Die digitale Ära ist die Ära des Risikomanagements für Banken

by Christian Hoffmann

Die digitale Ära ist die Ära des Risikomanagements für Banken

by Christian Hoffmann

by Christian Hoffmann

Entwickeln wir Risikomanagement zum Profitcenter von morgen und gewinnen dadurch komplett neue Erkenntnisse

Einleitung

Banken leben in Zeiten, in denen sich viele von ihnen, v.a. regionale und kleinere, mit der realen Bedrohung des Aussterbens bedroht sehen. Grosse Datenmengen, Komplexität und die digitalen Werkzeuge zu ihrer Handhabung sowie der neue Wettbewerb durch FinTechs, Techs oder Versicherungsunternehmen stellen alle Aspekte des Bankgeschäfts infrage, was erhebliche Auswirkungen auf die strategische Positionierung der Teilnehmer am Markt hat.

Wir argumentieren in diesem Beitrag, dass Banken, damit sie übermorgen noch im Geschäft sind und in einer sich ständig verändernden Landschaft überleben können, ihre Risikomanagementfunktion in ihren Gewinntreiber verwandeln müssen; eine Transformation, die auf drei Säulen aufgebaut werden muss: 1) Optimierung des Risiko-Ertrags-Verhältnisses und der Risikokosten, 2) Etablierung eines Echtzeit-Risikomanagements und 3) Bereitstellung zukunftsorientierter Szenario-basierter Analysen für die Risiko- und Kapitalplanung. 

Problemstellung: Das „Risiko-Ertrag-Dilemma“

Gerade viele regionale und kleinere Institute finden sich in einer gefährlichen Situation wieder, die wir (in Anlehnung zu dem in der Portfoliotheorie gebräuchlichen Begriff des Risiko-Ertrags-Verhältnisses) „Risk-Return-Dilemma“ taufen: Einerseits werden ihre traditionellen risikoarmen Frontend-Aktivitäten wie Kontoführung und Zahlungsver-kehr durch neue Akteure wie Fintechs (z.B. Revolut, MoneyPark, TransferWise) und Techs (z.B. Apple mit dem Angebot Apple Pay) gestört. Da diese neuen Wettbewerber

– weniger reguliert als Banken,

– stärker technologieorientiert («qua definitionem»),

– kosteneffizienter, und

– kundenorientierter sind,

realisieren sie Wettbewerbsvorteile in Bezug auf die Preisgestaltung. Als Folge davon sind Banken mit einer Erosion ihrer Erträge konfrontiert. Die eine Hälfte des Dilemmas besteht also darin, dass Banken den Status quo oder das Business-as-usual nicht beibehalten können, weil sie dann früher oder später aus dem Geschäft verdrängt würden. Abbildung 1 fasst die existenzielle Bedrohung auf einen Blick zusammen.

Abb. 1: Die wegbrechenden Erträge von Banken.

Auf der anderen Seite können Banken nur begrenzt Potenziale bei Innovationen auf der Produktseite (aufgrund des fehlenden Wettbewerbsvorteils gegenüber Fintechs und Techs) oder bei der operativen Effizienz durch Digitalisierung und Automatisierung nutzen – wohlbemerkt stellt Rationalisierung durch Automatisierung noch kein Geschäftsmodell dar, was einige Banken wie die Deutsche Bank oder die Commerzbank in Deutschland noch nicht vollständig verstanden haben. Daher müssen Banken zusätzliche Einnahmen generieren, indem sie mehr Risiken auf ihre Bücher nehmen. Dies wird jedoch die Risikokosten, d.h. Absicherungskosten, regulatorische Anforderungen an das Risikomanagement (Kapitalanforderungen, operative Anforderungen, Compliance-Explosion) proportional erhöhen und somit die Gewinnmargen drücken, was insofern die zweite Hälfte des Dilemmas konstituiert.

Zu allem Überdruss wird das Dilemma noch durch die vorherrschenden Branchentrends verschärft, darunter z.B.

  • Volatilität im Makroumfeld,
  • Geldpolitik, welche zu niedrigen und negativen Zins-sätzen führt,
  • Regulierungskosten,
  • Druck der Platzhirsche UBS und CS zur Übernahme und Implementierung neuester Technologien aus den Bereichen der AI und des Machine Learning.

Das Risiko-Ertrag-Dilemma ist daher eine der wichtigsten und drängendsten Herausforderungen, die Banken (und voraussichtlich auch Versicherungen) in naher Zukunft zu bewältigen haben. Es zeitigt einen Paradigmenwechsel in der Risikomodellierung, der eine methodische und technologische Neuausrichtung der Risikofunktion der Banken erfordert. Da die meisten Institute noch weit von einem Niveau der Risikobewertung entfernt sind, das es ihnen erlauben würde, mit diesen Veränderungen fertig zu werden, ist es unerlässlich, Banken schnellstmöglich fit für den Erwerb höherer Risikomanagementkompetenzen zu machen.

Aktuelle Herausforderung: Das Risiko-Ertrag-Dilemma verlangt von Risikomanagementfunktionen die Optimierung der Risikokosten entlang der Wertschöpfungskette.

Die Lösung des „Risk/Return-Dilemmas“ liegt in der Optimierung der Risikokosten entlang der Wertschöpfungskette der Banken begründet, da dies der Bereich ist, in dem Bankinstitute die grössten relativen Vorteile besitzen (Domain-Wissen im Vergleich zu Technologieunternehmen). Infolgedessen haben sie drei Pain Points anzugehen.

Abb. 2: Die Wertschöpfungskette des Risikomanagements.

1) Auf der Ebene der verfügbaren Daten ist zu beobachten, dass sie von geringer Qualität sind, vor allem weil sich IT- und Datensysteme insbesondere im Bankensektor als heterogen und kaum interoperabel herausstellen, was bedeutet, dass es sehr schwierig ist, Daten zusammenzuführen und zu analysieren. In einigen Anwendungsfällen reicht die Datenmenge auch schlichtweg nicht aus, um die Grundlage für traditionelle statistische Modelle zu stiften (z.B. im Hypotheken-geschäft in der Schweiz, wo seit den 90er Jahren quasi kaum Kreditausfälle aufgetreten sind).

2) Was Risikomanagement-Tools anbelangt, fällt auf, dass sie oft nicht state-of-the-art sind, da insbesondere kleinen und mittleren Banken die Ressourcen fehlen, um Talente in den Bereichen Software Engineering, Data Science und Machine Learning anzuziehen respektive zu binden. Somit wird der Zugang zu ausgeklügelten Risikomanagement-Lösungen erschwert, was den Zerfall der Wertschöpfungs-kette der Banken weiter verstärkt.

3) Auf der Stufe der Risikokosten kann konstatiert werden, dass sie unnötig hoch sind; denn ohne adäquaten Methoden-apparat müssen Banken mit schlechten Risikoschätzungen für wechselnde Szenarien auskommen.

Aus diesen Gründen treffen Risikomanager tendenziell zu vorsichtige und konservative Entscheidungen. Wenn die Schätzungen von Risikofaktoren wie Ausfallwahrschein-lichkeiten (PDs) und -verlustquoten (LGDs) jedoch zuverlässiger und robuster wären und wenn Risikomanager in die Lage versetzt werden, dies ferner in Form von modellhaften Risikoschätzungen zu quantifizieren, dann könnten sie schlussendlich wohl- informiertere Entscheidungen ausüben und damit mehr Risiken auf ihre Bücher nehmen. Mit anderen Worten: Bei Risikomanagement 2.0 geht es nicht nur um Kostener-sparnis, sondern in erster Linie um Wert- und Ertrags-steigerung. Genau das ist es, was eine Lösung des „Risk-Return-Dilemmas“ voraussetzt.

Vision: Risikomanagement 2.0 als Profitcenter von morgen

Die Wandlung von Risikomanagement in das Profit-Center von morgen erscheint prima facie vielleicht als überzogener Anspruch, kann aber durch drei konsekutive Massnahmen flankiert und konkretisiert werden.

Erstens müssen Banken befähigt werden, die Risiko-Ertrag-Relation und ihre Risikokosten zu optimieren. Andres ausgedrückt: Institute sollten danach streben, für jede (marginale) Risikoeinheit in ihren Büchern den maxi-malen (marginalen) Ertrag zu erzielen.

Vor diesem Hintergrund ist es zweitens notwendig, ein Echtzeit-Management der Risiken einzuführen, d.h. die Kompetenz auszubilden, auf Marktdynamiken und sich ändernde Daten sofort oder schnell zu reagieren. Analog zu etablierten kontinuierlichen Testvorgängen in der Softwareentwicklung sollte im Risikomanagement eine Reihe von Stresstests ausgelöst werden, nicht in regelmässigen Abständen, sondern bei jeder relevanten Veränderung des Umfelds, des Marktes oder des Portfolios. Zweck dieser Handlungsempfehlung wäre es, kurzfristige Chancen zur Renditeoptimierung zu nutzen, entstehende Blasen oder Finanzkrisen zu erkennen und teilweise zu antizipieren, das Management risikoreicherer Produkte/Dienstleistungen, sowie von Hedging-Kniffen entsprechend anzupassen, und nicht zuletzt die Risiko- und Kapitalplanung zu dynamisieren.

Diese Qualität wird drittens durch aus dem Szenario-Denken gewonnene sowie mehr nach vorne schauende Data Analytics unterstützt respektive ergänzt, was Banken bereits in begrenzter Form für Stresstests einsetzen. Zukunftsorientierte Data Analytics, basierend auf AI und Machine Learning, sollten jedoch darüber hinaus die sogenannte Risiko- und Kapitalplanung der Banken bereichern und komplementieren, die jährliche Informa-tionen über den Kapitalbedarf des Planungszeitraums (in der Regel 4 bis 7 Jahre) sowie über die durch das Kapital geschaffene Risikokapazität (Kapitalallokation in Form von strategischen Risikolimits) liefert.

Fazit und Ausblick

Hinsichtlich der Zusammenarbeit mit Banken stossen Risikomanagementkompetenz- und Softwareanbieter (seien es etablierte Unternehmen wie SAS, Startups oder Beratungshäuser) in der Regel auf Zurückhaltung und Skepsis: Warum sollten vertrauliche Daten Dritten weitergegeben werden? Warum sollten Banken in Risikomanagement investieren, das allzu oft bloss als Kostentreiber oder regulatorisches Thema betrachtet (verkannt) wird? Oder in einen scheinbar gesättigten Risikomanagementmarkt, wo die Zahl der verschiedenen Tools (zur Messung und Steuerung von Markt-, Kredit-, Zinsrisiken etc.) unzählig ist?

Der vorliegende Beitrag bietet Antworten auf diese Fragen, entlarvt sie als irreführend für Entscheidungs-träger und plädiert auf der konstruktiven Seite dafür, Risikomanagement strategisch als Geschäftsopportunität zu interpretieren. Gleichzeitig ist allerdings einzuräumen, dass dieser Artikel mit der Einschränkung versehen ist, dass nicht erörtert wurde, wie genau eine Bank ihr Risikomanagement in ein Profit-Center transformiert. Aufgrund des zur Verfügung stehenden Umfangs wurde lediglich auf eine Lösung verwiesen (anstelle ihrer Ausbuchstabierung), indem Banken ermutigt und angehalten sind, riskantere Geschäfte zu tätigen. Zugegebenermassen ist dieser Appell nicht sehr spezifisch, aber die Einzelheiten hängen in der Tat eben davon ab, in welchem Geschäft die jeweilige Bank bereits aktiv ist. Ein umfassenderes Whitepaper oder Pilotprojekte könnten hier mehr Klarheit und Denkanstösse liefern.

Auch wenn einige wenige Banken noch gut abschneiden, indem sie an ihren alten Mantras festhalten, sind viele andere an einem Scheideweg angekommen: Akzeptieren wir, die Banken, passiv sinkende Marktanteile, wenn Fintechs und Techs unsere Wertschöpfungskette mehr und mehr übernehmen und wenn wir letztlich ineffektive Massnahmen gegen diesen Bedeutungsverlust ergreifen, indem wir Arbeitsplätze streichen oder mit anderen Lahmen und Kranken fusionieren? Oder sind wir bereit, aktiv einen echten USP durch die Weiterentwicklung und Umgestaltung des Risikomanagements zum Profitcenter von morgen aufzubauen?

Dr. Christian Hugo Hoffmann

Mehr zum Thema

EBF, 2018. Banking in Europe. Available at: https://www.ebf.eu/wp-content/uploads/2018/09/Banking-in-Europe-2018-EBF-Facts-and-Figures.pdf (02/06/2019).

EIOPA, 2019. Register of Insurance Undertakings. Available at: https://eiopa.europa.eu/publications/register-of-insurance-undertakings (02/06/2019).

EY, 2018. EY FinTech compendium. Demystifying FinTech use cases for banking. Available at: https://www.ey.com/Publication/vwLUAssets/ey-fintech-compendium/$FILE/ey-fintech-compendium.pdf (03/06/2019).

McKinsey, 2019. The road to success. Perspectives on German banking. Available at: https://www.mckinsey.de/publikationen/2019-05-20-banking-report (02/06/2019).

McKinsey, 2018. The lending revolution: How digital credit is changing banks from the inside. Available at: https://www.mckinsey.com/business-functions/risk/our-insights/the-lending-revolution-how-digital-credit-is-changing-banks-from-the-inside (20/03/2019).

McKinsey, 2017a. Remaking the bank for an ecosystem world. Available at: https://www.mckinsey.com/industries/financial-services/our-insights/remaking-the-bank-for-an-ecosystem-world  (02/06/2019).

McKinsey, 2017b. The future of risk management in the digital era. Available at: https://www.mckinsey.com/business-functions/risk/our-insights/the-future-of-risk-management-in-the-digital-era (05/03/2018).

OECD, 2018. General insurance statistics. Available at: https://stats.oecd.org/Index.aspx?DataSetCode=PT1# (02/06/2019).

PWC, 2016. Global FinTech Survey 2016. Customers in the spotlight. How FinTech is reshaping banking. Available at: https://www.pwc.com/il/he/bankim/assets/fin-tech-banking.pdf (03/06/2019)

SAS, 2019. The Changing Landscape for Credit Risk Management From silos to convergence with enterprise risk. Available at: https://www.sas.com/en_us/whitepapers/changing-landscape-for-credit-risk-management-108453.html  (20/08/2019).

SNB, 2017. Banks in Switzerland 2017. Available at: https://www.snb.ch/en/mmr/reference/banks_2017/source/banks_2017.en.pdf (20/03/2019).

Spindler, C., & Hoffmann, C.H. 2019. Data logistics and AI in insurance risk management. White paper. Available at: https://www.internationaldataspaces.org/wp-content/uploads/2019/08/IDSA-paper-Data-Logistics-and-AI-in-Insurance-Risk-Management.pdf.

Stulz, R.M. 2014. Governance, Risk Management, and Risk-Taking in Banks. Finance Working Paper N° 427/2014. Available at: http://ssrn.com/abstract=2457947 (03/06/2019).

Top