Digitales Risikomanagement von Kundenportfolios

Die zunehmende Digitalisierung hat nicht nur den Finanzsektor, sondern auch die Art und Weise, wie Anleger als auch Vermögensverwalter ihre Portfolios verwalten, revolutioniert. In diesem Kontext gewinnen seit einigen Jahren die sogenannten Robo-Advisor immer mehr an Bedeutung.

Diese automatisierten online-basierten Anlageplattformen versprechen eine effiziente, kostengünstige vor allem aber einfach zu handhabende und zu verstehende Vermögensverwaltung. Umgangssprachlich wird ein Robo-Advisor auch als neue Generation der Vermögensverwaltung bezeichnet.

Ein zentraler Aspekt, der in der Betrachtung der Online-Vermögensverwaltungen, wie Robo-Advisor auch bezeichnet werden, somit leider oft vernachlässigt wird, ist das Risikomanagement der Kunden-Portfolios.

In diesem Artikel betrachten wir detailliert, was Risikomanagement bedeutet und wie ein effektives Risikomanagement bei einem Robo-Advisor – also einem Online-Vermögensverwalter – aussehen sollte, um Anleger bestmöglich vor Kapitalverlusten zu schützen und so zur Optimierung der Rendite beizutragen.

Hintergrund

Bevor wir uns jedoch in die Details des Risikomanagements vertiefen, werfen wir einen Blick auf die grundlegenden Charakteristiken eines Robo-Advisors. Diese automatisierten Plattformen nutzen komplexe Algorithmen, um Anlageentscheidungen zu treffen, die auf den individuellen Bedürfnissen und Zielen der Anleger basieren.

Der Vorteil liegt in der Effizienz und der Eliminierung menschlicher Emotionen, die oft zu irrationalen Handlungen führen können. Allerdings sind auch Algorithmen kein Garant dafür, dass es keine Gefahren eines finanziellen Verlustes gibt. Insofern kommt dem Risikomanagement hier eine entscheiden Rolle zu.

Die Bedeutung des Risikomanagements

Um es an dieser Stelle deutlich zu machen: Ein effizientes Risikomanagement ist ein grundsätzlich entscheidender Faktor für den langfristigen Erfolg von Investments. Ob man hier für den Vermögensaufbau ein Do-it-Yourself Portfolio oder einen Robo-Advisor nutzt, ist dabei im Grunde unerheblich. Denn im Wesentlichen gilt, das es in einer Welt, die von ständigen wirtschaftlichen Veränderungen geprägt ist, Anlage-Risiken proaktiv identifiziert bewältigt werden müssen. Es stellt sich also die Frage, mit welchen Maßnahmen man diese notwendige Aufgabe bewältigen kann.

Dabei lässt sich die Antwort auf diese Frage in zwei wesentliche Themen-Bereich aufteilen, und zwar zum einen in generell geltenden Maßnahmen des Risikomanagement als auch individuelle Strategien bei der Bewertung von Kennzahlen etc.

Was damit im Detail gemeint ist, betrachten wir in den folgenden Abschnitten. Lassen sie uns mit den allgemeinen Elementen des Risikomanagements beginnen, bevor wir dann in „analytischen“ Themenbereich eintauchen.

Whitepaper “Robo-Advisory” kostenlos downloaden:

Die allgemein geltenden „Regeln“ eines umfassenden Risikomanagements

Wer sich als Anleger blind und ohne Verständnis des generell existierenden Anlagerisikos auf die Kapitalmärkte stürzt, der darf sich nicht wundern, wenn er sein Kapital verliert. Denn dann sind die folgenden Elemente eines notwendigen Risikomanagements schlicht nicht beachtet worden:

Die Risikoprofilierung

Ein effektives Risikomanagement bei einem Robo-Advisor und / oder Do-it-Yourself Portfolios beginnt mit einer präzisen Risikoprofilierung des Anlegers. Bei einem Robo-Advisor erfolgt dies im Rahmen des Onboardings durch gezielte Fragestellungen. Durch detaillierte Fragebögen und Analysen sollten Robo-Advisor in der Lage sein, das individuelle Risikotoleranzniveau jedes Anlegers genau zu bestimmen. Die sogenannte Zielmarktbestimmung legt den Grundstein für eine maßgeschneiderte Portfolioallokation, die den persönlichen Präferenzen und Zielen des Anlegers weitestgehend gerecht wird.

Diversifikation als Schlüsselstrategie der Asset Allokation

Die Diversifikation von Anlagen innerhalb eines Portfolios ist ein bewährtes Mittel, um Risiken zu minimieren. Robo-Advisor sollten nicht nur auf traditionelle Anlageklassen setzen, sondern ggf. auch alternative Investments in Betracht ziehen, um die Portfolios breiter aufzustellen. Eine ausgewogene Mischung aus Aktien, Anleihen und anderen Vermögenswerten wie Gold trägt dazu bei, potenzielle Verluste in turbulenten Marktphasen zu mildern.

Es muss verstanden werden, dass verschiedene Anlageklassen unterschiedlich auf Bewegungen am Kapitalmarkt reagieren. So können Anleihen oder Gold etwaige Verluste bei Aktien ausgleichen und umgekehrt – je nach wirtschaftlicher Marktlage.

Kontinuierliches Monitoring und Anpassungen (Rebalancing)

Ein statisches Portfolio reicht nicht aus, um den dynamischen Marktbedingungen gerecht zu werden. Ein effektives Risikomanagement erfordert ein kontinuierliches Monitoring der Marktentwicklungen. Robo-Advisor sollten in der Lage sein, nicht nur die Portfolien ihrer Kunden regelmäßig neu zu adjustieren, sondern auch ihre Algorithmen kontinuierlich anzupassen und so die Portfolios der Anleger entsprechend immer besser optimieren.

Dies erfordert fortschrittliche Analysetools und ein tiefes Verständnis der aktuellen wirtschaftlichen Lage. Womit wir zu den analytischen Methoden des Risikomanagements kommen.

Zumeist genutzt – Das Value-at-Risk Modell

Eine der Methoden, die am meisten bei der Identifizierung und Berechnung von Risiken in einem Portfolio herangezogen wird, ist die des Value-At-Risk. Doch was heisst das?

Value-at-Risk (VaR) ist eine weit verbreitete Methode zur Quantifizierung und Steuerung von Marktrisiken in Finanzinstitutionen. Diese Maßnahme ermöglicht es, das potenzielle Verlustrisiko eines Portfolios über einen bestimmten Zeitraum bei einem gegebenen Konfidenzniveau zu bestimmen. Der VaR-Ansatz basiert auf der Idee, dass die zukünftige Verteilung der Risikofaktoren des Portfolios durch historische Marktdaten oder andere Modelle beschrieben werden kann.

Die Methode des Value-at-Risk beinhaltet in der Regel drei Hauptkomponenten:

• das Risikomaß,
• den Zeithorizont
• das Konfidenzniveau.

Das Risikomaß gibt an, welches Verlustniveau betrachtet wird und wird oft in Währungseinheiten ausgedrückt. Der Zeithorizont definiert den Zeitraum, über den der VaR berechnet wird, und das Konfidenzniveau gibt die Wahrscheinlichkeit an, mit der der Verlust das angegebene Risikomaß überschreiten könnte.

Um den VaR zu berechnen, können verschiedene statistische Modelle und Ansätze verwendet werden. Ein häufig angewendetes Verfahren ist die historische Simulation, bei der vergangene Marktdaten verwendet werden, um die zukünftige Entwicklung der Risikofaktoren abzuschätzen.

Allerdings hat der Value-at-Risk Ansatz auch seine Grenzen. Insbesondere beruht er auf der Annahme, dass die zukünftige Entwicklung der Märkte auf historischen Daten oder Modellen basiert. In Zeiten von extremen Marktereignissen, die nicht in den historischen Daten enthalten sind, kann der VaR ungenau sein und das tatsächliche Verlustpotenzial unterschätzen. Daher wird oft betont, dass diese Methode nicht als absolute Sicherheitsmaßnahme betrachtet werden sollte.

Trotz dieser Einschränkungen bleibt der Value-at-Risk Ansatz ein zentraler Bestandteil des Risikomanagements in der Finanzindustrie und wird von Aufsichtsbehörden weltweit für die Überwachung und Kontrolle von Marktrisiken eingesetzt.

Die Alternativen zum Modell des Value-at-Risk

Verschiedene alternative Ansätze zum Value-at-Risk (VaR) werden in der Finanzwelt angewendet, um die Einschränkungen des VaR-Ansatzes zu überwinden und eine umfassendere Risikomessung zu ermöglichen. Zu den gängigen Alternativen zählen:

Expected Shortfall (ES)

Das Expected Shortfall, auch als Conditional Value-at-Risk bekannt, erweitert den VaR-Ansatz, indem es nicht nur den maximalen Verlust bei Überschreitung eines bestimmten Konfidenzniveaus betrachtet, sondern den Durchschnitt der Verluste, die dieses Niveau überschreiten. Im Gegensatz zum VaR berücksichtigt das ES daher auch die Schwere der Verluste jenseits des Konfidenzniveaus und liefert somit eine umfassendere Einschätzung des Risikos.

Stress Testing

Stress Testing verfolgt das Ziel, die Reaktion eines Portfolios auf extreme Marktszenarien zu analysieren, die möglicherweise nicht in den historischen Daten verzeichnet sind. Durch die Simulation solch außergewöhnlicher Ereignisse erhalten Finanzinstitute einen tieferen Einblick in die potenziellen Auswirkungen solcher Bedingungen auf ihre Portfolios. Dies ermöglicht eine proaktive Bewertung und Verbesserung der Portfolio-Robustheit gegenüber unvorhersehbaren und anspruchsvollen Marktentwicklungen.

Die Methode des Stress Testings erweitert also die Perspektive auf potenzielle Risiken, indem sie über die traditionelle Risikobetrachtung hinausgeht. Die Simulation von extremen Szenarien bietet eine kritische Ergänzung zu historischen Daten, da sie Finanzinstituten erlaubt, auch auf bislang nicht dagewesene Herausforderungen vorbereitet zu sein.

Monte-Carlo-Simulation

Die Monte-Carlo-Simulation stellt eine anspruchsvolle statistische Methode dar, die stochastische Modelle nutzt, um die zukünftige Wertentwicklung von Portfolios zu modellieren. Durch die Generierung einer Vielzahl von zufälligen Pfaden ermöglicht diese Simulationstechnik Finanzinstituten, die Wahrscheinlichkeitsverteilung von Renditen und Verlusten präziser zu erfassen. Im Kern basiert der Ansatz darauf, durch wiederholte zufällige Simulationen eine umfassende Bandbreite möglicher Szenarien zu erzeugen.

Die Stärke dieser Methode liegt in ihrer Flexibilität, da sie eine umfassende Berücksichtigung verschiedener Faktoren und Szenarien ermöglicht. Dadurch können Finanzinstitute ein tiefergehendes Verständnis für die möglichen Entwicklungen ihrer Portfolios gewinnen. Allerdings geht mit dieser Flexibilität auch eine erhöhte Rechenintensität einher, die somit im Vergleich zu anderen Methoden höher ist.

Extreme Value Theory (EVT)

Die Extreme Value Theory (EVT) repräsentiert eine statistische Methode, die sich auf die eingehende Analyse von außergewöhnlichen Ereignissen fokussiert. Insbesondere liegt ihr Schwerpunkt auf der Modellierung der Verteilung von extremen Verlusten, deren Auftreten als selten betrachtet wird.

Die Anwendung der EVT zielt darauf ab, eine präzisere Schätzung für die Wahrscheinlichkeit und Intensität solcher extremen Risiken zu liefern. Sie ermöglicht es, jenseits der klassischen Annahmen normalverteilter Modelle zu operieren und sich auf die Erfassung von Extremereignissen zu konzentrieren. Insbesondere in Märkten, in denen seltene, aber signifikante Verlustereignisse von besonderer Relevanz sind, erweist sich die EVT als unverzichtbar.

Dennoch birgt die Anwendung der EVT eine nicht zu vernachlässigende Herausforderung: die Beschaffung ausreichend zuverlässiger Daten für die Modellierung. Da extreme Ereignisse per Definition selten sind, kann die Verfügbarkeit von Daten, die diese Ereignisse hinreichend repräsentieren, eingeschränkt sein. Die Genauigkeit und Verlässlichkeit der Schätzungen hängt daher in erheblichem Maße von der Qualität und Quantität der verfügbaren Daten ab, was eine kritische Überlegung bei der Anwendung der EVT erfordert.

Copula-Modelle

Copula-Modelle stellen eine fortgeschrittene Methodik dar, um die komplexen Abhängigkeiten zwischen verschiedenen Risikofaktoren zu modellieren. Diese Modelle gewinnen an Bedeutung, da sie es ermöglichen, über die traditionellen linearen Korrelationsmaße hinauszugehen und eine tiefgreifendere Analyse der gemeinsamen Verteilung von Risikofaktoren vorzunehmen.

Der entscheidende Mehrwert liegt in der Fähigkeit, die Diversifikationseffekte innerhalb eines Portfolios genauer zu erfassen. Traditionelle Ansätze könnten dazu neigen, die Risiken aufgrund unzureichender Erfassung nichtlinearer Abhängigkeiten zu unterschätzen.

Besonders relevant wird dieser Ansatz, wenn die Korrelation zwischen verschiedenen Vermögenswerten nicht konstant ist. In Zeiten finanzieller Turbulenzen oder spezifischer Marktbedingungen kann sich die Natur der Abhängigkeiten ändern. Copula-Modelle bieten die Flexibilität, solche dynamischen Veränderungen zu erfassen und liefern damit ein Instrumentarium für eine zeitgemäße und präzise Risikomodellierung im Portfolio-Management.

Die Rolle der Künstlichen Intelligenz (KI) im Risikomanagement

Stellt sich zum Abschluss die Frage, welchen Einfluss aktuell Künstliche Intelligenz auf das Risikomanagement von Anlage-Portfolios hat. Eine sehr berechtigte Frage, wenn man sich die Entwicklung und daraus resultierenden Einsatzfelder von KI in den letzten 2-3 Jahren anschaut.

Fakt ist, dass die fortschreitende Digitalisierung des Finanzsektors die Integration von Künstlicher Intelligenz (KI) im Risikomanagement von Anlage-Portfolios deutlich vorangetrieben hat. Denn sie ermöglicht datengestützte Risikoanalysen, Portfolio-Optimierung und Ethik-Integration. Eine sorgfältige KI-Implementierung verspricht somit eine verbesserte Risikovorhersage und stärkt die Resilienz von Portfolios in dynamischen Märkten. Heute spricht man auch vom „Digitalen Portfoliomanagement“.

Fazit

Die Auswahl einer geeigneten Methode des Risikomanagements hängt von der Art des Portfolios, den verfügbaren Daten und den spezifischen Risikopräferenzen der Finanzinstitution (Robo-Advisor beziehungsweise Online-Vermögensverwaltung) ab.

Oft wird eine Kombination verschiedener Ansätze genutzt, um eine robuste und umfassende Risikoanalyse zu gewährleisten. Wichtig ist jedoch als Anleger, das Thema Risikomanagement hinsichtlich seiner Bedeutung bei Geldanlagen an sich zu verstehen, und zwar in der Form als das ein effizientes Risikomanagement nicht gleichbedeutend der Vermeidung von Kapitalverlusten ist, sondern deren Eingrenzung auf ein Minimum zum Ziel hat.

Entdecken Sie hier die Vermögensverwaltung:

Über die Vermögensverwaltung INNO INVEST

Die INNO INVEST wurde 2014 von Herbert Schmitt gegründet. Aus Darmstadt heraus werden die Klassische sowie die Online-Vermögensverwaltung (Robo-Advisor) für vermögende Privatkunden und Unternehmer, als Infrastruktur-Fintech die Wealthtech-Plattform für Investment-Fintechs und für vertraglich gebundene Vermittler ein professionelles Haftungsdach angeboten.