Für die Risikobewertung werden häufig komplexe Risikomodelle verwendet, die mittels Monte Carlo-Simulation verknüpft werden. Zur Entwicklung und Parametrisierung dieser Risikomodelle werden umfangreiche historische Daten benötigt. Da diese Modelle eine zeitliche Stabilität der identifizierten Risikofaktoren und ihrer Interdependenzen voraussetzen, müssen sie zudem einem regelmäßigen Backtesting unterzogen werden.
Bei zeitlicher Stabilität lässt sich die Qualität der Modelle zum einen durch eine breitere Datengrundlage wesentlich verbessern, da die Wahrscheinlichkeit steigt, dass diese dann auch eher seltene Extremereignisse enthalten. Zum anderen steigt auch die Verlässlichkeit der Schätzung der einzelnen Modellparameter. Zudem können im Rahmen einer datengetriebenen Risikoidentifikation neu identifizierte Risiken sowie ihre Interdependenzen zeitnah in die Risikomodelle übernommen und somit die Gefahr einer Risikounterschätzung reduziert werden.[1]
Probleme könnten hier aus einer automatischen und ungeprüften Übernahme neuer Risikofaktoren in das Risikomodell entstehen, da deren inhaltlicher (und nicht nur statistischer) Zusammenhang zu den relevanten Unternehmenszielen hinterfragt werden muss. Zudem bleibt es eine wesentliche Einschränkung einer datengetriebenen Risikoidentifikation, dass auch hier echte Black Swan-Risiken aufgrund ihrer Einmaligkeit nicht automatisiert identifiziert und somit nicht in vorhandene Risikomodelle integriert werden können.
Das ist nur ein Ausschnitt aus dem Produkt Haufe Finance Office Premium. Sie wollen mehr?
Jetzt kostenlos 4 Wochen testen
Anmelden und Beitrag in meinem Produkt lesen