In dieser Arbeit soll versucht werden, wesentliche Konzepte in der modernen performanceorientierten Gesamtbanksteuerung aufzuzeigen und zu erläutern. Es soll diesbezüglich ein Überblick darüber dargestellt werden, welche Konzeptionen und Modelle im Zuge der Performancemessung sowohl auf Gesamtbank- wie auch auf Portfolio- bzw. Wertpapierebene zur Anwendung kommen können, wobei die behandelten Ansätze wohlgemerkt nur einen möglichen Auszug aus einem sehr breiten Repertoire darstellen. Der Schwerpunkt der Studie liegt auf der Behandlung risikoadjustierter wie auch nicht-risikoadjustierter Konzepte zur Leistungsmessung in Banken und soll gleichzeitig zentrale Inputgrößen, welche in ebendiese Ansätze einfließen, näher beleuchten und erklären. In Bezug auf die Kategorie der nicht-risikoadjustierten Ansätze der Performancemessung wird vor allem auf das ROE-Schema nach Schierenbeck (2003) näher eingegangen. Dabei erfolgt eine Aufteilung des Gesamtergebnisses der Bank in seine einzelnen Bestandteile unter Zuhilfenahme diverser Kennzahlen wie beispielsweise der Bruttogewinnspanne oder der Bruttoertragsspanne. Diesbezüglich wird auch die Berechnung des Deckungsbeitrages als Ausgangspunkt des ROE-Schemas näher erläutert. Um ein ausreichendes Verständnis bezüglich der risikoadjustierten Performancegrößen zu gewährleisten, werden allgemein gängige und relevante Risikomessgrößen beschrieben, im Speziellen wird auf das Konzept des Value at Risk als zentralem Ansatz zur Quantifizierung des Risikokapitals näher eingegangen. Anschließend erfolgt eine Darstellung ausgewählter risikoadjustierter Performancekennzahlen auf Wertpapier- bzw. Portfoliobasis. Abschließend werden Ansätze behandelt, die eine risikoadjustierte Performancemessung auf Geschäftsfeld- bzw. Gesamtbankebene ermöglichen. Hier werden vor allem die Konzepte des RORAC (Return on Risk Adjusted Capital) und des RAROC (Risk Adjusted Return on Capital) detailliert behandelt.

Textprobe: Kapitel 4.3.2, Methoden zur Ermittlung des VaR: Bezüglich der Ermittlung des VaR stehen, gemäß der allgemeinen Lehre, drei zentrale Methoden zur Disposition. Je nach Festlegung der Verteilung der Modellgrößen und der Verteilung der Portfoliowertänderung sind folgende Konzepte von Relevanz: Historische Simulation. Monte Carlo Simulation. Varianz-Kovarianz Verfahren. 4.3.2.2, Monte Carlo Simulation: ‘The idea behind Monte Carlo is to simulate repeatedly from the random processes governing the prices or returns of the financial instruments we are interested in. For example, if we were interested in estimating a VaR, each simulation would give us a possible value for our portfolio at the end of our holding period. If we take enough of these simulations, the simulated distribution of portfolio values will converge to the portfolio’s unknown ‘true’ distribution, and we can use the simulated distribution of end-period portfolio values to infer the VaR’. Bei dieser Methode kommt es also zu einer Approximierung der ‘wahren’ Verteilung der Risikofaktoren durch ein wiederholtes Entnehmen einer Stichprobe aus der Grundgesamtheit. Die erhaltenen Ergebnisse bezüglich der ermittelten Strichprobenverteilungen werden anschließend zusammengeführt und es erfolgt eine Annäherung an die tatsächliche Verteilung mit dem Ziel, diese möglichst getreu abzubilden. Diese angenäherte Verteilung bildet wiederum die Grundlage für die anschließende Berechnung des Value at Risk. Es kann bezüglich der Monte Carlo Simulation zu einer Berücksichtigung einer oder auch mehrerer Risikofaktoren kommen. Wenn mehrere Risikofaktoren in das Modell einfließen ist unter Zuhilfenahme von Korrelationsmatrizen zu agieren. Als Vorteile der Monte Carlo Simulation können die einfache Handhabbarkeit nach erfolgter erfolgreicher Implementierung und die zahlreich am Markt erhältliche und erforderliche Software genannt werden. Es können mit ihrer Hilfe komplexe stochastische Prozesse ins Modell hineinfließen mit dem Vorteil, mehrere Risikofaktoren gleichzeitig berücksichtigen zu können. Sie kann bei Portfolios, bestehend aus komplexen Finanzinstrumenten, zur Anwendung kommen und ist relativ einfach zu modifizieren. Außerdem kann es durch eine Erhöhung der Stichproben und der Testläufe zu einer höheren Genauigkeit und somit Aussagekraft der Methode kommen. Bei der Berücksichtigung mehrerer Risikofaktoren kann es allerdings zu einer Verlangsamung der Prozesse kommen und es existiert somit ein Trade Off zwischen der Genauigkeit und Komplexität und der beanspruchten Zeit. 4.3.2.3, Varianz-Kovarianz Methode: Das Varianz-Kovarianz Verfahren stellt wahrscheinlich die einfachste Methode zur Ermittlung des Value at Risk dar. Dabei werden am Markt, beispielsweise von J.P. Morgan/RiskMetrics, erhältliche Informationen betreffend der Korrelationen und Volatilitäten von Wertpapieren als Inputfaktoren für die Methode herangezogen. Es wird dabei eine multivariate Normalverteilung der Risikofaktoren unterstellt und die Korrelationen und Deltas als konstant angenommen. Die verwendeten Volatilitäten entstammen historischen Daten, welche somit die Grundlage des Verfahrens bilden. Wenn sich, wie in der Praxis üblich, mehrere unterschiedliche Wertpapiere im Portfolio befinden, kann man diese Finanzinstrumente mittels eines Cash-flow Mappings auf einfachere Auszahlungsmuster herunter brechen, was es erlaubt, beispielsweise die von RiskMetrics zur Verfügung gestellten Volatilitäten und Korrelationen zur Anwendung kommen zu lassen. Dadurch, dass auch bezüglich des Portfolios eine Normalverteilung der Marktfaktoren und somit auch der Portfolioreturns angenommen wird, können auch in diesem Fall standardisierte statistische Methoden zur Berechnung des VaR verwendet werden. Bei komplexeren Portfolios können Korrelations- und Kovarianzmatrizen Abhilfe schaffen. Als Nachteil dieses Verfahrens kann sicherlich die im Vorhinein getroffene Normalverteilungsannahme der Inputfaktoren und eine somit potentielle Fehleinschätzung der künftigen Entwicklung genannte werden. Außerdem produziert diese Methode inakkurate Schätzungen und Annahmen, wenn sich nicht-lineare Auszahlungsmuster, wie sie beispielsweise bei Optionen der Fall sind, im Portfolio befinden.

• risikoadjustierte Performancemaße

• nicht-risikoadjustierte Performancemaße

• Gewinngenerierung

• Risikokapitalmessung

• RORAC

• RAROC

• Kreditinstitut

Christian Kienesberger wurde 1984 in Gmunden (Oberösterreich) geboren. Nach dem Abschluss seiner schulischen Laufbahn und der Absolvierung der Wehrpflicht entschloss er sich Betriebswirtschaft an der Karl-Franzens Universität in Graz zu studieren. Dem Bakkalaureatsstudium folgte ein Masterstudium mit dem Titel Financial and Industrial Management indem er den Schwerpunkt Banking and Finance einschlug. Ebendieses Masterstudium schloss er erfolgreich mit dem akademischen Titel des Magisters der Sozial- und Wirtschaftswissenschaften ab. Während des Studiums sammelte er erste Erfahrungen in Form von Praktika und diversen Tätigkeiten im Bereich Finanzdienstleistungen und Marketing. Schon gegen Ende seines Grundstudiums wurde ihm klar, dass der Bereich des Financial Managements am meisten Interesse in ihm weckt. Im Laufe seines Masterstudiums spezialisierte er sich dann in der Folge auf die Bereiche des Banking and Finance bzw. des Corporate Finance, wo er auch seine berufliche Zukunft sieht.