Wehrspohn Risk Management

Wie simuliert man Preisentwicklungen mit einer Monte-Carlo-Simulation?

Fallstudie

Von Dr. Uwe Wehrspohn.

Wer Preisrisiken bewerten will, braucht ein Preismodell, das zu den Eigenschaften der jeweiligen Preisentwicklung passt. Wir zeigen am Ölpreis in Euro und am Einjahres-Euro-Zins, wie man in Excel ein passendes stochastisches Modell auswählt, an historischen Daten kalibriert, Preispfade mit Quantilen simuliert und Szenarien mit einem anderen langfristigen Trend rechnet.

Wir zeigen in diesem Beitrag, wie man mit Risk Kit Preisentwicklungen simuliert: wie man ein passendes Preismodell auswählt, es an historischen Daten kalibriert, Preispfade simuliert und grafisch darstellt und schließlich Szenarien rechnet.

Wir bauen dabei auf einer früheren Fallstudie auf. Dort haben wir Daten zu Ölpreisen, Wechselkursen und Zinssätzen mit Risk Kit Data geladen, aus Quellen wie dem Federal Reserve System, der Europäischen Zentralbank, Eurostat, der Weltbank und Apilayer Marketstack.

Mehr dazu: Wie man die Zeitreihen findet, in Excel lädt und nach Datum synchronisiert, zeigt unsere Fallstudie „Live-Zugriff auf große internationale Datenquellen mit Risk Kit Data“.

Aus diesem ersten Schritt haben wir drei Zeitreihen: den Dollarwechselkurs, den Ölpreis der Sorte Brent und den Einjahres-Euro-Zins. Die drei Zeitreihen hatten zum Teil leicht unterschiedliche Datumswerte, und in Einzelfällen fehlten Werte. Wir haben sie deshalb auf ein einheitliches Datumsraster gebracht und die fehlenden Werte aus ihren Nachbarn interpoliert. Danach haben wir den Ölpreis von US-Dollar in Euro umgerechnet, denn hier in Deutschland zahlen wir in Euro. Im Ergebnis haben wir zwei Preiszeitreihen: den Ölpreis für Brent in Euro und den Einjahres-Euro-Zins.

Welche Eigenschaften haben Preisentwicklungen?

Wenn wir ein Modell für eine Preisentwicklung suchen und es danach simulieren wollen, ist es am Anfang immer sinnvoll, sich die Daten anzusehen. Dafür genügt ein Liniendiagramm in Excel. Die beiden Preisentwicklungen haben allerdings ganz unterschiedliche Größenordnungen, und auf einer gemeinsamen Achse wäre der Zins nicht zu erkennen. Wir legen ihn deshalb auf eine Sekundärachse.

Abbildung 1 zeigt das Ergebnis. Auf der linken Achse steht der Ölpreis in Euro (blau), auf der rechten Achse der Einjahres-Euro-Zins in Prozent (orange).

Abbildung 1: Der Ölpreis für Brent in Euro (blau, linke Achse) und der Einjahres-Euro-Zins (orange, rechte Achse). Der Zins liegt die meiste Zeit unter null, der Ölpreis bleibt immer positiv.

Obwohl die beiden Preisentwicklungen sehr unterschiedliche Größenordnungen haben, verlaufen sie ähnlich. Von 2012, wo unsere Zeitreihe beginnt, bis 2014 gab es in beiden Fällen ein relativ hohes, stabiles Niveau. Dann fielen beide Preise bis 2016 und liefen danach stationär bis zur Pandemie, die 2020 beginnt. 2020 erreichen sowohl der Ölpreis als auch der Zins ihr Minimum im gesamten betrachteten Zeitfenster. Am Ende der Pandemie erholen sich beide, und in der jüngsten Vergangenheit steigen sowohl die Zinsen als auch die Ölpreise stark an. Gründe dafür sind die Inflation, die Lieferknappheit auf den internationalen Märkten, der Krieg in der Ukraine und das Ende der Pandemie.

Auffällig ist außerdem das Vorzeichen. Der Ölpreis ist die ganze Zeit positiv. Er fällt zwar zwischendurch stark ab, aber selbst sein Minimum im April 2020 liegt noch bei 8,40 Euro, also deutlich über null. Für den Ölpreis bräuchten wir deshalb idealerweise ein Preismodell, das immer positive Werte annimmt.

Bei den Zinssätzen ist das deutlich anders. Bis 2014 sind sie phasenweise positiv, fallen dann aber weit unter null und bleiben die übrige Zeit negativ. Selbst nach dem starken Anstieg Anfang 2022 ist der Zins für den Einjahreszeitraum noch negativ. Für die Zinssätze brauchen wir also ein Preismodell, das beide Vorzeichen annehmen kann. Diese qualitativen Beobachtungen lassen wir gleich in die Wahl der Preismodelle einfließen.

Welche Preismodelle stehen zur Auswahl?

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 Preismodelle, ihre Kalibrierung an historischen Daten und die Simulation von Preispfaden funktionieren in jedem Simulationstool nach demselben Prinzip.

Als Preismodelle dienen stochastische Prozesse. Ein stochastischer Prozess ist im Grunde nichts anderes als eine zufällige Funktion der Zeit: Zu jedem Zeitpunkt nimmt er einen zufälligen Wert an. Risk Kit bietet mehrere solcher Modelle, mit denen man Preisentwicklungen darstellen kann. Die fünf wichtigsten sind:

  • die klassische Brownsche Bewegung,
  • der Wiener-Prozess, eine Variante der Brownschen Bewegung,
  • die geometrische Brownsche Bewegung, ein sehr berühmtes Modell, das Pate gestanden hat für die Entwicklung der Optionspreismodelle, für die es mehrere Nobelpreise in Wirtschaftswissenschaften gab,
  • der Vasicek-Prozess, ein Prozess mit Mittelwertrückkehr, die ihn in der Nähe seines Trendverlaufs hält,
  • und der Black-Karasinski-Prozess, eine Variante des Vasicek-Prozesses, die ebenfalls Mittelwertrückkehr hat, aber nur positive Werte annimmt.

Zwei Dinge haben alle diese Prozesse gemeinsam. Erstens beginnen sie mit einem festen, vorgegebenen Startwert. Das ist typischerweise der aktuelle Wert des Preises, auf dem die Simulation aufsetzt. Zweitens haben sie alle eine Volatilität, also eine Stärke der zufälligen Schwankungen, mit der sie sich im Zeitverlauf von diesem Startwert aus nach oben und unten ausbreiten.

In den folgenden Grafiken sehen wir für die Prozesse jeweils einen Beispielpfad, also eine einzelne zufällige Entwicklung, dazu den Trend als mittlere Linie und ein unteres und ein oberes Quantil. Das Quantil zu 99 % ist der Wert, den der Prozess zu einem bestimmten Zeitpunkt in 99 % der Fälle nicht überschreitet. Das Quantil zu 1 % unterschreitet er nur in 1 % der Fälle. Zwischen den beiden Quantilen bewegt sich der Prozess also mit großer Wahrscheinlichkeit. Quantile, deren Wahrscheinlichkeit in Prozent angegeben ist, heißen auch Perzentile. In den Grafiken stehen sie als „Bound 1%“ und „Bound 99%“.

Drei Kriterien für die Wahl des Preismodells

Um uns zu orientieren, welches Preismodell für unsere Marktfaktoren geeignet ist, verwenden wir drei Kriterien. Sie bilden die Spalten der Übersichtstabelle, die in den folgenden Abbildungen links steht.

  1. Das Vorzeichen: Kann ein Prozess nur ein Vorzeichen darstellen oder beide? Die Brownsche Bewegung zum Beispiel kann beide Vorzeichen darstellen. Die geometrische Brownsche Bewegung und der Black-Karasinski-Prozess dagegen nehmen grundsätzlich nur positive Werte an. Man könnte sie für negative Werte benutzen, indem man sie einfach spiegelt, aber auch dann hätten sie immer nur ein Vorzeichen.
  2. Die Mittelwertrückkehr: Hält ein Mechanismus den Preis immer in der Nähe seines langfristigen Trends, oder kann er sich beliebig weit davon entfernen? Das ist vor allem ein Kriterium für Langfristprognosen. Kurzfristig wirkt sich die Mittelwertrückkehr nur sehr geringfügig aus. Wenn wir aber für ein Jahr oder länger prognostizieren wollen, wie sich die Preise entwickeln, kann sie ein wichtiges Element sein.
  3. Der langfristige Anstieg der Perzentile: Auch hier geht es darum, Langfristprognosen in einem Rahmen zu halten, der noch sinnvolle Größenordnungen annimmt. Manche Preisentwicklungen können sehr stark explodieren, manche weiten sich moderat aus, und wieder andere bleiben stationär. Stationär heißt hier, dass sie sich nicht beliebig weit von ihrem langfristigen Trend entfernen, egal wie weit wir in die Zukunft prognostizieren.

Die Brownsche Bewegung

Abbildung 2 zeigt links die Übersicht der fünf Prozesse nach den drei Kriterien und rechts die Brownsche Bewegung. Der Prozess startet bei −1 und geht dann entweder ins Positive oder ins Negative oder wechselt phasenweise von einem Vorzeichen zum anderen. Er hat keine Mittelwertrückkehr und kann sich deshalb im Zeitverlauf beliebig weit von seinem Trend entfernen. Die Quantile entfernen sich mit der Quadratwurzel der Zeit vom Trend.

Abbildung 2: Links die fünf Prozesse nach Vorzeichen, Mittelwertrückkehr und langfristigem Anstieg der Perzentile, rechts die Brownsche Bewegung mit Beispielpfad, Trend und den Quantilen zu 1 % und 99 %.

Der Wiener-Prozess

Der Wiener-Prozess ist eine Variante davon. Er besteht aus einer Brownschen Bewegung zuzüglich eines festen linearen Zuwachses, den man Drift nennt: Der Prozess bekommt im Zeitverlauf feste absolute Beträge hinzu. Dadurch hat er einen festen, statischen Trend, und um diesen Trend herum entwickelt er sich genauso zufällig wie die Brownsche Bewegung. Es gibt keine Mittelwertrückkehr, und es werden beide Vorzeichen angenommen. Die Quantile wachsen wie bei der Brownschen Bewegung, jetzt ergänzt um den linearen Zuwachs. In der Tabelle steht deshalb „Quadratwurzel plus Linear“.

Die geometrische Brownsche Bewegung

Die geometrische Brownsche Bewegung hat im Vergleich dazu eine vollkommen andere Erscheinungsform. Sie nimmt nur positive Werte an, geht also grundsätzlich nicht unter null. Sie hat ebenfalls keine Mittelwertrückkehr, aber ihre Quantile steigen langfristig exponentiell an.

Das sehen wir im oberen Diagramm von Abbildung 3. Der Prozess startet bei 100, und wir betrachten ihn über 500 Zeitschritte. Im Extremfall kann er dabei sehr große Werte annehmen: Das obere Quantil liegt am Ende bei nahezu 110.000, also mehr als dem Tausendfachen des Startwerts.

Abbildung 3: Die geometrische Brownsche Bewegung mit denselben Parametern, oben über 500 Zeitschritte, unten über 100 Zeitschritte.

Im unteren Diagramm verkürzen wir das Zeitfenster von 500 auf 100 Zeitschritte. Es ist derselbe Prozess mit denselben Parametern, aber für diese kurzfristigere Prognose verhält er sich viel stabiler. Wir sehen einen erkennbaren geometrischen Trend, quasi eine Verzinsung. Deshalb heißt dieser Prozess auch geometrische Brownsche Bewegung. Die Quantile steigen hier nur moderat exponentiell an, weil der Zeitfaktor, der in ihnen steckt, noch sehr klein ist. Dazwischen verläuft ein Beispielpfad.

Die geometrische Brownsche Bewegung ist deshalb für Kurzfristprognosen in der Regel besser geeignet als für sehr langfristige Prognosen. Bei langfristigen Prognosen hat sie die Tendenz, zumindest auf einigen Pfaden instabil zu werden.

Mehr dazu: Die Werte einer geometrischen Brownschen Bewegung sind zu jedem Zeitpunkt lognormalverteilt. Wie diese Verteilung aus proportionalem Wachstum entsteht, warum sie nie negativ wird und wo ihre Grenzen bei echten Kursen liegen, zeigt unser Fachbeitrag „Wann nehme ich eine Lognormalverteilung in einer Monte-Carlo-Simulation?“.

Was bedeutet Mittelwertrückkehr?

Mittelwertrückkehr bedeutet, dass ein Mechanismus den Preis immer wieder in Richtung seines langfristigen Trends zurückzieht. Je weiter sich der Preis davon entfernt, desto stärker wirkt dieser Zug. Die beiden letzten Prozesse in unserer Übersicht haben diese Eigenschaft.

Der Vasicek-Prozess

Der Vasicek-Prozess ist der erste Prozess, der Mittelwertrückkehr ergänzt. Das bringt zwei Neuerungen. Zum einen muss man den langfristigen Trend explizit angeben. Im Beispiel in Abbildung 4 beginnt der Prozess exakt bei null und entwickelt sich dann auf ein langfristiges Niveau von −0,5. Diese −0,5 muss man vorgeben. Zum anderen muss man die Stärke der Mittelwertrückkehr quantifizieren, also eine Rückkehrgeschwindigkeit.

Abbildung 4: Der Vasicek-Prozess mit demselben Startwert und demselben langfristigen Trend, oben mit moderater, unten mit starker Mittelwertrückkehr.

Im oberen Diagramm ist die Rückkehrgeschwindigkeit moderat. Im unteren Diagramm sind der langfristige Trend mit −0,5 und der Startwert null gleich, aber die Mittelwertrückkehr ist sehr viel stärker. Das zieht zwei Unterschiede nach sich. Erstens wird der langfristige Trend unten viel schneller erreicht, nach etwa 100 Zeitschritten, oben dagegen erst nach etwa 300 Zeitschritten. Zweitens ist die Bandbreite, in der der Prozess hin und her schwankt, bei einer starken Mittelwertrückkehr sehr viel kleiner als bei einer schwachen. Oben ist das Intervall zwischen den Quantilen deutlich breiter. In beiden Fällen aber entfernt sich der Prozess nicht beliebig weit von seinem langfristigen Trend, sondern bleibt in seiner Nähe.

Der Black-Karasinski-Prozess

Der Black-Karasinski-Prozess hat im Prinzip dieselben Eigenschaften. Er ist eine Variante des Vasicek-Prozesses und teilt deshalb seine Mittelwertrückkehr. Der wesentliche Unterschied ist, dass er nur positive Werte annehmen kann und nicht beide Vorzeichen. Im Beispiel in Abbildung 5 beginnt er bei 100 und läuft dann auf seinen langfristigen Trend von 750 zu.

Abbildung 5: Der Black-Karasinski-Prozess. Er bleibt positiv und läuft vom Startwert 100 in Richtung seines langfristigen Trends.

Welches Preismodell passt zu Ölpreis und Zins?

Mit den qualitativen Eigenschaften der Prozesstypen können wir jetzt Modelle für den Brent-Preis in Euro und für den Einjahres-Euro-Zins auswählen. Zwei Beobachtungen aus Abbildung 1 spielen dabei eine Rolle.

Erstens gibt es innerhalb abgegrenzter Marktphasen, etwa von 2012 bis 2014 und von 2016 bis 2020, keine ausgeprägten Wachstumsprozesse. Es sind stabile Preisniveaus, auf denen wir uns in beiden Fällen bewegen. Ein Prozess mit Mittelwertrückkehr liegt deshalb sehr nahe. Zweitens ist der Ölpreis immer positiv, während der Zins lange Zeit auch negativ ist. Für den Zins brauchen wir also ein Modell, das beide Vorzeichen annehmen kann, für den Brent-Preis in Euro eines, das nur positive Werte annimmt.

Dementsprechend wählen wir für den Zins einen Vasicek-Prozess und für den Brent-Preis einen Black-Karasinski-Prozess. Beide liefern Mittelwertrückkehr, der Vasicek-Prozess kann beide Vorzeichen annehmen, und der Black-Karasinski-Prozess ist immer positiv.

Diese Prozesse haben noch einen weiteren Vorteil, den wir im ersten Schritt allerdings nicht brauchen: Man kann den langfristigen Trend explizit angeben. Damit eignen sich beide sehr gut für Szenarioanalysen. Wenn wir eine Markterwartung haben, die sich nicht aus der Historie ableitet, sondern uns aufgrund aktueller Informationen schlüssig erscheint, können wir diese Parameter in den Prozessen explizit setzen. Das tun wir weiter unten.

Wie kalibriert man ein Preismodell an historischen Daten?

Kalibrierung heißt, die Parameter eines Modells so aus den historischen Daten zu schätzen, dass das Modell zu diesen Daten passt. Zuerst schreiben wir die gewählten Prozesstypen über die beiden Zeitreihen: in Zelle Q3 für den Brent-Preis „BlackKarasinski“ und in Zelle R3 für den Zins „Vasicek“. Das sind Schlüsselwörter für Risk Kit, deshalb schreiben wir sie in genau dieser Form, zusammen und ohne Bindestrich. Auf dem Bildschirm stehen sie in Großbuchstaben. In den Zellen Q5 und R5 stehen die Namen der beiden Zeitreihen, „Brent in EUR“ und „1Y EUR-Zins“, darunter ab Zeile 6 die Daten.

Zum Kalibrieren verwenden wir die Funktion CalibrateMVProcess. Sie kalibriert einen multivariaten, also mehrdimensionalen Prozess, hier einen zweidimensionalen. Einen eindimensionalen Prozess könnten wir mit der Funktion CalibrateProcess kalibrieren. Wir brauchen aber auch die Abhängigkeit zwischen dem Brent-Preis und dem Zinssatz, damit das Modell in sich geschlossen ist. Diese Abhängigkeit liefert die mehrdimensionale Schätzung automatisch mit.

Abbildung 6 zeigt den Dialog der Funktion. Unter ProcessTypes stehen die Prozesstypen aus Q3:R3. Jeder Preis kann also ein eigenes Modell haben. Es muss nicht so sein, dass alle Preise, die wir gemeinsam simulieren wollen, derselben Charakteristik folgen. Unter ProcessNames stehen die Namen aus Q5:R5, unter Data die Daten aus Q6:R2605. ProcessIsColumn steht auf „wahr“, weil jede Zeitreihe in einer Spalte steht.

Abbildung 6: Der Dialog der Funktion CalibrateMVProcess. Eingefügt wird sie über „Einfügen als Matrixformel“.

Wie lang ist ein Zeitschritt?

Als Letztes ist die Länge eines Zeitschritts anzugeben, das Delta t von einem Beobachtungszeitpunkt zum nächsten. Hier ist das ein Geschäftstag, und wir setzen DeltaT auf 1. Wir könnten einem Geschäftstag ebenso gut den Wert 1/260 geben, denn 52 Wochen mit je 5 Geschäftstagen ergeben 260 Geschäftstage im Jahr. Für die Kalibrierung und die Simulation ist die Länge von Delta t nicht wirklich von Bedeutung.

Der Unterschied ist, dass die Parameter des Prozesses, etwa die Volatilität, immer für das angegebene Delta t ausgewiesen werden. Setzen wir für einen Geschäftstag eine 1, müssen wir später auch in der Simulation für einen Geschäftstag einen zeitlichen Abstand von 1 angeben. Beides muss immer genau aufeinander abgestimmt sein. Damit sind die Pflichtparameter vollständig.

Welche Daten gehen in die Schätzung ein?

Mit IsDescending geben wir an, ob die Zeitreihe nach Datum absteigend sortiert ist, ob also der aktuellste Tag oben steht. Das ist hier der Fall, deshalb steht IsDescending auf „wahr“. Wäre die Zeitreihe aufsteigend sortiert, mit dem ältesten Tag oben, müssten wir „falsch“ eintragen.

Mit DataPointNumber können wir die Schätzung auf die aktuellsten Datensätze beschränken, zum Beispiel auf die letzten 260 Tage, also ein Geschäftsjahr, oder auf 500 oder 1000 Tage. Risk Kit zählt dann vom aktuellen Tag aus herunter. Wir lassen das Feld leer und nehmen alle Datensätze, die in der Tabelle stehen.

Wir fügen die Funktion als Matrixformel ein, denn sie gibt nicht nur eine einzelne Zelle zurück, sondern einen ganzen Bereich. In der Bearbeitungsleiste steht danach:

{=CalibrateMVProcess(Q3:R3,Q5:R5,Q6:R2605,WAHR,1,WAHR)}

Was bedeuten die geschätzten Parameter?

Abbildung 7 zeigt das Ergebnis in den Spalten T bis V. Links daneben stehen in den Spalten P bis R die beiden Zeitreihen, an denen wir kalibriert haben. Der Ergebnisblock teilt sich in zwei Bereiche: oben die Prozessparameter im engeren Sinn, unten die Abhängigkeiten zwischen den Prozessen in Form von Korrelationen.

Abbildung 7: Das Ergebnis der Kalibrierung. Oben in den Zeilen 6 bis 10 Typ, a, b, mu und sigma je Prozess, unten in den Zeilen 12 bis 14 die Korrelationen.

In Zeile 6 steht noch einmal der Typ des Prozesses, darunter folgen die Parameter a, b, mu und sigma. Der Parameter mu spielt weder für den Black-Karasinski-Prozess noch für den Vasicek-Prozess eine Rolle. Er wird trotzdem ausgewiesen, hier mit dem Wert 0. Der Grund ist, dass CalibrateMVProcess auch geometrische Brownsche Bewegungen und Wiener-Prozesse erlaubt, und bei diesen beiden Prozesstypen spielt mu eine Rolle. Die Funktion bildet also die Vereinigungsmenge aller potenziell relevanten Parameter und weist jeweils die aus, die der gewählte Prozess braucht.

Die Parameter lassen sich sehr gut interpretieren:

  • Der Parameter a ist die Geschwindigkeit der Mittelwertrückkehr. Für den Brent-Preis liegt er bei rund 0,0037, für den Zins bei rund 0,0012.
  • Der Parameter b ist der langfristige Trend. Beim Vasicek-Prozess ist er direkt der langfristige Trend, hier ein Zinsniveau von −0,54 %. Beim Black-Karasinski-Prozess ist er der Logarithmus des langfristigen Trends. Um den Trend als Preis zu sehen, nehmen wir e hoch diesen Wert: Aus b = 4,0526 ergibt sich ein langfristiger Trend von rund 57,5 Euro pro Barrel.
  • Der Parameter mu ist, wie gesagt, für diese beiden Prozesse irrelevant.
  • Der Parameter sigma ist die Volatilität des Prozesses, hier rund 0,030 für den Brent-Preis und rund 0,013 für den Zins. Beim Black-Karasinski-Prozess ist es die Volatilität der logarithmischen, also relativen Änderungen, beim Vasicek-Prozess die Volatilität der absoluten Änderungen des Wertes.

Die Korrelation zwischen den Prozessen ist als Korrelation zwischen den Residuen definiert, also zwischen den zufälligen Anteilen der Änderungen, die nicht durch den Trend des Modells erklärt werden. Für Brent-Preis und Zins liegt sie hier bei rund 0,023.

Wie simuliert man Preispfade?

Um die Prozesse zu simulieren, legen wir als Erstes fest, für welche Zeitpunkte wir die Preise haben möchten. Dazu tragen wir in Spalte T ab Zeile 19 Zeitpunkte ein. Die 0 ist der aktuelle Zeitpunkt, quasi unser Startwert. Danach wollen wir den Preis für einen Tag pro Woche haben, also alle 5 Geschäftstage, und das über 52 Wochen, also ein Jahr. Die Zeitpunkte laufen deshalb von 0 bis 260 Geschäftstage. Sie müssen keineswegs den gleichen Abstand haben, sondern nur zeitlich aufsteigend sein.

Simuliert werden die Prozesse mit der Funktion MV_General_path, die wir auf der Risk-Kit-Toolbar unter „Prozess“ finden. Sie simuliert allgemeine Prozesse in einem mehrdimensionalen Modell. Jeder einzelne Prozess hat ein eigenes Modell, und diese Modelle werden miteinander kombiniert, hier das Black-Karasinski-Modell für den Brent-Preis und das Vasicek-Modell für den Zins.

Abbildung 8 zeigt den Dialog der Funktion. Die Parameter haben genau dasselbe Layout wie die Rückgabewerte der Kalibrierungsfunktion. Wir müssen also nur die Werte, die die Kalibrierung zurückgegeben hat, in die Eingabemaske übertragen.

Abbildung 8: Der Dialog der Funktion MV_General_path. Die Parameter kommen aus dem Ergebnis der Kalibrierung, die Zeitpunkte aus Spalte T. Das Feld Identifier ist hier noch leer.

  • ProcessTypes sind die Prozesstypen aus Zeile 6 des Ergebnisses, Black-Karasinski und Vasicek.
  • R ist der Vektor der Startwerte, also der beiden aktuellen Preise aus Q6:R6: der Brent-Preis von 107,70 Euro und der Zins von −0,25 %. Hier zeigt sich, wie praktisch es ist, dass die aktuellsten Werte oben stehen. Sie haben eine feste Koordinate, und auch wenn wir das Zeitfenster ändern, bleiben die Bezüge richtig.
  • A, B, Mu und Sigma sind die geschätzten Parameter. Mu müssen wir angeben, obwohl wir es nicht brauchen, weil diese Funktion den allgemeinen Fall abdeckt. Hätten wir eine geometrische Brownsche Bewegung oder einen Wiener-Prozess gewählt, würde mu gebraucht.
  • CorrelationMatrix ist die Korrelationsmatrix aus U13:V14.
  • Times sind die Zeitpunkte aus T19:T71, für die wir die Prozesse auswerten wollen.

Unten im Dialog gibt es noch zwei optionale Parameter. RowVector lassen wir leer, dann erhalten wir die Ergebnisse als Spaltenvektoren. Der Identifier bewirkt, dass Risk Kit die Parameter nicht in jedem Simulationslauf neu aus Excel lädt, sondern sie sich selbst merkt. Geben wir hier eine ID ein, zum Beispiel 1, verbessert das die Performance etwas. Wichtig ist, diese ID wirklich als eindeutige Kennung zu behandeln und nicht mehrfach zu benutzen, weil sonst immer die gleichen Parameter verwendet werden.

Auch diese Funktion fügen wir als Matrixformel ein, hier über die Zellen U19:V71. Die Formel lautet:

{=MV_General_path(U6:V6,Q6:R6,U7:V7,U8:V8,U9:V9,U10:V10,U13:V14,T19:T71,,1)}

Risk Kit liefert direkt die simulierten Preise, in Spalte U den Brent-Preis und in Spalte V den Zins. Mit F9 oder auf dem Tab „Formeln“ mit „Neu berechnen“ werden die Preise über die gesamte Zeit als neue zufällige Preisentwicklung gezogen. Damit sind wir mit der Simulation im Grunde fertig.

Wie stellt man simulierte Preispfade grafisch dar?

Um zu sehen, wie die simulierten Prozesse insgesamt verlaufen, stellen wir sie grafisch dar. Dafür sind in Risk Kit zwei Schritte nötig.

Erster Schritt: die Prozesse definieren

Zuerst müssen wir die Prozesse als Ergebnisprozesse deklarieren. Wir sagen Risk Kit also, dass diese Liste von Werten zu diesen Zeitpunkten der simulierte Brent-Preis in Euro ist und jene Liste der Euro-Zins. Das geschieht mit der Funktion ProcessDefinition, die wir auf der Risk-Kit-Toolbar unter „Allgemein“ finden. Sie hat drei Argumente: die Zeitpunkte als x-Werte, die Werte als y-Werte und den Namen des Prozesses.

Abbildung 9 zeigt den Dialog für den Brent-Preis. Die Zeitpunkte stehen in T19:T71, die Werte in U19:U71, und der Name kommt aus Zelle U18, „Brent in EUR“. Die Werte beginnen erst in Zeile 19, darauf müssen wir bei den Bezügen achten.

Abbildung 9: Der Dialog der Funktion ProcessDefinition für den Brent-Preis. Über „Einfügen & als Prozesszelle markieren“ wird die Zelle gleich als Prozesszelle markiert.

Beim Einfügen können wir die Funktion nur einfügen oder einfügen und gleichzeitig als Prozesszelle markieren. Die Markierung als Prozesszelle ist notwendig. Sie ist das Gegenstück zur Markierung eines Ergebnisses als Ausgabezelle: Damit weiß Risk Kit, dass hier ein Prozess steht, der ausgewertet werden muss. Für den Euro-Zins machen wir dasselbe mit den Werten aus Spalte V. Die beiden Prozessdefinitionen stehen in den Zellen X18 und Y18.

Zweiter Schritt: die Prozesse plotten

Die Pfade der beiden Prozesse veranschaulichen wir dann mit der Funktion PlotProcess, ebenfalls unter „Allgemein“. Sie hat die gleiche Form wie die normale Plot-Funktion, bezieht sich aber auf Prozesszellen statt auf Ausgabezellen. Für den Brent-Preis referenzieren wir die Prozesszelle X18 und geben den Titel „Brent-Preis-Entwicklung“ und die Achsenbeschriftungen „Zeit“ und „Preis pro Barrel (EUR)“ an. Für den Zinssatz machen wir dasselbe mit der Prozesszelle Y18.

Geben wir zusätzlich die Zelle für die linke obere Ecke sowie Breite und Höhe der Grafik an, wird die Grafik in das Arbeitsblatt eingebettet. Auch die Anzahl der sichtbaren Pfade und die Quantile lassen sich vorgeben. Ohne diese Angaben bekommen wir ein eigenes Fenster, in dem die Grafik angezeigt wird.

Was zeigt die Grafik?

Jetzt simulieren wir und schauen uns an, wie die Prozesse aussehen. Abbildung 10 zeigt das Fenster für den Brent-Preis mit mehreren simulierten Pfaden. Die waagerechte Achse zeigt die Zeitpunkte, die wir simuliert haben, bis 260 Tage. Die beiden äußeren Linien sind das Quantil zu 1 % und das zu 99 %, die Linie in der Mitte ist der Mittelwert als Trend über die Zeit.

Abbildung 10: Die simulierten Pfade des Brent-Preises in Euro über 260 Tage mit den beiden Quantilen und dem Mittelwert.

Wir sehen hier gut, dass der Brent-Preis in seiner zufälligen Entwicklung nach oben gedeckelt ist. Das ist der Effekt der Mittelwertrückkehr, genau das, was wir vorher geschätzt haben. Der Preis läuft also nicht beliebig weit weg. Aufgrund dieser Schätzung sind wir zu 99 % sicher, dass er im kommenden Jahr zu einem gegebenen Zeitpunkt nicht über rund 160 Euro liegt, und ebenfalls zu 99 % sicher, dass er nicht unter 35 Euro liegt. Der Mittelwert sinkt im Lauf des Jahres.

Analog sieht das Ergebnis für den Euro-Zins aus. Auch hier wird ein leichter Rückgang erwartet.

Wie rechnet man Szenarien?

Bisher haben wir die Parameter der Prozesse so genommen, wie sie kalibriert wurden. Wir könnten aber der Meinung sein, dass sie für den Ölpreis nicht repräsentativ für die Zukunft sind. Dann gibt es zwei Möglichkeiten. Einerseits könnten wir den Ausschnitt der historischen Daten, den wir in die Kalibrierung einbeziehen, besser auswählen und nicht eine lange Historie über 10 Jahre verwenden, sondern nur eine ganz kurze. Andererseits können wir eine erwartete Preisentwicklung annehmen und die geschätzten Parameter teilweise überschreiben.

Der kalibrierte langfristige Trend des Ölpreises liegt bei rund 57,5 Euro pro Barrel, also deutlich unter dem Preis von 107,70 Euro zum Zeitpunkt der Aufnahme im Mai 2022. Halten wir das für falsch und wollen lieber 120 Euro pro Barrel als langfristigen Trend annehmen, überschreiben wir diesen Parameter. Da der Black-Karasinski-Prozess mit dem Logarithmus des Trends arbeitet, ist der neue Parameter b der Logarithmus von 120, also 4,7875.

Dasselbe können wir beim Euro-Zins machen. Vielleicht wollen wir annehmen, dass das langfristige Zinsniveau nicht bei −0,54 % liegen wird, sondern viel höher, weil die Europäische Zentralbank, so die Erwartung im Mai 2022, bald ähnlich wie die amerikanische Notenbank die Zinsen erhöhen wird. Dann setzen wir es zum Beispiel auf plus 0,5 % statt minus 0,54 %.

Abbildung 11 zeigt, wie das in der Tabelle aussieht. Die neuen Werte stehen in Zeile 8 neben den kalibrierten: in Zelle W8 der Logarithmus von 120 und in Zelle X8 der Wert 0,5. In der Formel von MV_General_path verweist der Parameter B jetzt auf W8:X8 statt auf U8:V8. Alle anderen Parameter bleiben so, wie sie kalibriert wurden.

Abbildung 11: Das Szenario in der Tabelle. In W8 steht der Logarithmus von 120 Euro, in X8 das Zinsniveau von 0,5 %. MV_General_path verwendet für den Parameter B jetzt W8:X8.

Dann simulieren wir noch einmal. Abbildung 12 zeigt das Ergebnis für den Brent-Preis. In unserer Szenarioanalyse sehen wir jetzt einen ansteigenden Trend: Wir kommen von 107,70 Euro und steigen langsam auf 120 Euro an. Außerdem hört das obere Quantil zu 99 % nicht mehr bei 160 Euro auf, sondern geht weit darüber hinaus, bis über 230 Euro.

Abbildung 12: Der Brent-Preis im Szenario mit einem langfristigen Trend von 120 Euro. Der Mittelwert steigt, und das obere Quantil reicht bis über 230 Euro.

Analog ist es bei den Zinsen. Auch sie steigen jetzt. Am Ende des simulierten Jahres sind sie noch lange nicht beim langfristigen Trend angekommen, aber im Wesentlichen werden jetzt viel höhere Zinsen angenommen als in der rein kalibrierten Analyse.

Mit diesem Ansatz haben wir sehr viel Spielraum, Risikoanalysen zu gestalten. Wir können auf einer reinen Datenanalyse aufsetzen und von ihr ausgehend Szenarioanalysen machen. Dazu überschreiben wir einzelne Parameter oder ganze Gruppen von Parametern und schauen, welchen Einfluss diese Änderung des Umfelds auf das Risikoergebnis hat.

Wie verwendet man die simulierten Preise weiter?

Die simulierten Preise können wir aus unseren Risikomodellen heraus referenzieren. Wir können einzelne Preise aus dem Prozess herausnehmen und zum Beispiel in ein GuV-Modell integrieren oder in einen ganz anderen Kontext stellen. Das ist im Grunde Standard. Wenn wir einen simulierten Preis einmal zur Verfügung haben, fügt er sich auf natürliche Weise in ein solches Modell ein, das ist kein technisches Problem mehr.

Die Definition eines Prozesses mit ProcessDefinition ist übrigens ganz allgemein. Wir können sie auch verwenden, um zum Beispiel einen Trend in Erträgen als stochastische Entwicklung darzustellen. Sie ist also nicht nur für Preisentwicklungen da, sondern jede Art von Entwicklung kann so dargestellt und geplottet werden.