Einleitung

Die Erfahrung der letzten Jahre sowie Forschungsergebnisse und regulatorische Anforderungen legen eine Berücksichtigung von unterschiedlichen Marktsituationen bzw. Marktphasen nahe. Trotzdem basiert der Großteil des heutigen Finanz-Risikomanagements noch immer auf der Annahme konstanter Marktbedingungen.
Zur Zeit werden im Allgemeinen weder „gestresste“ Marktphasen noch potentielle Blasen auf objektive Art und Weise bestimmt.
Machine Learning-Verfahren ermöglichen jedoch eine Zuordnung nach Risikoaspekten und eine Klassifizierung der gegenwärtigen Marktsituation.

RiskDataScience hat Verfahren entwickelt, um Marktphasen zu identifizieren. Marktsituationen können dabei auf Basis flexibler Kriterien anhand historischer Zeitreihen bestimmt und die gegenwärtigen Bedingungen den betreffenden Phasen zugeordnet werden. Somit ist es möglich zu bestimmen, ob die gegenwärtige Situation mit vergangenen Blasen- oder Stress-Phasen korrespondiert. Historische Stress-Szenarien können zudem systematisch erkannt werden.

Marktphasen

Im Gegensatz zur Effizienzmarkttheorie sind Märkte von Übertreibungen und Panik (New Economy, Immobilienblase etc.) gekennzeichnet.
Krisen entfalten dabei ihre eigenen Regeln – wie erhöhte Korrelationen – und verhalten sich anders als „normale“ Phasen. Im Zuge der Krisen von 2007 und 2008 hat sich die Situation mehrere Male dramatisch verändert (Negativzinsen, Quantitative Easing usw.)

Die Regulierungsbehörden haben erkannt, dass sich die Situation von Märkten in beträchtlichem Maße voneinander unterscheiden kann, und fordern entsprechend eine Betrachtung gestresster Marktphasen z. B. bei der

• Bestimmung „gestresster VaR“-Perioden
• Definition relevanter Stress-Szenarien

Im herkömmlichen Marktrisiko-Management von Finanzinstituten werden jedoch weiterhin nur einheitliche Marktbedingungen betrachtet (z.B. in konventionellen Monte-Carlo-Simulationen).
Historische Simulationen betrachten zwar implizit Marktphasen, sie liefern jedoch keine Aussagen darüber, welche Phase auf welche spezifische Situation angewendet werden kann.
Zudem konnten sich Modelle wie GARCH oder ARIMA außerhalb der akademischen Forschung nicht durchsetzen.

Die Vernachlässigung von Marktphasen birgt zahlreiche Probleme und Risiken.
Zum einen kann eine nicht-objektive Bestimmung gestresster Marktphasen für regulatorische Anwendungen zu Anmerkungen interner und externer Prüfer führen. Zudem können möglicherweise entscheidende Kapitalerleichterungen nicht gewährt werden, da ein weniger konservativer Ansatz nicht objektiv gerechtfertigt werden kann.
Außerdem erhöht das Ignorieren einer möglicherweise gefährlichen gegenwärtigen Marktsituation das Risiko von Verlusten durch Marktpreisfluktuationen. Des Weiteren werden Blasen nicht zeitnah erkannt und die „Spielregeln“ von Krisen (wie vermehrte Korrelationen) nicht angemessen berücksichtigt.
Andererseits kann ein zu vorsichtiger Ansatz zu verpassten Möglichkeiten führen.

Machine Learning-Ansätze

Für die Analyse relevanter Marktdaten können zahlreiche Algorithmen aus den Bereichen Data Science / Machine Learning herangezogen und mit geeigneten Tools implementiert werden.

• Unsupervised Learning-Algorithmen: Diese Algorithmen können für die Bestimmung „natürlicher“ Cluster und die Gruppierung von Marktdaten verwendet werden. Dies erfordert geeignete Algorithmen sowie Fachwissen in den Bereichen Wirtschaft und Finanzen. Zudem können auch Ausreißer-Algorithmen verwendet werden, um unregelmäßige Marktsituationen zu erkennen. Dies kann z.B. als Basis für Stresstest-Szenarien dienen.
• Supervised Learning-Algorithmen: Hier werden die Algorithmen mit vorhandenen Datensätzen „trainiert“, um Marktsituationen zu klassifizieren. Anschließend können die neuen Daten – und besonders die aktuelle Situation – den Marktphasen zugeordnet werden.

Als Basis für eine risikoorientierte Analyse müssen dabei Marktdaten-Differenzen (z.B. im Falle von Zinsen) oder Renditen (z.B. im Falle von Aktienkursen) aus Marktdaten-Zeitreihen berechnet werden. Des Weiteren sollte ein „Windowing“-Verfahren durchgeführt, d.h. die relevanten Werte der vergangenen Tage müssen als zusätzliche Variablen betrachtet werden.

Die Methoden können dabei ausgeweitet werden, um auch bei komplexeren Fällen und Problemstellungen Lösungen zu ermöglichen, z.B. in spezialisierten Märkten wie den Strommarkt, der Bepreisung von Cloud-Services oder für Muster und Regeln, die für den Hochfrequenzhandel (HFT) charakteristisch sind.

RiskDataScience hat Methoden und Tools entwickelt, eine effiziente Ermittlung und Analyse von Marktphasen mithilfe von Machine Learning-Verfahren ermöglichen.
Gerne unterstützen wir Sie bei der Anpassung, der Einführung und dem Einsatz dieser Verfahren und stehen Ihnen bei Rückfragen gerne zur Verfügung.

Kontakt

Dr. Dimitrios Geromichalos
Founder / CEO
RiskDataScience GmbH
Nördliche Münchner Straße 47, 82031 Grünwald
E-Mail: riskdatascience@web.de
Telefon: +4989322096365