Simulative Prognose der Ausfallwahrscheinlichkeit von Unternehmen
BOOK
Cite BOOK
Style
Format
Simulative Prognose der Ausfallwahrscheinlichkeit von Unternehmen
Schriftenreihe Finanzierung und Banken, Vol. 29
(2017)
Additional Information
Book Details
Pricing
Abstract
Der Erfolg eines Finanzinstituts im Kreditgeschäft mit Firmenkunden wird maßgeblich von der Fähigkeit bestimmt, die künftige Bonität von Unternehmen einzuschätzen. Durch eine zunehmend starke Regulierung und einen sich verschärfenden Wettbewerb gewinnen prognosestarke Kreditrisikomodelle weiter an Bedeutung. Sowohl in der theoretischen Forschung als auch in der Regulierungspraxis, wie in der Kreditwirtschaft insgesamt, dominieren jedoch seit Jahrzehnten Modelle und Verfahren der Ausfallprognose, welche eine starke Vergangenheitsorientierung implizieren. Dies betrifft im Grunde die gesamte betriebswirtschaftliche Krisenforschung. Dieses Spannungsfeld - einhergehend mit einer mangelnden theoretischen Fundierung bisheriger Ansätze zur Bonitätsprognose - greift der Autor auf, indem er die Logik des Unternehmensbewertungsmodells von Schwartz/Moon (2001) auf die Ausfallprognose von Unternehmen überträgt. Erweiterungen dieses Modells, etwa um die Berücksichtigung qualitativer Einflussfaktoren wie der Managementqualität, resultieren im Potsdamer Modell zur simulativen Prognose der Ausfallwahrscheinlichkeit von Unternehmen. Ausgangspunkt des Verfahrens bildet die Monte Carlo Simulation, wodurch - im Gegensatz zu traditionellen Verfahren der Insolvenzprognose - ökonomisch fundierte Ursache-Wirkungszusammenhänge einen Ausfall definieren. Die empirische Untersuchung verdeutlicht das große Potenzial des Modells und damit einhergehend die Notwendigkeit eines Paradigmenwechsels bei der Prognose der Ausfallwahrscheinlichkeit von Unternehmen.
Table of Contents
| Section Title | Page | Action | Price |
|---|---|---|---|
| Geleitwort | V | ||
| Vorwort | VII | ||
| Inhaltsverzeichnis | XI | ||
| Abbildungsverzeichnis | XV | ||
| Tabellenverzeichnis | XVIII | ||
| Abkürzungsverzeichnis | XX | ||
| Symbolverzeichnis | XXIII | ||
| 1. Einleitung | 1 | ||
| 1.1 Problemstellung und Zielsetzung | 2 | ||
| 1.2 Gang der Untersuchung | 4 | ||
| 2. Theoretischer Rahmen zu Kreditrisiko und Ausfallwahrscheinlichkeit | 7 | ||
| 2.1 Krisenverlauf im Unternehmen | 7 | ||
| 2.2 Abgrenzung des Untersuchungsgegenstandes | 10 | ||
| 2.2.1 Kreditgeschäft und Kreditrisiko | 10 | ||
| 2.2.1.1 Bedeutung des Kreditgeschäfts | 11 | ||
| 2.2.1.2 Unvollkommenheit des Kreditmarktes | 12 | ||
| 2.2.1.3 Informationsasymmetrie und Kooperationsprobleme | 13 | ||
| 2.2.1.4 Kreditrisiko | 14 | ||
| 2.2.2 Ermittlung der Ausfallwahrscheinlichkeit | 19 | ||
| 2.2.3 Einzelkreditrisiko versus Portfoliorisiko | 21 | ||
| 2.3 Bisherige Verfahren zur Bonitätsbestimmung | 23 | ||
| 2.3.1 Historische Entwicklung der Verfahren zur Bonitätsanalyse | 25 | ||
| 2.3.2 Traditionelle Verfahren | 27 | ||
| 2.3.2.1 Jahresabschlussanalyse als Grundlage für die Verfahren der Bonitätsbeurteilung | 27 | ||
| 2.3.2.2 Expertenurteil | 30 | ||
| 2.3.2.3 Klassisches Scoring-Verfahren | 32 | ||
| 2.3.2.4 Zusammenfassung und kritische Würdigung traditioneller Verfahren | 33 | ||
| 2.3.3 Statistische Verfahren | 35 | ||
| 2.3.3.1 Diskriminanzanalyse | 35 | ||
| 2.3.3.2 Logistische Regression | 41 | ||
| 2.3.3.3 Zusammenfassung und kritische Würdigung statistischer Verfahren | 45 | ||
| 2.3.4 Verfahren der künstlichen Intelligenz | 49 | ||
| 2.3.4.1 Expertensysteme | 49 | ||
| 2.3.4.2 Exkurs: Fuzzy-Logik | 52 | ||
| 2.3.4.3 Künstliche neuronale Netze | 59 | ||
| 2.3.4.4 Zusammenfassung und kritische Würdigung der Verfahren der künstlichen Intelligenz | 63 | ||
| 2.3.5 Optionspreismodelle und Credit Spreads | 65 | ||
| 2.3.6 Risk Analysis Probability of Default Modell | 73 | ||
| 2.3.7 Externe Ratings | 75 | ||
| 2.4 Historische Entwicklung der Regulierung | 84 | ||
| 2.4.1 Basel I | 85 | ||
| 2.4.2 Basel II | 87 | ||
| 2.4.2.1 Kreditrisikostandardansatz | 89 | ||
| 2.4.2.2 Internal Ratings Based Approach | 91 | ||
| 2.4.3 Basel III | 95 | ||
| 2.4.4 Auswirkungen der Regulierung auf die Finanzintermediation und den Einsatz von Verfahren zur Bonitätsanalyse bei Unternehmenskrediten | 97 | ||
| 2.5 Äquivalenz zur Unternehmensbewertung | 99 | ||
| 3. Das Schwartz/ Moon Modell als Ausgangsbasis | 105 | ||
| 3.1 Discounted Cashflow-Verfahren | 105 | ||
| 3.2 Schwartz/ Moon Modell | 109 | ||
| 3.2.1 Das Schwartz/ Moon Grundmodell (2001) | 111 | ||
| 3.2.1.1 Umsatzprozess | 112 | ||
| 3.2.1.2 Kostenprozess | 114 | ||
| 3.2.1.3 Bestimmung des Cashflows | 115 | ||
| 3.2.1.4 Ableitung des Unternehmenswertes | 117 | ||
| 3.2.1.5 Risikoadjustierung | 119 | ||
| 3.2.1.6 Diskretisierung des Modells | 121 | ||
| 3.2.2 Weiterentwicklungen und Umsetzung des Schwartz/ Moon Modells | 124 | ||
| 3.2.2.1 Forschungsarbeiten zum Schwartz/ Moon Modell | 124 | ||
| 3.2.2.2 Sprungprozesse | 131 | ||
| 3.2.2.3 Unternehmenssteuer, Verlustvortrag und Steuern auf Investorenebene | 135 | ||
| 3.2.2.4 Risikoadjustierung | 136 | ||
| 3.2.2.5 Fremdkapital und Ausfall | 138 | ||
| 3.2.2.6 Fortführungswert (Continuing Value) | 139 | ||
| 3.2.2.7 Stochastische Zinssätze | 141 | ||
| 3.2.3 Insolvenzprognose auf Basis des Schwartz/ Moon Modells | 143 | ||
| 4. Empirische Untersuchung | 145 | ||
| 4.1 Datenbasis und Inputparameter | 145 | ||
| 4.1.1 Datenbasis der Plausibilitätsprüfung | 146 | ||
| 4.1.2 Parameterbestimmung | 147 | ||
| 4.1.2.1 Periodenlänge, Simulationshorizont und Bilanzdaten | 147 | ||
| 4.1.2.2 Anfängliche Umsatzänderungsrate und -volatilität | 148 | ||
| 4.1.2.3 Volatilität der erwarteten Umsatzänderungsraten | 153 | ||
| 4.1.2.4 Langfristiges Umsatzwachstum | 154 | ||
| 4.1.2.5 Langfristige Volatilität des Umsatzes | 155 | ||
| 4.1.2.6 Fixkosten und variable Kosten | 156 | ||
| 4.1.2.7 Abschreibungs- und Investitionsrate | 158 | ||
| 4.1.2.8 Anpassungsgeschwindigkeit | 158 | ||
| 4.1.2.9 Zinssatz, Steuersatz und Korrelation der stochastischen Prozesse | 159 | ||
| 4.1.2.10 Anzahl an Simulationspfaden | 160 | ||
| 4.2 Simulation mit dem adaptierten Schwarz/ Moon Grundmodell | 162 | ||
| 4.2.1 Adaptiertes Schwartz/ Moon Grundmodell | 162 | ||
| 4.2.2 Ergebnisse des adaptierten Grundmodells | 167 | ||
| 4.2.2.1 Zusammenhänge, Sensitivitäten und Informationsprofil des Modells | 167 | ||
| 4.2.2.2 Ergebnisse DAX Unternehmen | 174 | ||
| 4.2.2.3 Ergebnisse ausgefallener Unternehmen | 179 | ||
| 4.2.2.4 Ergebnisse Gesamtsample | 185 | ||
| 4.3 Simulation mit dem Potsdamer Modell | 192 | ||
| 4.3.1 Erweiterungen zum Potsdamer Modell | 192 | ||
| 4.3.1.1 Ausfall und Finanzierung | 194 | ||
| 4.3.1.2 Dividendenpolitik | 198 | ||
| 4.3.1.3 Managementqualität | 200 | ||
| 4.3.1.4 Umsatzsprünge | 208 | ||
| 4.3.1.5 Zusätzliche Inputparameter des Potsdamer Modells | 215 | ||
| 4.3.2 Ergebnisse des Potsdamer Modells | 216 | ||
| 4.3.2.1 Zusammenhänge, Sensitivitäten und Informationsprofil des Modells | 216 | ||
| 4.3.2.2 Ergebnisse DAX Unternehmen | 219 | ||
| 4.3.2.3 Ergebnisse ausgefallener Unternehmen | 221 | ||
| 4.3.2.4 Ergebnisse Gesamtsample | 228 | ||
| 4.3.2.5 Potsdamer Modell mit alternativ bestimmten Inputparametern | 232 | ||
| 5. Fazit | 237 | ||
| 5.1 Zusammenfassung und Einordnung der Ergebnisse | 238 | ||
| 5.2 Ansätze für zukünftige Forschung | 247 | ||
| Anhang | 249 | ||
| Literaturverzeichnis | 281 |