Basic HTML-Version
Das so simulierte Ergebnis wird pro Szenario
addiert und mit Punkt 2.3 in die Ergebnisda–
tenbank gesctirieben. Linter 2.4 erfolgt dann
die Statusanzeige im linken unteren Bereich
des Bildschirms. Der Text aus Variable d wird
mit zaehler kombiniert. Darauf hin venweist die
Schleife auf next zaehler und mit einem um 1
erhöhten zaehler wird das Prozedere wieder–
holt, bis nach 50.000 Simulationen die Ergeb–
nisse in Spalte B der Ergebnisdatenbank zu
finden sind. Punkt 3 reaktiviert schließlich die
automatische Berechnung.
Interpretation der Ergebnisse
Die Ergebnisse sind dann im Excel Sheet nach–
vollziehbar Zu erkennen ist, dass der errechne–
te Mittelwert nahe an den entarteten Verlusten
liegt. Dies verifiziert das Modell, stellen die er–
warteten Verluste bei hinreichender Anzahl an
Szenarien doch den Enwartungswert der Simu–
lation dar
Die Ergebnisse der Simulation lassen die zuvor
erwähnte Ausfallquote von 0,49% jedoch in
einem anderen Licht erscheinen: der VaR
macht bei einem Konfidenzniveau von 99,9%
nahezu 7,65% des Gesamtportfolios aus. Dies
lässt auf eine hohe Klumpenbildung schließen
- was de facto auch der Fall ist, besteht das
Portfolio doch nur aus 9 Papieren. Gerade die–
se Konstellationen sind jedoch im Bankenbe–
reich oft anzutreffen: Ein relativ geringer er–
warteter Verluste und ein hoher VaR. Dies be–
stätigt die zuvor getätigten theoretischen Aus–
sagen: Vertustverteilungen im Kreditbereich
sind nicht normalverteilt, sondern weisen eine
Schiefe auf. Bei einem geringen Konfidenzni–
veau sind die Vertuste gering, bei sehr hohen
Werten wie z.B. 99,9% sind die Vertuste je–
doch um ein Vielfaches höher als bei der Nor–
malverteilung.
Würdigung des Modells
Die hier vorgestellte Monte Carlo Simulation
vereinfacht die VaR-Berechnung sehr
stark. So wurden Verwertungsquoten, Ein–
bringungsquoten, Korrelationen und Makro-
daten nicht betrachtet. Auch wurde hier auf
ein reines Adressausfallrisikomodell abge-
Sub Monte_Carlo ()
'1. Vorbereitecende TStlgkelten
'1.1. Bildschirmalctualisierung und automatische Berechnung ausschalten
Application.Screenüpdating • False
Uith Application
.Calculation • xlHanual
End
» I t h
'1.2. Definition der Variablen und deren Werte
Diiri d As String
d • "Verarbeitete Simulatiorjen: "
Dim zaehler
Startwert - Range("Scaccvecc")
'1.3. Loschen
d e r l e t z t e n
Simulationen
Range("Ergebnisse").Select
Selection.ClearContents
'1.^.
Startwert
d e r
Zufallszahlen initialisieren
Zufallszahl - Rnd(-St«rt¥ert • lE+15)
Randomize 1
'2. Zahlerschleife
'2.1. Schleifenbildung
Tor zaehler - 1 To 50000
'2.2. Neuberechnung
Szenariowert -
0
For i - 1
To
9
Zufallszahl - Rnd
Ausfallvolumen - Cells(i + 17, 3)
PoD - C e l l s d + 17, 7)
Select Case Zufallszahl
Case Is <- PoD
Szenariowert - Szenariowert + Ausfallvolumen
Case Is > PoD
'nichts geschieht
End Select
Next 1
'2.3. Schreiben der Daten in Datenbank
Cells(zaehler + 29, 2).Value - Szenariovect
'2.1. Andern
von
Zahler
Application.StatusBar - d < zaehler
Next zaehler
'3. Berechnung wieder einschalten
With Application
.Calculation - xlAutotnatlc
End With
End Sub
Abb. 7: Makro zur Monte Carlo Simulation
stellt. Gerade im Wertpapierbereich wäre je–
doch ein banwertorientiertes Bonitätsrisikomo–
dell angebracht, da hier aufgrund der täg–
lichen Bewertung zu Marktkursen eine boni–
tätsbedingte Abschreibung separierbar ist.
Weitet sich der Spread einer Anleihe aufgrund
eines Downgrades aus, muss am Jahresende
GuV-wirksam abgeschrieben werden. Dies ist
bei „normalen" Kreditnehmern nicht der Fall.
Die Implementierung von Volatilitäten der Aus–
fallraten würde das Modell ebenfalls erwei–
tern. Die Grundaussage - hoher VaR auf–
grund einer niedrigen Granularität (=hohe
Klumpenr isiken) - würde sich jedoch
nicht ändern.
Mathematisch-statistisch sind alle Monte
Carlo VaR-Modelle unkritisch. In der Pra–
xis problematisch ist jedoch die Datener–
hebung. Oftmals sind Ratings und die daraus
resultierenden Ausfallwahrscheinlichkeiten
historisch nicht sauber gepflegt, weil Inkonsis-
tenzen vorliegen oder der Ratingprozess selbst
nicht sauber und statistisch valide implemen–
tiert ist. Diese Fehlerquellen bieten für die Be–
rechnung des Kreditrisikos oftmals einen viel
höheren Hebel als die unterschiedlichen statis–
tischen Methoden. Ein Kreditinstitut sollte so–
mit dafür Sorge tragen, dass die benötigten
Daten vollständig und möglichst lange histori–
siert voriiegen. Die Implementierung eines ad-
91