns an einem Ansatz orientiert, den auch Banken verwenden. So haben wir das Bruttorisiko ohne Maßnahmen erhalten, also das Risiko des Portfolios, wenn wir nichts dagegen tun.
Danach haben wir aktiv Inkasso und Forderungsmanagement betrieben: Wenn eine Forderung ausfällt, übergeben wir sie einem spezialisierten Unternehmen, das für uns versucht, möglichst viel wieder hereinzuholen. Wir haben genau gesehen, welche Wirkung das hat. Daran können wir auch ermessen, ob unser Forderungsmanagement funktioniert, ob es sich finanziell lohnt und ob wir uns weitere Maßnahmen überlegen müssen.
Dies war ein Einstieg in das Thema Forderungsmanagement. Im nächsten Schritt könnte man die Verteilung des Portfolioverlusts, zu der wir die einzelnen Verluste hier verdichtet haben, ins Enterprise Risk Management übertragen. Dann lässt sie sich auch in der unternehmensweiten Risikoaggregation angemessen berücksichtigen.
Mehr dazu: Wie man Risiken unternehmensweit aggregiert und der Risikotragfähigkeit gegenüberstellt, zeigt unsere Fallstudie „Wie gelingt die Risikoaggregation nach IDW PS 340 und StaRUG?“.