ALM‑Simulationsmodelle: Monte Carlo vs. szenariobasiert

Im Asset‑Liability‑Management (ALM) projizieren Simulationsmodelle, wie Zinsbewegungen den wirtschaftlichen Wert von Aktiva und Passiva im Zeitverlauf beeinflussen. Zwei dominante Ansätze sind die Monte‑Carlo‑Simulation und die szenariobasierte Simulation. Die Monte‑Carlo‑Simulation verwendet stochastische Pfad‑Techniken – auch stochastic simulations genannt – um Hunderte oder Tausende möglicher zukünftiger Zins­pfade auf Basis probabilistischer Annahmen (z. B. Mittelwert‑Rückkehr, Volatilität) zu erzeugen. Die szenariobasierte Simulation hingegen konstruiert ein begrenztes Set wirtschaftlich kohärenter, zukunftsgerichteter Pfade – häufig verankert in historischen Episoden, Stress‑Ereignissen oder makroökonomischen Prognosen – zur Bewertung diskreter strategischer Alternativen oder Solvenz‑Ergebnisse.

Die Monte‑Carlo‑Simulation im ALM stützt sich auf einen Economic Scenario Generator (ESG), um eine große Anzahl stochastischer Zins­pfade zu simulieren, typischerweise unter Verwendung dynamischer Zinsstruktur‑Modelle. Jeder Pfad stellt eine mögliche Entwicklung von Kurzfristzinsen, Zinskurvenformen und Volatilitäten über den Projektionshorizont dar. Das ALM‑Modell bewertet anschließend Aktiva und Passiva für jeden Pfad neu und erzeugt eine Ergebnisverteilung für Kennzahlen wie den Economic Value of Equity (EVE) oder das Net Interest Income (NII). Diese Verteilung ermöglicht die Berechnung von Konfidenzintervallen, Value‑at‑Risk (VaR) oder Expected Shortfall für das Zinsrisiko.

• Stochastische Modellierungsgrundlage: Verwendet kalibrierte ESGs, um Pfade zu simulieren, die mit beobachteten Marktdaten und ökonomischer Theorie (z. B. Cox‑Ingersoll‑Ross‑ oder Hull‑White‑Modellen) konsistent sind.
• Ergebnisverteilung: Liefert ein vollständiges probabilistisches Ergebnis, das Risikokennzahlen unterstützt, die das Tail‑Exposure und erwartete Verluste quantifizieren.
• Praxisanwendung: Wird häufig bei der internen Modellvalidierung, Kapitalallokation und dynamischen EAR‑Modellierung für Budgetierung und strategische Planung eingesetzt.

Die szenariobasierte Simulation erstellt ein kleines Set – häufig 3 bis 10 – plausibler, intern konsistenter makroökonomischer und Zins­pfade. Diese Szenarien können historisch sein (z. B. Straffung 1979‑1982), hypothetisch (z. B. rasche Wiederauferstehung der Inflation) oder prognosebasiert (z. B. Konsens‑Makro‑Ausblick). Jedes Szenario wird deterministisch auf das ALM‑Modell angewendet und liefert Punkt­schätzungen für EVE oder NII für jeden Pfad. Der Ansatz legt mehr Wert auf Interpretierbarkeit und narrative Kohärenz als auf statistische Präzision.

• Narrativ‑getriebene Gestaltung: Szenarien werden ausgewählt, um glaubwürdige Stress‑ oder strategische Wendepunkte abzubilden, häufig im Einklang mit Aufsichts‑erwartungen oder internen Risikobereitschafts‑Rahmenwerken.
• Entscheidungsunterstützung: Wird eingesetzt, um strategische Zielkonflikte – wie Asset‑Repositionierung oder Hedging‑Entscheidungen – unter spezifischen makroökonomischen Regimen zu bewerten.
• Integration mit der Unternehmensführung: Erleichtert die Akzeptanz durch nicht‑technische Stakeholder, indem die Analyse auf klaren, erzählerisch aufgebauten Annahmen basiert.

Monte‑Carlo‑ und szenariobasierte Simulationen übernehmen komplementäre Rollen im ALM und weisen jeweils eigene Stärken und Schwächen auf.

• Abdeckung vs. Klarheit: Monte‑Carlo liefert eine umfassende probabilistische Abdeckung, erfasst Tail‑Risiken und statistische Unsicherheit, doch seine Ergebnisse können abstrakt sein und lassen sich schwer auf konkrete Maßnahmen übertragen. Szenariobasierte Simulationen bieten klare, umsetzbare Erkenntnisse, können jedoch seltene, hochwirksame Ereignisse, die nicht in den gewählten Szenarien enthalten sind, unterschätzen.
• Modellrisiko: Monte‑Carlo ist empfindlich gegenüber der Kalibrierung des ESG und den Verteilungsannahmen; Fehler bei Volatilitäts‑ oder Mean‑Reversion‑Parametern können Risikoschätzungen verzerren. Szenariobasierte Simulationen sind anfällig für Selektionsbias – sie können plausible Pfade ausschließen oder sich zu stark auf historische Analogien verlassen, die sich nicht wiederholen.
• Regulatorische Ausrichtung: Aufsichtsbehörden (z. B. die OCC) erkennen beide Ansätze an, doch szenariobasierte Methoden werden häufig für aufsichtsrechtliche Stresstests und strategische Berichterstattung bevorzugt, während Monte‑Carlo die interne Modellvalidierung und dynamische Risikomessung unterstützt.

Angenommen, ein Institut möchte die Auswirkungen einer parallelen Zinsanhebung von 200 Basispunkten über zwei Jahre bewerten. In einer Monte‑Carlo‑Simulation erzeugt das ESG 5.000 Pfade, bei denen der Kurzfristzinssatz einem mean‑reverting‑Prozess mit kalibrierter Volatilität folgt; die resultierende Verteilung der EVE‑Veränderungen könnte einen Verlust im 5. Perzentil von 120 Millionen $ und einen Gewinn im 95. Perzentil von 45 Millionen $ zeigen. In einer szenariobasierten Simulation wird ein einzelner, deterministischer Pfad – der die 200‑bp‑Verschiebung und die daraus resultierende Zinskurvendynamik abbildet – angewendet, was zu einer Punktprognose eines EVE‑Rückgangs von 90 Millionen $ führt. Das Monte‑Carlo‑Ergebnis unterstützt Kapital‑ und VaR‑Berechnungen; das Szenario‑Ergebnis dient der Diskussion auf Vorstandsebene über strategische Reaktionen, etwa die Beschleunigung der Asset‑Neubewertung oder die Anpassung von Duration‑Zielen.

• Monte‑Carlo‑Simulation einsetzen, wenn Risikokennzahlen geschätzt werden sollen, die statistische Strenge erfordern – z. B. Economic Capital, VaR oder Expected Shortfall – oder wenn die Auswirkung von Unsicherheit auf langfristige strategische Ergebnisse über ein breites Spektrum möglicher Pfade hinweg bewertet wird.
• Szenariobasierte Simulation einsetzen, wenn Risiken gegenüber Governance‑Gremien kommuniziert, strategische Entscheidungen unter konkreten makroökonomischen Regimen getestet oder regulatorischen Stresstest‑Rahmenwerken entsprochen werden soll, wobei narrative Kohärenz und Handlungsorientierung über probabilistischer Vollständigkeit stehen.

Beide Methoden werden häufig kombiniert: Monte‑Carlo für die interne Modellvalidierung und Risikobewertung, szenariobasierte Analysen für strategische Entscheidungsfindung und regulatorische Berichterstattung.