Bachelorarbeit, 2015
88 Seiten, Note: 1,7
1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung und Gang der Arbeit
2 Risikomanagement im Überblick
2.1 Risikobegriff
2.2 Risikomanagementprozess
2.3 Gliederung und Messung der Risikoarten
2.3.1 Marktrisiken
2.3.2 Kreditrisiken
2.3.3 Liquiditätsrisiken
2.3.4 Operationelle Risiken
3 Moderne Methoden der Risikomessung und kritische Analyse
3.1 Standardabweichung als traditionelles Risikomaß
3.2 Value-at-Risk
3.3 Conditional Value-at-Risk
3.4 Lower Partial Moments
3.5 Berechnungsmethoden der Value-at-Risk-Modelle
3.5.1 Varianz-Kovarianz-Ansatz
3.5.2 Historische Simulation
3.5.3 Monte-Carlo-Simulation
4 Regulatorische Anforderungen an das Risikomanagement
4.1 Gesetz zur Kontrolle und Transparenz im Unternehmensbereich
4.2 Vorschriften aus Basel und Solvency
4.2.1 Basel
4.2.2 Solvency
4.3 Regelung gemäß Kreditwesengesetz
4.4 Mindestanforderungen an das Risikomanagement
4.5 Solvabilitätsverordnung
4.6 Backtesting
5 Fazit
5.1 Zielerreichung
5.2 Perspektiven
Die vorliegende Arbeit untersucht verschiedene Ansätze der Risikomessung im Kontext regulatorischer Anforderungen für Banken und Versicherungen. Ziel ist es, die Einordnung der Risikomessung in den Risikomanagementprozess zu klären, geeignete Quantifizierungsmethoden für Einzel- und Gesamtrisiken zu identifizieren und die aufsichtsrechtlichen Vorgaben kritisch zu bewerten.
3.5.3 Monte-Carlo-Simulation
Um einige Nachteile der historischen Simulation zu vermeiden, kann der VaR ebenfalls mit der Monte-Carlo-Simulation bewertet werden.311 Dabei setzt sich dieses Verfahren ebenfalls aus einzelnen Bausteinen des Varianz-Kovarianz-Modells und der historischen Simulation zusammen und fällt unter die Simulations- bzw. die semi-parametrischen Verfahren.312
Der Unterschied zu den beiden zuvor dargestellten Ansätzen besteht darin, dass die Monte-Carlo-Simulation die zukünftigen Szenarien nicht von einer historischen Verteilungskurve ableitet, sondern mithilfe eines stochastischen Prozesses auf Basis von Zufallszahlen verschiedenste Ausprägungen der Risikofaktoren ermittelt.313 Damit werden durch Simulationen mit Zufallszahlen beliebig viele Zufallsszenarios generiert, die in gewissen Zügen ebenfalls durch historische Parameter unterstützt und angereichert werden können.314 Durch die theoretische Simulierung unendlicher Szenarien eignet sich dieser Ansatz vor allem dann, wenn nicht ausreichend oder keine Daten in hinreichender Qualität für das Varianz-Kovarianz-Modell zur Verfügung stehen.315 Aufgrund der Vielzahl an Simulationen fällt die Monte-Carlo-Simulation oft unter die Kategorie der Stichprobenverfahren, durch die nach der Aufnahme einer repräsentativen Stichprobe von Zukunftsszenarien auf die Gesamtheit aller Szenarien approximiert wird.316
Für die Anwendung in der Praxis müssen zunächst für alle Risikofaktoren stochastische Prozesse definiert werden.317 Für einige bestimmte Basisparameter, z.B. Korrelationen oder Volatilitäten, können wiederum historische Daten als Grundlage herangezogen werden.318 Stehen keine Daten zur Verfügung, können andernfalls diese Daten subjektiv geschätzt oder auf Basis von aktuellen Marktindikationen oder Referenzdaten auf das Modell abgeleitet werden.319 Zusätzlich ist für diese Daten eine Verteilungsannahme zu spezifizieren, die vielfach auf Basis der Standardnormalverteilung beruht.320 Dieser Schritt lehnt sich an das Varianz-Kovarianz-Modell an.321
1 Einleitung: Die Einleitung beleuchtet die Relevanz des Risikomanagements und die Notwendigkeit präziser Messansätze für Unternehmen angesichts regulatorischer Anforderungen.
2 Risikomanagement im Überblick: Dieses Kapitel erläutert den Risikobegriff, den Risikomanagementprozess sowie verschiedene Risikoarten, wie Markt-, Kredit-, Liquiditäts- und operationelle Risiken.
3 Moderne Methoden der Risikomessung und kritische Analyse: Es werden klassische und moderne Risikomaße sowie verschiedene Berechnungsmodelle detailliert analysiert und kritisch hinterfragt.
4 Regulatorische Anforderungen an das Risikomanagement: Die gesetzlichen Rahmenbedingungen, insbesondere das KonTraG, Basel-Vorschriften, Solvency II und die Solvabilitätsverordnung, werden auf ihre Anforderungen an das Risikomanagement untersucht.
5 Fazit: Das Fazit fasst die Ergebnisse hinsichtlich der Zielerreichung zusammen und gibt einen Ausblick auf die zukünftige Entwicklung von Risikomessmodellen.
Risikomanagement, Risikomessung, Value-at-Risk, Basel II, Basel III, Solvency II, Marktrisiko, Kreditrisiko, operationelles Risiko, Risikotragfähigkeit, Backtesting, Monte-Carlo-Simulation, Risikostrategie, Eigenkapitalhinterlegung, Korrelation.
Die Arbeit befasst sich mit der Analyse und dem Vergleich verschiedener Methoden zur Risikomessung sowie deren Integration in den Risikomanagementprozess unter Berücksichtigung gesetzlicher Vorschriften.
Die Themen umfassen die Definition von Risiken, verschiedene Risikomaße wie VaR und CVaR, Berechnungsmethoden wie historische Simulation, sowie regulatorische Anforderungen aus Basel und Solvency.
Ziel ist es, zu untersuchen, wie verschiedene Ansätze der Risikomessung den regulatorischen Anforderungen entsprechen und welche Methoden eine geeignete Quantifizierung von Einzel- und Gesamtrisiken ermöglichen.
Es handelt sich primär um eine theoretische Analyse und einen Vergleich wissenschaftlicher Literatur sowie regulatorischer Vorgaben, ergänzt durch die Darstellung und kritische Würdigung quantitativer Risikomessmodelle.
Der Hauptteil gliedert sich in die Darstellung des Risikomanagementprozesses, die detaillierte Analyse von Risikomaßen und deren Berechnungsmethoden sowie die Untersuchung regulatorischer Rahmenbedingungen.
Kernbegriffe sind Risikomanagement, Risikomessung, Value-at-Risk, regulatorische Anforderungen, Basel, Solvency und Backtesting.
Der VaR nimmt einen zentralen Stellenwert ein, da er sich in der Praxis als Standardansatz für die Risikomessung etabliert hat und zur Bemessung der notwendigen Eigenkapitalhinterlegung herangezogen wird.
Die historische Simulation nutzt vergangene Datenreihen ohne explizite Verteilungsannahme, während die Monte-Carlo-Simulation mithilfe stochastischer Prozesse und Zufallszahlen unendlich viele Szenarien generiert.
Das Backtesting dient der Überprüfung der Prognosegüte, indem die berechneten Risikowerte (wie der VaR) mit den tatsächlich eingetretenen Verlusten verglichen werden.
Der GRIN Verlag hat sich seit 1998 auf die Veröffentlichung akademischer eBooks und Bücher spezialisiert. Der GRIN Verlag steht damit als erstes Unternehmen für User Generated Quality Content. Die Verlagsseiten GRIN.com, Hausarbeiten.de und Diplomarbeiten24 bieten für Hochschullehrer, Absolventen und Studenten die ideale Plattform, wissenschaftliche Texte wie Hausarbeiten, Referate, Bachelorarbeiten, Masterarbeiten, Diplomarbeiten, Dissertationen und wissenschaftliche Aufsätze einem breiten Publikum zu präsentieren.
Kostenfreie Veröffentlichung: Hausarbeit, Bachelorarbeit, Diplomarbeit, Dissertation, Masterarbeit, Interpretation oder Referat jetzt veröffentlichen!

