Mathematische Modellierung zur Ermittlung der kurz- und langfristigen Liquiditätsrisiken in Kreditinstituten sowie Entwicklung eines geeigneten Frühwarnsystems

Inhaltsverzeichnis

1 Einleitung

2 Zielsetzung

3 Definition des Liquiditätsrisikos

3.1 Aufsichtsrechtliche Betrachtung des Liquiditätsrisikos

3.1.1 Notwendigkeit der Bankenregulierung

3.1.2 Bankenregulierung in Deutschland

3.1.3 Initiativen zu Liquiditätsrisiken

3.2 Unterscheidung verschiedener Arten des Liquiditätsrisikos

3.2.1 Market Liquidity Risk und Funding Liquidity Risk

3.2.2 Dispositive und strukturelle Liquiditätsrisiken

3.2.3 Endogenes und exogenes Liquiditätsrisiko

3.3 Die Wirkung verschiedener Bankrisiken auf das Liquiditätsrisiko

3.3.1 Marktrisiko

3.3.2 Operationelles Risiko

3.3.3 Kreditrisiko

3.3.4 Reputationsrisiko

3.3.5 Kundenrisiko

4 Extremwerttheorie

4.1 Benötigte Verteilungen

4.1.1 Gumbel-Verteilung

4.1.2 Fréchet-Verteilung

4.1.3 Weibull-Verteilung

4.1.4 Verallgemeinerte Extremwertverteilung

4.1.5 Verallgemeinerte Paretoverteilung

4.2 Konvergenzsätze

4.3 Peaks-over-Threshold

4.4 Maximum-Likelihood-Schätzung

4.4.1 Beschreibung des Verfahrens

4.4.2 Anwendung auf die POT Methode

5 Kennzahlen zur Beschreibung des Liquiditätsrisikos

5.1 Risikomaße

5.1.1 Eigenschaften von Risikomaßen

5.1.2 Grundlegende Risikomaße

5.2 Liquiditätsablaufbilanz

5.3 Liquidity at Risk

5.4 Dynamic Liquidity at Risk

5.5 Liquidity Value at Risk

6 Frühwarnsystem

7 Ergebnisse und Ausblick

A Betriebs- und finanzwirtschaftliche Grundlagen

B Allgemeine mathematische Grundlagen

C Wahrscheinlichkeitstheoretische Grundlagen

D Grundlegende Verteilungen

Zielsetzung & Themen

Das Hauptziel dieser Arbeit ist die mathematische Modellierung und Entwicklung eines Frühwarnsystems zur Ermittlung kurz- und langfristiger Liquiditätsrisiken in Kreditinstituten, um drohende Zahlungsunfähigkeiten durch die Quantifizierung von Liquiditätsengpässen frühzeitig zu identifizieren.

• Mathematische Modellierung von Liquiditätsrisiken mittels Extremwerttheorie
• Implementierung eines Prototyps für ein bankinternes Frühwarnsystem
• Untersuchung von Kennzahlen wie LVaR, DyLaR und Expected Shortfall
• Analyse bankenaufsichtsrechtlicher Anforderungen (MaRisk, LiqV)

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Diese Einleitung motiviert die Relevanz des Liquiditätsmanagements für Banken, besonders im Kontext der Finanzkrise 2008 und neuer aufsichtsrechtlicher Anforderungen.

2 Zielsetzung: Das Kapitel erläutert die Entwicklung eines Prototyps für ein Frühwarnsystem, das Liquiditätsrisiken mittels mathematischer Modelle berechnet und auf Basis von Schwellenwerten warnt.

3 Definition des Liquiditätsrisikos: Hier werden die aufsichtsrechtlichen Grundlagen (MaRisk, LiqV) sowie verschiedene Kategorisierungen des Liquiditätsrisikos, wie Market- und Funding-Liquidität, detailliert abgegrenzt.

4 Extremwerttheorie: Dieses Kapitel liefert die mathematischen Grundlagen, insbesondere verschiedene Verteilungen (Gumbel, Fréchet, Weibull) und die Peaks-over-Threshold-Methode für die Risikoanalyse.

5 Kennzahlen zur Beschreibung des Liquiditätsrisikos: Die theoretischen Kennzahlen wie VaR, Expected Shortfall, LVaR und DyLaR werden definiert und auf ihre Eigenschaften als Risikomaß untersucht.

6 Frühwarnsystem: Die praktische Umsetzung des in der Arbeit entwickelten Prototyps wird hier anhand von Software-Screenshots und der Anwendung der POT-Methode demonstriert.

7 Ergebnisse und Ausblick: Eine abschließende Betrachtung der erarbeiteten Resultate sowie Vorschläge zur Weiterentwicklung des Modells, etwa durch den Einbau von Copulas oder Zeitreihenanalysen.

Schlüsselwörter

Liquiditätsrisiko, Funding Liquidity Risk, Marktliquidität, Extremwerttheorie, Peaks-over-Threshold, Value at Risk, LVaR, MaRisk, Liquiditätsablaufbilanz, Frühwarnsystem, Stresstests, Finanzkrise, Bankenregulierung, Risikomanagement, Verteilungsfunktion

Häufig gestellte Fragen

Worum geht es in dieser Diplomarbeit grundlegend?

Die Arbeit beschäftigt sich mit der mathematischen Modellierung und Quantifizierung von Liquiditätsrisiken in Kreditinstituten, um ein Frühwarnsystem zur Erkennung von Zahlungsunfähigkeiten zu entwickeln.

Welche zentralen Themenfelder deckt die Arbeit ab?

Die Arbeit behandelt die aufsichtsrechtlichen Anforderungen an das Liquiditätsrisikomanagement, die mathematischen Grundlagen der Extremwerttheorie zur Modellierung seltener Extremereignisse sowie die praktische Implementierung einer Liquiditätsablaufbilanz.

Was ist das primäre Ziel der Arbeit?

Das Ziel ist die Erstellung eines Prototyps einer Software, die Liquiditätsengpässe in Kreditinstituten mittels statistischer Verfahren (POT-Methode) identifiziert und so das Risikomanagement unterstützt.

Welche wissenschaftlichen Methoden kommen zur Anwendung?

Es werden Methoden der Zeitreihenanalyse, die statistische Extremwerttheorie zur Modellierung von "Tails" von Verteilungen sowie die Maximum-Likelihood-Schätzung zur Parameterbestimmung verwendet.

Was bildet den Schwerpunkt des theoretischen Hauptteils?

Im Hauptteil werden die MaRisk und die LiqV analysiert, verschiedene Liquiditätsrisikoarten (Market vs. Funding Liquidity) unterschieden und Kennzahlen zur Risikomessung wie der Liquidity Value at Risk (LVaR) theoretisch hergeleitet.

Wie lassen sich die in der Arbeit vorgestellten Risikomaße charakterisieren?

Die vorgestellten Maße wie LVaR oder Expected Shortfall dienen der Quantifizierung von Liquiditätsrisiken, wobei die Arbeit insbesondere deren mathematische Eigenschaften und die Eignung als Risikomaß prüft.

Welche Rolle spielen die MaRisk in diesem Modell?

Die MaRisk bilden den regulatorischen Rahmen, der die Kreditinstitute zur Durchführung von Stresstests verpflichtet; das entwickelte System unterstützt die Institute dabei, diese Anforderungen durch eine mathematisch fundierte Risikosteuerung zu erfüllen.

Wie unterscheidet sich "Dynamic Liquidity at Risk" von klassischen Ansätzen?

Während klassische Ansätze oft statisch sind, betrachtet das DyLaR die Streuung von Zahlungsströmen über verschiedene Szenarien hinweg und integriert stochastische Cashflows, um dynamischere Aussagen über Liquiditätslücken zu treffen.