Operationelle Risiken

Transkript

1 Operationelle Risiken Operationelle Risiken Operationale Risiken = Operative Risiken Operational Risk 1 Was sind operationelle Risiken? In Banken z.b.: Betrug Diebstahl Limitüberschreitung Insiderhandel Falsch bewertete Positionen Systemausfälle 2 1

2 Was sind operationelle Risiken? Beispiele aus der Bankenpraxis: Barings Bank of England GBP 827 Mio. (Limitüberschreitung, Naturkatastrophe) Dubai Islamic Bank GBP 150 Mio. (Betrug) Giro Credit Bank Österreich 50 Mio. (Diebstahl) MGAM 800 Mio. (Insider Handel, Prozessschwächen) 3 Was sind operationelle Risiken? Bei anderen Unternehmen z.b.: Schäden an Kraftwerken Prozessschwächen Schlechte Produkte Naturkatastrophen Aber auch ähnliche Probleme wie in Banken durch Diebstahl, Betrug, falsche Investitionen, etc. 4 2

3 Was sind operationelle Risiken? Beispiele aus der Industrie: Metallgesellschaft 1,2 Mrd. (Falscher Handel) Flowtex 1,5 Mrd. (Betrug) Firma Wahl 25 Mio. (Diebstahl) Sumitomo $1,8 Mrd. (unauthorisierter Handel) Electrolux 30 Mio. (unauth. Euro-Handel) Fleet Factors Corp. $85 Mio. (Umweltverschmutzung) 5 Regulatorische Vorgaben Folge der extremen Verluste: Eingriff der Regulatoren Ab 2007 tritt Basel II in Kraft Drei Säulen -Modell für verbesserte Sicherheit und Bewusstsein von Risiken 6 3

4 Regulatorische Vorgaben Die drei Säulen von Basel II Umfassender Ansatz zur Verbesserung der Kapitaladäquanz Erste Säule Zweite Säule Dritte Säule Mindestkapitalanforderungen Risikodefinition Risikoquantifizierung Kapitalunterlegung Qualitative Aufsicht Bewertung der Kontrollqualität Eingriffe der Aufsicht Marktdisziplin Offenlegung von: Kapitalstruktur Risikoprofil Drei Ansätze zur Eigenkapitalberechnung 7 Regulatorische Vorgaben Operationelles Risiko ist die Gefahr von Verlusten, die in Folge der Unangemessenheit oder des Versagens von internen Verfahren, Menschen und Systemen oder in Folge externer Ereignisse eintreten. - Basel II 8 4

5 Regulatorische Vorgaben 1. Basisindikatoransatz K BIA = [ (GI 1... n α)]/ n Eigenkapital als fester Prozentsatz des Bruttoeinkommens der Bank (gross income), gemittelt über die letzten n Jahre n=anzahl der letzten drei Jahre mit GI > 0, Alpha- Faktor wird von den Regulatoren bestimmt, liegt bei 15% 9 Regulatorische Vorgaben 2. Standardansatz K TSA = { max[ (GI β years ), 0]}/ 3 Bank unterteilt in acht Geschäftsfelder Faktor des Bruttoeinkommens pro Geschäftsfeld, gemittelt über drei Jahre Betas ebenfalls von den Regulatoren festgelegt Summe der Einzelforderungen 10 5

6 Regulatorische Vorgaben Geschäftsfeld Corporate Finance Trading and sales Retail Banking Commercial Banking Payment and settlement Agency Services Asset management Retail brokerake Betafaktor 18% 18% 12% 15% 18% 15% 12% 12% Warum ein so hoher Prozentsatz des Bruttoeinkommens? 11 Regulatorische Vorgaben Kreditrisiko Marktrisiko Other risks Operationelle Risiken Operationelle Risiken haben derzeit ca. einen Anteil von 20-40% am Gesamtrisiko von Banken Die meisten großen bekannten Verluste der Finanzwelt sind auf Operationelle Risiken zurückzuführen 12 6

7 Regulatorische Vorgaben 3. Fortgeschrittene Bemessungsansätze 13 Regulatorische Vorgaben Let 1000 flowers bloom Regulatoren legen Verantwortlichkeit der Modellfindung in die Hände der Banken Konzept ging auf bei Marktrisikomessung Gute Idee auch bei OpRisk? 14 7

8 Regulatorische Vorgaben Vorgaben: Unterteilung der Bank in 8 Geschäftsfelder Zusätzliche Unterteilung in 7 Verlustkategorien Verwendung von internen und externen Daten, zusätzlich scenario analysis, business environment, internal control factors 15 Risikomodellierung Klassischer Ansatz: Value-at-Risk Schadensfälle treten jedoch nicht regelmäßig auf (wie etwa Tagesdaten beim Marktrisiko) Frequenz der Schadenshöhen muss also zusätzlich modelliert werden Zweidimensionale Zufallsvariable nötig 16 8

9 Risikomodellierung Schadenshäufigkeit (Frequency Distribution) Schadenshöhe (Severity Distribution) N ~ Po( λ ) ln( Xi) ~ N( µ, σ) G(x) = n= 1 p(n)f n* (x), F n* (x) = n G i = X k k= 1 K x x i i f (x i )dx i 17 Monte Carlo-Simulation zur OpVaR-Bestimmung 1. Schritt: Simulieren der Verlusthäufigkeit Anzahl der Verluste: 2 2. Schritt: Simulieren der Verlusthöhe Verlust 1: 20 Verlust 2: Schritt: Aggregieren der Einzelverluste Gesamtverlust: 55 N-fache Wiederholung = Wahrscheinlichkeitsvert. VaR 99%-VaR (VaR = Differenz zwischen 99%-Quantil und Mittelwert) 18 9

10 Regulatorische Vorgaben Macht ein VaR-Ansatz Sinn? Wie sehen operationelle Verlustdaten überhaupt aus? Wie können diese Daten gesammelt werden? 19 Verlustdaten nach Basel II Operationelle Risiken entstehen im Tagesgeschäft Sie existieren in allen Teilen der Bank Sie sind größtenteils dokumentierbar Trotzdem fällt es schwer sie zu sammeln. Warum? Dokumentierbarkeit garantiert noch keine Vollständigkeit und Richtigkeit Neues Problem: Brauchbare Daten erhalten 20 10

11 Verlustdaten nach Basel II Operationelles Risiko ist die Gefahr von Verlusten, die in Folge der Unangemessenheit oder des Versagens von internen Verfahren, Menschen und Systemen oder in Folge externer Ereignisse eintreten. - Basel II CP3 21 Verlustdaten nach Basel II Definition stellt bereits Kategorisierung in 4 Klassen dar. Tatsächlich soll im Rahmen der fortgeschrittenen Ansätze gearbeitet werden mit: 7 Ereigniskategorien 8 Geschäftsfeldern Resultat: 56 Kategorien müssen mit Daten gefüllt werden

12 Probleme Interner Daten Idealer Fall: Für jede der 56 E/GF-Kategorien existieren hinreichend viele Daten, um statistisch aussagekräftig modellieren zu können, beispielsweise mit zweidimensionalen Schätzverfahren oder Extremwertmethoden. Ergebnis: VaR für eine Kategorie Danach Aggregation auf Gesamtbank-VaR 23 Probleme Interner Daten 24 12

13 Probleme Interner Daten Aktueller Stand laut LDCE Probleme Interner Daten Aktueller Stand: Interner Betrug macht laut LDCE nur 3,3% der Verlustdaten aus. Konsequenz: Sehr hohe Dunkelziffer verschleiert die tatsächliche Risikosituation. Bias in den Daten erschwert die Modellierung

14 Probleme Interner Daten Datenproblematik kann in zwei Klassen aufgeteilt werden: 1. Probleme die von der Datensammlung verursacht werden 2. Probleme die von den Daten selbst stammen 27 Probleme Interner Daten Sammelprobleme : Nicht gemeldete Fehler Fehler beim Reporten Fehler beim Aufteilen eines Schadenfalls der mehrere Geschäftsfelder betrifft Zu spät erkannte Fehler Fehler die nicht direkt monetär messbar sind Behandeln von recoveries wie Versicherungen und Regresszahlungen 28 14

15 Probleme Interner Daten Datenprobleme: Threshold = Daten werden nur über einem gewissen Niveau gesammelt (e.g ) Ereignisse passieren aber auch unterhalb dieses Thresholds Konsequenz: Messmethode muss verändert werden 29 Probleme Interner Daten Übliche Methode: Verschiebung des Trägers. Parameter werden aus empirischen Werten neu geschätzt. Stabilität wird bei ca Datenpunkten erreicht. Realität: Üblicherweise <500 Datenpunkte 30 15

16 Probleme Interner Daten Konsequenz: Schätzungen schlecht 31 Probleme Externer Daten Bietet der Einkauf externer Daten eine Lösung? Zunächst: Externe Daten sind interne Daten anderer Unternehmen In jedem Fall gleiche Probleme wie bei internen Daten Cut-off sogar noch deutlich höher als bei internen Daten, da nur extreme Ereignisse benannt werden 32 16

17 Probleme Externer Daten Bias ebenfalls sehr stark, da Unternehmen peinliche/sensible Verlustfälle nach Möglichkeit nicht an die Öffentlichkeit dringen lassen Unterschiedlichkeit der Herkunft zwischen Konsortiendaten, allgemeinen externen Daten bekannter bzw. unbekannter Herkunft 33 Aktuelle Anwendbarkeit Externe Daten eignen sich derzeit vor allem zur Anwendung im qualitativen bzw. Managementbereich. Experten können die Relevanz externer Ereignisse für das eigene Unternehmen abschätzen. Mitarbeiter können motiviert werden, ähnliche Schadensfälle zu unterbinden

18 Aktuelle Anwendbarkeit Anwendung dieser Art beispielsweise via Risk Workshops und Fragebögen. Quantitativ sind externe Daten insbesondere für Szenario-Analysen relevant (Was wäre wenn in unserem Haus ein ähnlicher Schaden eintritt?) 35 Aktuelle Anwendbarkeit Die Anwendbarkeit interner Daten leidet immer noch sehr stark unter dem Cut-Off Problem. Verlässliche Schätzungen sind derzeit mit rein quantitativen Methoden kaum umzusetzen. Weiteres Problem sind die genauen Vorgaben und Auflagen seitens der Regulatoren, wie etwa die einjährige Haltedauer. Garbage-In-Garbage-Out Phänomen. Interne Daten als einzige Datenquelle praktisch nutzlos 36 18