UNIVERSITÄT POTSDAM

Andreas Nastansky (Hrsg.)

STATISTISCHE DISKUSSIONSBEITRÄGE
Nr. 57

Till Barz Andreas Nastansky

Herausforderungen des finanziellen

Risikomanagements: Eine empirische Untersuchung
des Value at Risk-Ansatzes in Stresssituationen

Potsdam 2024
ISSN 0949-068X
 STATISTISCHE DISKUSSIONSBEITRÄGE

Nr. 57

Till Barz Andreas Nastansky

Herausforderungen des finanziellen

Risikomanagements: Eine empirische Untersuchung des
Value at Risk-Ansatzes in Stresssituationen

Autoren: Till Barz, B.A., Email: [Link]@[Link]

Prof. Dr. Andreas Nastansky, Hochschule für Wirtschaft und Recht
(HWR) Berlin, Email: [Link]@[Link]

Herausgeber: Prof. Dr. Andreas Nastansky, Hochschule für Wirtschaft und Recht
(HWR) Berlin, Professur für Quantitative Methoden und Mathematik,
Email: [Link]@[Link]
2024, ISSN 0949-068X
 Kurzfassung

Die Quantifizierung und Begrenzung extremer Wertverluste sind von zentraler Bedeutung für
das finanzielle Risikomanagement. Besonders während volatiler Marktphasen tendieren tradi-
tionelle Risikomaße dazu, Risiken fehlerhaft einzuschätzen. Die Arbeit untersucht die Risiko-
maße Value at Risk (VaR) und Expected Shortfall (ES) hinsichtlich ihrer Fähigkeit, Verlustpo-
tenziale während Stresssituationen präzise abzubilden. Dazu wird die Prognosefähigkeit dieser
Maße unter verschiedenen Verteilungsannahmen und Gewichtungsmethoden analysiert. Unter
anderem erfolgt eine systematische Überprüfung mittels Backtesting für den Untersuchungs-
zeitraum. Die Analyse zeigt, dass Modelle mit einer t-Verteilung und einer exponentiellen
Gewichtung historischer Daten eine höhere Vorhersagegenauigkeit aufweisen. Modelle mit
Normalverteilungsannahme sind in Krisenzeiten besonders anfällig für Fehlprognosen. Alle
untersuchten Modelle passen sich verzögert an veränderte Marktsituationen an, was zu einer
anfänglichen Unterschätzung und späteren Überschätzung der Risiken führt. Die Anpassungs-
latenz variiert dabei je nach gewählter Gewichtung der historischen Daten. Implikationen für
das Risikomanagement beinhalten eine regelmäßige Modellüberprüfung und die Implementie-
rung umfassender Stresstests, um systematische Risikounterbewertungen zu vermeiden. Die
Ergebnisse verdeutlichen die Notwendigkeit dynamischer Risikomodelle, die sich an volatile
Marktbedingungen anpassen, um die finanzielle Stabilität der Kreditinstitute langfristig zu
sichern.

JEL-Klassifikation: C46, G17, G32

Schlagworte: Backtesting, Historische Simulation, Risikomanagement, Value at Risk,

Varianz-Kovarianz-Methode
 Abstract

The quantification and limitation of extreme losses are of central importance in financial risk
management. Traditional risk measures tend to inaccurately assess risks, particularly during
volatile market phases. This study examines the risk measures Value at Risk (VaR) and Ex-
pected Shortfall (ES) in terms of their ability to accurately capture potential losses during times
of market stress. The predictive accuracy of these measures is analyzed under various distribu-
tional assumptions and weighting methods. Among other methods, a systematic evaluation us-
ing backtesting is conducted for the observation period. The findings indicate that models based
on a t-distribution and exponential weighting of historical data demonstrate higher predictive
power. Models assuming a normal distribution are especially prone to forecasting errors during
crisis periods. All models examined exhibit a delayed response to changing market conditions,
leading to initial underestimation followed by later overestimation of risks. The lag in model
adaptation varies depending on the chosen weighting of historical data. Implications for risk
management include regular model reviews and the implementation of comprehensive stress
tests to avoid systematic underestimation of risks. The results underscore the necessity of
dynamic risk models that adapt to volatile market conditions to ensure the long-term financial
stability of credit institutions.

JEL-Classification: C46, G17, G32

Keywords: Backtesting, Historical Simulation, Risk Management, Value at Risk,

Variance-covariance Method
 I

Inhaltsverzeichnis
Symbolverzeichnis ...............................................................................................................................................II

Abbildungsverzeichnis ...................................................................................................................................... IV

Tabellenverzeichnis ........................................................................................................................................... VI

1 Einleitung ...................................................................................................................................................... 1

2 Grundlagen des Risikomanagements .......................................................................................................... 3

2.1 Erläuterung des Risikobegriffs ................................................................................................................... 4
2.2 Einführung des Value at Risk als Instrument zur Risikomessung ............................................................... 6
2.2.1 Definition und Grundgedanken des Value at Risk ................................................................................. 6
2.2.2 Varianz-Kovarianz-Methode und deren Annahmen............................................................................. 10
2.2.3 Defizite des Value at Risk als Risikoindikator ..................................................................................... 13
2.3 Einführung des Expected Shortfall als Ergänzung zum Value at Risk ...................................................... 16

3 Methodik und Daten ................................................................................................................................... 18

3.1 Datenbasis ................................................................................................................................................ 18
3.2 Ermittlung des Value at Risk und Expected Shortfall mittels der Varianz-Kovarianz-Methode .............. 21
3.2.1 Ermittlung der Varianz-Kovarianzmatrix............................................................................................. 22
3.2.2 Modellierung der Verteilungsfunktion ................................................................................................. 26
3.3 Backtesting ............................................................................................................................................... 28

4 Empirische Ergebnisse ............................................................................................................................... 33

4.1 Ergebnisse der Varianz-Kovarianz-Methode ........................................................................................... 34
4.2 Implikationen für das Risikomanagement................................................................................................. 43

5 Fazit ............................................................................................................................................................. 45

Literaturverzeichnis ........................................................................................................................................... 47

Anhang ................................................................................................................................................................ 50
 II

Symbolverzeichnis
FL(l) Verteilungsfunktion der Verluste/Verlustfunktion

fL Wahrscheinlichkeitsverteilungsdichte-Funktion der Verluste

( )
𝐼 (𝛼) ES-Backtesting-Indikator für den Backtestingzeitpunkt t+1

𝐼 (𝛼) ES-Backtesting-Indikator für den Backtestingzeitraum T

( )
𝐼 (𝛼) VaR-Backtesting-Indikator für den Backtestingzeitpunkt t+1

𝐼 (𝛼) VaR-Backtesting-Indikator für den Backtestingzeitraum T

K Anzahl der Risikofaktoren

Lt+1 Wertverlust des Portfolios zwischen Zeitpunkt t+1 und t

LR Log-Likelihood-Ratio

Pt Aktien-/Devisenkurs zum Zeitpunkt t

P(L) Eintrittswahrscheinlichkeit eines Verlustes

q(FL) -Quantil der Verlustfunktion

rt logarithmierte Rendite zwischen Zeitpunkt t und t-1

t Zeitpunkt

T Anzahl der Tage im Beobachtungs-/Backtestingzeitraum

Teff effektive Anzahl der Tage im Beobachtungszeitraum

VaR(L) Value at Risk des Portfolios bei Konfidenzniveau  und Zeithorizont 

V(t) Wert des Portfolios zum Zeitpunkt t

Xt Vektor der Veränderungen der Risikofaktoren zwischen Zeitpunkt t und t-1

Zt Vektor der Risikofaktoren zum Zeitpunkt t

 Konfidenzniveau

 Zeithorizont/Haltedauer

𝜃( ) (𝛼)
Schwere der Überschreitung

 Zerfallsfaktor
 III

p erwartete Wertveränderung des Portfolios

 Anzahl der Freiheitsgrade

ij Korrelation der Risikofaktoren i und j

i,j Kovarianz zweier Risikofaktoren

p Volatilität des Portfolios

𝜎 Varianz eines Risikofaktors

𝜎 Varianz des Portfolios

 Varianz-Kovarianzmatrix

𝚺 exponentiell gewichtete Varianz-Kovarianzmatrix

 Dichte der Standardnormalverteilung

 Standardnormalverteilung

-1() -Quantil der Standardnormalverteilung

𝜒 Chi-Quadrat-Verteilung mit einem Freiheitsgrad

,
Ψ Test-Statistik des „Traffic Light Approach“

t,i Gewichtung eines Finanzinstruments im Portfolio

𝛚 Vektor der Gewichtungen aller Finanzinstrument im Portfolio

ℝ Menge der reellen Zahlen
 IV

Abbildungsverzeichnis
Abb. Nr. Titel Seite

1 Value at Risk für ein exemplarisches Portfolio bei einem 95% 13

Konfidenzniveau
2 Value at Risk unter besonderem Verhalten der Ränder der 14
Verteilungsfunktion
3 Value at Risk und Expected Shortfall für ein exemplarisches Portfolio 17
bei einem 95% Konfidenzniveau
4 Liniendiagramm der logarithmierten Renditen – DAX 40, 05.01.1999 – 19
30.04.2024
5 QQ-Plot der logarithmierten Renditen – DAX 40, 05.01.1999 – 20
30.04.2024
6 Histogramm der logarithmierten Renditen – DAX 40, 05.01.1999 – 20
30.04.2024
7 Vergleich der Standard-Normalverteilung und t-Verteilung mit zehn 26
Freiheitsgraden, 0,95- und 0,99-Quantil
8 Gegenwert des Portfolios im Zeitverlauf, 04.01.1999 – 30.04.2024 33
9 Vergleich verschiedener Methoden zur Schätzung der Varianz- 35
Kovarianzmatrix
10 Vergleich der Varianz-Kovarianz-Methode und Historischen Simulation 37
anhand des VaR-0.95_T_EWMA_0.97 und VaR-0.95_HS, 01.07.2007 –
30.06.2010
11 Relative Häufigkeiten der Ablehnung und Nicht-Ablehnung 39
der untersuchten VaR-Modelle mit Konfidenzniveau  = 0,95
12 Relative Häufigkeiten der Ablehnung und Nicht-Ablehnung 40
der untersuchten VaR-Modelle mit Konfidenzniveau  = 0,99
13 Relative Häufigkeiten der Einordnung in die verschiedenen Zonen der 41
untersuchten ES-Modelle mit Konfidenzniveau  = 0,95
14 Relative Häufigkeiten der Einordnung in die verschiedenen Zonen der 42
untersuchten ES-Modelle mit Konfidenzniveau  = 0,99
15 Risikoreduktion durch Diversifikation – systematisches und 50
unsystematisches Risiko
16 Veränderung des Rendite-Risiko-Profils für unterschiedliche 50
Korrelationen
17 Gewichtung der Beobachtungstage und die effektive Anzahl der Tage 54
für 1 = 0,94 und 2 = 0,97 bei einem Beobachtungszeitraum von
250 Tagen.
18 VaR der verschiedenen Modelle ( = 0,99), Ende der Dot-Com-Blase, 55
01.07.2000-30.06.2003
 V

19 VaR der verschiedenen Modelle ( = 0,99), Globale Finanzkrise, 55

01.04.2007-30.09.2009
20 VaR der verschiedenen Modelle ( = 0,99), Eurokrise, 01.01.2011- 56
30.03.2012
21 VaR der verschiedenen Modelle ( = 0,99), China-Crash und 56
Griechenland-Krise, 01.10.2014-30.06.2016
22 VaR der verschiedenen Modelle ( = 0,99), Corona-Krise, 57
01.10.2019-31.12.2020
23 VaR der verschiedenen Modelle ( = 0,99), Ukraine-Krieg und 57
01.10.2021-30.03.2023
24 Histogramm der Werte für VaR-0.95_N, 09.08.2000 – 30.04.2024 58
25 Histogramm der Werte für VaR-0.95_N_EWMA_0.94, 09.08.2000 – 58
30.04.2024
26 Relative Häufigkeit der Überschreitung für die untersuchten VaR- 68
Modelle mit Konfidenzniveau  = 0,95
27 Relative Häufigkeit der Überschreitung für die untersuchten VaR- 68
Modelle mit Konfidenzniveau  = 0,99
28 Durchschnitt der Indikatoren für die untersuchten ES-Modelle mit 69
Konfidenzniveau  = 0,95
29 Durchschnitt der Indikatoren für die untersuchten ES-Modelle mit 69
Konfidenzniveau  = 0,95
30 Anzahl der Überschreitungen des VaR mit  = 0,95 im Vergleich zu 82
den Grenzwerten des POF-Tests über den gesamten Beobachtungs-
zeitraum
31 Anzahl der Überschreitungen des VaR mit  = 0,95 im Vergleich zu 82
den Grenzwerten des POF-Tests über den gesamten Beobachtungs-
zeitraum
32 Summe aller Indikatoren des ES-Backtestings mit  = 0,95 im 83
Vergleich zu den Grenzwerten des „Traffic Light Approach“ über den gesam-
ten Beobachtungszeitraum
33 Summe aller Indikatoren des ES-Backtestings mit  = 0,95 im 83
Vergleich zu den Grenzwerten des „Traffic Light Approach“ über den gesam-
ten Beobachtungszeitraum
 VI

Tabellenverzeichnis
Tabellen-Nr. Titel Seite

1 Übersicht der zu untersuchenden Risikomodelle 21

2 POF-Test, Grenzwerte abhängig vom Backtesting-Zeitraum und 32
Konfidenzniveau
3 „Traffic Light Approach“, Grenzwerte abhängig vom Backtesting- 32
Zeitraum und Konfidenzniveau
4 Deskriptive Statistiken - tägliche Schlusskurse, 04.01.1999 – 51
30.04.2024
5 Deskriptive Statistiken - tägliche logarithmierte Renditen, 05.01.1999 – 51
30.04.2024
6 Jarque-Bera Test, Breusch-Pagan Test, Augmented Dickey-Fuller Test 52
Mardia's Multivariate Normality Test für die logarithmierten Renditen,
05.01.1999 – 30.04.2024
7 Korrelationsmatrix der logarithmierten Renditen, 05.01.1999 – 53
30.04.2024
8 VaR-Modell Backtesting, Regionen der Nicht-Ablehnung bei Test- 54
Signifikanzniveau p* = 0,05
9 Vergleich verschiedener VaR-Modelle mit Konfidenzniveau  = 0,95, 59
09.08.2000-30.04.2024
10 Vergleich verschiedener VaR-Modelle mit Konfidenzniveau  = 0,99, 59
09.08.2000-30.04.2024
11 Vergleich verschiedener ES-Modelle mit Konfidenzniveau  = 0,95, 60
09.08.2000-30.04.2024
12 Vergleich verschiedener ES-Modelle mit Konfidenzniveau  = 0,99, 60
09.08.2000-30.04.2024
13 Vergleich der Quantile der Standard-Normalverteilung und t-Verteilung 61
14 absolute Häufigkeit der Überschreitungen des VaR bei 62
Konfidenzniveau  = 0,95
15 relative Häufigkeit der Überschreitungen des VaR bei 63
Konfidenzniveau  = 0,99
16 absolute Häufigkeit der Überschreitungen des VaR bei 64
Konfidenzniveau  = 0,95
17 relative Häufigkeit der Überschreitungen des VaR bei 65
Konfidenzniveau  = 0,99
18 Summe der Indikatoren des ES bei Konfidenzniveau  = 0,95 66
19 Summe der Indikatoren des ES bei Konfidenzniveau  = 0,99 67
20 absolute Häufigkeit der Überschreitungen des VaR bei 70
Konfidenzniveau  = 0,95 während und nach Stresssituationen
 VII

21 relative Häufigkeit der Überschreitungen des VaR bei 71

Konfidenzniveau  = 0,95 während und nach Stresssituationen
22 absolute Häufigkeit der Überschreitungen des VaR bei 72
Konfidenzniveau  = 0,99 während und nach Stresssituationen
23 relative Häufigkeit der Überschreitungen des VaR bei 73
Konfidenzniveau  = 0,99 während und nach Stresssituationen
24 Summe der Indikatoren des ES bei Konfidenzniveau  = 0,95 74
während und nach Stresssituationen
25 Durschnitt der Indikatoren des ES bei Konfidenzniveau  = 0,95 75
während und nach Stresssituationen
26 Summe der Indikatoren des ES bei Konfidenzniveau  = 0,99 76
während und nach Stresssituationen
27 Durschnitt der Indikatoren des ES bei Konfidenzniveau  = 0,99 77
während und nach Stresssituationen
28 absolute und relative Häufigkeiten der Ablehnung und Nicht- 78
Ablehnung der untersuchten VaR-Modelle mit Konfidenzniveau
 = 0,95 im Backtesting mittels POF-Test mit 500 Tagen
rollierendem Backtesting-Fenster
29 absolute und relative Häufigkeiten der Ablehnung und Nicht- 78
Ablehnung der untersuchten VaR-Modelle mit Konfidenzniveau
 = 0,99 im Backtesting mittels POF-Test mit 500 Tagen
rollierendem Backtesting-Fenster
30 absolute und relative Häufigkeiten der Einordnung in die 79
Zonen der untersuchten ES-Modelle mit Konfidenzniveau  = 0,95
im Backtesting mittels „Traffic Light Approach“ mit 500 Tagen
rollierendem Backtesting-Fenster
31 absolute und relative Häufigkeiten der Einordnung in die 79
verschiedenen Zonen der untersuchten ES-Modelle mit
Konfidenzniveau  = 0,99 im Backtesting mittels „Traffic Light
Approach“ mit 500 Tagen rollierendem Backtesting-Fenster
32 Backtesting-Resultate für die VaR-Modelle mit  = 0,95 mittels 80
POF-Test für den gesamten Beobachtungszeitraum
33 Backtesting-Resultate für die VaR-Modelle mit  = 0,99 mittels 80
POF-Test für den gesamten Beobachtungszeitraum
34 Backtesting-Resultate für die ES-Modelle mit  = 0,95 mittels 81
„Traffic Light Approach“ für den gesamten Beobachtungszeitraum
35 Backtesting-Resultate für die ES-Modelle mit  = 0,95 mittels 81
„Traffic Light Approach“ für den gesamten Beobachtungszeitraum
 1

1 Einleitung
Die Abwägung zwischen Risiken und potenziellen Erträgen aus der Risikoübernahme stellt die
zentrale Herausforderung der wertorientierten Banksteuerung dar. Dieser Zielkonflikt gewinnt
für die gesamte Kreditwirtschaft zunehmend an Bedeutung.1 Auf Grund des Geschäftsmodells
von Kreditinstituten ist das Management finanzieller Risiken inhärent ein kritischer Erfolgs-
faktor.2

Der Erfolg des finanziellen Risikomanagements ist unmittelbar von der Qualität der Risiko-
quantifizierung abhängig.3 Diese wird gegenwärtig von den meisten Kreditinstituten u.a. an-
hand des Value at Risk (VaR) vorgenommen.4 Jedoch steht der VaR seit der Globalen Finanz-
krise verstärkt in der Kritik: „A number of weaknesses have been identified with using VaR
[…] including its inability to capture “tail risk”.5 Daher lässt sich im aktuellen regulatorischen
Umfeld insbesondere im Zuge des Fundamental Review of the Trading Book (FRTB) eine
Abkehr vom VaR hin zu dem Expected Shortfall (ES) beobachten.6

Das Verhalten verwendeter Risikomodelle ist insbesondere während Stresssituationen von

zentraler Bedeutung für die adäquate Beurteilung von Risikopotenzialen sowie die Gewähr-
leistung der Risikotragfähigkeit.7 Ein wesentlicher Kritikpunkt des Value at Risk-Ansatzes,
welcher ebenfalls den ES als Erweiterung zum VaR umfasst, ist die Unterstellung normaler
Marktbedingungen.8 Die Fragestellung ist, ob Risiken in Stresssituationen systematisch unter-
schätzt werden.

Diese Arbeit soll die Hypothese, dass der VaR-Ansatz Marktpreisrisiken in Stresssituationen
unterschätzt, empirisch untersuchen. Hierzu werden der VaR und ES für ein global diversifi-
ziertes Aktienportfolio unter Verwendung verschiedener Methoden für den Zeitraum von Au-
gust 2000 bis April 2024 modelliert. Die Prognosegüte der beiden Risikomaße wird unter Ver-
wendung verschiedener Schätzmethoden während normaler Marktsituationen und Stresssitua-
tionen verglichen und mittels der Methode des Backtestings systematisch überprüft.

1
Vgl. Horsch / Kaltofen (2020), S. 9.
2
Vgl. Baule (2019), S. 29; Hull (2018), S. 17.
3
Vgl. Hager / Romeike (2020), S. 88 f.
4
Vgl. Hartmann-Wendels u.a. (2019), S. 655.
5
BCBS (2014), S. 3.
6
Vgl. BCBS (2014), S. 3; Hartmann-Wendels u.a. (2019), S. 284, 657 f.
7
Vgl. BCBS (2014), S. 3.
8
Vgl. Poncet / Portait (2022), S. 1142.
 2

Im Rahmen dieser Arbeit sollen die folgenden zwei Forschungsfragen beantwortet werden:
Wie akkurat sagt der Value at Risk die Häufigkeit bzw. der Expected Shortfall die Höhe von
Verlusten, die eine bestimmte Verlust-Schwelle überschreiten, voraus? Inwiefern lassen sich
Unterschiede im Verhalten der Risikomodelle während Stresssituationen beobachten? In der
Ausarbeitung wird ein verstärktes Augenmerk auf die Beantwortung der ersten Forschungs-
frage gelegt. Beide Forschungsfragen werden schrittweise untersucht und durch die folgende
Vorgehensweise konkretisiert.

Für die Beantwortung der beiden Forschungsfragen werden zunächst der verwendete Risiko-
begriff und die Rolle des finanziellen Risikomanagements mit besonderem Fokus auf Kredit-
institute spezifiziert. Anschließend werden die beiden Risikomaße vorgestellt sowie deren Be-
rechnung unter Anwendung der Varianz-Kovarianz-Methode erläutert. Im nächsten Schritt
werden die Datenbasis der Untersuchung und die Methoden zur Schätzung der verschiedenen
Modelle sowie die Backtesting-Methoden zu Validierung der Modelle dargestellt. Darauffol-
gend werden die Ergebnisse der empirischen Untersuchung präsentiert und interpretiert. Zum
Schluss werden die wichtigsten Schlussfolgerungen der empirischen Untersuchung zusam-
mengefasst.
 3

2 Grundlagen des Risikomanagements

„It is a world of change we live in, and a world of uncertainty. We live only knowing something
about the future; while the problems of life, or of conduct at least, arise from the fact that we
know so little.“9

Zukünftige Ereignisse sind unsicher und nicht mit Gewissheit bekannt.10 Daher ist jede unter-
nehmerische Tätigkeit risikobehaftet.11 Im Gegensatz zum Kölschen Ethos „Et hätt noch im-
mer jot jejange“12 erfordert dies im Rahmen der Betriebswirtschaftslehre eine zielgerichtete
Steuerung. Daher setzt sich das Risikomanagement als Bestandteil der strategischen Unterneh-
mensführung insbesondere mit der Antizipation und Handhabung möglicher Abweichungen
bei der Verfolgung unternehmerischer Ziele auseinander.13

Das Management finanzieller Risiken hat in Folge zunehmender Internationalisierung der Han-
delsbeziehungen, höherer Volatilitäten an den Finanzmärkten, Schaffung neuer Finanzinstru-
mente sowie der stärkeren Regulierung der Finanzmärkte im Laufe der letzten Jahrzehnte so-
wohl für Industrieunternehmen als auch für Kredit- und Finanzinstitute stetig an Bedeutung
und Komplexität gewonnen.14 Während Industrieunternehmen i.d.R. spezifische Geschäftsris-
ken eingehen, die es ihnen erlauben, einen Wettbewerbsvorteil zu generieren und finanzielle
Risiken möglichst vermeiden, stellt die aktive Verwaltung finanzieller Risiken eine Kerntätig-
keit von Kredit- und Finanzinstituten dar.15

Das Risikomanagement ist ein kontinuierlicher Prozess, welcher sich in die folgenden Aufga-
ben bzw. Phasen unterteilen lässt: die Identifikation von Risiken, die Messung der Risikopo-
tenziale, die Sicherstellung und Überwachung der Risikotragfähigkeit, die Steuerung oder Ver-
meidung von Risikopotenzialen und die Berichterstattung über die Risikoposition.16 Auf
Grund des Umfangs dieser Arbeit werden im Folgenden ausschließlich die Identifikation und
die Messung von Risiken näher beleuchtet.

9
Knight (1921), S. 199.
10
Vgl. ebenda, S. 201f.
11
Vgl. Hartmann-Wendels u.a. (2019), S. 253.
12
Vgl. [Link] (o.J.), Paragraph 3.
13
Vgl. Hager / Romeike (2020), S. 58-60, 87.
14
Vgl. Hull (2018), S. 1 f.; Deutsch / Beinker (2014), S. 3.
15
Vgl. Horsch / Kaltofen (2020), S. 28; Hartmann-Wendels u.a. (2019), S. 272; Deutsch / Beinker (2014), S. 383.
16
Vgl. Hager / Romeike (2020), S. 88; BCBS (2011), S. 3.
 4

2.1 Erläuterung des Risikobegriffs

Die Messung von Risikopotenzialen setzt eine klare Definition des Risikobegriffs voraus. Ri-
siko im weiteren Sinne beschreibt die Unsicherheit zukünftiger Ereignisse.17 Jedoch ist zu be-
rücksichtigen, dass nicht alle Einflussfaktoren auf zukünftige Ereignisse erkennbar und mess-
bar sind.18 Daher muss Unsicherheit in die Unterkategorien messbare Unsicherheit und Unge-
wissheit unterteilt werden. Die messbare Unsicherheit zukünftiger Ereignisse wird als Risiko
im engeren Sinne bezeichnet.19 Im Folgenden wird sich ausschließlich mit dem Risiko i.e.S.
auseinandergesetzt, da nur dieses Risiko quantifizierbar und somit im Risiko-Management-
Prozess berücksichtigt werden kann.

Im Gegensatz zur umgangssprachlichen Verwendung des Risikobegriffs umfasst Risiko i.e.S.

sowohl positive als auch negative Abweichungen von einer erwarteten Zielgröße.20 Dieses
Verständnis des Risikobegriffs lässt sich u.a. auch in der Portfoliotheorie wiederfinden.21 Den
negativen Zielabweichungen, auch „Gefahren“22 oder „downside risk“23 genannt, wird in der
Literatur und in der Praxis i.d.R. ein übergeordneter Stellenwert zugewiesen, da sich diese
nachteilig auf das Unternehmensergebnis und die Unternehmensexistenz auswirken können.24
Positive Zielabweichungen, auch „Chancen“25 genannt, stellen keine Bedrohung für das Un-
ternehmen dar. Dennoch sollten diese im Rahmen des Risikomanagements berücksichtigt wer-
den, um unternehmerische Entscheidungen ganzheitlich zu beurteilen.26 Jedoch messen sowohl
der VaR als auch der ES ausschließlich „downside risks“. Aufgrund der Beschaffenheit der
beiden Downside-Risikomaße und der höheren Relevanz in der Literatur und Praxis werden
im weiteren Verlauf der Arbeit überwiegend negative Zielabweichungen thematisiert.27

Unternehmerische Tätigkeiten sind mit einer Vielzahl an Risiken verbunden. Diese Risiken
lassen sich im Wesentlichen in die Unterkategorien der finanziellen und operationellen Risiken
unterteilen.28 Die finanziellen Risiken beschreiben mögliche Verluste, welche aus Verände-
rungen an den Finanzmärkten resultieren können.29 Sowohl der Regulator als auch die Literatur

17
Vgl. Winston (2024), S. 1; Bruns u.a. (2017), S. 55.
18
Vgl. Knight (1921), S. 210f.
19
Vgl. Bruns u.a. (2017), S. 55 f.; Knight (1921), S. 233.
20
Vgl. Bruns u.a. (2017), S. 56; Hager / Romeike (2020), S. 77f.
21
Vgl. Markowitz (1952), S. 89; Sharpe (1964), S. 428f.
22
Hager / Romeike, (2020), S. 78.
23
Poncet / Portait (2022), S. 1107.
24
Vgl. ebenda, S. 1106.
25
Hager / Romeike (2020), S. 78.
26
Vgl. Hager / Romeike (2020), S. 78 f.; COSO (2017), S. 9.
27
Vgl. Poncet / Portait (2022), S. 1103-1107; Hartmann-Wendels u.a. (2019), S. 282-286.
28
Vgl. Baule (2019), S. 32f.
29
Vgl. Baule (2019), S. 32f.; Jorion (2001), S. 4.
 5

unterscheiden hierbei i.d.R. zwischen den folgenden drei Unterkategorien: Kreditrisiken, auch
Ausfall- oder Adressenausfallrisiken genannt, Marktpreisrisiken und Liquiditätsrisiken.30

Das Marktpreisrisiko wird im Rahmen dieser Arbeit folgendermaßen definiert: „The risk of
disadvantageous variations of one or more prices, interest rates, indices, exchange rates, vola-
tilities, or other factors affecting the markets.“31 Diese Grundrisiken, auch Risikofaktoren ge-
nannt, umfassen u.a. Aktien-, Devisen-, Rohstoffkurse oder Zinsen. Schwankungen dieser Ri-
sikofaktoren können sich direkt im Preis eines Vermögensgegenstandes wie z. B. dem Preis
einer Aktie widerspiegeln oder den Wert eines anderen Finanzinstruments wie z. B. eines De-
rivats, beeinflussen.32

Das Marktpreisrisiko eines Finanzinstruments kann sowohl aus einer titelspezifischen bzw.
einzelwirtschaftlichen Besonderheit des Finanzinstruments als auch aus marktinhärenten Un-
sicherheiten stammen.33 Titelspezifische Risiken, welche in der Literatur als unsystematische
oder idiosynkratische Risiken bezeichnet werden, können durch die Allokation des Portfolios
in unterschiedlichen, idealerweise schwach korrelierten Finanzinstrumenten verringert bzw.
eliminiert werden, ohne die Renditeerwartung des Portfolios zu senken (siehe Abb. 15 und 16
im Anhang).34 Diese Eigenschaft wird als Diversifikation bezeichnet. Marktinhärente Risiken,
die auch als systematische Risiken bezeichnet werden, lassen sich nicht mittels Diversifikation
reduzieren, da diese die Gesamtheit einer Anlagekategorie beeinflussen.35 Sowohl die Höhe
des Gesamtrisikos als auch das Verhältnis zwischen systematischen und unsystematischen Ri-
siken kann über die Zeit variieren.36 Diese Überlegung ist Kernbestandteil der Portfolio-/Ka-
pitalmarkttheorie. Diversifikation spielt ebenfalls eine zentrale Rolle in der Ermittlung des
VaR und ES.37

Aufgrund der höheren Relevanz des Value at Risk-Ansatzes in Bezug auf Marktpreisrisiken
werden im Folgenden der VaR und ES primär für die Quantifizierung von Marktpreisrisiken
näher behandelt. Weiterentwicklungen des VaR ermöglichen ebenfalls die Messung weiterer
finanzieller Risiken wie z. B. die Messung von Kreditrisiken mittels des Credit Value at Risk.38

30
Vgl. BaFin (2023), AT 2.2 Risiken; Hartmann-Wendels u.a. (2019), S. 272f.; Baule (2019), S. 33.
31
Poncet / Portait (2022), S. 1103.
32
Vgl. Deutsch / Beinker (2014), S. 7.
33
Vgl. Bruns u.a. (2017), S. 56f.
34
Vgl. Poncet / Portait (2022), S. 891f.; Bruns u.a. (2017), S. 57.
35
Vgl. Bruns u.a. (2017), S. 57.
36
Vgl. Ding u.a. (2011), S. 398.
37
Vgl. Jorion (2001), S.150-152.
38
Vgl. Poncet / Portait (2022), S. 1103; Baule (2019), S. 128; RiskMetrics Group (2007), S. 5-8.
 6

2.2 Einführung des Value at Risk als Instrument zur Risikomessung

Ein erfolgreiches Risikomanagement setzt eine systematische Quantifizierung von Risiken vo-
raus.39 Für die Quantifizierung von Marktpreisrisiken können verschiedene Risikoindikatoren
benutzt werden. Die Wahl des Risikoindikators ist u.a. vom beabsichtigten Anwendungsbe-
reich abhängig. Beispielsweise finden Sensitivitätskennzahlen wie die sogenannten „Greeks“
im Handel mit Derivaten häufig Anwendung, um verschiedene Risiken komplexer Finanzin-
strumente isoliert zu bewerten.40 Dennoch stellen sich diese Risikomaße als zu komplex und
unzureichend heraus, um Risiken auf der Top-Management-Ebene zu beurteilen. Daher wer-
den die Downside-Risikomaße VaR und ES i.d.R. für diese Anwendung eingesetzt.41

2.2.1 Definition und Grundgedanken des Value at Risk

In der Literatur existiert eine Vielzahl an Definitionen: So beschreibt der Value at Risk den
maximalen erwarteten Wertverlust eines Portfolios bei einem gegeben Konfidenzniveau über
einen bestimmten Zeithorizont.42 Mittels des VaR kann das globale Verlustrisiko eines Portfo-
lios anhand einer Zahl in Geldeinheiten quantifiziert werden. Dies ermöglicht eine leicht ver-
ständliche Interpretation des Marktpreisrisikos.43 Dieser Vorteil soll anhand des folgenden Bei-
spiels verdeutlicht werden:

Angenommen der VaR aller Positionen des Handelsbuches eines Kreditinstituts läge bei einem
Konfidenzniveau von 99% über einem Zeithorizont von einem Handelstag bei 10 Mio. €, so
kann das Management folgende Aussage über das Risikopotenzial des Handelsgeschäfts täti-
gen: Mit einer Sicherheit von 99% wird der Verlust, welchen das Kreditinstitut am nächsten
Handelstag erleiden könnte, nicht 10 Mio. € überschreiten bzw. mit einer Wahrscheinlichkeit
von 1% wird der Verlust, welchen das Kreditinstitut am nächsten Handelstag erleiden könnte,
10 Mio. € überschreiten.44 Auf Grundlage dieser Erkenntnis kann das Management Entschei-
dungen über die Steuerung des Risikos treffen.

Der VaR kann für ein Portfolio, welches sich aus einer Vielzahl an Einzelpositionen zusam-
mensetzt, bestimmt werden. Diese Einzelpositionen können sowohl Long- als auch Short-Po-
sitionen verschiedener Finanzinstrumente wie z. B. Aktien, Anleihen, Devisen und Derivate
umfassen.45 Es ist notwendig, die Diversifikationseffekte zwischen den Finanzinstrumenten

39
Vgl. Hager / Romeike (2020), S. 88f.
40
Vgl. Hull (2022), S. 499.
41
Vgl. Hull (2022), S. 608; Poncet / Portait (2022), S. 1105.
42
Vgl. Poncet / Portait (2022), S. 1105; Jorion (2001), S. 22; J.P. Morgan / Reuters (1996), S. 6.
43
Vgl. Hull (2022), S. 608; Bruns u.a. (2017), S. 80.
44
Vgl. Hull (2022), S. 608f.
45
Vgl. Poncet / Portait (2022), S. 1105.
 7

und Risikofaktoren zu berücksichtigen, um das globale Verlustrisiko des Portfolios adäquat zu

beurteilen. Für die Ermittlung des VaR wird die Diversifikation des Portfolios berücksichtigt.
Daher ist der VaR i.d.R. in der Lage, die Risiken diverser Assetklassen übergreifend zusam-
menzufassen.46

Die soeben beschriebenen Eigenschaften des VaR ermöglichen es sowohl dem Management
als auch dem Regulator, die Marktpreisrisiken eines Kreditinstituts bzw. dessen untergeordne-
ter Abteilungen zu bewerten. Daher gestattet der Regulator, Kreditinstituten die Ermittlung der
notwendigen Eigenmittel zur Deckung ihrer Marktpreisrisiken mittels sogenannter interner
Modelle vorzunehmen. Eines der Risikomodelle, welche als internes Modell herangezogen
werden darf, ist der VaR.47 Generell gilt für die Ermittlung des VaR Modellfreiheit.48 Dennoch
sind für verschiedene Parameter der Modelle regulatorische Grenzwerte festgelegt.49

Die Quantifizierung des Risikos eines Portfolios ist mit verschiedenen Herausforderungen ver-
bunden, da der zukünftige Wert des Portfolios nicht deterministisch bekannt ist. Für die Er-
mittlung des VaR sowie des ES wird daher im Rahmen des finanziellen Risikomanagements
u.a. auf Methoden der Stochastik zurückgegriffen.50 Dies erlaubt es dem Risikomanagement,
den zukünftigen Wert eines Portfolios oder Finanzinstruments mittels einer Zufallsvariable zu
beschreiben.51 Trotz der weiten Verbreitung der beiden Risikomodelle, besteht kein einheitli-
cher Standard für die Notation und Berechnung des VaR und ES in der Literatur. Die vorlie-
gende Arbeit orientiert sich im Folgenden primär an der Notation von Embrechts u.a. (2005).

Der Wert eines Portfolios zum Zeitpunkt t wird als V(t) bezeichnet. Dieser ist zum Zeitpunkt t
beobachtbar. Der zukünftige Wert eines Portfolios zum Zeitpunkt t+, V(t+), ist eine Zufalls-
variable. Die Wertveränderung des Portfolios über den Zeitraum  ist daher ebenfalls eine
stochastische Größe, welche anhand des Verlusts Lt+1 gemessen wird: 52

𝐿 : = 𝐿[ ,( ) ] = −(𝑉  −𝑉) (1)

46
Vgl. Poncet / Portait (2022), S. 1120; J.P. Morgan / Reuters (1996), S. 33.
47
Vgl. Verordnung (EU) Nr. 575/2013, Artikel 365, Abs. 1.
48
Vgl. EZB (2024), S. 180.
49
Vgl. Verordnung (EU) Nr. 575/2013, Artikel 365, Abs. 1; Broll / Förster (2022), S. 82.
50
Vgl. Embrechts u.a. (2005), S. 1 f.
51
Vgl. Bruns u.a. (2017), S. 55; Delbean (2000), S. 22 f.
52
Vgl. Embrechts u.a. (2005), S. 25 f.
 8

Für die Ermittlung des VaR, wie auch für weitere moderne Risikokennzahlen, ist es notwendig,
die Verteilungsfunktion der möglichen zukünftigen Verluste Lt+1 zu schätzen. Die Verteilungs-
funktion FL(l) beschreibt die kumulative Wahrscheinlichkeitsverteilung der Verluste. Diese
gibt sowohl Auskunft über die Größe der Abweichungen von der Zielgröße als auch deren
erwartete Eintrittswahrscheinlichkeiten. Diese kann folgendermaßen beschrieben werden:53

𝐹 (𝑙) = 𝑃(𝐿 ≤ 𝑙), 𝑙 ∈ ℝ. (2)

Im Folgenden wird angenommen, dass FL(l) stetig und monoton steigend ist und für 𝑙 → −
gegen 0 und für 𝑙 →  gegen 1 konvergiert. Die erste Ableitung von FL ist die Dichtefunktion
fL:54

𝐹 (𝑙) = 𝑓 (𝑢)𝑑𝑢 (3)



Der Value at Risk, VaR(L), über den Zeithorizont  bei Konfidenzniveau , entspricht dem
-Quantil, q, der Verteilungsfunktion FL, also dem kleinsten Wertverlust l für den die Wahr-
scheinlichkeit, dass der Verlust L diesen übersteigt, nicht größer ist als (1 - ).55 Daher kann
VaR folgendermaßen formal definiert werden:56

𝑉𝑎𝑅 (𝐿) = 𝑖𝑛𝑓{𝑙 ∈ ℝ: P(L > 𝑙) ≤ 1 − 𝛼} = 𝑖𝑛𝑓{𝑙 ∈ ℝ: 𝐹 (𝑙) ≥ 𝛼} (4)

Mittels der Inversen von FL lässt sich daher der VaR(L) folgendermaßen berechnen:57

𝑞 (𝐹 ) ≔ 𝐹 (𝛼) = 𝑖𝑛𝑓 {𝑙 ∈ ℝ: 𝐹 (𝑙) ≥ 𝛼}

(5)

𝑉𝑎𝑅 (L) = 𝑞 (𝐹) ⟺ 𝑓 (𝑢)𝑑𝑢 =  (6)



Sowohl das Konfidenzniveau  als auch der Zeithorizont  können frei gewählt werden. Der
Zeithorizont  wird auch als Haltedauer bezeichnet. Bei der Wahl der Parameter sollte berück-
sichtigt werden, dass diese es ermöglichen sollten, das Risiko des Portfolios möglichst effektiv
einzuschätzen und zu steuern. Daher ist es zu empfehlen, den Zeithorizont des Modells an die

53
Vgl. Embrechts u.a. (2005), S. 35-37.
54
Vgl. Embrechts u.a. (2005), S. 37; Roccioletti (2016), S. 7.
55
Vgl. ebenda.
56
Vgl. Embrechts u.a. (2005), S. 38.
57
Vgl. ebenda, S. 39.
 9

Liquidität der Finanzinstrumente und der Hedgeinstrumente, welche zur Absicherung gegen
die aus den Finanzinstrumenten resultierenden Risiken verwendet werden können, anzupas-
sen.58 Die gängigsten Parameter für die Berechnung des VaR für Marktpreisrisiken sind ein
Konfidenzniveau von 95%, 99% oder 99,9% und eine Haltedauer von einem, zehn oder 30
Tag(en).59 Der Regulierung erfordert ein Konfidenzniveau von 99% und einen Zeithorizont
von 10 Tagen für interne Modelle zur Berechnung der Eigenkapitalanforderungen bezüglich
Marktpreisrisiken.60 Außerdem sollte bei der Wahl des Konfidenzniveaus berücksichtigt wer-
den, dass insbesondere die Validierung von Modellen mit sehr hohen Konfidenzniveaus mit
einer besonderen Schwierigkeit verbunden ist, wie in Kapitel 3.3 näher beschrieben wird.61

Für die Schätzung der Verteilungsfunktion und somit die Ermittlung des VaR werden drei
gängige Methoden verwendet: Varianz-Kovarianz-Methode, Historische Simulation und
Monte-Carlo-Simulation.62 Die Varianz-Kovarianz-Methode ist die am weitesten verbreitete
Methode zur Berechnung des VaR und Gegenstand dieses Beitrags.63

Für die Ermittlung des VaR mithilfe der Historischen Simulation werden die historischen oder
theoretischen Wertveränderungen des Portfolios über den Zeithorizont  für T Zeitpunkte in
der Vergangenheit berechnet. Hierzu können die historischen Wertveränderungen des Portfo-
lios herangezogen werden oder falls dies nicht vorhanden ist, die theoretischen Wertverände-
rungen des Portfolios berechnet werden, indem die historischen Veränderungen der Risikofak-
toren zu Grunde gelegen werden. Der VaR(L) entspricht dem (𝑇 ∙ (1 − ))-größten histori-
schen bzw. theoretischen Verlust.64 Im Rahmen der empirischen Untersuchung wird die His-
torische Simulation als Benchmark für die Varianz-Kovarianz-Methode verwendet.

Die Monte-Carlo-Simulation beschreibt eine fortgeschrittene Methodik, welche insbesondere

für Portfolios angewendet wird, deren Finanzinstrumente nur begrenzt bzw. nicht durch ana-
lytische Behandlung zugänglich sind. Hierbei wird eine sehr große Anzahl an zufälligen, zu-
künftigen Szenarien für die zugrundeliegenden Risikofaktoren simuliert, mit deren Hilfe die
Verteilung der zukünftigen Wertveränderungen des Portfolios geschätzt werden kann.65

58
Vgl. Poncet / Portait (2022), S. 1116.; Hull (2018), S. 279 f.
59
Vgl. Poncet / Portait (2022), S. 1116; Baule (2019), S. 128.
60
Vgl. Verordnung (EU) Nr. 575/2013, Artikel 365, Abs. 1; Broll / Förster (2022), S. 82.
61
Vgl. Jorion (2001), S. 135 f.
62
Vgl. Melnyk / Pavliuk (2022), S. 45; Jorion (2001), S.205 f.
63
Vgl. Huang (2013), S. 228.
64
Vgl. Poncet / Portait (2022), S. 1123; Hull (2022), S. 611-613; Baule (2019), S. 147-149; Jorion (2001), S.221f.
65
Vgl. Poncet / Portait (2022), S. 1063f.; Baule (2019), S. 143f.; J.P. Morgan / Reuters (1996), S. 151.
 10

2.2.2 Varianz-Kovarianz-Methode und deren Annahmen

Im Rahmen der Varianz-Kovarianz-Methode wird die Verteilung der Verluste analytisch mit-
hilfe einer parametrischen Funktion modelliert.66 Wie in Kapitel 2.1 beschrieben, ist der Wert
eines Finanzinstruments bzw. Portfolios von einem oder mehreren Risikofaktoren abhängig.
Daher kann der Wert des Portfolios als Funktion f der Risikofaktoren modelliert werden.67 Die
Risikofaktoren eines Portfolios werden mittels des d-dimensionalen Zufalls-Vektors Zt = (Zt,1,
…, Zt,d) beschrieben. Es wird angenommen, dass Zt zum Zeitpunkt t beobachtbar ist. Daraus
folgt:68

𝑉 = 𝑓(𝑡, 𝒁 ) (7)

Für das Risikomanagement ist insbesondere die Wertveränderung des Portfolios und somit die
Veränderung der Risikofaktoren von Relevanz. Die Reihe der Veränderungen der Risikofak-
toren kann mithilfe des Vektors (𝑿 ) ∈ℕ mit 𝐗 𝒕 : = 𝒁 − 𝒁 beschrieben werden.69 Daher
entspricht der Verlust der Portfolios:70

𝐿 = −(𝑉 − 𝑉 ) = −(𝑓(𝑡 + 1, 𝒁 + 𝑿 ) − 𝑓(𝑡, 𝒁 )) (8)

Da die Risikofaktoren Zt zum Zeitpunkt t bekannt sind, wird die Verlustfunktion durch die
Veränderungen der Risikofaktoren Xt+1 bestimmt. Der „loss operator“ l[t] beschreibt den Ver-
lust für eine konkrete Veränderung der Risikofaktoren:71

𝑙[ ] (𝒙) = −(𝑓(𝑡 + 1, 𝒁 + 𝒙) − 𝑓(𝑡, 𝒁 )) (9)

Die Beziehung zwischen der Wertveränderung eines Finanzinstruments und der Veränderung
eines zugrundeliegenden Risikofaktors ist je nach Finanzinstrument unterschiedlich.72 Für Fi-
nanzinstrumente mit näherungsweise linearen Abhängigkeiten zwischen den Veränderungen
der Risikofaktoren und den Wertveränderungen des Portfolios kann die Delta-Normal-Me-
thode angewendet werden.73 Wenn f differenzierbar ist, so kann mithilfe dieser Methode der

66
Vgl. Jorion (2001), S. 110 f.
67
Vgl. Embrechts u.a. (2005), S. 20.
68
Vgl. ebenda, S. 20.
69
Vgl. ebenda.
70
Vgl. ebenda, S. 21.
71
Vgl. ebenda, S. 27.
72
Vgl. ebenda, S. 26.
73
Vgl. Poncet / Portait (2022), S. 1130.
 11

Verlust in Abhängigkeit von der Veränderung der Risikofaktoren mittels der ersten Ableitung
Lt+1 bzw. l[t] approximiert werden:74

𝐿 = − 𝑓(𝑡, 𝒁 ) − 𝑓 (𝑡, 𝒁 ) 𝑋 , (10)

𝑙[ ] = − 𝑓(𝑡, 𝒁 ) − 𝑓 (𝑡, 𝒁 ) 𝑥 (11)

Die Delta-Normal-Methode ist nicht anzuwenden für Finanzinstrumente, wie z. B. Optionen,

deren Wertveränderung in einer nicht-lineare Beziehungen zu ihren Risikofaktoren stehen. Ins-
besondere für starke Veränderungen der Risikofaktoren sowie lange Zeithorizonte können
große Abweichungen zwischen den geschätzten und tatsächlichen Wertveränderungen auftre-
ten.75 Für die Untersuchung dieser Finanzinstrumente sind Weiterführungen dieser Methode,
wie z.B. die Delta-Gamma-Methode oder die Monte-Carlo-Simulation, zu empfehlen.76 Da im
Rahmen dieser Arbeit ausschließlich Aktienindizes sowie deren Fremdwährungsrisiken unter-
sucht werden, wird lediglich die Delta-Normal-Methode näher erläutert.

Für Aktien(-indizes) und Devisen können die logarithmierten Preise als Risikofaktoren (Zt)
bzw. die logarithmierten Renditen als Veränderungen der Risikofaktoren (Xt) betrachtet wer-
den. Eine Veränderung des Risikofaktors hat hierbei einen direkten linearen Einfluss auf den
Wert des Finanzinstruments. Das Delta des Finanzinstruments entspricht Eins. Daher lässt sich
der Verlust Lt+1 für Portfolios, welche sich aus den beschriebenen Finanzinstrumenten zusam-
mensetzen, folgendermaßen ermitteln:77

𝐿 = −(𝑉 − 𝑉 ) = −𝑉 𝜔 , (𝑒 , − 1) (12)

bzw. für dessen erste Ableitung nach 78

𝐿 = −𝑉 𝜔,𝑋 , (13)

74
Vgl. Embrechts u.a. (2005), S. 27; Duffie / Pan (1997), S. 4.
75
Vgl. Duffie / Pan (1997), S. 41.
76
Vgl. Poncet / Portait (2022), S. 1145; Duffie / Pan (1997), S. 44-46.
77
Vgl. Embrechts u.a. (2005), S. 29.
78
Vgl. ebenda, S. 29.
 12

wobei t,i die Gewichtung der jeweiligen Finanzinstrumente im Portfolio beschreibt. Für die
ersten beiden Momente der linearisierten Verluste ergibt sich daher:79

𝐸 𝑙[ ] (𝑿) = −𝑉 𝝎 𝝁 = −𝑉 𝜇 (14a)

𝑉𝑎𝑟 𝑙[ ] (𝑿) = 𝑉 𝝎 𝜮𝝎 = 𝑉 𝜎 (14b)

Für die Spezifikation der Verteilungsfunktion sowie die Schätzung der Parameter können ver-
schiedene ökonometrische Verfahren herangezogen werden.80 Im Rahmen der Varianz-Kova-
rianz-Methode wird häufig unterstellt, dass die Veränderungen der Risikofaktoren multivariat
normalverteilt sind: 𝐗 ~N (𝛍, 𝚺).81 Die Normalverteilungsannahme für die logarithmierten
Renditen von Aktien- und Devisenkursen ist eine über das finanzielle Risikomanagements hin-
aus übliche Annahme.82 Wenn Xt multivariat normalverteilt ist, so ist die lineare Funktion von
Xt, 𝑙[ ] , univariat normalverteilt. Daher lässt sich die Verteilung von 𝑙[ ] folgendermaßen be-
schreiben:83

𝐿 = 𝑙[ ] (𝑿 )~𝑁(−𝑉 𝝎 𝝁, 𝑉 𝝎 𝜮𝝎) = 𝑙[ ] (𝑿 )~𝑁 𝜇 , 𝜎 (15)

Ein entscheidender Grund für die Normalverteilungsannahme ist die Vereinfachung der Be-
rechnung des VaR(L).84 Für die Ermittlung des VaR(L) werden neben dem Konfidenzniveau
 und der Haltedauer  ausschließlich die erwartete Wertveränderung p und die erwartete
Volatilität p des Portfolios über den Zeitraum  benötigt:85

𝑉𝑎𝑅 (𝐿) = 𝑉 ∙ (𝜇 + 𝜎 Φ (𝛼)) (16)

Φ (𝛼) beschreibt das -Quantil der Standardnormalverteilung, welches auch als z-Wert des
einseitigen Konfidenzintervalls bezeichnet wird. Die z-Werte, welche mit den am häufigsten
angewandten Konfidenzniveaus assoziiert werden, lauten folgendermaßen: 86

Φ (0,95) ≈ 1,64; Φ (0,99) ≈ 2,33; Φ (0,999) ≈ 3,09 (17)

79
Vgl. Embrechts u.a. (2005), S. 49.
80
Vgl. Duffie / Pan (1997), S. 6.
81
Vgl. Embrechts u.a. (2005), S. 66; J.P. Morgan / Reuters (1996), S. 72.
82
Vgl. Hull (2022), S. 403, 417; Bruns u.a. (2017), S. 54 f.
83
Vgl. Embrechts u.a. (2005), S. 49.
84
Vgl. Jorion (2001), S. 91.
85
Vgl. J.P. Morgan / Reuters (1996), S. 65 f.
86
Vgl. ebenda, S. 69.
 13

Eine weitere gängige Annahme, welche im Rahmen der Berechnung des VaR getroffen wird,
ist, dass für kurze Zeithorizonte wie z. B. einen Handelstag ( = 1) die erwartete Wertverän-
derung Null entspricht (p = 0).87

Abschließend wird anhand eines Beispiels die Ermittlung des VaR unter den oben beschriebe-
nen Annahmen mithilfe (16) veranschaulicht. Unterstellt der VaR(L) soll bei einem Kon-
fidenzniveau von  = 95% und einem Zeithorizont von einem Handelstag  = 1 für ein Port-
folio ermittelt werden, welches einen gegenwärtigen Marktwert von Vt = 100 Mio. € und eine
erwartete tägliche Volatilität der Renditen in Höhe von  p = 1% hat. So kann mittels (16) der
VaR0,95 wie folgt berechnet werden:

𝑉𝑎𝑅 , = 100 𝑀𝑖𝑜. € ∙ 1,64 ∙ 0,01 = 1,64 𝑀𝑖𝑜. € (18)

Mit einer Sicherheit von 95% wird der Verlust des Portfolios am nächsten Handelstag nicht
1,64 Mio. € überschreiten.

Der VaR dieses Portfolios lässt sich folgendermaßen grafisch darstellen:

Abbildung 1: Value at Risk für ein exemplarisches Portfolio bei einem 95% Konfidenzniveau
Quelle: Eigene Darstellung.

2.2.3 Defizite des Value at Risk als Risikoindikator

Nicht erst seit der globalen Finanzkrise steht der VaR insbesondere in Bezug auf die Annah-
men, welche in den RiskMetrics enthalten sind, in der Kritik.88 Der VaR besitzt sowohl me-
thodische Schwächen als auch technische Herausforderungen in der Umsetzung. Die zentrale
methodische Schwäche des VaR ist die fehlende Subadditivität. Wenn ein Risikomaß subad-
ditiv ist, dann ist die Summe der Risiken zweier individuell betrachteter Portfolios immer

87
Vgl. Poncet / Portait (2022), S. 1112 f.; J.P. Morgan / Reuters (1996), S. 51.
88
Vgl. Poncet / Portait (2022), S. 1142f.; BCBS (2014), S. 3.
 14

gleich groß oder größer als das kombinierte Risiko dieser beiden Portfolios. Der VaR ist nicht
subadditiv, weshalb dieser nicht die Kriterien eines kohärenten Risikomaßes89 erfüllt.90
Außerdem trifft der VaR als Risikoindikator keine Aussage über die Verteilung der möglichen
Verluste jenseits des VaR.91 Der VaR misst das Verlustrisiko ausschließlich anhand des maxi-
mal erwarteten Verlusts eines Portfolios innerhalb eines Konfidenzniveaus mittels des -
Quantils. Der VaR kann für zwei Portfolios identisch sein. Jedoch können die Verluste, die
den VaR überschreiten, stark voneinander abweichen, da die Portfolios unterschiedliches Ver-
halten an den Rändern der Verteilungsfunktionen aufweisen (siehe Abb. 2). Werden die Risi-
ken der beiden Portfolios ausschließlich anhand des VaR verglichen, so lässt sich kein Unter-
schied zwischen diesen feststellen. Allerdings sind Kenntnisse über die Höhe der Verluste jen-
seits des VaR sowie deren Verteilung von besonderer Wichtigkeit für das finanzielle Risiko-
management, um u.a. die Risikotragfähigkeit des Unternehmens oder Kreditinstituts sicherzu-
stellen.92

Abbildung 2: Value at Risk unter besonderem Verhalten der Ränder der Verteilungsfunktion
Quelle: Baule (2019), S. 154.

Neben den konzeptionellen Schwächen des VaR präsentiert ebenfalls die praktische Imple-
mentierung des VaR in das Risikomanagementsystem eines Finanzinstituts oder Unterneh-
mens verschiedene Herausforderungen. Für die Kalkulation des VaR mittels der Varianz-
Kovarianz-Methode werden, wie in Abschnitt 2.2.2 beschrieben, diverse Annahmen über das
Verhalten der Finanzinstrumente und Risikofaktoren getroffen.

89
Sind die Eigenschaften Monotonie, Translationsinvarianz, positive Homogenität und Subadditivität erfüllt, so
wird ein Risikomaß als kohärent bezeichnet.
90
Vgl. Poncet / Portait (2022), S. 1143; Fredriksson / Johansson (2020), S. 5f.; Arztner u.a. (1998), S. 15.
91
Vgl. Hull (2018), S. 273f.
92
Vgl. Poncet / Portait (2022), S. 1145; Hull (2018), S. 17.
 15

Finanzzeitreihen weisen verschiedene Charakteristika auf, die eine Modellierung erschweren.

Zu diesen zählen u.a. Asymmetrien, hohe Autokorreliertheit, kontemporäre Korrelationen,
schwere Flanken und Spitzigkeit sowie Volatilitätscluster.93 Üblicherweise ist die empirische
Verteilung der Renditen von Finanzanlagen nicht völlig symmetrisch, sondern zeigt eine
schwache Asymmetrie. Stark negative Renditen treten etwas häufiger auf als stark Positive.
Damit einher geht eine der häufigsten Kritikpunkte am VaR-Konzept einher: die Annahme der
Normalverteilung der Renditen. Einerseits sind extreme Wertveränderungen empirisch häufi-
ger zu beobachten als unter der Normalverteilung angenommen wird (schwere Verteilungsen-
den). Andererseits treten sehr kleine Renditen häufiger auf (Spitzigkeit). Die Verteilung der
beobachtbaren Renditen ist dann leptokurtisch. Wenn für das Verhalten der Risikofaktoren
eine Normalverteilung unterstellt wird, ist daher davon auszugehen, dass extreme Verlust mit-
tels des VaR unterschätzt werden.94
Bei der Untersuchung der zeitlichen Struktur von Finanzrenditen können Volatilitätscluster
auftreten. Dabei wechseln sich bei der Beobachtung der Tagesrenditen Phasen hoher und ge-
ringer Volatilität unregelmäßig ab – auch als bedingte Heteroskedastizität bekannt. Auf einen
Tag mit hohen Ausschlägen folgen weitere Tage hoher Kursschwankungen. Dasselbe gilt um-
gekehrt. Das nicht-konstante Verhalten der Risikofaktoren erschwert die Schätzung der
Schwankungsintensität.95 Mit den im Zeitablauf wechselnden Volatilitäten geht eine hohe Au-
tokorrelation der absoluten und quadrierten Tagesrenditen einher. Neben der Veränderung der
Volatilität, lässt sich teilweise eine Veränderung der Abhängigkeitsstruktur zwischen den Ren-
diten in Stresssituationen beobachtet. Teilweise lassen sich insbesondere für Aktienindizes in
Stresssituationen höhere Korrelation beobachten.96 Jedoch ist dieser Zusammenhang nicht ein-
deutig.97
Auf Grund der konzeptionellen Schwächen des VaR hat sich u.a. der ES in den vergangenen
Jahren als Ergänzung zum VaR etabliert. Dieser wird im folgenden Kapitel näher erklärt. Die
präsentierten technischen Herausforderungen bestehen für alle Risikomaße des VaR-Ansatz,
welche mit der Varianz-Kovarianz-Methode berechnet werden. Diese können mithilfe abwei-
chender Modellannahmen berücksichtigt werden. Eine Auswahl möglicher Methoden zur Ap-
proximation des Verhaltens der Risikofaktoren werden in 3.2 vorgestellt und im Rahmen der
empirischen Untersuchung mit den in 2.2.2 präsentierten Annahmen verglichen.

93
Vgl. Schmid / Trede (2006, S. 12f.
94
Vgl. Poncet / Portait (2022), S. 1142; Hull (2018), 218-220.
95
Vgl. Enow (2023), S. 81f.
96
Vgl. Taamouti / Tsafack (2009), S. 18 f.; Longin / Solnik (2001), S. 671.
97
Vgl. Attig / Sy (2021), S. 22f.
 16

2.3 Einführung des Expected Shortfall als Ergänzung zum Value at Risk
Für die Messung der Verluste jenseits des VaR können verschiedene Rand-Risikomaße wie
der Expected Shortfall (ES) herangezogen werden. Dieser misst den erwarteten Verlust, wenn
der VaR überschritten wird.98 Daher stellt der ES per Definition eine Ergänzung zum VaR dar.

Der ES kann folgendermaßen für jegliche Verteilungsfunktionen FL formal definiert werden:99

1 (19)
𝐸𝑆 (𝐿) = ∗ (𝐸(𝐿; 𝐿 ≥ 𝑞 ) + 𝑞 ∗ ((1 − 𝛼) − 𝑃(𝐿 ≥ 𝑞 )))
1−𝛼
Alternative Risikomaße wie der Conditional Value at Risk (CVaR) als Spezialfall des Tail-
Conditional-Expectation (TCE) können unter Annahme einer stetigen Verteilungsfunktion der
Verluste synonym zum ES verwendet werden.100

Unter Annahme einer stetigen Verteilungsfunktion FL, welche auch für den VaR im Rahmen
der Varianz-Kovarianz-Methode angenommen wird, kann der ES folgendermaßen vereinfacht
definiert werden:101

𝐸(𝐿; 𝐿 ≥ 𝑞 (𝐿)) (20)

𝐸𝑆 (𝐿) = 𝐸(𝐿|𝐿 ≥ 𝑉𝑎𝑅 ) =
1−𝛼
Der ES ist äquivalent zum arithmetischen Mittel der erwarteten Wertverluste oberhalb des
VaR.102 Daher lässt sich der ES folgendermaßen berechnen:103

1 1 (21)
𝐸𝑆 (𝐿) = 𝑞 (𝐹 )𝑑𝑢 = 𝑉𝑎𝑅 (𝐿)𝑑𝑢
1−𝛼 1−𝛼

Unter der in 2.3.2 erwähnten Annahme der Normalverteilung lässt sich die Berechnung des ES
folgendermaßen vereinfachen, wobei  die Dichte der Standardnormalverteilung beschreibt:
104

𝜙(Φ (𝛼)) (22)

𝐸𝑆 (𝐿) = 𝑉 ∗ 𝜇 + 𝜎
1−𝛼

98
Vgl. Bruns u.a. (2017), S. 80 f.
99
Vgl. Embrechts u.a. (2005), S. 1 f.
100
Vgl. Acerbi / Tasche (2002), S. 3 ff.
101
Vgl. Poncet / Portait (2022), S. 1145; Acerbi / Tasche (2001), S. 383.
102
Vgl. Poncet / Portait (2022), S. 1145.
103
Vgl. Embrechts u.a. (2005), S. 44 f.; Acerbi / Tasche (2002), S. 7.
104
Vgl. Poncet / Portait (2022), S. 1146; Embrechts u.a. (2005), S. 45.
 17

Der ES lässt sich wie folgt veranschaulichen:

Abbildung 3: Value at Risk und Expected Shortfall für ein exemplarisches Portfolio bei einem 95% Konfidenz-
niveau
Quelle: Eigene Darstellung.

Ein signifikanter Vorteil des ES gegenüber dem VaR, ist die Beschaffenheit die Risiken hoher
Verluste, welche sich in den Rändern der Verteilungsfunktion befinden, zu berücksichtigen.105
Während der VaR unter Annahme zweier verschiedener Verteilungsfunktionen identisch sein
kann, kann der ES der beiden Modelle dennoch stark voneinander abweichen, wenn die Ränder
der Verteilungsfunktionen unterschiedliche Charakteristika aufweisen (siehe Abb. 2).106 Ins-
besondere für leptokurtische Verteilungen, wie sie häufig bei Finanzmarktrenditen zu beobach-
ten sind, kann der ES daher eine sinnvolle Ergänzung zum VaR sein, um das veränderte Ver-
halten an den Rändern der Verteilungsfunktion zu berücksichtigen.107 Außerdem kann im Zuge
des Fundamental Review of Trading Book eine Verschiebung des Fokus der Regulierung vom
VaR hin zu ES beobachtet werden. 108 Daher gewinnt dieser zunehmend an Bedeutung für die
Gesamtbanksteuerung. Dennoch stellt die Validierung des ES eine Herausforderung dar, weil
diese vom Backtesting des VaR abweicht. Jedoch können diese Backtests ebenfalls leicht im-
plementiert werden, wie in 3.3 näher beschrieben wird.109

105
Vgl. Poncet / Portait (2022), S. 1145.
106
Vgl. Poncet / Portait (2022), S. 1147; Baule (2019), S. 154; Hull (2018), S. 273f.
107
Vgl. Poncet / Portait (2022), S. 1147.
108
Vgl. BCBS (2014), S. 3; Hartmann-Wendels u.a. (2019), S. 284, 657 f.; Fredriksson / Johansson (2020), S. 6.
109
Vgl. Poncet / Portait (2022), S. 1147f.; Du / Escanciano (2015), S. 4f.
 18

3 Methodik und Daten

3.1 Datenbasis

Alle verwendeten Daten entstammen dem Finanzportal [Link] und sind frei zugänglich. Im
Rahmen dieser Arbeit wird ein Portfolio untersucht, welches exemplarisch eine global diver-
sifizierte Investition in Aktien im Large- und Mid-Cap-Segment widerspiegelt. Die Refe-
renzwährung dieses Portfolios ist EUR. Als Finanzanlagen werden die täglichen Schlusskurse
der folgenden neun Aktienindizes und fünf Wechselkurse bestimmt: CAC 40, DAX 40, FTSE
MIB, FTSE 100, Hang Seng Index, IBEX 35, Nikkei 225, SMI, S&P 500, CHF/EUR,
GBP/EUR, HKD/EUR, JPY/EUR, USD/EUR. Alle der oben aufgezählten Aktienindizes wer-
den im Untersuchungsportfolio gleich gewichtet. Die Gewichtung wird über den gesamtem
Untersuchungszeitraum konstant gehalten. Zur Berücksichtigung des Fremdwährungsrisikos,
welches für einen Anleger mit Referenzwährung EUR entsteht, werden zusätzlich die oben
aufgezählten Wechselkurse als Risikofaktoren einbezogen.110

Sowohl für die Berechnung der Risikomaße als auch die Durchführung des Backtestings wer-
den die angepassten täglichen Schlusskurse bzw. logarithmierten Renditen im Zeitraum vom
04.01.1999 bzw. 05.01.1999 bis zum 30.04.2024 verwendet. Aufgrund der unterschiedlichen
Handelstage der Aktienindizes und Wechselkurse werden ausschließlich die Tage beobachtet,
an den jeder der Risikofaktoren gehandelt wurde.111 Somit ergeben sich für alle 14 Risikofak-
toren jeweils 5350 tägliche Schlusskurse und 5349 tägliche logarithmierte Renditen (siehe Tab.
4 und 5 im Anhang). Die täglichen logarithmierten Renditen werden folgendermaßen ermit-
telt:112

𝑃
𝑟 = ln (23)
𝑃

Da die Schlusskurse der Aktienindizes und Wechselkurse täglich zu verschiedenen Uhrzeiten

ermittelt werden, besteht eine Asynchronität der Daten. Diese wird jedoch auf Grund des gro-
ßen Beobachtungszeitraums im Rahmen dieser Arbeit vernachlässigt.113

110
Vgl. Deutsch / Beinker (2014), S. 556.
111
Vgl. J.P. Morgan / Reuters (1996), S. 170.
112
Vgl. ebenda, S. 46.
113
Vgl. ebenda, S. 185.
 19

Für die Untersuchung der Daten werden die logarithmierten Renditen der Risikofaktoren SMI
und CHF/EUR für den 15. Januar 2015 wegen des sogenannten „Franken-Schocks“ gleich Null
gesetzt. Ausschlaggebend dafür ist die Einschätzung, dass die kurzfristige Entscheidung der
Schweizerischen Nationalbank die Untergrenze des Frankenkurses aufzuheben, ein einmaliges
Ereignis ist, das nicht repräsentativ für die Eigenschaften dieser beiden Risikofaktoren ist.114

Alle Risikofaktoren weisen durchschnittliche logarithmierte Renditen von nahe 0 auf. Die lo-
garithmierten Renditen der untersuchten Aktienindizes besitzen eine höhere tägliche Volatili-
tät, zwischen 1,22% und 1,63%, als die untersuchten Wechselkurse, zwischen 0,41% bis
0,81%. Außerdem lässt sich für die Risikofaktoren i.d.R. schiefe und leptokurtische Verteilun-
gen der Renditen beobachten (siehe Tab. 5 im Anhang).

Die untersuchten Renditen weisen u.a. schwere Verteilungsenden und Volatilitätscluster auf,
wie an den Tests zur Untersuchung der univariaten und multivariaten Normalverteilung und
univariaten Heteroskedastizität zu erkennen ist (siehe Tab. 6 im Anhang). Diese Beobachtun-
gen stimmen mit den erwarteten Eigenschaften von Finanzzeitreihen überein. Dennoch lässt
sich für das Verhalten der Renditen davon ausgehen, dass diese stationär sind (siehe Tab. 6 im
Anhang). Dies deutet daraufhin, dass sich die Renditen trotz variierender Volatilität über den
Zeitverlauf hinweg sich um einen stabilen Mittelwert bewegen. Anhand des Beispiels des DAX
40 werden diese Charakteristika mittels der Abbildungen 4 bis 6 grafisch verdeutlicht.

DAX 40
15%
tägliche Rendite (in %)

10%

5%

0%

-5%

-10%

-15%

DAX 40

Abbildung 4: Liniendiagramm der logarithmierten Renditen – DAX 40, 05.01.1999 - 30.04.2024

Quelle: Eigene Darstellung.

114
Vgl. Baltensperger u.a. (2015), S. 8.
 20

Abbildung 5: QQ-Plot der logarithmierten Renditen – DAX 40, 05.01.1999 - 30.04.2024

Quelle: Eigene Darstellung.

DAX 40
1200
Anzahl der Tage

1000

800

600

400

200

0
(0,0%, 0,5%]
(0,5%, 1,0%]
(1,0%, 1,5%]
(1,5%, 2,0%]
(2,0%, 2,5%]
(2,5%, 3,0%]
(3,0%, 3,5%]
(3,5%, 4,0%]
(4,0%, 4,5%]
(4,5%, 5,0%]
(5,0%, 5,5%]
(5,5%, 6,0%]
(6,0%, 6,5%]
(6,5%, 7,0%]
(7,0%, 7,0%]
> 7,0%
(-7,0%, -6,5%]
(-6,5%, -6,0%]
(-6,0%, -5,5%]
(-5,5%, -5,0%]
(-5,0%, -4,5%]
(-4,5%, -4,0%]
(-4,0%, -3,5%]
(-3,5%, -3,0%]
(-3,0%, -2,5%]
(-2,5%, -2,0%]
(-2,0%, -1,5%]
(-1,5%, -1,0%]
(-1,0%, -0,5%]
≤ -7,0%

(-0,5%, 0,0%]

tägliche Rendite (in %)

Abbildung 6: Histogramm der logarithmierten Renditen – DAX 40, 05.01.1999 - 30.04.2024

Quelle: Eigene Darstellung.

Anhand der Korrelationsmatrix der Renditen lassen sich verschiedene Muster erkennen (siehe
Tab. 7 im Anhang). Es bestehen unterschiedlich stark ausgeprägte Diversifikationseffekte zwi-
schen den stationären Renditen der Finanzindizes. Unter anderem stechen die folgenden Be-
obachtungen heraus: Es lassen sich i.d.R. höhere Korrelationen jeweils unter den Renditen
einer Assetklasse beobachten als Assetklassen übergreifend. Aktienmärkte, die in geografi-
scher Nähe zueinander liegen, sind i.d.R. höher korreliert als geografisch distanzierte Märkte.
Diese beiden Beobachtungen stimmen mit den Erwartungen überein.
 21

3.2 Ermittlung des Value at Risk und Expected Shortfall mittels der Vari-
anz-Kovarianz-Methode

Auf der Grundlage der Renditen werden die Verlustfunktionen des Portfolios mittels sieben
verschiedener Modelle geschätzt. Hierbei wird ein rollierendes Fenster der letzten 250 Tage
betrachtet. Das Zeitfenster von 250 Handelstagen entspricht ungefähr einem Jahr.115 Für alle
Modelle wird jeweils mit einem Konfidenzniveau von 95% und 99% gerechnet und infolge
der hohen Liquidität der Portfolio-Komponenten ein Zeithorizont von einem Handelstag ange-
setzt. Damit werden sowohl der VaR als auch der ES mittels jeder der sieben Modelle jeweils
für zwei Konfidenzniveaus für 5099 Tage geschätzt. Die untersuchten Risikomodelle besitzen
die folgenden Bezeichnungen und Charakteristika:

Tabelle 1: Übersicht der zu untersuchenden Risikomodelle

Bezeichnung des Methode zur Schätzung der Volatilitä- Verteilungsan-

Methode
Modells ten und Korrelationen nahme

Varianz-Kova-
VaR/ES-_N gleich gewichtet Normalverteilung
rianz

Varianz-Kova- Studentsche t-
VaR/ES-_T gleich gewichtet
rianz Verteilung

VaR/ES- Varianz-Kova-
exponentiell gewichtet mit  = 0,97 Normalverteilung
_N_EWMA_0.97 rianz

VaR/ES- Varianz-Kova-
exponentiell gewichtet mit  = 0,94 Normalverteilung
_N_EWMA_0.94 rianz

VaR/ES- Varianz-Kova- Studentsche t-

exponentiell gewichtet mit  = 0,97
_T_EWMA_0.97 rianz Verteilung

VaR/ES- Varianz-Kova- Studentsche t-

exponentiell gewichtet mit  = 0,94
_T_EWMA_0.94 rianz Verteilung

Historische Si-
VaR/ES-_HS - -
mulation

Quelle: Eigene Darstellung.

115
Vgl. Embrechts u.a. (2005), S. 26.
 22

Die Modelle VaR-_HS und ES-_HS dienen als Benchmark, um einen Vergleich der Vari-
anz-Kovarianz-Methode zur Historischen Simulation zu ermöglichen. Die Historische Simu-
lation wird ebenfalls mit einem rollierenden Fenster von 250 Tagen durchgeführt. Die Metho-
den für die Ermittlung der Risikomaße mittels der Varianz-Kovarianz Methode werden in den
folgenden Abschnitten erläutert. Hierbei wird insbesondere die Ermittlung der Varianz-Kova-
rianzmatrix und die Eigenschaften der parametrischen Verteilungsfunktionen näher beleuchtet.

3.2.1 Ermittlung der Varianz-Kovarianzmatrix

Die Matrix X mit den Dimensionen (T x K) beschreibt die täglichen Renditen der Indizes für
jeden Tag des Beobachtungszeitraums. Für die Schätzung der Risikomodelle werden die letz-
ten 250 Tage (T = 250) aller 14 Risikofaktoren (K = 14) betrachtet.116

𝑟, … 𝑟,
𝐗= ⋮ ⋱ ⋮ (24)
𝑟, … 𝑟,

Die erwartete tägliche Rendite lässt sich mittels des Durchschnitts in der Stichprobe für jeden
Index schätzen:117

1
𝜇̂ = 𝑟, (25)
𝑇

Im Folgenden wird die Methodik zur Schätzung gleich gewichteter Volatilitäten und Kovari-
anzen näher erläutert. Die tägliche Volatilität eines Index entspricht der Quadratwurzel der
Varianz der Renditen über die Zeit:

1
𝜎 = 𝑟 , − 𝜇̂ (26)
𝑇

Die Abhängigkeitsstruktur zweier Variablen Xi und Xj wird durch ihre Kovarianz beschrieben,
welche sich folgendermaßen ermitteln lässt:

𝜎 = 𝐶𝑜𝑣(𝑋 , 𝑋 ) = 𝐸 (𝑋 − 𝐸[𝑋 ]) 𝑋 − 𝐸 𝑋 (26)

116
Vgl. J.P. Morgan / Reuters (1996), S. 177.
117
Vgl. Franke u.a. (2019), S. 40ff.
 23

Die Varianz-Kovarianzmatrix beschreibt somit die Schwankungsintensität und Abhängigkeits-

struktur aller Risikofaktoren. Für gleich gewichtete Varianzen und Kovarianzen kann diese
folgendermaßen berechnet werden:118

⎡𝜎 𝜎 … 𝜎 ⎤ 𝑉𝑎𝑟(𝑋 ) 𝐶𝑜𝑣(𝑋 , 𝑋 ) … 𝐶𝑜𝑣(𝑋 , 𝑋 )

𝑋 𝑋 ⎢𝜎 𝜎 … 𝜎 ⎥ = 𝐶𝑜𝑣(𝑋 , 𝑋 ) 𝑉𝑎𝑟(𝑋 ) … 𝐶𝑜𝑣(𝑋 , 𝑋 )
𝜮= =⎢ ⎥
𝑇 ⋮ ⋮ ⋱ ⋮
⎢ ⋮ ⋮ ⋱ ⋮ ⎥
⎣𝜎 𝜎 … 𝜎 ⎦ 𝐶𝑜𝑣(𝑋 , 𝑋 ) 𝐶𝑜𝑣(𝑋 , 𝑋 ) … 𝑉𝑎𝑟(𝑋 )

⎡ 1 1 1 ⎤
𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ … 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂
⎢ 𝑇 𝑇 𝑇 ⎥ (27)
⎢ ⎥
⎢1 1 1 ⎥
= ⎢𝑇 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ … 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ ⎥
𝑇 𝑇
⎢ ⎥
⎢ ⋮ ⋮ ⋱ ⋮ ⎥
⎢1 1 1 ⎥
⎢ 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ … 𝑟 , − 𝜇̂ ⎥
⎣𝑇 𝑇 𝑇 ⎦

Alternativ kann die Varianz-Kovarianzmatrix mit exponentiell gewichteten Varianzen und

Kovarianzen berechnet werden. Unter der Annahme, dass die unmittelbar vorhergehenden
Marktgegebenheiten eine höhere Aussagekraft über die aktuelle Risikoposition des Portfolios
besitzen, kann es sinnvoll sein eine exponentielle Gewichtung vorzunehmen. Beispielsweise
können dadurch Phänomene wie z. B. Volatilitätscluster besser berücksichtigt werden, da die
volatileren Märkte, welche aktuell zu beobachten sind, stärker ins Gewicht fallen. Rapide An-
stiege der Volatilität können intensiver eingehen, was eine schnellere Anpassung der Risiko-
maße an die aktuellen Marktgegebenheiten ermöglicht. Demgegenüber werden volatile
Marktphasen auch wieder schneller vergessen, was eine unverhältnismäßig hohe Risikoein-
schätzung vermeidet, sobald eine ruhigere Marktsituation vorherrscht.

Die exponentiell gewichtete Volatilität eines einzelnen Risikofaktors lässt sich folgenderma-
ßen berechnen:119

𝜎 = (1 − 𝜆) 𝜆 𝑟 , − 𝜇̂ (28)

Hierbei beschreibt  den sogenannten Zerfallsfaktor. Dieser bestimmt das Maß der Gewich-
tung. Für den Zerfallsfaktor kann ein Wert zwischen 0 und 1 gewählt werden.120 Wenn  = 1

118
Vgl. Chan / Chariag (2024), S. 101; Franke u.a. (2019), S. 368.
119
Vgl. J.P. Morgan / Reuters (1996), S. 78.
120
Vgl. J.P. Morgan / Reuters (1996), S. 78.
 24

ist, dann entspricht die Varianz-Kovarianzmatrix der gleich gewichteten Varianz-Kovarianz-

Matrix. Je kleiner der Zerfallsfaktor ist, desto stärker werden jüngere Ereignisse gewichtet
(siehe Abb. 17 im Anhang).121 Häufig verwendete Werte für , welche ebenfalls im Rahmen
der RiskMetrics empfohlen werden, sind 0,94 für tägliche Werte und 0,97 für monatliche
Werte.122

Für die Berechnung der exponentiell gewichteten Varianz-Kovarianzmatrix ist es zu empfeh-

len, zunächst die Renditen der Matrix X mittels des Zerfallsfaktors anzupassen.123

𝑟, … 𝑟,
⎡ ⎤
⎢ √𝜆𝑟 , … √𝜆𝑟 , ⎥
⎢ ⋮ … ⋮ ⎥
𝑋=⎢ ⎥ (29)
𝜆 𝑟, … 𝜆 𝑟,
⎢ ⎥
⎢ ⋮ … ⋮ ⎥
⎣ 𝜆 𝑟, … 𝑟, ⎦

Anschließend kann mittels der neuen Matrix 𝐗 folgendermaßen die Varianz-Kovarianzmatrix

berechnet werden:124

⎡𝜎 𝜎 … 𝜎 ⎤
𝚺= 𝜆 𝑋 𝑋 = ⎢⎢ 𝜎 𝜎 … 𝜎 ⎥
⎥
⎢ ⋮ ⋮ ⋱ ⋮ ⎥
⎣𝜎 𝜎 … 𝜎 ⎦

⎡ 𝜆 𝑟 , − 𝜇̂ 𝜆 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ … 𝜆 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ ⎤ (30)
⎢ ⎥
⎢ ⎥
⎢ ⎥
= 𝜆 ⎢ 𝜆 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ 𝜆 𝑟 , − 𝜇̂ … 𝜆 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ ⎥
⎢ ⎥
⎢ ⋮ ⋮ ⋱ ⋮ ⎥
⎢ ⎥
⎢ 𝜆 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ 𝜆 𝑟 , − 𝜇̂ 𝑟 , − 𝜇̂ … 𝜆 𝑟 , − 𝜇̂ ⎥
⎣ ⎦

Die Ermittlung des Risikos unter exponentieller Gewichtung bringt verschiedene Herausfor-
derungen mit sich. Da kurzfristige Anstiege des Risikopotenzials in extremerer Größenord-
nung und Geschwindigkeit auftreten können, kann dies die Eigenkapitalplanung eines Kredit-
instituts erheblich erschweren. Darüber hinaus stellt die Wahl eines geeigneten Zerfallsfakors
 eine Herausforderung in der praktischen Implementierung dar. Ein besonders geringer Wert

121
Vgl. Hochegger (2010), S. 58.
122
Vgl. J.P. Morgan / Reuters (1996), S. 97.
123
Vgl. Franke u.a. (2019), S. 368; J.P. Morgan / Reuters (1996), S. 179.
124
Vgl. ebenda.
 25

für  kann dazu führen, dass kurzfristige Marktschwankungen übergewichtet werden. Hieraus
können verzerrte Aussagen über das Risikopotenzial des Portfolios resultieren. Die Stabilität
des Risikomaßes kann beeinträchtigt werden. Dagegen dämpft ein höherer Wert nahe 1 für 
den Effekt der exponentiellen Gewichtung, wodurch der Unterschied zur gleichen Gewichtung
an Bedeutung verliert. Daher werden im Rahmen dieser Arbeit die Risikomodelle, welche die
Volatilität des Portfolios mittels exponentieller Gewichtung schätzen, sowohl mit 1 = 0,94
und 2 = 0,97 berechnet. Die effektive Anzahl an berücksichtigten Beobachtungsdaten Teff
kann folgendermaßen ermittelt werden:125

ln (1 − 𝜆) ∑ 𝜆
(31)
𝑇 =
ln 𝜆

Hieraus folgt für 1 = 0,94 und 2 = 0,97 eine effektive Anzahl von Beobachtungsdaten von
Teff,1 = 11,21 und Teff,2 = 22,75 (siehe Abb. 17 im Anhang). Die Regulierung fordert eine mini-
male Anzahl effektiver Beobachtungstage von 125 Tagen.126

Nachdem die Varianz-Kovarianzmatrix geschätzt wurde, kann die Volatilität des Portfolios
berechnet werden. Im Rahmen dieser Untersuchung verfügt jeder Aktienindex über dasselbe
Gewicht im Portfolio. Daher ergibt sich für das Gewicht jeden Index 𝜔 = = .

Wird die Gewichtung auf Grundlage der Anzahl der Aktienindizes ermittelt, so werden sowohl
das Aktienkursrisikos als auch das Wechselkursrisiko gleichermaßen berücksichtigt. Somit
ergibt sich für die Schätzung der Volatilität des Portfolios:127

𝜎 = √𝝎 𝜮𝝎 bzw. 𝜎 = 𝝎 𝜮𝝎 (32)

Für die Untersuchung der beiden Risikomaße werden ausschließlich Methoden zur Ermittlung
der historischen Volatilität verwendet. Alternativ können auch implizierte Volatilitäten, wel-
che sich mittels der Optionspreise der am Markt gehandelten Optionen auf das jeweilige Un-
derlying ermitteln lassen, zur Berechnung der Risikomaße verwendet werden. Die Ermittlung
dieser ist rechenintensiver und erfordert eine größere Menge an Marktdaten.128

125
Vgl. Broll / Förster (2022), S. 82; J.P. Morgan / Reuters (1996), S. 93.
126
Vgl. Verordnung (EU) Nr. 575/2013, Artikel 365, Abs. 1; Broll / Förster (2022), S. 82.
127
Vgl. Embrechts u.a. (2005), S. 29.
128
Vgl. Hull (2022), S. 423.
 26

3.2.2 Modellierung der Verteilungsfunktion

Nachdem die Schwankungsintensität der Renditen des Portfolios geschätzt wurde, muss im
Rahmen der Varianz-Kovarianz-Methode eine Verteilungsfunktion der Verluste angenommen
werden, damit ein Quantil und somit der VaR bzw. der ES berechnet werden kann.129 Wie
bereits in 2.2.2 beschrieben, ist im Rahmen des Risikomanagements die Normalverteilungsan-
nahme die am weitesten verbreitete Annahme für die Verteilung der Renditen. Dennoch birgt
diese Schwächen bei der Approximation extremer Ereignisse, wie in 2.2.3 dargelegt und an-
hand der Untersuchung der Indizes in 3.1 zu erkennen ist.130 Da insbesondere die Ereignisse
an den Rändern der Verteilungsfunktion von großer Relevanz für die Ermittlung des VaR und
ES sind, werden daher im Rahmen der empirischen Untersuchung sowohl Modelle unter An-
nahme der Normalverteilung als auch der unter der Studentschen t-Verteilung betrachtet.

Beide parametrischen Verteilungen sind symmetrisch. Dennoch unterscheidet sich die Kurto-
sis der Verteilungen. Die Studentsche t-Verteilung ist leptokurtisch, d. h. dass u.a. den Ereig-
nissen an den Rändern der Verteilung bei gleichem Mittelwert und Standardabweichung eine
höhere Wahrscheinlichkeitsdichte zugewiesen wird. Dies ermöglicht die Berücksichtigung der
Fat-Tails im Risiko-Modell. Die Kurtosis der Verteilung ist abhängig von der Anzahl der Frei-
heitsgrade der t-Verteilung. Um so größer die Anzahl der Freiheitsgrade ist, desto stärker nä-
hert sich die t-Verteilung der Normalverteilung. Zur Veranschaulichung der Unterschiede der
beiden Verteilung sind in Abbildung 7 die standardisierte Normalverteilung und t-Verteilung
mit zehn Freiheitsgraden sowie deren 0,95- und 0,99-Quantil dargestellt.

Abbildung 7: Standard-Normalverteilung und t-Verteilung mit zehn Freiheitsgraden, 0,95- und 0,99-Quantil

129
Vgl. Poncet / Portait (2022), S. 1110.
130
Vgl. Poncet / Portait (2022), S. 1142; Hull (2018), 218-220.
 27

Wie aus (16) und (22) hervorgeht, kann unter der Annahme der Normalverteilung mittels des
-Quantils der Standard-Normalverteilung des VaR und mittels der Dichtefunktion der Stan-
dard-Normalverteilung des ES berechnet werden: 131

𝑉𝑎𝑅 (𝐿) = 𝑉 ∙ (𝜇 + 𝜎 Φ (𝛼)) (16)

𝜙(Φ (𝛼)) (22)

𝐸𝑆 (𝐿) = 𝑉 ∙ 𝜇 + 𝜎
1−𝛼

Unter Annahme der t-Verteilung kann die Verlustfunktion folgendermaßen modelliert wer-
den:132

𝐿 ~(𝜇 , 𝜎 , 𝑣) (33)

wobei  die Anzahl der Freiheitsgrade beschreibt. Der VaR und der ES lassen sich mittels des
-Quantils der standardisierten t-Verteilung, tv, und der Dichtefunktion der standardisierten t-
Verteilung, gv, berechnen.133

𝑉𝑎𝑅 𝐿 = 𝑉 ∙ (𝜇 + 𝜎 𝑡 (𝛼)) (34)

𝑔 (𝑡 (𝛼)) 𝑣 + (𝑡 (𝛼)) (35)

𝐸𝑆 𝐿 = 𝑉 ∙
1−𝛼 𝑣−1

Die Anzahl der Freiheitsgrade kann individuell frei festgelegt werden. Diese sollte jedoch eine
möglichst gute Approximation für das Verhalten der Risikofaktoren bieten. Im Rahmen dieser
Arbeit werden alle Modelle, für die eine t-Verteilung angenommen wird, mit zehn Freiheits-
graden berechnet.

Die Volatilität p wird, wie in Abschnitt 3.2.1 beschrieben, ermittelt. Jedoch wird nach Vorbild
der RiskMetrics für alle Modelle eine erwartete Rendite p von Null angenommen.134 Diese
Annahme spiegelt das Verhalten der Indizes über lange Beobachtungszeiträume wider (siehe
Tab. 5 im Anhang) und soll dazu dienen, eine positive bzw. negative Verzerrung in aufwärts-
gerichteten bzw. abwärtsgerichteten Marktphasen zu verhindern.

131
Vgl. Embrechts u.a. (2005), S. 39, 45.
132
Vgl. ebenda, S. 40.
133
Vgl. ebenda, S. 40, 46.
134
Vgl. Poncet / Portait (2022), S. 1112 f.; J.P. Morgan / Reuters (1996), S. 51.
 28

3.3 Backtesting

Die Qualität des finanziellen Risikomanagements ist von der Vorhersagegenauigkeit der Risi-
komodelle, welche zur Risikomessung verwendet werden, abhängig.135 Die Risikomessung
anhand des VaR bzw. ES mittels der Varianz-Kovarianz-Methode basiert u.a. auf Annahmen
bezüglich der Verteilung der Verluste sowie der Schätzung verschiedener Parameter wie z. B.
der Varianzen und Kovarianzen.136 Für die Validierung der Risikomodelle ist es unzureichend,
die zugrundeliegenden Annahmen und Parameter mithilfe von statistischen/ökonometrischen
Tests individuell zu überprüfen. Es ist notwendig die Güte des Risikomodells als Ganzes zu
bewerten.137 Die am weitesten genutzte Methode, welche ebenfalls von der Regulierung zur
Überprüfung interner Modelle gefordert wird, ist das sogenannte Backtesting.138

Backtesting beschreibt einen formalen statistischen Rahmen, bei dem überprüft wird, inwie-
fern die Verluste, welche ex post beobachtet werden können, mit den vom Risikomodell vor-
hergesagten Verlusten übereinstimmen.139 Hierbei werden die Vorhersagen des VaR- bzw. ES-
Modells mit den jeweils assoziierten Wertveränderungen des Portfolios verglichen.

Die am weitesten verbreitete Methode für das Backtesting des VaR, welche ebenfalls von der
Regulierung zur Validierung des VaR gefordert wird, ist der Proportion of Failure-Test (POF-
Test).140 Hierbei werden zunächst die tatsächlichen Verluste mit den vorhergesagten VaR auf
Grundlage der Daten des jeweiligen Vortages verglichen. Die Anzahl der Überschreitungen
des VaR durch die tatsächlichen Verluste innerhalb des Backtesting-Zeitraums T wird anhand
des Indikators 𝐼 (𝛼) ermittelt.141

( )
𝐼 (𝛼) = 𝐼 (𝛼),
(36)
( ) 0 𝑤𝑒𝑛𝑛 𝐿(𝑡 + 1) < 𝑉𝑎𝑅 𝐿(𝑡 + 1)
𝐼 (𝛼) ∶= 𝟙 ( ) ( ) =
1 𝑤𝑒𝑛𝑛 𝐿(𝑡 + 1) ≥ 𝑉𝑎𝑅 𝐿(𝑡 + 1)

Darauffolgend kann die relative Häufigkeit tatsächlicher Überschreitungen, (1 − 𝛼 ), mit der

erwarteten relativen Häufigkeit, (1 − 𝛼), verglichen werden. Anhand dessen, lässt sich

135
Vgl. Hager / Romeike (2020), S. 88f.
136
Vgl. Poncet / Portait (2022), S. 1130.
137
Vgl. Best (1998), S. 85.
138
Vgl. EZB (2024), S. 164 f.; Hull (2018), S. 285 f.; Verordnung (EU) Nr. 575/2013, Artikel 366.
139
Vgl. Fredriksson / Johansson (2020), S. 9; Jorion (2001), S. 129.
140
Vgl. EZB (2024), S. 174; Fredriksson / Johansson (2020), S. 10; Roccioletti (2016), S. 49.
141
Vgl. Costanzino / Curran (2017), S. 2; Roccioletti (2016), S. 46.
 29

beobachten, ob hohe Verluste häufiger oder seltener aufgetreten sind als das Risiko-Modell
erwartet.142 Dennoch muss für die Beurteilung der Genauigkeit des VaR-Modells überprüft
werden, ob die Abweichung in der Häufigkeit der vorhergesagten und realisierten Überschrei-
tungen statistisch signifikant ist. Dies kann mittels des POF-Test durchgeführt werden.143 Die
Nullhypothese des POF-Tests lautet:144

𝐼 (𝛼)
𝐻 : (1 − 𝛼 ) = (1 − 𝛼) = (37)
𝑇

Die Test-Statistik für die Testentscheidung, die log-likelihood ratio (LR), wird folgenderma-
ßen ermittelt:145

( ) ( ) ( ) ( )
𝐿𝑅 = −2 log (𝛼) (𝛼) + 2 log (𝛼 ) (𝛼 ) (38)

Unter der Nullhypothese ist LR asymptotisch Chi-Quadrat-verteilt mit einem Freiheitsgrad,

𝐿𝑅~𝜒 .146 Die Nullhypothese wird abgelehnt, wenn 𝐿𝑅 > 𝜒 (1 − 𝑝). Das Signifikanzniveau
des Tests, p, kann unabhängig vom Konfidenzniveau des VaR-Modells gewählt werden.147

Die Aussagekraft des POF-Tests ist stark von der Länge des Backtesting-Zeitraums abhängig.
Insbesondere können VaR-Modelle mit hohen Konfidenzniveaus bei kurzen Backtesting-Zeit-
räumen schwierig oder gar nicht aufgrund einer systematischen Unterschätzung des Risikos
abgelehnt werden (siehe Tab. 8 im Anhang).148 Daher sollte bei der Durchführung des POF-
Tests auf einen ausreichend großen Backtesting-Zeitraum geachtet werden.

Außerdem muss für die Festlegung des Signifikanzniveaus p eine Abwägung zwischen dem
Fehler erster Art und zweiter Art getroffen werden. Ein zu hohes Signifikanzniveau kann dazu
führen, dass eine größere Anzahl an Modellen abgelehnt wird, welche korrekte Ergebnisse
liefern (Fehler erster Art). Während ein zu geringes Signifikanzniveau wiederum dazu führen
kann, dass mehr Modelle, welche fehlerhaft sind, nicht abgelehnt werden (Fehler zweiter Art).
Im Rahmen dieser Arbeit wird für den POF-Test p = 0,05 festgelegt, da dies eine angemessene
Balance zwischen den Fehlern erster und zweiter Art schafft.149

142
Vgl. Fredriksson / Johansson (2020), S. 10.
143
Vgl. ebenda, S. 10.
144
Vgl. Kupiec (1995), S. 79.
145
Vgl. ebenda, S. 79.
146
Vgl. ebenda, S. 79.
147
Vgl. Jorion (2001), S. 134.
148
Vgl. ebenda, S. 135 f.
149
Vgl. Jorion (2001), S. 135 f.; Kupiec (1995), S. 80.
 30

Das Backtesting für den ES kann auf verschiedene Arten durchgeführt werden.150 Im Rahmen
dieser Arbeit wird ausschließlich der sogenannte Traffic Light Approach nach Costanzino/Cur-
ran (2017) näher behandelt. Diese Backtesting-Methode weist eine hohe Stabilität über ver-
schiedene Schätzverfahren hinweg auf und ermöglicht differenzierte Aussagen über die Qua-
lität des Risiko-Modells.151 Das Backtesting mittels des Traffic Light Approach zur Validie-
rung des ES unterscheidet sich vom Backtesting des VaR mittels des POF-Tests insbesondere
dadurch, dass im Rahmen dieses Backtestings nicht nur die Anzahl der Überschreitungen, son-
dern auch die Höhe der Überschreitungen ausschlaggebend für die Testentscheidung sind.

Im Rahmen des Traffic Light Approach wird analog zum POF-Test für jeden Tag des Beobach-
tungszeitraums gemessen, ob der VaR überschritten wird. Ergänzend wird die Schwere der
jeweiligen Überschreitung mittels 𝜃 ( ) (𝛼)
gemessen.152 Das Produkt dieser beiden Kompo-
( )
nenten wird anhand des ES-Überschreitungs-Indikators 𝐼 (𝛼) ausgedrückt.153 Die Summe
aller Indikatoren 𝐼 (𝛼) im Backtesting-Zeitraum kann folgendermaßen ermittelt werden:154

1
𝐼 (𝛼) ∶= 𝟙 ( ) ( ) 𝑑𝑙
1−𝛼
(39)
𝐹 (𝐿 ) ) (𝛼)𝐼 ( )
= 1− 𝟙 ( ) ( ) = 𝜃( (𝛼)
1−𝛼

Falls der tatsächliche Verlust des Portfolios den VaR leicht übersteigt, so nimmt 𝜃 ( ) (𝛼)

einen Wert nahe 0 an. Für besonders große Verluste konvergiert 𝜃 ( ) (𝛼)
gegen 1. Das Am-
pelsystem ordnet die Vorhersagegenauigkeit des Risiko-Modells in die drei Kategorien
„Grün“, „Gelb“ und „Rot“ ein. Die Einordnung des Risiko-Modells findet abhängig vom as-
, ,
soziierten Quantil der Verteilung Ψ (𝑥) für den Wert des Indikators 𝐼 (𝛼) statt. Ψ (𝑥)
beschreibt die kumulative Wahrscheinlichkeit des Indikatoren-Wertes für den Backtesting-
Zeitraum T bei Konfidenzniveau :155

,
Ψ (𝑥) ∶= 𝑃[𝐼 (𝛼) ≤ 𝑥] (40)

150
Vgl. Fredriksson / Johansson (2020), S. 11f.
151
Vgl. Fredriksson / Johansson (2020), S. 48f.; Costanzino / Curran (2017), S. 3ff.
152
Vgl. Costanzino / Curran (2017), S. 3.
153
Vgl. ebenda, S. 4.
154
Vgl. ebenda, S. 4.
155
Vgl. ebenda, S. 4.
 31

Mittels der Inversen kann das Quantil q für den Wert x bestimmt werden.156

,
Sup Ψ (𝑥) < 𝑞 (41)
∈{ ,)

Die Grenzwerte für die Unterscheidung der Zonen „Grün“, „Gelb“ und „Rot“ werden anhand
,
der Quantile der Funktion 𝛹 (𝑥) ermittelt. Im Rahmen dieser Arbeit wird in Orientierung an
Costanzino/Curran (2017) das Signifikanzniveau der Grenzen zwischen „Grün“ und „Gelb“
bzw. „Gelb“ und „Rot“ mit pgrge = 0,05 bzw. pgero = 0,0001 definiert. Daraus folgt:157

,
𝐺𝑟𝑒𝑛𝑧𝑒 ∶= sup Ψ (𝑥) < 0,95 (42a)
∈{ ,)

,
𝐺𝑟𝑒𝑛𝑧𝑒 ∶= sup Ψ (𝑥) < 0,9999 (42b)
∈{ ,)

Die Grenzen können unter der folgenden Nullhypothese berechnet werden durch:158

( )
𝐻: 𝐼 𝑖𝑖𝑑 ∀ 𝑖 ≠ 𝑗 𝑢𝑛𝑑 𝑃[𝐿 ≤ 𝑉𝑎𝑅 (𝐿)] = 𝛼 (43)

Unter der Nullhypothese kann angenommen werden, dass 𝐼 (𝛼) für große Backtesting-Zeit-
räume normalverteilt ist mit:159

lim 𝐼 (𝛼) ~𝑁(𝜇 , 𝜎 ) (44a)

→

1
𝜇 = (1 − 𝛼)𝑇 (44b)
2

4 − 3(1 − 𝛼)
𝜎 = (1 − 𝛼) 𝑇 (44c)
12

Im Rahmen dieser Arbeit wird das Backtesting der VaR-Modelle mittels des POF-Tests und
der ES-Modelle mittels des Traffic Light Approach täglich mit einem rollierenden Backtesting-
Fenster von 500 Tagen durchgeführt. Im Gegensatz zu den von der Regulierung geforderten
und ebenfalls in der Literatur häufig vertretenen 250 Tagen ermöglicht ein längerer Backtes-
ting-Zeitraum eine Ablehnung des VaR-Modells mit einem Konfidenzniveau von 0,99 sowohl

156
Vgl. Costanzino / Curran (2017), S. 4.
157
Vgl. ebenda, S. 4.
158
Vgl. ebenda, S. 4.
159
Vgl. ebenda, S. 4f.
 32

bei Unter- als auch Überschätzung des Risikos.160 Dennoch ermöglicht dieser Zeitraum eine
Vergleichbarkeit der Risikomodelle in verschiedenen Marktphasen. Somit ergeben sich je Mo-
dell 4600 Testentscheidungen für das Backtesting. Ergänzend wird außerdem das Backtesting
für alle Modelle über den gesamten Beobachtungszeitraum durchgeführt. Daher ergeben sich
die folgenden Grenzwerte für den POF-Test und den Traffic Light Approach:

Tabelle 2: POF-Test, Grenzwerte abhängig vom Backtesting-Zeitraum und Konfidenzniveau

Backtesting-Zeitfenster 500 Tage 5099 Tage

 des VaR-Modells 0,95 0,99 0,95 0,99

Region der Nicht-Ab-

16 < 𝐼 (𝛼) < 36 1<𝐼 (𝛼) < 10 225 < 𝐼 (𝛼) < 287 37 < 𝐼 (𝛼) < 66
lehnung

Quelle: Eigene Darstellung.

Tabelle 3: „Traffic Light Approach“, Grenzwerte abhängig vom Backtesting-Zeitraum und Konfidenzniveau

Backtesting-Zeitfenster 500 Tage 5099 Tage

 des ES-Modells 0,95 0,99 0,95 0,99

Grüner Bereich 𝐼 (𝛼) < 17,158 𝐼 (𝛼) < 4,616 𝐼 (𝛼) < 142,351 𝐼 (𝛼) < 32,251

17,158 < 𝐼 (𝛼) 4,616 < 𝐼 (𝛼) 142,351 < 𝐼 (𝛼) 32,251 < 𝐼 (𝛼)
Gelber Bereich < 23,033 < 7,283 < 161,110 < 40,770

Roter Bereich 𝐼 (𝛼) > 23,033 𝐼 (𝛼) > 7,283 𝐼 (𝛼) > 161,110 𝐼 (𝛼) > 40,770

Quelle: Eigene Darstellung.

160
Vgl. Kupiec (1995), S. 80.
 33

4 Empirische Ergebnisse

In diesem Kapitel werden zunächst die Ergebnisse der Untersuchung der verschiedenen VaR-
und ES-Modelle ausgewertet und miteinander verglichen. Anschließend werden die Ergeb-
nisse der Backtests dargestellt, um die Validität der verschiedenen Modelle zu bewerten. Zum
Schluss folgen die Interpretation dieser Ergebnisse und die Implikationen für das finanzielle
Risikomanagement.

Über den betrachteten Zeitverlauf vom 04.01.1999 bis zum 30.04.2024 lassen sich verschie-
dene Krisen und Stresssituationen beobachten, die adverse Auswirkungen auf den Wert der im
Portfolio enthaltenen Vermögensgegenstände haben. Im Rahmen dieser Arbeit werden die fol-
genden Zeiträume als Stresssituationen klassifiziert: Ende der Dot-Com-Blase (01.07.2000-
30.06.2003), globale Finanzkrise (01.07.2007-30.06.2009), Europäische Staatsschuldenkrise
(01.04.2011-31.12.2011), China-Crash und Griechenland-Krise (01.01.2015-30.03.2016),
Corona-Pandemie (01.01.2020-30.09.2020), Ukraine-Krieg und Zinswende (01.01.2022-
30.12.2022) (siehe Abb. 18-23 im Anhang). In Abbildung 8 ist der Gegenwert des Portfolios
über den Zeitverlauf dargestellt sowie die oben aufgezählten Stresssituationen gekennzeichnet.
Es ist erneut zu bemerken, dass bei der Berechnung des dargestellten Gegenwerts des Portfo-
lios die Annahme der konstanten Gewichtung der Einzelwerte über den gesamten Zeitraum
getroffen wird und Dividendenzahlungen vernachlässigt werden, da es sich bei den Einzelwer-
ten des Portfolios mit Ausnahme des DAX40 um Kursindizes handelt.

Gegenwert des Portfolios bei konstanter Gewichtung

2.200.000 €
2.000.000 €
Wert des Portfolios (in €)

1.800.000 €
1.600.000 €
1.400.000 €
1.200.000 €
1.000.000 €
800.000 €
600.000 €
400.000 €
1.1.99
1.1.00
1.1.01
1.1.02
1.1.03
1.1.04
1.1.05
1.1.06
1.1.07
1.1.08
1.1.09
1.1.10
1.1.11
1.1.12
1.1.13
1.1.14
1.1.15
1.1.16
1.1.17
1.1.18
1.1.19
1.1.20
1.1.21
1.1.22
1.1.23
1.1.24

Abbildung 8: Gegenwert des Portfolios im Zeitverlauf, 04.01.1999 – 30.04.2024

Quelle: Eigene Darstellung.

 34

4.1 Ergebnisse der Varianz-Kovarianz-Methode

Die Werte des VaR und ES sind nicht konstant, sondern variieren über die Zeit. Daraus lässt
sich schließen, dass das Risiko des Portfolios im Zeitverlauf nicht konstant ist. Alle Modelle
weisen eine rechtsschiefe Verteilung der Risiko-Werte auf (siehe Tab. 9-12 und Abb. 24, 25
im Anhang). Unter anderem lässt sich beobachten, dass das arithmetische Mittel der Risiko-
Werte für alle Modelle eindeutig oberhalb des Medians liegt (siehe Tab. 9-12 im Anhang).
Dies deutet daraufhin, dass für einen großen Anteil der Beobachtungen ein relativ geringes
Risiko gegeben ist, während ein kleiner Anteil der Beobachtungen ein sehr hohes Risiko auf-
weist. Dies stimmt mit den stilisierten Fakten von Finanzmarktrenditen überein.

Die Wahl der Verteilungsannahme bezüglich der Renditen hat einen eindeutigen Einfluss auf
die Höhe der Risikoeinschätzung. Modelle, für die eine Studentsche-t-Verteilung mit 10 Frei-
heitsgraden angenommen wird, schätzen c.p. das Risiko des Portfolios im Durchschnitt höher
ein als Modelle, welche eine Normalverteilung zugrundelegen (siehe Tab. 9-12 im Anhang).
Ausschlaggebend hierfür sind die Werte des 0,95- bzw. 0,99-Quantils der Standard-Normal-
verteilung und der standardisierten t-Verteilung mit 10 Freiheitsgraden (siehe Tab. 13 im An-
hang). Die Werte der beiden -Quantile sind höher für die t-Verteilung, woraus sich ein höhe-
rer VaR für diese Modelle ergibt. Neben dem höheren Wert des -Quantils ist das Verhältnis
zwischen ES und VaR aufgrund der Leptokurtosis der Verteilung ebenfalls größer für die t-
Verteilung. Dies trägt zu einer zusätzlichen Erhöhung der Risikoeinschätzung mittels des ES
bei (siehe Tab. 13 im Anhang).

Neben der Wahl der Verteilungsannahme lässt sich außerdem ein Zusammenhang zwischen
der Methode zur Ermittlung der Varianz-Kovarianz-Matrix und der durchschnittlichen Höhe
des VaR und ES beobachten. Je stärker das Modell die Vergangenheitswerte exponentiell ge-
wichtet, desto niedriger ist der durchschnittliche Wert des VaR und ES unter sonst gleichen
Bedingungen. Identisches gilt für den Median. Dies lässt sich u.a. darauf zurückführen, dass
die ruhigen Marktphasen einen größeren Zeitraum einnehmen als volatile Marktphasen. Wäh-
rend gleich gewichtete Varianzen und Kovarianzen träge auf die Beruhigung der Märkte rea-
gieren, berücksichtigen exponentiell gewichtete Varianzen und Kovarianzen die Normalisie-
rung der Märkte schneller und passen dementsprechend ihre Einschätzung an. Daher lassen
sich trotz der stärkeren Ausschläge in Stresssituationen niedrigere Durchschnittswerte für diese
Modelle beobachten (siehe Tab. 9-12 im Anhang).
 35

Die Wahl der Methode zur Ermittlung der Varianz-Kovarianz-Matrix hat einen starken Ein-
fluss auf die Schwankungsintensität der Indizes. Generell lässt sich feststellen, dass c.p. die
Schwankungsintensität für Modelle mit exponentieller Gewichtung mit dem Zerfallsfaktor 
= 0,94 am höchsten; bei exponentieller Gewichtung mit  = 0,97 am zweithöchsten und bei
gleicher Gewichtung am niedrigsten sind. Identisches lässt sich für die Schwankungsbreite, die
Differenz zwischen dem jeweiligen maximalen und minimalen Werten des VaR bzw. ES be-
obachten. Unter Verwendung der exponentiellen Gewichtung unterscheidet sich die Risikoein-
schätzung zwischen Phasen mit niedriger und hoher Volatilität sehr stark. Die besonders große
Berücksichtigung der kurzfristig beobachtbaren Marktsituation ist hierfür ausschlaggebend.
Modelle mit einem geringeren Zerfallsfaktor reagieren intensiver auf Veränderungen der Vola-
tilitäten und Korrelationen der Aktienindizes (siehe Tab. 9-12 im Anhang).

Die Unterschiede in der Schwankungsintensität und -breite sind in Abbildung 9 beispielhaft

anhand des Zeitraums 01.01.2001 bis 31.12.2003 für die Modelle VaR-0.95_N, VaR-
0.95_N_EWMA_0.97 und VaR-0.95_N_EWMA_0.94 dargestellt.

Vergleich: Ermittlung der Varianz-Kovarianzmatirx

0€
01.01.2001 - 31.12.2003
-10.000 €

-20.000 €

-30.000 €

-40.000 €

-50.000 €

-60.000 €

VaR-0.95_N VaR-0.95_N_EWMA_0.94
VaR-0.95_N_EWMA_0.97 Portfolio Return

Abbildung 9: Vergleich verschiedener Methoden zur Schätzung der Varianz-Kovarianzmatrix, 01.01.2001 –

31.12.2003

Quelle: Eigene Darstellung.

 36

Die Varianz-Kovarianz-Methode und die Historische Simulation schätzen die durchschnittli-

che Höhe des VaR bzw. ES und die Schwankungsintensität über den Gesamtzeitraum in ähn-
licher Größenordnung ein. Dennoch lässt sich beobachten, dass die Historische Simulation das
durchschnittliche Risiko für den VaR und ES mit Konfidenzniveau  = 0,99 jeweils am höchs-
ten und für den ES mit Konfidenzniveau  = 0,95 am zweithöchsten einschätzt. Währenddes-
sen liegt der VaR-0.95_HS nur im Mittelfeld im Vergleich zu den Berechnungen mittels der
Varianz-Kovarianz-Methode. Hierfür können zwei mögliche Erklärungen herangezogen wer-
den:

Zum einen kann es der Fall sein, dass die untersuchten Modelle der Varianz-Kovarianz-Me-
thode das Risiko insbesondere an den Rändern der Verteilungsfunktionen niedriger einschät-
zen als dies historisch zu beobachten ist. Im Gegensatz zur Varianz-Kovarianz-Methode be-
rücksichtigt die Historische Simulation extreme Preisbewegungen, sobald sie eine gewisse
Schwelle überschreiten, direkt im VaR bzw. ES. Daher ist diese Methode nicht abhängig von
der Annahme einer parametrischen Verteilung, sondern basiert direkt auf den beobachtbaren
historischen Ereignissen. Inwiefern diese Beschaffenheit der Historischen Simulation einen
Vorteil gegenüber der Varianz-Kovarianz-Methode in der Berücksichtigung der Fat-Tails dar-
stellt, wird im späteren Verlauf der Arbeit mittels des Backtestings näher beleuchtet.

Zum anderen reagiert die Historische Simulation träge auf Veränderungen der Märkte. Ext-
reme Verluste bleiben für einen Zeitraum von 250 Tagen im Gedächtnis. Angenommen es
lassen sich während einer Stresssituation mehrere sehr große Verluste innerhalb eines kurzen
Zeitraums beobachten, so kann dies dazu führen, dass der VaR und ES für die folgenden ca.
250 Tage weiterhin ein sehr großes Risiko für das Portfolio ausweisen, obwohl dies nicht mehr
zwingend in dieser Größenordnung gegeben ist. Dies verdeutlicht eine Schwäche der Histori-
schen Simulation bzw. eine Stärke der Varianz-Kovarianz-Methode − insbesondere unter Ver-
wendung exponentieller Gewichtung für die Berechnung der Varianz-Kovarianzmatrix. Diese
Beobachtung wird in Abbildung 10 anhand der globalen Finanzkrise für den Zeitraum
01.07.2007. bis 30.06.2010 verdeutlicht.
 37

Varianz-Kovarianz-Methode und Historischen Simulation

01.07.2007 - 30.06.2010
0€
-10.000 €
-20.000 €
-30.000 €
-40.000 €
-50.000 €
-60.000 €
-70.000 €
-80.000 €
-90.000 €

VaR-0.95_T_EWMA_0.97 VaR-0.95_HS Portfolio Return

Abbildung 10: Vergleich der Varianz-Kovarianz-Methode und Historischen Simulation anhand des VaR-
0.95_T_EWMA_0.97 und VaR-0.95_HS, 01.07.2007 – 30.06.2010.

Quelle: Eigene Darstellung.

Sowohl der VaR-0.95_T_EWMA_0.97 als auch der VaR-0.95_HS reagieren im Zeitraum Sep-
tember bis Dezember 2008 auf die großen Verluste bzw. die erhöhte Volatilität, welche sich
an den Aktien- und Devisenmärkten beobachten lässt. Der VaR-0.95_T_EWMA_0.97 steigt
während dieses Zeitraums von 22 531€ auf ein lokales Maximum von 67 230€. Der VaR-
0.95_HS steigt ebenfalls von einem Niveau von etwa 20 504€ auf 38 085€ an. Es lässt sich
jedoch eine Zeitversetzung im Anstieg der beiden Risikoindikatoren beobachten. Während der
VaR-0.95_T_EWMA_0.97 bereits am 31. Oktober 2008 seinen lokalen Höhepunkt erreicht,
liegt der VaR-0.95_HS zu diesem Zeitpunkt nur leicht über seinem Vorkrisenniveau mit etwa
24 689€. Ungefähr einen Monat später, am 02.12.2008, erreicht der VaR-0.95_HS sein vor-
rübergehendes Maximum von 38 085€. In den folgenden Monaten reduziert sich die Höhe des
VaR-0.95_T_EWMA_0.97 infolge der Abnahme der Volatilität kontinuierlich auf das Vorkri-
senniveau von unter 20 000€; während der VaR-0.95_HS bis Ende 2009 auf einem fast unver-
änderten Niveau von ungefähr 39 000€ verbleibt und sich erst reduziert, nachdem die Verluste
der globalen Finanzkrise aus dem Beobachtungsfenster fallen.
 38

Für den VaR-0.95_T_EWMA_0.97 lassen sich in den Jahren 2008 und 2009 jeweils für 7,83%
und 2,26% der Beobachtungstage Überschreitungen des VaR durch die beobachtbaren histori-
schen Verluste feststellen; während der VaR-0.95_HS für dieselben Zeiträume an 14,29% und
0,90% der Beobachtungstage Überschreitungen ausweist (siehe Tab. 14 im Anhang). Die Häu-
figkeiten der Überschreitungen liegen für den VaR-0.95_T_EWMA_0.97 somit sowohl wäh-
rend der volatilen Marktphase der globalen Finanzkrise als auch nachdem sich diese beruhigt
hat, näher an der erwarteten Häufigkeit von 5%.

Vergleichbare Muster lassen sich neben der globalen Finanzkrise ebenfalls für weitere Stress-
situationen beobachten (siehe Tab. 20-27 im Anhang). Im Folgenden wird das Verhalten der
verschiedenen Risikomodelle während Stresssituationen sowie im darauffolgenden 12-Mo-
nats-Zeitraum näher betrachtet. Für die Beurteilung der verschiedenen Modelle während und
nach Stresssituationen werden die in (36) und (39) beschriebenen Indikatoren bzw. aufgrund
der unterschiedlichen Länge der Perioden diese Indikatoren im Verhältnis zur Anzahl der Be-
obachtungstage in der jeweiligen Periode betrachtet (siehe Tab. 20-27 im Anhang). In Abhän-
gigkeit vom Konfidenzniveau werden für den VaR an 5% bzw. 1% der Beobachtungstage
Überschreitungen erwartet und für den ES ein relativer Anteil des Indikators 𝐼 (𝛼) von 2,5%
bzw. 0,5%.

Generell lässt sich anhand der ausgewählten Stresssituationen für alle Modelle festhalten, dass
Überschreitungen des VaR während Stresssituationen häufiger und intensiver auftreten als in
den darauffolgenden Zeiträumen. Es lassen sich wenige Ausnahmen beobachten, welche hier-
von abweichen. Diese Beobachtung deutet daraufhin, dass alle der untersuchten Modelle einen
gewissen Timelag in der Anpassung an veränderte Marktgegebenheiten aufweisen. Dennoch
lassen sich zwischen den verschiedenen Modellen Unterschiede in der Häufigkeit bzw. Inten-
sität der Überschreitungen beobachten (siehe Tab. 20-27 im Anhang).

Sowohl für den VaR als auch ES weisen die Modelle, welche eine gleiche Gewichtung der
Vergangenheitsdaten für die Berechnung der Varianzen und Kovarianzen verwenden, c.p. grö-
ßere Unterschiede in der Häufigkeit der Überschreitungen zwischen Stresssituationen und den
darauffolgenden Perioden auf. Dies lässt sich insbesondere auf die Trägheit der Varianz-Kova-
rianz-Matrix zurückführen. Wenn für die Ermittlung der Varianz-Kovarianz-Matrix auf die
exponentielle Gewichtung zurückgegriffen wird, lässt sich feststellen, dass die Unterschiede
zwischen der Häufigkeit der Überschreitungen in Stresssituationen und Nicht-Stresssituatio-
nen umso geringer sind, je niedriger der Zerfallsfaktor gewählt wird.
 39

Obwohl der Unterschied zwischen den verschiedenen Marktphasen für die Modelle mit expo-
nentieller Gewichtung geringer ausfällt, lässt sich dennoch in Stresssituationen eine Tendenz
der Unterschätzung des Risikos erkennen. Diese ist insbesondere für Modelle, die die Normal-
verteilung annehmen, verzeichnen. Außerdem kann festgestellt werden, dass diese Tendenz
umso stärker ausgeprägt ist, desto höher das Konfidenzniveau  gewählt wird. Mittels des
Backtestings wird überprüft, ob diese Unterschätzung des Risikos systematisch ist.

Das Backtesting für den VaR wird mittels des POF-Tests sowohl mit einem rollierenden Fens-
ter als auch für den gesamten Beobachtungszeitraum durchgeführt. Hierbei lassen sich eindeu-
tige Unterschiede in der Vorhersagegenauigkeit der verschiedenen Modelle erkennen. Für das
Konfidenzniveau  = 0,95 erzielt das Modell VaR-0.95_T_EWMA_0.94 die besten Backtes-
ting-Ergebnisse. Dieses Modell wird für über 99% der Backtesting-Fenster nicht abgelehnt.
Darauf folgen die weiteren Modelle, welche die exponentielle Gewichtung zugrundelegen mit
Nicht-Ablehnung des Modells in 92,22% bis 91,02% der Fälle. Die übrigen Modelle, welche
entweder eine gleiche Gewichtung für die Berechnung der Varianz-Kovarianz-Matrix bzw. die
Historische Simulation herangezogen haben, wurden nur für 74,22% bis 69,30% der Backtes-
ting-Zeiträume nicht abgelehnt. Die Annahme der Verteilungsfunktion hat keinen eindeutigen
Einfluss auf das Ergebnis des Backtestings für den VaR mit Konfidenzniveau  = 0,95 (siehe
Tab. 28 im Anhang).

Backtesting-Resultate: VaR (alpha = 0,95)

100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Ablehnungen (rel.) Nicht-Ablehnungen (rel.)

Abbildung 11: Relative Häufigkeiten der Ablehnung und Nicht-Ablehnung der untersuchten VaR-Modelle mit
Konfidenzniveau  = 0,95
 40

Für das höhere Konfidenzniveau von  = 0,99 wird ebenfalls das Modell, welches eine t-Ver-
teilung der Verluste unterstellt und eine exponentielle Gewichtung mit  = 0,94 vornimmt, am
seltensten abgelehnt. Eine Ablehnung des Modells findet ausschließlich in 1,70% der Fälle
statt. Im Vergleich zum Konfidenzniveau von  = 0,95 lässt sich jedoch für die übrigen Mo-
delle eine teilweise starke Verschlechterung der Vorhersagegenauigkeit beobachten. Außer-
dem werden die Unterschiede zwischen den Verteilungsannahmen eindeutig erkennbar. Wäh-
rend das Modell VaR-0.99_T_EWMA_0.97 in 85,70% der Fälle nicht abgelehnt wird, liegen
die Modelle VaR-0.99_N_EWMA_0.94 und VaR-0.99_N_EWMA_0.97 deutlich niedriger
mit Nicht-Ablehnung in jeweils 27,96% und 41,15% der Fälle. VaR-0.99_T und VaR-0.99_HS
werden ebenfalls häufiger abgelehnt als für das niedrigere Konfidenzniveau, jedoch ist diese
Verschlechterung schwächer als für die Modelle, die eine Normalverteilung folgen (siehe Tab.
29 im Anhang).

Backtesting-Resultate: VaR (alpha = 0,99)

100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Ablehnungen (rel.) Nicht-Ablehnungen (rel.)

Abbildung 12: Relative Häufigkeiten der Ablehnung und Nicht-Ablehnung der untersuchten VaR-Modelle mit
Konfidenzniveau  = 0,99
Quelle: Eigene Darstellung.

Bei der Durchführung des Backtestings über den Gesamtzeitraum lassen sich für den VaR
ähnliche Muster wie zuvor erkennen. Während die Modelle, die eine Normalverteilung anneh-
men, das Risiko für das Konfidenzniveau  = 0,95 adäquat einschätzen oder leicht unterschät-
zen, lässt sich für das Konfidenzniveau  = 0,99 eine stark erhöhte Anzahl der Überschreitun-
gen beobachten (siehe Tab. 32, 33 und Abb. 30, 31 im Anhang). Ausschließlich das Modell
 41

VaR-0.99_T_EWMA_0.94 wird für  = 0,99 nicht abgelehnt. Das sonst identische Modell mit
Zerfallsfaktor  = 0,97 wird nur knapp abgelehnt.

Das Backtesting des ES differenziert bei der Einordnung der Modelle zwischen den Bereichen
„Grün“, „Gelb“ und „Rot“. Es lässt sich sowohl für das Konfidenzniveau  = 0,95 als auch 
= 0,99 beobachten, dass die Modelle, die eine t-Verteilung zugrundelegen oder die Historische
Simulation verwenden, das Risiko innerhalb der Ränder am adäquatesten einschätzen. Erneut
stechen insbesondere die Modelle ES-0.95_T_EWMA_0.94 und ES-0.95_T_EWMA_0.97 po-
sitiv hervor. Diese werden für 96,20% bzw. 98,89% der Backtesting-Zeiträume in die Katego-
rie „Grün“ und für keinen der Backtesting-Zeiträume in die Kategorie „Rot“ eingeordnet. Das
Modell ES-0.95_N wird mit 18,61% der Fälle am häufigsten in den Bereich „Rot“ zugeordnet.
Obwohl die Modelle ES-0.95_N_EWMA_0.94 und ES-0.95_N_EWMA_0.97 nur zu einem
relativ geringen Anteil von jeweils 5,72% und 1,35% in die Kategorie „Rot“ klassifiziert wer-
den, lässt sich dennoch von einer systematischen Unterschätzung der Randrisiken ausgehen,
da diese zum überwiegenden Teil in die Kategorie „Gelb“ eingeordnet werden (siehe Tab. 30
im Anhang).

Backtesting-Resultate: ES (alpha = 0,95)

100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Grüne Zone (rel.) Gelbe Zone (rel.) Rote Zone (rel.)

Abbildung 13: Relative Häufigkeiten der Einordnung in die verschiedenen Zonen der untersuchten ES-Modelle
mit Konfidenzniveau  = 0,95
Quelle: Eigene Darstellung.
 42

Ähnlich wie beim VaR schneiden alle ES-Modelle für das höhere Konfidenzniveau schlechter
ab. Analog zum VaR verschlechtern sich die Modelle, welche eine Normalverteilung anneh-
men, besonders stark. Mit über 50% der Fälle im Bereich „Rot“ geben diese Modelle überwie-
gend fehlerhafte Einschätzungen über das Risiko des Portfolios. Die Risiko-Modelle ES-
0.99_T_EWMA_0.94 und ES-0.99_T_EWMA_0.97 liefern weiterhin die besten Backtesting-
Resultate mit jeweils über 75% im „Grünen“ Bereich und unter 5% im „Roten“ Bereich (siehe
Tab. 31 im Anhang).

Backtesting-Resultate: ES (alpha = 0,99)

100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Grüne Zone (rel.) Gelbe Zone (rel.) Rote Zone (rel.)

Abbildung 14: Relative Häufigkeiten der Einordnung in die verschiedenen Zonen der untersuchten ES-Modelle
mit Konfidenzniveau  = 0,99
Quelle: Eigene Darstellung.

Für das ES-Backtesting über den Gesamtzeitraum auf dem Konfidenzniveau  = 0,95 werden
alle Normalverteilungs-Modelle in den „Roten“ Bereich eingeordnet, während die restlichen
Modelle „Grün“ sind. Für das höhere Konfidenzniveau von  = 0,99 werden ausschließlich die
Modelle ES-0.99_T_EWMA_0.94, ES-0.99_T_EWMA_0.97 und ES-0.99_HS der „Gelben-
Zone“ und alle restlichen Modelle der „Roten-Zone“ zugeordnet. Die Historische Simulation
liefert insbesondere im Backtesting für den ES gute Ergebnisse, welche vergleichbar sind zu
den vorhersagegenauesten Modellen der Varianz-Kovarianz-Methode (siehe Tab. 34, 35 und
Abb. 32, 33 im Anhang).
 43

4.2 Implikationen für das Risikomanagement

Aus den empirischen Ergebnissen der Risiko-Modelle lassen sich die folgenden Schlussfolge-
rungen für das finanzielle Risikomanagement in Stresssituationen auf Basis des Value-at-Risk-
Ansatzes ableiten.

Die Vorhersagegenauigkeit der Risiko-Modelle ist von den Parametern des Modells abhängig.
Generell lässt sich beobachten, dass die VaR- und ES-Modelle für geringere Konfidenzniveaus
bessere Ergebnisse im Backtesting erzielen. Außerdem werden unter Verwendung der Vari-
anz-Kovarianz-Methode unter sonst gleichen Bedingungen und Annahmen die ES-Modelle
häufiger abgelehnt als die VaR-Modelle. Die Backtestingergebnisse der Historische Simula-
tion unterscheiden sich nur geringfügig zwischen dem VaR und ES. Hieraus lässt sich schluss-
folgern, dass die Risikoeinschätzungen aller untersuchten Modelle der Varianz-Kovarianz-Me-
thode umso unzuverlässiger sind, desto weiter sich die Verluste an den Rändern der Vertei-
lungsfunktion befinden.

Neben der Wahl des Risikoindikators sowie deren Parameter haben insbesondere die zu
Grunde liegenden Annahmen über die Verteilung der zukünftigen Verluste einen großen Ein-
fluss auf die Vorhersagegenauigkeit des Modells. Risikoindikatoren, welche eine Normalver-
teilung annehmen, unterschätzen die zukünftigen Verluste umso stärker, je weiter sich diese
an den Rändern der Verteilungsfunktion befinden. Dies ist insbesondere auf das leptokurtische
Verhalten der logarithmierten Renditen der Aktien- und Devisenkurse zurückzuführen. Die
Annahme der Studentschen-t-Verteilung mit 10 Freiheitsgraden berücksichtigt die schweren
Verteilungsenden der Finanzzeitreihen besser als die Normalverteilung. Daher ist es zu emp-
fehlen von der weit verbreiteten Normalverteilungsannahme Abstand zu nehmen.

Neben der Verteilungsfunktion ist ebenfalls die Methode zur Berechnung der Varianz-Kova-
rianz-Matrix von großer Bedeutung für die Qualität der Risikoeinschätzung. Die Ermittlung
der Varianz-Kovarianz-Matrix unter gleicher Gewichtung der historischen Daten führt zu einer
geringeren Schwankungsintensität und -breite der Risikoeinschätzung. Jedoch sind diese Risi-
komodelle träge, weshalb eine Anpassung an die veränderten Marktgegebenheiten nur langsam
vorgenommen wird. Die veränderte Risikosituation wird mit erheblicher Zeitverzögerung be-
rücksichtigt. Dieses Charakteristikum der Risikomodelle führt insbesondere während und nach
Stresssituationen zu stark abweichenden Ergebnissen. Alle Risikoindikatoren weisen bei der
Berücksichtigung des Anstiegs und des Abfalls des Risikos einen Timelag auf. Das Risiko des
Portfolios wird zu Beginn der Stresssituationen unterschätzt und in den darauffolgenden
 44

Perioden überschätzt. Dieser Timelag ist jedoch umso kleiner, desto stärker die Vergangen-
heitsdaten exponentiell gewichtet werden.

Die Modelle, welche eine t-Verteilung mit 10 Freiheitsgraden annehmen und eine exponenti-
elle Gewichtung der historischen Werte vornehmen, liefern die besten Ergebnisse gerade wäh-
rend und nach Stresssituationen für den VaR und ES mit den Konfidenzniveaus  = 0,95 und
 = 0,99. Darüber hinaus weisen diese Modelle über den gesamten Beobachtungszeitraum den
geringsten Anteil an Ablehnungen im Backtesting auf. Der Zerfallsfaktor von  = 0,94 schnei-
det für den VaR besser ab als das vergleichbare Modell mit Zerfallsfaktor  = 0,97. Für den
Expected Shortfall sind die Unterschiede zwischen diesen Modellen geringfügig.

Obwohl diese beiden Modelle das Risiko des untersuchten Portfolios in normalen Marktphasen
und Stresssituationen am akkuratesten einschätzen, sind diese nicht ideal für die Verwendung
im finanziellen Risikomanagement eines Kreditinstituts. Zum einen erfüllt weder ein Zerfalls-
faktor von  = 0,94 noch von  = 0,97 die regulatorischen Anforderungen161; zum anderen
erschweren die extremen Schwankungen in der Höhe der Risikoeinschätzungen die Risikovor-
sorge und führen dazu, dass die Planung und Umsetzung der risikoadäquaten Kapitalhinterle-
gung praktisch nicht vorgenommen werden kann. Dennoch können diese Risikomodelle sinn-
volle Ergänzungen des internen Risikomonitorings darstellen, um die Risiken verschiedener
Investitionen zu beurteilen.

Unabhängig von der Wahl der Methode, der Parameter oder der Annahmen des Modells sollten
regelmäßig Stresstests durchgeführt werden, um das mögliche Risiko eines Portfolios in diver-
sen Szenarien im Vorhinein beurteilen zu können. Diese Stressszenarien sind ebenfalls von der
Regulierung vorgesehen.162

161
Vgl. EZB (2024), S.183; Verordnung (EU) Nr. 575/2013, Artikel 365, Abs. 2.
162
Vgl. Broll / Förster (2022), S. 82.
 45

5 Fazit
Sowohl der Value at Risk als auch der Expected Shortfall bieten die Möglichkeit, das Verlust-
risiko eines Portfolios zu messen und auf deren Grundlage eine adäquate Beurteilung des Ri-
siko-Rendite-Profils einer Finanzanlage oder eines Finanzportfolios vorzunehmen. Der Expec-
ted Shortfall stellt als kohärentes Risikomaß eine sinnvolle Ergänzung zum Value at Risk dar,
da dieser das Auftreten aller extremer Wertverluste in seine Berechnung einbezieht und somit
insbesondere die Charakteristika am Rand der Verteilungsfunktion besser berücksichtigt.

Das Verhalten von Aktienindizes oder Wechselkursen divergiert während Stresssituationen

vom Verhalten, welches sich binnen normaler Marktsituationen beobachten lässt. Die unter-
suchten Renditen der Finanzzeitreihen sind üblicherweise weder normalverteilt noch homos-
kedastisch. Damit das Risiko extremer Verluste akkurat beurteilt werden kann, sollten sich
deren Eigenschaften in den Annahmen der verwendeten Risikomodelle widerspiegeln.

Die Fähigkeit des VaR die Häufigkeit bzw. des ES die Höhe extremer Verluste akkurat vor-
herzusagen, ist primär von den zugrundeliegenden Annahmen des jeweiligen Modells abhän-
gig. Die höchste Prognosegüte weisen für beide Risikomaße Modelle auf, die die Studentsche-
t-Verteilung annehmen und kurzfristige Veränderungen der Finanzaktiva stärker gewichten.
Modelle, welche eine multivariate Normalverteilung und/oder Homoskedastizität unterstellen,
erweisen sich als ungeeignet, wie sich anhand des Backtestings beobachten lässt. Je höher das
Konfidenzniveau gewählt wird, desto stärker unterscheidet sich die Prognosegüte zwischen
den verschiedenen Modellen.

Generell lässt sich während Stresssituationen beobachten, dass alle Risikomodelle das Verlust-
risiko zunächst unterschätzen und sich mit Zeitverzögerung an die veränderten Marktgegeben-
heiten anpassen. Ebenso lässt sich im Nachgang an die Stresssituationen eine verzögerte An-
passung an die ruhigeren Märkte beobachten, was zu einer Überschätzung des Risikos führt.
Das Ausmaß dieser Timelags ist insbesondere von der Wahl der Methode zur Berechnung der
Varianz-Kovarianz-Matrix abhängig. Daher gelingt es den oben positiv hervorgehobenen Mo-
dellen während und nach Stresssituationen den VaR nur mit leichten Abweichungen von der
erwarteten Häufigkeit vorherzusagen. Dennoch lässt sich für den ES, insbesondere für hohe
Konfidenzniveaus, unabhängig von den getroffenen Annahemen eine starke Unterschätzung
des Risikos in unsicheren Marktphasen feststellen. Daher sollten die Risikoeinschätzungen des
ES unter besonderer Vorsicht verwendet werden.
 46

Die untersuchten Modelle stellen zum Teil geeignete Herangehensweisen für die Quantifizie-
rung von Verlustrisiken dar. Dennoch sollte die Prognosegüte weiterer VaR- und ES-Modelle
mit besonderem Augenmerk auf Stresssituationen untersucht werden. Beispielsweise können
weitere alternative Methoden zur Ermittlung der Schwankungsintensität wie die implizite
Volatilität herangezogen werden. Außerdem sollten speziell für den ES Methoden der Extrem-
wertstatistik näher untersucht werden.

Trotz der hohen Prognosegüte der positiv hervorgehobenen Modelle ist die praktische Integra-
tion dieser Modelle aufgrund ihrer hohen Schwankungsintensität und -breite nur mit besonde-
rer Vorsicht für die Planung der Risikovorsorge von Kreditinstituten geeignet. Nichtsdestotrotz
ermöglicht der Value at Risk-Ansatz eine geeignete Quantifizierung von Risiken und somit ein
erfolgreiches finanzielles Risikomanagement.
 47

Literaturverzeichnis
Acerbi, Carlo / Tasche, Dirk (2001): Expected Shortfall: a natural coherent alternative
to Value at Risk, arXiv, [Link]
Acerbi, Carlo / Tasche, Dirk (2002): On the conherence of Expected Shortfall, arXiv,
[Link]
Arztner, Phillipe / Delbaen, Freddy / Eber, Jean-Marc / Heath, David (1998): Coherent
Measures of Risk, ETH Zurich Department of Mathematics, [Link]
baen/ftp/preprints/[Link].
Attig, Najah / Sy, Oumar (2023): Diversification during Hard Times, Financial Ana-
lysts Journal, SSRN, [Link]
Baltensperger, Ernst / Bernholz, Peter / Iselin, David / Landmann, Oliver / Minsch,
Rudolf (2015): Der „Franken-Schock“: Die Freigabe des Schweizer Franken -wer gewinnt und
wer verliert?, ifo Schnelldienst, Jg. 68, Nr. 5, S. 3-19.
Basel Committee on Banking Supervision (BCBS) (2011): Principles for the Sound
Management of Operational Risk, [Link]
Basel Committee on Banking Supervision (BCBS) (2014): Consultative Document
Fundamental review of the trading book: A revised market risk framework,
[Link]
Baule, Rainer (2019): Finanzwirtschaftliches Bankmanagement. Bankkalkulation,
Risikomanagement und Regulierung, 1. Auflage, Schäffer Poeschel.

Best, Philip (1998): Implementing Value at Risk, Wiley.

Broll, Udo / Förster, Andreas (2022): Market risk, value-at-risk and exponential
weighting, Economics and Business Review, Jg. 8, Nr. 2, S. 80-91.
Bruns, Christopher / Steiner, Manfred / Stöckl, Stefan (2017): Wertpapiermanagement;
Professionelle Wertpapieranalyse und Portfoliostrukturierung, 11., überarbeitete Auflage,
Schäffer-Poeschel Verlag.
Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) (2023): Rundschreiben
05/2023 (BA), Mindestanforderungen an das Risikomanagement – MaRisk; An alle Kreditin-
stitute und Finanzdienstleistungsinstitute in der Bundesrepublik Deutschland, 29.06.2023.
Chan, Felix / Chariag, Ramzi (2024): Estimation of Sparse Variance-Covariance Mat-
rix; in: Matyas, L. (2024): The Econometrics of Multi-dimensional Panels. Advanced Studies
in Theoretical and Applied Econometrics, 2. Auflage, Springer.
Committee of Sponsoring Organizations of the Tradeway Commission (COSO) (2017):
Enterprise Risk Management; Integrating with Strategy and Performance, AAA,
[Link]
Costanzino, Nick / Curran, Mike (2017): A Simple Traffic Light Approach to Backtes-
ting Expected Shortfall, SSRN, [Link]
 48

Delbaen, Freddy (2000): Coherent risk measures on general porbability spaces, ETH
Zurich Department of Mathematics, [Link]
[Link].
Deutsch, Hans-Peter / Beinker, Mark (2014): Derivate und Interne Modelle: Modernes
Risikomanagement, 5. überarbeitete und erweiterte Auflage, Schäffer-Poeschel.
Ding, Liang / Miyake, Hiroyoki / Zou, Hao (2011): Asymmetric correlations in equity
returns: a fundamental-based explanation, Journal of Applied Financial Economics, Jg. 21, Nr.
6, 2011, S. 389-399.
Du, Zaichao / Escanciano, Juan Carlos (2015): Backtesting Expected Shortfall: Ac-
counting for Tail Risk, SSRN, [Link]
Duffie, Darrel / Pan, Jun (1997): An Overview of Value at Risk, MIT,
[Link]
Embrechts, Paul / Frey, Rüdiger / McNeil, Alexander J. (2005): Quantitative risk ma-
nagement: concepts, techniques and tools, Princeton University Press.
Enow, Samuel Tabot (2023): Exploring Volatility Clustering Financial Markets and Its
Implication, Journal of Economic & Social Development, Jg. 10, Nr. 2, S. 81-85.
Europäische Zentralbank (2024): ECB guide to inernal models; February,
[Link]
[Link].
Franke, Jürgen / Härdle, Wolfgang Karl / Hafner, Christian Matthias (2019): Statistics
of Financial Markets; An Introduction, 5. Auflage, Springer.
Fredriksson, Viktor / Johansson, Jesper (2020): Backtesting Expected Shortfall; A com-
parative empirical evaluation of different backtests, [Link]
load?func=downloadFile&recordOId=9024227&fileOId=9024228.
Hager, Peter / Romeike, Frank (2020): Erfolgsfaktor Risiko-Management 4.0; Metho-
den, Beispiele, Checklisten; Praxishandbuch für Industrie und Handel, 4., vollständig überar-
beitete Auflage, SpringerGabler,
Hartmann-Wendels, Thomas / Pfingsten, Andreas / Weber, Martin (2019): Bankbe-
triebslehre. 7. Auflage, Springer.
Hochegger, Georg Alois (2010): Value at Risk zum Risikomanagement von linearen
und nicht linearen Finanzinstrumenten, [Link]
leinfo/246281/[Link].
Horsch, Andreas / Kaltofen, Daniel (2020): Wertorientierte Banksteuerung I, Rendi-
temanagement, 3. Auflage, Springer.
Huang, Alex YiHou (2013): Value at risk estimation by quantile regression and kernel
estimator, Review of Quantitative Finance & Accounting, Jg. 41, Nr. 2, S. 225-251.
Hull, John C. (2018): Risk management and financial institutions, 5. Auflage, Wiley.
Hull, John C. (2022): Optionen, Futures und andere Derivate, 11., aktualisierte Auflage,
Pearson.
Jorion, Philippe (2001): Value at risk: the new benchmark for managing financial risk.,
2. Auflage, Wiley.
 49

J.P. Morgan / Reuters (1996): RiskMetricsTM, Technical Document, 4. Auflage,

[Link]
[Link] (o.J.): Das Kölsche Grundgesetz: Die 11 Regeln der Domstadt, [Link],
[Link]
graph-3_L1121331_1121322.html.
Kill, Roland (2020): Portfolio Theorie, statistische Methoden, Gabler Banklexikon,
[Link]
60570/version-376991.
Knight, Frank (1921): Risk, Uncertainty and Profit, Fraser St. Louis Fed,
[Link]
Kupiec, Paul (1995): Techniques for Verifying the Accuracy of Risk Measurement Mo-
dels, Journal of Derivatives, Jg. 3, Nr. 2, 1995, S. 73-84.
Longin, Francois / Solnik, Bruno (2001): Extreme Correlation of International Equity
Markets, Journal of Finance, Jg. 56, Nr. 2, S. 649-676.
Markowitz, Harry (1952): Portfolio Selection, Journal of Finance, Jg. 7 (1), S. 77-91.
Melnyk, T. / Pavliuk, O. (2022): Analysis of the Most Common Calculation Methodas
„Value at Risk, VaR“, Financial & Credit Acitivity: Problems of Theory & Practice, Jg. 3(44),
S. 43-49.
Poncet, Patrice / Portait, Roland (2022): Capital Market Finance; An Introduction to
Primitive Assests, Derivatives, Portfolio Management and Risk; Volume 2, Springer.
RiskMetrics Group (2007): CreditMetricsTM, Technical Document, MSCI Documents
[Link]
Roccioletti, Simona (2016): Backtesting Value at Risk and Expected Shortfall, Sprin-
gerGabler.
Schmid, Friedrich / Trede, Mark (2006): Finanzmarktstatistik, 1. Auflage, Springer.
Sharpe, William (1964): Capital Asset Prices: A theory of market equilibrium under
conditions of risk, Journal of Finance, Jg. 1, Nr. 3, S. 425-442.
Taamouti, Abderrahim / Tsafack, Georges (2009): Asymmetric Effects of Return and
Volatility on Correlation between International Equity Markets, SSRN,
[Link]
von Auer, Ludwig (2023): Ökonometrie; Eine Einführung, 8. Auflage, Springer.
Winston, Kenneth (2024): Quantitative risk and portfolio management: theory and
practice, Cambridge University Press.
 50

Anhang

Abbildung 15: Risikoreduktion durch Diversifikation – systematisches und unsystematisches Risiko

Quelle: Kill, Roland (2020), Absatz 4.

Abbildung 16: Veränderung des Rendite-Risiko-Profils für unterschiedliche Korrelationen

Quelle: Bruns, Christopher u.a. (2017), S. 12.

 51

Tabelle 4: Deskriptive Statistiken - tägliche Schlusskurse, 04.01.1999 – 30.04.2024

Hang GBP/ CHF/ HKD/ JPY/ USD/

S&P 500 DAX 40 SMI Nikkei 225 IBEX 35 CAC 40 FTSE 100 FTSE MIB
Seng Index EUR EUR EUR EUR EUR
Anzahl der Beobachtungen 5350 5350 5350 5350 5350 5350 5350 5350 5350 5350 5350 5350 5350 5350
Mittelwerte 2012,10 20100,8 8672,85 8002,43 16785,5 9596,52 4773,66 6114,52 25770,2 1,29509 0,78921 0,10946 0,00784 0,85222
Median 1458,07 20844,8 7436,15 7953,81 15749,9 9386,10 4594,45 6203,19 23182,0 1,20926 0,81215 0,10859 0,00771 0,84459
Standardabweichung 1108,83 5602,18 3833,91 1958,58 6876,88 1896,81 1179,38 1053,72 8002,97 0,17122 0,13698 0,01457 0,00099 0,11450
Maximum 5254,35 33154,1 18492,5 12926,6 40888,4 15945,7 8205,81 8144,13 50108,5 1,74125 1,07689 0,15489 0,01116 1,20788
Minimum 676,53 8435,00 2202,96 3675,40 7054,98 5364,50 2403,04 3287,00 12362,5 1,02291 0,59545 0,08032 0,00590 0,62606
Schiefe 1,1487 -0,1755 0,4705 0,3098 0,8589 0,8205 0,5214 -0,3960 0,8535 0,6363 0,1979 0,6567 0,4709 0,6571
Kurtosis 0,1684 -0,8373 -0,9121 -0,6746 0,1780 1,0877 -0,2992 -0,6473 -0,0551 -1,0194 -1,3634 0,2956 0,1379 0,2660

Quelle: Eigene Darstellung.

Tabelle 5: Deskriptive Statistiken - tägliche logarithmierte Renditen, 05.01.1999 – 30.04.2024

Hang GBP/ CHF/ HKD/ JPY/ USD/

S&P 500 DAX 40 SMI Nikkei 225 IBEX 35 CAC 40 FTSE 100 FTSE MIB
Seng Index EUR EUR EUR EUR EUR
Anzahl der Beobachtungen 5349 5349 5349 5349 5349 5349 5349 5349 5349 5349 5349 5349 5349 5349
Mittelwerte 0,0003 0,0001 0,0002 0,0001 0,0002 0,0000 0,0001 0,0001 0,0000 0,0000 0,0001 0,0000 0,0000 0,0000
Median 0,0007 0,0003 0,0008 0,0006 0,0006 0,0007 0,0005 0,0005 0,0008 0,0001 0,0001 -0,0001 -0,0002 -0,0001
Standardabweichung 0,0133 0,0162 0,0157 0,0122 0,0157 0,0157 0,0153 0,0126 0,0163 0,0056 0,0041 0,0065 0,0081 0,0065
Maximum 0,1042 0,1341 0,1346 0,1576 0,1323 0,1348 0,1330 0,1111 0,1447 0,0535 0,0396 0,0481 0,0802 0,0492
Minimum -0,1277 -0,2225 -0,1305 -0,1013 -0,1666 -0,1515 -0,1310 -0,1151 -0,1854 -0,0434 -0,0748 -0,0346 -0,0790 -0,0342
Schiefe -0,4675 -0,2250 -0,0652 0,0385 -0,5649 -0,3548 -0,1022 -0,1997 -0,5550 -0,1168 -1,2729 0,1660 0,4836 0,1832
Kurtosis 9,0579 12,2619 6,1872 11,3590 8,2845 8,1096 6,8342 8,2331 8,8378 5,2362 35,9323 2,7416 9,4528 2,7870

Quelle: Eigene Darstellung.

 52

Tabelle 6: Jarque-Bera Test, Breusch-Pagan Test, Augmented Dickey-Fuller Test, Mardia's Multivariate Normality Test für die logarithmierten Renditen, 05.01.1999 –
30.04.2024

Mardia's Mul-
Augmented Di-
Jarque-Bera p- Jarque-Bera JB: 1% Kriti- Breusch-Pagan Breusch-Pagan BP: 1% Kriti- ADF: 1% Kriti- tivariate Nor-
Asset ADF Statistik ckey-Fulley p-
Wert Test Statistik scher Wert p-Wert Test Statistik scher Wert scher Wert mality Test p-
Wert
Wert

S&P 500 0,000 18441,802 9,210 0,000 125,846 29,141 -22,940 0,000 -3,432 0,000

Hang Seng In- 0,000 33486,467 9,210 0,000 152,799 29,141 -26,408 0,000 -3,432 0,000
dex

DAX 40 0,000 8516,802 9,210 0,000 92,864 29,141 -43,717 0,000 -3,432 0,000

SMI 0,000 28698,709 9,210 0,000 50,224 29,141 -19,308 0,000 -3,432 0,000

Nikkei 225 0,000 15548,167 9,210 0,000 158,676 29,141 -44,295 0,000 -3,432 0,000

IBEX 35 0,000 14738,398 9,210 0,000 196,239 29,141 -44,067 0,000 -3,432 0,000

CAC 40 0,000 10396,051 9,210 0,000 79,093 29,141 -44,254 0,000 -3,432 0,000

FTSE 100 0,000 15110,591 9,210 0,000 77,914 29,141 -46,057 0,000 -3,432 0,000

FTSE MIB 0,000 17645,703 9,210 0,000 155,099 29,141 -75,471 0,000 -3,432 0,000

GBP/EUR 0,000 6108,791 9,210 0,000 86,493 29,141 -35,843 0,000 -3,432 0,000

CHF/EUR 0,000 288649,117 9,210 0,000 109,898 29,141 -17,566 0,000 -3,432 0,000

HKD/EUR 0,000 1695,307 9,210 0,000 115,655 29,141 -24,495 0,000 -3,432 0,000

JPY/EUR 0,000 20081,390 9,210 0,000 318,107 29,141 -77,715 0,000 -3,432 0,000

USD/EUR 0,000 1756,424 9,210 0,000 124,729 29,141 -24,513 0,000 -3,432 0,000

Quelle: Eigene Darstellung.

 53

Tabelle 7: Korrelationsmatrix der logarithmierten Renditen, 05.01.1999 – 30.04.2024

Hang
Nikkei FTSE GBP/ CHF/ HKD/ JPY/ USD/
S&P 500 Seng In- DAX 40 SMI IBEX 35 CAC 40 FTSE 100
225 MIB EUR EUR EUR EUR EUR
dex
S&P 500 1,000 0,284 0,621 0,547 0,234 0,545 0,602 0,575 0,569 0,105 -0,246 -0,136 -0,340 -0,142
Hang Seng
0,284 1,000 0,392 0,370 0,585 0,377 0,410 0,432 0,371 0,082 -0,102 -0,072 -0,166 -0,080
Index
DAX 40 0,621 0,392 1,000 0,784 0,352 0,792 0,903 0,812 0,827 0,125 -0,166 -0,034 -0,223 -0,042

SMI 0,547 0,370 0,784 1,000 0,364 0,726 0,821 0,807 0,734 0,119 -0,252 0,007 -0,196 0,001

Nikkei 225 0,234 0,585 0,352 0,364 1,000 0,348 0,377 0,372 0,339 0,074 -0,062 -0,033 -0,179 -0,039

IBEX 35 0,545 0,377 0,792 0,726 0,348 1,000 0,862 0,775 0,860 0,091 -0,188 -0,099 -0,283 -0,104

CAC 40 0,602 0,410 0,903 0,821 0,377 0,862 1,000 0,880 0,885 0,119 -0,168 -0,049 -0,248 -0,056

FTSE 100 0,575 0,432 0,812 0,807 0,372 0,775 0,880 1,000 0,787 0,026 -0,161 -0,055 -0,248 -0,060

FTSE MIB 0,569 0,371 0,827 0,734 0,339 0,860 0,885 0,787 1,000 0,111 -0,175 -0,084 -0,278 -0,090

GBP/EUR 0,105 0,082 0,125 0,119 0,074 0,091 0,119 0,026 0,111 1,000 0,085 0,442 0,228 0,437

CHF/EUR -0,246 -0,102 -0,166 -0,252 -0,062 -0,188 -0,168 -0,161 -0,175 0,085 1,000 0,208 0,335 0,210

HKD/EUR -0,136 -0,072 -0,034 0,007 -0,033 -0,099 -0,049 -0,055 -0,084 0,442 0,208 1,000 0,578 0,990

JPY/EUR -0,340 -0,166 -0,223 -0,196 -0,179 -0,283 -0,248 -0,248 -0,278 0,228 0,335 0,578 1,000 0,579

USD/EUR -0,142 -0,080 -0,042 0,001 -0,039 -0,104 -0,056 -0,060 -0,090 0,437 0,210 0,990 0,579 1,000

Quelle: Eigene Darstellung.

 54

Abbildung 17: Gewichtung der Beobachtungstage und die effektive Anzahl der Tage für 1 = 0,94 und 2 = 0,97
bei einem Beobachtungszeitraum von 250 Tagen.

Eigene Darstellung.

Tabelle 8: VaR-Modell Backtesting, Regionen der Nicht-Ablehnung bei Test-Signifikanzniveau p* = 0,05

Regionen der Nicht-Ablehnung

Konfidenzniveau 
T = 255 T = 510 T = 1000
des VaR-Modells

0,99 I() < 7 1 < I() < 11 4 < I() < 17

0,975 2 < I() < 12 6 < I() < 21 15 < I() < 36

0,95 6 < I() < 21 16 < I() < 36 37 < I() < 65

0,925 11 < I() < 28 27 < I() < 51 59 < I() < 92

0,90 16 < I() < 36 38 < I() < 65 81 < I() < 120

Quelle: In Anlehnung an Kupiec, Paul H. (1995), S. 80.

 55

Ende der Dot-Com-Blase (VaR, alpha = 0,99)

0€
-10.000 €
-20.000 €
-30.000 €
-40.000 €
-50.000 €
-60.000 €
-70.000 €
-80.000 €

VaR-0.99_N VaR-0.99_T VaR-0.99_N_EWMA_0.94

VaR-0.99_N_EWMA_0.97 VaR-0.99_T_EWMA_0.94 VaR-0.99_T_EWMA_0.97
VaR-0.99_HS

Abbildung 18: VaR der verschiedenen Modelle ( = 0,99), Ende der Dot-Com-Blase, 01.07.2000-30.06.2003

Quelle: Eigene Darstellung.

Globale Finanzkrise (VaR, alpha = 0,99)

0€
-20.000 €
-40.000 €
-60.000 €
-80.000 €
-100.000 €
-120.000 €
-140.000 €

VaR-0.99_N VaR-0.99_T VaR-0.99_N_EWMA_0.94

VaR-0.99_N_EWMA_0.97 VaR-0.99_T_EWMA_0.94 VaR-0.99_T_EWMA_0.97
VaR-0.99_HS

Abbildung 19: VaR der verschiedenen Modelle ( = 0,99), Globale Finanzkrise, 01.04.2007-30.09.2009

Quelle: Eigene Darstellung.

 56

Eurokrise (VaR, alpha = 0,99)

0€
-10.000 €
-20.000 €
-30.000 €
-40.000 €
-50.000 €
-60.000 €
-70.000 €
-80.000 €

VaR-0.99_N VaR-0.99_T VaR-0.99_N_EWMA_0.94

VaR-0.99_N_EWMA_0.97 VaR-0.99_T_EWMA_0.94 VaR-0.99_T_EWMA_0.97
VaR-0.99_HS

Abbildung 20: VaR der verschiedenen Modelle ( = 0,99), Eurokrise, 01.01.2011-30.03.2012

Quelle: Eigene Darstellung.

China-Crash und Griechenland-Krise (VaR, alpha = 0,99)

0€

-10.000 €

-20.000 €

-30.000 €

-40.000 €

-50.000 €

-60.000 €
01.10.2014
01.11.2014
01.12.2014
01.01.2015
01.02.2015
01.03.2015
01.04.2015
01.05.2015
01.06.2015
01.07.2015
01.08.2015
01.09.2015
01.10.2015
01.11.2015
01.12.2015
01.01.2016
01.02.2016
01.03.2016
01.04.2016
01.05.2016
01.06.2016
01.07.2016
01.08.2016
01.09.2016
01.10.2016
01.11.2016
01.12.2016

VaR-0.99_N VaR-0.99_T VaR-0.99_N_EWMA_0.94

VaR-0.99_N_EWMA_0.97 VaR-0.99_T_EWMA_0.94 VaR-0.99_T_EWMA_0.97
VaR-0.99_HS

Abbildung 21: VaR der verschiedenen Modelle ( = 0,99), China-Crash und Griechenland-Krise, 01.10.2014-
30.06.2016

Quelle: Eigene Darstellung.

 57

Corona-Krise (VaR, alpha = 0,99)

0€

-20.000 €

-40.000 €

-60.000 €

-80.000 €

-100.000 €

-120.000 €

VaR-0.99_N VaR-0.99_T VaR-0.99_N_EWMA_0.94

VaR-0.99_N_EWMA_0.97 VaR-0.99_T_EWMA_0.94 VaR-0.99_T_EWMA_0.97
VaR-0.99_HS

Abbildung 22: VaR der verschiedenen Modelle ( = 0,99), Corona-Krise, 01.10.2019-31.12.2020

Quelle: Eigene Darstellung.

Ukraine-Krieg und Zinswende (VaR, alpha = 0,99)

0€
-5.000 €
-10.000 €
-15.000 €
-20.000 €
-25.000 €
-30.000 €
-35.000 €
-40.000 €
-45.000 €
-50.000 €

VaR-0.99_N VaR-0.99_T VaR-0.99_N_EWMA_0.94

VaR-0.99_N_EWMA_0.97 VaR-0.99_T_EWMA_0.94 VaR-0.99_T_EWMA_0.97
VaR-0.99_HS

Abbildung 23: VaR der verschiedenen Modelle ( = 0,99), Ukraine-Krieg und Zinswende, 01.10.2021-
30.03.2023

Quelle: Eigene Darstellung.

 0
100
200
300
400
500
600
700
800
900
1000
1200

0
200
400
600
800
≤ 7000 ≤9
000
(7000, 9000] (90
00,
(9000, 11000] 110
00]
(11
(11000, 13000] 00
0, 1
(13000, 15000] 300
0]
(13
(15000, 17000] 000

Quelle: Eigene Darstellung.

Quelle: Eigene Darstellung.
,1
(17000, 19000] 500
0]
(15
(19000, 21000] 00
0, 1
70
(21000, 23000] (17 00]
(23000, 25000] 000
,1
900
(25000, 27000] (19 0]
00
(27000, 29000] 0, 2
10
(29000, 31000] (21 00]
000
(31000, 33000] ,2
300
(33000, 35000] (23 0]
00
(35000, 37000] 0, 2
50
00]
(37000, 39000] (25
00
VaR-0.95_N

(39000, 41000] 0, 2
700
(41000, 43000] (27 0]
000
(43000, 45000] , 29
00

VaR-0.95_N_EWMA_0.94
0]
(45000, 47000] (29
00
0, 3
(47000, 49000]
Abbildung 24: Histogramm der Werte für VaR-0.95_N, 09.08.2000 – 30.04.2024

100
(31 0]
(49000, 51000] 000
, 33
(51000, 53000] 00
(33 0]
(53000, 55000] 00
0, 3
(55000, 57000] 500
0]

Abbildung 25: Histogramm der Werte für VaR-0.95_N_EWMA_0.94, 09.08.2000 – 30.04.2024

(35
(57000, 59000] 000
, 37
(59000, 61000] 00
0]
(61000, 63000]
>3
(63000, 65000] 700
0
> 65000
58
 59

Tabelle 9: Vergleich verschiedener VaR-Modelle mit Konfidenzniveau  = 0,95, 09.08.2000-30.04.2024

VaR-0.95_N_ VaR-0.95_N_ VaR-0.95_T_ VaR-0.95_T_

VaR-0.95_N VaR-0.95_T VaR-0.95_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Durchschnitt 18011,24 19846,55 16820,20 17195,93 18534,14 18948,16 18333,13
Median 16277,50 17936,14 14449,23 14866,68 15921,58 16381,57 16911,91
Standard-ab-
6605,04 7278,08 8733,48 8050,05 9623,41 8870,34 7107,94
weichung
Minimum 37696,02 9725,35 6100,92 7277,17 6722,59 8018,70 8181,76
Maximum 8826,00 41537,17 74382,88 61013,01 81962,36 67230,12 39094,42
Schiefe 1,09 1,09 2,41 2,02 2,41 2,02 1,04
Quelle: Eigene Darstellung.

Tabelle 10: Vergleich verschiedener VaR-Modelle mit Konfidenzniveau  = 0,99, 09.08.2000-30.04.2024

VaR-0.99_N_ VaR-0.99_N_ VaR-0.99_T_ VaR-0.99_T_

VaR-0.99_N VaR-0.99_T VaR-0.99_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Durchschnitt 25473,64 30263,43 23789,13 24320,53 28262,18 28893,50 31762,73
Median 23021,57 27350,30 20435,82 21026,23 24278,35 24979,78 27150,33
Standard-ab-
9341,63 11098,13 12351,93 11385,34 14674,45 13526,12 13772,13
weichung
Minimum 12482,78 14829,91 8628,65 10292,24 10251,09 12227,48 11942,20
Maximum 53314,20 63338,83 105201,13 86291,86 124982,03 102517,26 71689,20
Schiefe 1,09 1,09 2,41 2,02 2,41 2,02 1,32
Quelle: Eigene Darstellung.
 60

Tabelle 11: Vergleich verschiedener ES-Modelle mit Konfidenzniveau  = 0,95, 09.08.2000-30.04.2024

ES-0.95_N_ ES-0.95_N_ ES-0.95_T_ ES-0.95_T_

ES-0.95_N ES-0.95_T ES-0.95_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Durchschnitt 22586,82 26372,13 21093,21 21564,39 24628,20 25178,34 25827,73
Median 20412,64 23833,57 18119,91 18643,42 21156,61 21767,85 23118,77
Standard-ab-
8282,98 9671,12 10952,14 10095,09 12787,59 11786,92 10271,71
weichung
Minimum 11068,16 12923,07 7650,80 9125,86 8932,99 10655,26 10230,52
Maximum 47272,33 55194,66 93279,14 76512,77 108911,70 89335,48 54643,26
Schiefe 1,09 1,09 2,41 2,02 2,41 2,02 1,09
Quelle: Eigene Darstellung.

Tabelle 12: Vergleich verschiedener ES-Modelle mit Konfidenzniveau  = 0,99, 09.08.2000-30.04.2024

ES-0.99_N_ ES-0.99_N_ ES-0.99_T_ ES-0.99_T_

ES-0.99_N ES-0.99_T ES-0.99_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Durchschnitt 29184,25 36827,79 27254,36 27863,17 34392,46 35160,71 36745,16
Median 26375,00 33282,79 23412,59 24089,01 29544,50 30398,08 31388,33
Standard-ab-
10702,37 13505,39 14151,16 13043,78 17857,45 16460,04 16542,61
weichung
Minimum 14301,08 18046,63 9885,54 11791,45 12474,63 14879,71 12473,90
Maximum 61080,19 77077,50 120525,20 98861,52 152091,55 124754,01 81745,14
Schiefe 1,09 1,09 2,41 2,02 2,41 2,02 1,36
Quelle: Eigene Darstellung.
 61

Tabelle 13: Vergleich der Quantile der Standard-Normalverteilung und t-Verteilung

Konfidenzniveau VaR (Normal) ES (Normal) ES/VaR (Normal) VaR (t, =10) ES (t, =10) ES/VaR (t, =10)
0,95 1,645 2,063 1,254 1,812 2,408 1,329
0,99 2,326 2,665 1,146 2,764 3,363 1,217
Quelle: Eigene Darstellung.
 62

Tabelle 14: absolute Häufigkeit der Überschreitungen des VaR bei Konfidenzniveau  = 0,95

VaR-0.95_N_ VaR-0.95_N_ VaR-0.95_T_ VaR-0.95_T_

Jahr VaR-0.95_N VaR-0.95_T VaR-0.95_HS # Tage
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97

2000 3 3 7 8 5 3 4 67

2001 11 11 13 12 10 10 12 173

2002 19 11 11 12 10 10 15 214

2003 3 2 7 6 6 4 3 201

2004 6 4 11 9 9 8 7 211

2005 8 6 13 10 11 10 10 224

2006 11 9 12 11 9 11 12 214

2007 15 13 12 15 10 10 16 218

2008 31 24 21 22 18 17 31 217

2009 3 2 8 5 7 5 2 221

2010 11 8 11 12 9 11 10 225

2011 19 19 17 19 14 14 17 219

2012 2 1 13 9 8 7 1 220

2013 6 5 11 9 8 7 7 215

2014 11 9 17 16 11 10 12 218

2015 16 13 14 14 10 13 19 222

2016 9 7 11 10 11 8 7 219

2017 1 1 9 8 7 6 2 223

2018 25 22 19 20 16 16 22 218

2019 7 6 9 8 9 8 6 214

2020 14 12 18 14 14 12 16 218

2021 6 5 13 13 11 11 6 221

2022 19 17 17 14 12 13 16 217

2023 8 4 12 11 10 9 4 218

2024 2 2 4 3 3 2 2 72

Total 266 216 310 290 248 235 259 5099

Quelle: Eigene Darstellung.

 63

Tabelle 15: relative Häufigkeit der Überschreitungen des VaR bei Konfidenzniveau  = 0,95

VaR-0.95_N_ VaR-0.95_N_ VaR-0.95_T_ VaR-0.95_T_

Jahr VaR-0.95_N VaR-0.95_T VaR-0.95_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97

2000 4,48% 4,48% 10,45% 11,94% 7,46% 4,48% 5,97%

2001 6,36% 6,36% 7,51% 6,94% 5,78% 5,78% 6,94%

2002 8,88% 5,14% 5,14% 5,61% 4,67% 4,67% 7,01%

2003 1,49% 1,00% 3,48% 2,99% 2,99% 1,99% 1,49%

2004 2,84% 1,90% 5,21% 4,27% 4,27% 3,79% 3,32%

2005 3,57% 2,68% 5,80% 4,46% 4,91% 4,46% 4,46%

2006 5,14% 4,21% 5,61% 5,14% 4,21% 5,14% 5,61%

2007 6,88% 5,96% 5,50% 6,88% 4,59% 4,59% 7,34%

2008 14,29% 11,06% 9,68% 10,14% 8,29% 7,83% 14,29%

2009 1,36% 0,90% 3,62% 2,26% 3,17% 2,26% 0,90%

2010 4,89% 3,56% 4,89% 5,33% 4,00% 4,89% 4,44%

2011 8,68% 8,68% 7,76% 8,68% 6,39% 6,39% 7,76%

2012 0,91% 0,45% 5,91% 4,09% 3,64% 3,18% 0,45%

2013 2,79% 2,33% 5,12% 4,19% 3,72% 3,26% 3,26%

2014 5,05% 4,13% 7,80% 7,34% 5,05% 4,59% 5,50%

2015 7,21% 5,86% 6,31% 6,31% 4,50% 5,86% 8,56%

2016 4,11% 3,20% 5,02% 4,57% 5,02% 3,65% 3,20%

2017 0,45% 0,45% 4,04% 3,59% 3,14% 2,69% 0,90%

2018 11,47% 10,09% 8,72% 9,17% 7,34% 7,34% 10,09%

2019 3,27% 2,80% 4,21% 3,74% 4,21% 3,74% 2,80%

2020 6,42% 5,50% 8,26% 6,42% 6,42% 5,50% 7,34%

2021 2,71% 2,26% 5,88% 5,88% 4,98% 4,98% 2,71%

2022 8,76% 7,83% 7,83% 6,45% 5,53% 5,99% 7,37%

2023 3,67% 1,83% 5,50% 5,05% 4,59% 4,13% 1,83%

2024 2,78% 2,78% 5,56% 4,17% 4,17% 2,78% 2,78%

Total 5,22% 4,24% 6,08% 5,69% 4,86% 4,61% 5,08%

Quelle: Eigene Darstellung.

 64

Tabelle 16: absolute Häufigkeit der Überschreitungen des VaR bei Konfidenzniveau  = 0,99

VaR-0.99_N_ VaR-0.99_N_ VaR-0.99_T_ VaR-0.99_T_

Jahr VaR-0.99_N VaR-0.99_T VaR-0.99_HS # Tage
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97

2000 0 0 2 2 1 0 0 67

2001 7 4 5 7 2 2 1 173

2002 6 2 4 5 4 3 5 214

2003 1 0 0 0 0 0 0 201

2004 2 0 5 4 3 3 2 211

2005 2 1 4 3 2 2 0 224

2006 7 5 5 3 3 2 5 214

2007 7 5 6 6 3 4 4 218

2008 15 11 8 7 5 7 9 217

2009 0 0 4 2 2 1 0 221

2010 5 2 5 3 1 2 2 225

2011 14 9 9 12 4 7 5 219

2012 0 0 3 1 2 0 0 220

2013 4 2 5 4 4 4 4 215

2014 6 3 5 5 3 3 3 218

2015 10 6 6 7 5 4 6 222

2016 4 3 3 3 3 3 3 219

2017 0 0 2 1 0 0 0 223

2018 10 6 5 6 3 3 10 218

2019 4 2 5 4 4 4 3 214

2020 9 8 6 6 3 4 6 218

2021 1 1 8 6 4 4 1 221

2022 10 4 6 5 2 3 4 217

2023 2 0 5 4 2 2 0 218

2024 0 0 0 0 0 0 0 72

Total 126 74 116 106 65 67 73 5099

Quelle: Eigene Darstellung.

 65

Tabelle 17: relative Häufigkeit der Überschreitungen des VaR bei Konfidenzniveau  = 0,99

VaR-0.99_N_ VaR-0.99_N_ VaR-0.99_T_ VaR-0.99_T_

Jahr VaR-0.99_N VaR-0.99_T VaR-0.99_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97

2000 0,00% 0,00% 2,99% 2,99% 1,49% 0,00% 0,00%

2001 4,05% 2,31% 2,89% 4,05% 1,16% 1,16% 0,58%

2002 2,80% 0,93% 1,87% 2,34% 1,87% 1,40% 2,34%

2003 0,50% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00%

2004 0,95% 0,00% 2,37% 1,90% 1,42% 1,42% 0,95%

2005 0,89% 0,45% 1,79% 1,34% 0,89% 0,89% 0,00%

2006 3,27% 2,34% 2,34% 1,40% 1,40% 0,93% 2,34%

2007 3,21% 2,29% 2,75% 2,75% 1,38% 1,83% 1,83%

2008 6,91% 5,07% 3,69% 3,23% 2,30% 3,23% 4,15%

2009 0,00% 0,00% 1,81% 0,90% 0,90% 0,45% 0,00%

2010 2,22% 0,89% 2,22% 1,33% 0,44% 0,89% 0,89%

2011 6,39% 4,11% 4,11% 5,48% 1,83% 3,20% 2,28%

2012 0,00% 0,00% 1,36% 0,45% 0,91% 0,00% 0,00%

2013 1,86% 0,93% 2,33% 1,86% 1,86% 1,86% 1,86%

2014 2,75% 1,38% 2,29% 2,29% 1,38% 1,38% 1,38%

2015 4,50% 2,70% 2,70% 3,15% 2,25% 1,80% 2,70%

2016 1,83% 1,37% 1,37% 1,37% 1,37% 1,37% 1,37%

2017 0,00% 0,00% 0,90% 0,45% 0,00% 0,00% 0,00%

2018 4,59% 2,75% 2,29% 2,75% 1,38% 1,38% 4,59%

2019 1,87% 0,93% 2,34% 1,87% 1,87% 1,87% 1,40%

2020 4,13% 3,67% 2,75% 2,75% 1,38% 1,83% 2,75%

2021 0,45% 0,45% 3,62% 2,71% 1,81% 1,81% 0,45%

2022 4,61% 1,84% 2,76% 2,30% 0,92% 1,38% 1,84%

2023 0,92% 0,00% 2,29% 1,83% 0,92% 0,92% 0,00%

2024 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00%

Total 2,47% 1,45% 2,27% 2,08% 1,27% 1,31% 1,43%

Quelle: Eigene Darstellung.

 66

Tabelle 18: Summe der Indikatoren des ES bei Konfidenzniveau  = 0,95

ES-0.95_N_ ES-0.95_N_ ES-0.95_T_ ES-0.95_T_

Jahr ES-0.95_N ES-0.95_T ES-0.95_HS # Tage
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97

2000 1,7201 0,9013 3,6634 2,7943 2,3792 1,7432 0,9039 67

2001 8,9522 6,8796 8,5135 8,3694 6,2230 6,3947 6,2933 173

2002 9,7663 6,3271 7,7819 8,1721 5,4581 5,7743 6,2832 214

2003 1,5227 0,8372 3,8367 2,5245 1,9687 1,3363 1,1466 201

2004 3,3781 2,2130 7,4753 6,8110 5,4618 5,2235 3,1660 211

2005 4,7197 3,2279 7,9269 7,1065 5,2946 4,9662 4,2745 224

2006 8,0069 6,2959 6,9342 7,8285 4,9215 5,4068 6,8679 214

2007 10,4448 7,6516 8,1443 8,5222 5,8757 5,9609 8,5020 218

2008 19,7373 14,8259 13,0475 12,7946 8,8594 8,9163 14,9849 217

2009 0,9589 0,2832 5,1671 3,0731 3,6816 1,8931 0,2458 221

2010 6,1196 4,3701 7,6177 7,4164 5,2875 4,9616 5,1619 225

2011 16,6305 13,8007 12,3904 12,8655 9,2749 10,2818 11,2333 219

2012 0,5018 0,2022 5,3475 4,2932 3,2927 2,3217 0,0292 220

2013 4,4229 3,3926 7,2548 5,9639 5,4054 4,5562 4,1291 215

2014 8,3381 6,3764 8,5638 8,3563 5,5678 5,3568 6,9093 218

2015 12,2060 9,7079 8,7636 9,6349 6,5097 7,0850 10,9957 222

2016 5,7262 4,5228 7,1812 5,8125 4,8854 3,9563 3,8371 219

2017 0,4591 0,1704 5,2102 3,8799 3,3804 2,2943 0,5604 223

2018 17,1127 12,4100 11,8789 12,0702 8,1404 8,1413 13,5385 218

2019 4,8943 3,8683 7,1937 6,0851 5,7487 4,7755 3,4015 214

2020 10,7430 9,4586 11,1583 9,4638 7,6242 6,8922 8,6779 218

2021 3,0142 1,8421 9,5522 8,3224 7,6778 5,8858 1,8566 221

2022 13,8010 10,4371 9,4290 8,8228 5,8192 5,7825 8,1708 217

2023 3,3761 1,7660 7,3212 6,7842 5,2777 4,7401 1,5639 218

2024 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 72

Total 176,5527 131,7678 191,3533 177,7672 134,0154 124,6468 132,7335 5099

Quelle: Eigene Darstellung.

 67

Tabelle 19: Summe der Indikatoren des ES bei Konfidenzniveau  = 0,99

ES-0.99_N_ ES-0.99_N_ ES-0.99_T_ ES-0.99_T_

Jahr ES-0.99_N ES-0.99_T ES-0.99_HS # Tage
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97

2000 0,0000 0,0000 1,2404 1,0196 0,1763 0,0000 0,0000 67

2001 4,2934 1,0871 3,4958 3,7238 1,4679 1,3939 1,0000 173

2002 4,2343 0,8843 3,4099 3,1196 1,2758 1,0131 1,3794 214

2003 0,0903 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 201

2004 0,8673 0,0000 3,1689 3,0567 2,2433 1,8496 0,0000 211

2005 1,3890 0,3335 2,5847 2,4746 1,5681 1,4289 0,0000 224

2006 5,6272 2,0923 2,9481 2,3811 1,2192 1,3237 1,7270 214

2007 4,8829 2,6391 3,5293 4,1786 1,1424 1,6156 2,4766 218

2008 11,9809 7,6497 5,6409 6,2406 2,2312 3,3680 6,4087 217

2009 0,0000 0,0000 2,1704 1,2003 0,7725 0,3294 0,0000 221

2010 2,7776 0,9714 3,2575 2,3734 0,8710 1,3969 0,4367 225

2011 10,6151 4,9499 5,7468 8,1372 2,3408 2,8332 3,3355 219

2012 0,0000 0,0000 2,0925 0,6173 0,6878 0,0000 0,0000 220

2013 2,3872 0,8857 3,9856 3,4574 1,5852 1,4533 1,8305 215

2014 4,0146 1,2284 3,7016 3,5964 1,4978 1,7920 1,0000 218

2015 7,5840 4,0426 4,9013 4,4416 2,7891 2,4116 4,4608 222

2016 3,2793 2,5180 2,9398 2,9525 2,4853 2,4479 1,6817 219

2017 0,0000 0,0000 0,9641 0,0602 0,0000 0,0000 0,0000 223

2018 7,0072 3,7827 4,1384 4,0326 2,7823 2,8417 4,5319 218

2019 3,1104 1,5897 4,0075 3,8149 3,1683 2,7369 0,5322 214

2020 8,3331 7,0831 4,1792 4,5595 2,9203 3,1250 3,4308 218

2021 0,9997 0,9446 5,9855 4,2720 2,9489 1,8618 1,0000 221

2022 6,0640 2,7842 3,2489 3,5548 1,1363 1,0369 0,9061 217

2023 1,2477 0,0000 3,7686 2,3665 1,1672 1,0500 0,0000 218

2024 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 72

Total 90,7853 45,4663 81,1057 75,6311 38,4770 37,3093 36,1378 5099

Quelle: Eigene Darstellung.

 68

relative Häufigkeit der Überschreitungen (VaR, alpha = 0,95)

16,00%
14,00%
12,00%
10,00%
8,00%
6,00%
4,00%
2,00%
0,00%

VaR-0.95_N VaR-0.95_T VaR-0.95_N_EWMA_0.94

VaR-0.95_N_EWMA_0.97 VaR-0.95_T_EWMA_0.94 VaR-0.95_T_EWMA_0.97
VaR-0.95_HS

Abbildung 26: Relative Häufigkeit der Überschreitung für die untersuchten VaR-Modelle mit Konfidenzniveau
 = 0,95

Quelle: Eigene Darstellung.

relative Häufigkeit der Überschreitungen (VaR, alpha = 0,99)

8,00%
7,00%
6,00%
5,00%
4,00%
3,00%
2,00%
1,00%
0,00%

VaR-0.99_N VaR-0.99_T VaR-0.99_N_EWMA_0.94

VaR-0.99_N_EWMA_0.97 VaR-0.99_T_EWMA_0.94 VaR-0.99_T_EWMA_0.97
VaR-0.99_HS

Abbildung 27: Relative Häufigkeit der Überschreitung für die untersuchten VaR-Modelle mit Konfidenzniveau
 = 0,99

Quelle: Eigene Darstellung.

 69

Durchschnitt der Indikatoren (ES, alpha = 0,95)

10,00%
9,00%
8,00%
7,00%
6,00%
5,00%
4,00%
3,00%
2,00%
1,00%
0,00%

VaR-0.99_N VaR-0.99_T VaR-0.99_N_EWMA_0.94

VaR-0.99_N_EWMA_0.97 VaR-0.99_T_EWMA_0.94 VaR-0.99_T_EWMA_0.97
VaR-0.99_HS

Abbildung 28: Durchschnitt der Indikatoren für die untersuchten ES-Modelle mit Konfidenzniveau  = 0,95

Quelle: Eigene Darstellung.

Durchschnitt der Indikatoren (ES, alpha = 0,95)

6,00%

5,00%

4,00%

3,00%

2,00%

1,00%

0,00%

VaR-0.99_N VaR-0.99_T VaR-0.99_N_EWMA_0.94

VaR-0.99_N_EWMA_0.97 VaR-0.99_T_EWMA_0.94 VaR-0.99_T_EWMA_0.97
VaR-0.99_HS

Abbildung 29: Durchschnitt der Indikatoren für die untersuchten ES-Modelle mit Konfidenzniveau  = 0,99

Quelle: Eigene Darstellung.

 70

Tabelle 20: absolute Häufigkeit der Überschreitungen des VaR bei Konfidenzniveau  = 0,95 während und
nach Stresssituationen

VaR- VaR- VaR- VaR-

VaR- VaR- VaR- #
Jahr 0.95_N_EW 0.95_N_EW 0.95_T_EW 0.95_T_EW
0.95_N 0.95_T 0.95_HS Tage
MA_0.94 MA_0.97 MA_0.94 MA_0.97

1.7.2000 -
36 27 35 35 28 25 34 548
30.6.2003

1.7.2003 -
4 2 10 10 10 8 5 210
30.6.2004

1.7.2007 -
46 37 33 35 28 26 45 434
30.6.2009

1.7.2009 -
8 7 13 12 12 12 9 222
30.6.2010

1.4.2011 -
17 17 14 16 11 11 15 162
31.12.2011

1.1.2012 -
2 1 13 9 8 7 1 220
31.12.2012

1.1.2015 -
22 18 19 19 15 18 24 273
30.3.2016

1.4.2016 -
3 2 8 6 7 4 2 220
30.3.2017

1.1.2020 -
14 12 14 11 10 10 16 162
30.9.2020

1.10.2020 -
3 3 14 13 14 11 3 219
30.9.2021

1.1.2022 -
19 17 17 14 12 13 16 216
30.12.2022

1.1.2023 -
8 4 12 11 10 9 4 218
30.12.2023

Durchschnitt
295,
Stress-situa- 25,57 21,43 21,71 21,43 17,29 17,00 24,57
00
tion

Durchschnitt
217,
Nicht-Stress- 6,43 4,71 12,57 11,14 10,86 9,57 6,00
43
situation

Quelle: Eigene Darstellung.

 71

Tabelle 21: relative Häufigkeit der Überschreitungen des VaR bei Konfidenzniveau  = 0,95 während und nach
Stresssituationen

VaR- VaR- VaR- VaR-

VaR- VaR- VaR-
Jahr 0.95_N_EW 0.95_N_EW 0.95_T_EW 0.95_T_EW
0.95_N 0.95_T 0.95_HS
MA_0.94 MA_0.97 MA_0.94 MA_0.97

1.7.2000 -
30.6.2003
6,57% 4,93% 6,39% 6,39% 5,11% 4,56% 6,20%

1.7.2003 -
30.6.2004
1,90% 0,95% 4,76% 4,76% 4,76% 3,81% 2,38%

1.7.2007 -
30.6.2009
10,60% 8,53% 7,60% 8,06% 6,45% 5,99% 10,37%

1.7.2009 -
30.6.2010
3,60% 3,15% 5,86% 5,41% 5,41% 5,41% 4,05%

1.4.2011 -
31.12.2011
10,49% 10,49% 8,64% 9,88% 6,79% 6,79% 9,26%

1.1.2012 -
31.12.2012
0,91% 0,45% 5,91% 4,09% 3,64% 3,18% 0,45%

1.1.2015 -
30.3.2016
8,06% 6,59% 6,96% 6,96% 5,49% 6,59% 8,79%

1.4.2016 -
30.3.2017
1,36% 0,91% 3,64% 2,73% 3,18% 1,82% 0,91%

1.1.2020 -
30.9.2020
8,64% 7,41% 8,64% 6,79% 6,17% 6,17% 9,88%

1.10.2020 -
30.9.2021
1,37% 1,37% 6,39% 5,94% 6,39% 5,02% 1,37%

1.1.2022 -
30.12.2022
8,80% 7,87% 7,87% 6,48% 5,56% 6,02% 7,41%

1.1.2023 -
30.12.2023
3,67% 1,83% 5,50% 5,05% 4,59% 4,13% 1,83%

Durchschnitt
Stress-situa- 8,92% 7,71% 7,64% 7,42% 5,98% 6,01% 8,58%
tion

Durchschnitt
Nicht-Stress- 2,97% 2,18% 5,79% 5,14% 5,00% 4,41% 2,78%
situation

Quelle: Eigene Darstellung.

 72

Tabelle 22: absolute Häufigkeit der Überschreitungen des VaR bei Konfidenzniveau  = 0,99 während und
nach Stresssituationen

VaR- VaR- VaR- VaR-

VaR- VaR- VaR- #
Jahr 0.99_N_EW 0.99_N_EW 0.99_T_EW 0.99_T_EW
0.99_N 0.99_T 0.99_HS Tage
MA_0.94 MA_0.97 MA_0.94 MA_0.97

1.7.2000 -
14 6 11 14 7 5 6 548
30.6.2003

1.7.2003 -
1 0 3 2 2 2 1 210
30.6.2004

1.7.2007 -
21 15 14 12 7 10 12 434
30.6.2009

1.7.2009 -
4 2 7 5 3 3 2 222
30.6.2010

1.4.2011 -
13 8 7 10 2 5 5 162
31.12.2011

1.1.2012 -
0 0 3 1 2 0 0 220
31.12.2012

1.1.2015 -
12 7 7 8 6 5 7 273
30.3.2016

1.4.2016 -
2 2 2 2 2 2 2 220
30.3.2017

1.1.2020 -
9 8 4 6 3 4 6 162
30.9.2020

1.10.2020 -
0 0 9 5 3 3 0 219
30.9.2021

1.1.2022 -
10 4 6 5 2 3 4 216
30.12.2022

1.1.2023 -
2 0 5 4 2 2 0 218
30.12.2023

Durchschnitt
295,
Stress-situa- 12,71 7,71 7,71 8,71 4,29 5,00 7,14
00
tion

Durchschnitt
217,
Nicht-Stress- 3,00 2,00 5,29 4,14 3,00 2,86 2,00
43
situation

Quelle: Eigene Darstellung.

 73

Tabelle 23: relative Häufigkeit der Überschreitungen des VaR bei Konfidenzniveau  = 0,99 während und nach
Stresssituationen

VaR- VaR- VaR- VaR-

VaR- VaR- VaR-
Jahr 0.99_N_EW 0.99_N_EW 0.99_T_EW 0.99_T_EW
0.99_N 0.99_T 0.95_HS
MA_0.94 MA_0.97 MA_0.94 MA_0.97

1.7.2000 -
2,55% 1,09% 2,01% 2,55% 1,28% 0,91% 1,09%
30.6.2003

1.7.2003 -
0,48% 0,00% 1,43% 0,95% 0,95% 0,95% 0,48%
30.6.2004

1.7.2007 -
4,84% 3,46% 3,23% 2,76% 1,61% 2,30% 2,76%
30.6.2009

1.7.2009 -
1,80% 0,90% 3,15% 2,25% 1,35% 1,35% 0,90%
30.6.2010

1.4.2011 -
8,02% 4,94% 4,32% 6,17% 1,23% 3,09% 3,09%
31.12.2011

1.1.2012 -
0,00% 0,00% 1,36% 0,45% 0,91% 0,00% 0,00%
31.12.2012

1.1.2015 -
4,40% 2,56% 2,56% 2,93% 2,20% 1,83% 2,56%
30.3.2016

1.4.2016 -
0,91% 0,91% 0,91% 0,91% 0,91% 0,91% 0,91%
30.3.2017

1.1.2020 -
5,56% 4,94% 2,47% 3,70% 1,85% 2,47% 3,70%
30.9.2020

1.10.2020 -
0,00% 0,00% 4,11% 2,28% 1,37% 1,37% 0,00%
30.9.2021

1.1.2022 -
4,63% 1,85% 2,78% 2,31% 0,93% 1,39% 1,85%
30.12.2022

1.1.2023 -
0,92% 0,00% 2,29% 1,83% 0,92% 0,92% 0,00%
30.12.2023

Durchschnitt
Stress-situa- 4,81% 3,01% 2,75% 3,24% 1,46% 1,87% 2,68%
tion

Durchschnitt
Nicht-Stress- 1,39% 0,93% 2,43% 1,91% 1,39% 1,32% 0,93%
situation

Quelle: Eigene Darstellung.

 74

Tabelle 24: Summe der Indikatoren des ES bei Konfidenzniveau  = 0,95 während und nach Stresssituationen

VaR- VaR- VaR- VaR-

VaR- VaR- VaR- #
Jahr 0.95_N_EW 0.95_N_EW 0.95_T_EW 0.95_T_EW
0.95_N 0.95_T 0.95_HS Tage
MA_0.94 MA_0.97 MA_0.94 MA_0.97

1.7.2000 -
21,96 14,95 22,04 20,73 15,07 14,78 14,63 548
30.6.2003

1.7.2003 -
1,77 1,04 7,03 6,12 4,87 4,17 2,10 210
30.6.2004

1.7.2007 -
29,47 21,57 20,86 19,64 14,17 13,45 22,39 434
30.6.2009

1.7.2009 -
5,24 3,78 9,40 8,53 7,08 6,03 4,61 222
30.6.2010

1.4.2011 -
14,97 12,51 9,89 10,33 7,14 8,13 10,15 162
31.12.2011

1.1.2012 -
0,50 0,20 5,35 4,29 3,29 2,32 0,03 220
31.12.2012

1.1.2015 -
15,91 12,29 11,86 12,68 8,44 8,96 12,99 273
30.3.2016

1.4.2016 -
2,03 1,94 4,86 3,15 3,29 2,17 1,84 220
30.3.2017

1.1.2020 -
10,74 9,46 8,26 8,00 5,65 6,11 8,68 162
30.9.2020

1.10.2020 -
1,35 0,49 11,24 8,27 8,66 5,61 0,49 219
30.9.2021

1.1.2022 -
13,80 10,44 9,43 8,82 5,82 5,78 8,17 216
30.12.2022

1.1.2023 -
3,38 1,77 7,32 6,78 5,28 4,74 1,56 218
30.12.2023

Durchschnitt
295,
Stress-situa- 17,71 13,38 13,54 13,18 9,24 9,34 12,94
00
tion

Durchschnitt
217,
Nicht-Stress- 3,90 2,99 8,31 7,22 6,07 5,12 3,05
43
situation

Quelle: Eigene Darstellung.

 75

Tabelle 25: Durchschnitt der Indikatoren des ES bei Konfidenzniveau  = 0,95 während und nach Stresssituati-
onen

ES- ES- ES- ES-

ES- ES- ES-
Jahr 0.95_N_EW 0.95_N_EW 0.95_T_EW 0.95_T_EW
0.95_N 0.95_T 0.95_HS
MA_0.94 MA_0.97 MA_0.94 MA_0.97

1.7.2000 -
4,01% 2,73% 4,02% 3,78% 2,75% 2,70% 2,67%
30.6.2003

1.7.2003 -
0,85% 0,49% 3,35% 2,91% 2,32% 1,98% 1,00%
30.6.2004

1.7.2007 -
6,79% 4,97% 4,81% 4,53% 3,26% 3,10% 5,16%
30.6.2009

1.7.2009 -
2,36% 1,70% 4,23% 3,84% 3,19% 2,71% 2,08%
30.6.2010

1.4.2011 -
9,24% 7,72% 6,10% 6,38% 4,41% 5,02% 6,27%
31.12.2011

1.1.2012 -
0,23% 0,09% 2,43% 1,95% 1,50% 1,06% 0,01%
31.12.2012

1.1.2015 -
5,83% 4,50% 4,35% 4,64% 3,09% 3,28% 4,76%
30.3.2016

1.4.2016 -
0,92% 0,88% 2,21% 1,43% 1,50% 0,98% 0,84%
30.3.2017

1.1.2020 -
6,63% 5,84% 5,10% 4,94% 3,48% 3,77% 5,36%
30.9.2020

1.10.2020 -
0,62% 0,22% 5,13% 3,78% 3,95% 2,56% 0,22%
30.9.2021

1.1.2022 -
6,39% 4,83% 4,37% 4,08% 2,69% 2,68% 3,78%
30.12.2022

1.1.2023 -
1,55% 0,81% 3,36% 3,11% 2,42% 2,17% 0,72%
30.12.2023

Durchschnitt
Stress-situa- 6,46% 5,03% 4,76% 4,69% 3,26% 3,37% 4,72%
tion

Durchschnitt
Nicht-Stress- 1,80% 1,38% 3,83% 3,33% 2,80% 2,36% 1,41%
situation

Quelle: Eigene Darstellung.

 76

Tabelle 26: Summe der Indikatoren des ES bei Konfidenzniveau  = 0,99 während und nach Stresssituationen

ES- ES- ES- ES-

ES- ES- ES- #
Jahr 0.99_N_EW 0.99_N_EW 0.99_T_EW 0.99_T_EW
0.99_N 0.99_T 0.99_HS Tage
MA_0.94 MA_0.97 MA_0.94 MA_0.97

1.7.2000 -
8,62 1,97 8,15 7,86 2,92 2,41 2,38 548
30.6.2003

1.7.2003 -
0,38 0,00 2,08 1,94 1,50 1,39 0,00 210
30.6.2004

1.7.2007 -
15,90 9,63 8,27 9,42 2,39 4,03 8,41 434
30.6.2009

1.7.2009 -
2,74 0,97 4,62 3,57 1,64 1,73 0,44 222
30.6.2010

1.4.2011 -
9,82 4,78 3,78 6,19 0,82 1,40 3,34 162
31.12.2011

1.1.2012 -
0,00 0,00 2,09 0,62 0,69 0,00 0,00 220
31.12.2012

1.1.2015 -
8,88 4,86 5,84 5,40 3,34 3,03 4,95 273
30.3.2016

1.4.2016 -
1,98 1,70 2,00 2,00 1,93 1,83 1,20 220
30.3.2017

1.1.2020 -
8,33 7,08 3,34 4,56 2,92 3,12 3,43 162
30.9.2020

1.10.2020 -
0,00 0,00 5,83 3,27 1,95 0,87 0,00 219
30.9.2021

1.1.2022 -
6,06 2,78 3,25 3,55 1,14 1,04 0,91 216
30.12.2022

1.1.2023 -
1,25 0,00 3,77 2,37 1,17 1,05 0,00 218
30.12.2023

Durchschnitt
295,
Stress-situa- 9,23 4,98 5,25 5,86 2,33 2,55 3,99
00
tion

Durchschnitt
217,
Nicht-Stress- 2,48 1,62 3,91 3,16 2,14 1,82 0,80
43
situation

Quelle: Eigene Darstellung.

 77

Tabelle 27: Durchschnitt der Indikatoren des ES bei Konfidenzniveau  = 0,99 während und nach Stresssituati-
onen

ES- ES- ES- ES-

ES- ES- ES-
Jahr 0.99_N_EW 0.99_N_EW 0.99_T_EW 0.99_T_EW
0.99_N 0.99_T 0.99_HS
MA_0.94 MA_0.97 MA_0.94 MA_0.97

1.7.2000 -
1,57% 0,36% 1,49% 1,43% 0,53% 0,44% 0,43%
30.6.2003

1.7.2003 -
0,18% 0,00% 0,99% 0,92% 0,72% 0,66% 0,00%
30.6.2004

1.7.2007 -
3,66% 2,22% 1,91% 2,17% 0,55% 0,93% 1,94%
30.6.2009

1.7.2009 -
1,23% 0,44% 2,08% 1,61% 0,74% 0,78% 0,20%
30.6.2010

1.4.2011 -
6,06% 2,95% 2,33% 3,82% 0,51% 0,86% 2,06%
31.12.2011

1.1.2012 -
0,00% 0,00% 0,95% 0,28% 0,31% 0,00% 0,00%
31.12.2012

1.1.2015 -
3,25% 1,78% 2,14% 1,98% 1,23% 1,11% 1,81%
30.3.2016

1.4.2016 -
0,90% 0,77% 0,91% 0,91% 0,88% 0,83% 0,54%
30.3.2017

1.1.2020 -
5,14% 4,37% 2,06% 2,81% 1,80% 1,93% 2,12%
30.9.2020

1.10.2020 -
0,00% 0,00% 2,66% 1,49% 0,89% 0,40% 0,00%
30.9.2021

1.1.2022 -
2,81% 1,29% 1,50% 1,65% 0,53% 0,48% 0,42%
30.12.2022

1.1.2023 -
0,57% 0,00% 1,73% 1,09% 0,54% 0,48% 0,00%
30.12.2023

Durchschnitt
Stress-situa- 3,58% 2,05% 1,85% 2,19% 0,88% 0,97% 1,49%
tion

Durchschnitt
Nicht-Stress- 1,15% 0,75% 1,80% 1,46% 0,99% 0,84% 0,37%
situation

Quelle: Eigene Darstellung.

 78

Tabelle 28: absolute und relative Häufigkeiten der Ablehnung und Nicht-Ablehnung der untersuchten VaR-Modelle mit Konfidenzniveau  = 0,95 im Backtesting mittels
POF-Test mit 500 Tagen rollierendem Backtesting-Fenster
VaR-0.95_N_ VaR-0.95_N_ VaR-0.95_T_ VaR-0.95_T_
VaR-0.95_N VaR-0.95_T VaR-0.95_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Ablehnungen (abs.) 1218 1412 375 413 42 358 1186
Nicht-Ablehnungen
3881 3687 4724 4686 5057 4741 3913
(abs.)
Ablehnungen (rel.) 26,48% 30,70% 8,15% 8,98% 0,91% 7,78% 25,78%
Nicht-Ablehnungen
73,52% 69,30% 91,85% 91,02% 99,09% 92,22% 74,22%
(rel.)
Quelle: Eigene Darstellung.

Tabelle 29: absolute und relative Häufigkeiten der Ablehnung und Nicht-Ablehnung der untersuchten VaR-Modelle mit Konfidenzniveau  = 0,99 im Backtesting mittels
POF-Test mit 500 Tagen rollierendem Backtesting-Fenster
VaR-0.99_N_ VaR-0.99_N_ VaR-0.99_T_ VaR-0.99_T_
VaR-0.99_N VaR-0.99_T VaR-0.99_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Ablehnungen (abs.) 3545 1969 3314 2707 78 677 1200
Nicht-Ablehnungen
1554 3130 1785 2392 5021 4422 3899
(abs.)
Ablehnungen (rel.) 77,07% 42,80% 72,04% 58,85% 1,70% 14,72% 26,09%
Nicht-Ablehnungen
22,93% 57,20% 27,96% 41,15% 98,30% 85,28% 73,91%
(rel.)
Quelle: Eigene Darstellung.
 79

Tabelle 30: absolute und relative Häufigkeiten der Einordnung in die verschiedenen Zonen der untersuchten ES-Modelle mit Konfidenzniveau  = 0,95 im Backtesting mittels
„Traffic Light Approach“ mit 500 Tagen rollierendem Backtesting-Fenster
ES-0.95_N_ ES-0.95_N_ ES-0.95_T_ ES-0.95_T_
ES-0.95_N ES-0.95_T ES-0.95_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Grüne Zone (abs.) 2031 3548 1586 1783 4425 4549 3616
Gelbe Zone (abs.) 1713 1006 2751 2755 175 51 808
Rote Zone (abs.) 856 46 263 62 0 0 176
Grüne Zone (rel.) 44,15% 77,13% 34,48% 38,76% 96,20% 98,89% 78,61%
Gelbe Zone (rel.) 37,24% 21,87% 59,80% 59,89% 3,80% 1,11% 17,57%
Rote Zone (rel.) 18,61% 1,00% 5,72% 1,35% 0,00% 0,00% 3,83%
Quelle: Eigene Darstellung.

Tabelle 31: absolute und relative Häufigkeiten der Einordnung in die verschiedenen Zonen der untersuchten ES-Modelle mit Konfidenzniveau  = 0,99 im Backtesting mittels
„Traffic Light Approach“ mit 500 Tagen rollierendem Backtesting-Fenster
ES-0.99_N_ ES-0.99_N_ ES-0.99_T_ ES-0.99_T_
ES-0.99_N ES-0.99_T ES-0.99_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Grüne Zone (abs.) 677 2273 259 481 3586 3503 2924
Gelbe Zone (abs.) 860 1362 1257 1719 792 899 1376
Rote Zone (abs.) 3063 965 3084 2400 222 198 300
Grüne Zone (rel.) 14,72% 49,41% 5,63% 10,46% 77,96% 76,15% 63,57%
Gelbe Zone (rel.) 18,70% 29,61% 27,33% 37,37% 17,22% 19,54% 29,91%
Rote Zone (rel.) 66,59% 20,98% 67,04% 52,17% 4,83% 4,30% 6,52%
Quelle: Eigene Darstellung.
 80

Tabelle 32: Backtesting-Resultate für die VaR-Modelle mit  = 0,95 mittels POF-Test für den gesamten Beobachtungszeitraum

VaR-0.95_N_ VaR-0.95_N_ VaR-0.95_T_ VaR-0.95_T_

VaR-0.95_N VaR-0.95_T VaR-0.95_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Anzahl aller Über-
266 216 310 290 248 235 259
schreitungen des VaR
Untere Grenze der Ab-
225 225 225 225 225 225 225
lehnung
Obere Grenze der Ab-
287 287 287 287 287 287 287
lehnung
Backtest-Entschei- Nicht-Ableh- Nicht-Ableh- Nicht-Ableh- Nicht-Ableh-
Ablehnung Ablehnung Ablehnung
dung nung nung nung nung
Quelle: Eigene Darstellung.

Tabelle 33: Backtesting-Resultate für die VaR-Modelle mit  = 0,99 mittels POF-Test für den gesamten Beobachtungszeitraum

VaR-0.99_N_ VaR-0.99_N_ VaR-0.99_T_ VaR-0.99_T_

VaR-0.99_N VaR-0.99_T VaR-0.99_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Anzahl aller Über-
126 74 116 106 65 67 73
schreitungen des VaR
Untere Grenze der Ab-
37 37 37 37 37 37 37
lehnung
Obere Grenze der Ab-
66 66 66 66 66 66 66
lehnung
Backtest-Entschei- Nicht-Ableh-
Ablehnung Ablehnung Ablehnung Ablehnung Ablehnung Ablehnung
dung nung
Quelle: Eigene Darstellung.
 81

Tabelle 34: Backtesting-Resultate für die ES-Modelle mit  = 0,95 mittels „Traffic Light Approach“ für den gesamten Beobachtungszeitraum

ES-0.95_N_ ES-0.95_N_ ES-0.95_T_ ES-0.95_T_

ES-0.95_N ES-0.95_T ES-0.95_HS
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97
Summe aller Indikato-
176,55 131,77 191,35 177,77 134,02 124,65 132,73
ren
Grenze Grün-Gelb 142,35 142,35 142,35 142,35 142,35 142,35 142,35
Grenze Gelb-Rot 161,11 161,11 161,11 161,11 161,11 161,11 161,11
Backtest-Entscheidung Rot Grün Rot Rot Grün Grün Grün
Quelle: Eigene Darstellung.

Tabelle 35: Backtesting-Resultate für die ES-Modelle mit  = 0,99 mittels „Traffic Light Approach“ für den gesamten Beobachtungszeitraum

ES-0.99_N_ ES-0.99_N_ ES-0.99_T_ ES-0.99_T_ ES-

ES-0.99_N ES-0.99_T
EWMA_0.94 EWMA_0.97 EWMA_0.94 EWMA_0.97 0.99_HS
Summe aller Indikatoren 90,79 45,47 81,11 75,63 38,48 37,31 36,14
Grenze Grün-Gelb 32,25 32,25 32,25 32,25 32,25 32,25 32,25
Grenze Gelb-Rot 40,77 40,77 40,77 40,77 40,77 40,77 40,77
Backtest-Entscheidung Rot Rot Rot Rot Gelb Gelb Gelb
Quelle: Eigene Darstellung.
 82

Backtesting-Resultate (Gesamtzeitraum): VaR (alpha = 0,95)

350
300
250
200
150
100
50
0

Anzahl der Überschreitungen untere Grenze obere Grenze

Abbildung 30: Anzahl der Überschreitungen des VaR mit  = 0,95 im Vergleich zu den Grenzwerten des POF-
Tests über den gesamten Beobachtungszeitraum
Quelle: Eigene Darstellung.

Backtesting-Resultate (Gesamtzeitraum): VaR (alpha = 0,99)

140
120
100
80
60
40
20
0

Anzahl der Überschreitungen untere Grenze obere Grenze

Abbildung 31: Anzahl der Überschreitungen des VaR mit  = 0,99 im Vergleich zu den Grenzwerten des POF-
Tests über den gesamten Beobachtungszeitraum
Quelle: Eigene Darstellung.
 83

Backtesting-Resultate (Gesamtzeitraum): ES (alpha = 0,95)

200,00
180,00
160,00
140,00
120,00
100,00
80,00
60,00
40,00
20,00
0,00

Summe aller Indikatoren Grenze Grün-Gelb Grenze Gelb-Rot

Abbildung 32: Summe aller Indikatoren des ES-Backtestings mit  = 0,95 im Vergleich zu den Grenzwerten
des „Traffic Light Approach“ über den gesamten Beobachtungszeitraum
Quelle: Eigene Darstellung.

Backtesting-Resultate (Gesamtzeitraum): ES (alpha = 0,99)

100,00
90,00
80,00
70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00

Summe aller Indikatoren Grenze Grün-Gelb Grenze Gelb-Rot

Abbildung 33: Summe aller Indikatoren des ES-Backtestings mit  = 0,99 im Vergleich zu den Grenzwerten
des „Traffic Light Approach“ über den gesamten Beobachtungszeitraum
Quelle: Eigene Darstellung.
 UNIVERSITÄT POTSDAM
STATISTISCHE DISKUSSIONSBEITRÄGE
Herausgeber: Andreas Nastansky

Nr. 1 1995 Strohe, Hans Gerhard: Dynamic Latent Variables Path Models
- An Alternative PLS Estimation -
Nr. 2 1996 Kempe, Wolfram. Das Arbeitsangebot verheirateter Frauen in den neuen und alten
Bundesländern - Eine semiparametrische Regressionsanalyse
Nr. 3 1996 Strohe, Hans Gerhard: Statistik im DDR-Wirtschaftsstudium zwischen Ideologie und
Wissenschaft
Nr. 4 1996 Berger, Ursula: Die Landwirtschaft in den drei neuen EU-Mitgliedsstaaten Finnland,
Schweden und Österreich - Ein statistischer Überblick
Nr. 5 1996 Betzin, Jörg: Ein korrespondenzanalytischer Ansatz für Pfadmodelle mit kategorialen
Daten
Nr. 6 1996 Berger, Ursula: Die Methoden der EU zur Messung der Einkommenssituation in der
Landwirtschaft - Am Beispiel der Bundesrepublik Deutschland
Nr. 7 1997 Strohe, Hans Gerhard / Geppert, Frank: Algorithmus und Computerprogramm für
dynamische Partial Least Squares Modelle
Nr. 8 1997 Rambert, Laurence / Strohe, Hans Gerhard: Statistische Darstellung transfor-
mationsbedingter Veränderungen der Wirtschafts- und Beschäftigungs-
struktur in Ostdeutschland
Nr. 9 1997 Faber, Cathleen: Die Statistik der Verbraucherpreise in Rußland
- Am Beispiel der Erhebung für die Stadt St. Petersburg
Nr. 10 1998 Nosova, Olga: The Atractiveness of Foreign Direct Investment in Russia and Ukraine
- A Statistical Analysis
Nr. 11 1999 Gelaschwili, Simon: Anwendung der Spieltheorie bei der Prognose von
Marktprozessen
Nr. 12 1999 Strohe, Hans Gerhard / Faber, Cathleen: Statistik der Transformation -
Transformation der Statistik. Preisstatistik in Ostdeutschland und Rußland
Nr. 13 1999 Müller, Claus: Kleine und mittelgroße Unternehmen in einer hoch konzentrierten
Branche am Beispiel der Elektrotechnik. Eine statistische Langzeitanalyse
der Gewerbezählungen seit 1882
Nr. 14 1999 Faber, Cathleen: The Measurement and Development of Georgian Consumer Prices
Nr. 15 1999 Geppert, Frank / Hübner, Roland: Korrelation oder Kointegration – Eignung für
Portfoliostrategien am Beispiel verbriefter Immobilenanlagen
Nr. 16 2000 Achsani, Noer Azam / Strohe, Hans Gerhard: Statistischer Überblick über die
indonesische Wirtschaft
Nr. 17 2000 Bartels, Knut: Testen der Spezifikation von multinominalen Logit-Modellen
Nr. 18 2002 Achsani, Noer Azam / Strohe, Hans Gerhard: Dynamische Zusammenhänge
zwischen den Kapitalmärkten der Region Pazifisches Becken vor und nach
der Asiatischen Krise 1997
Nr. 19 2002 Nosova, Olga: Modellierung der ausländischen Investitionstätigkeit in der Ukraine
Nr. 20 2003 Gelaschwili, Simon / Kurtanidse, Zurab: Statistische Analyse des Handels zwischen
Georgien und Deutschland
Nr. 21 2004 Nastansky, Andreas: Kurz- und langfristiger statistischer Zusammenhang zwischen
Geldmengen- und Preisentwicklung: Analyse einer kointegrierenden
Beziehung
Nr. 22 2006 Kauffmann, Albrecht / Nastansky, Andreas: Ein kubischer Spline zur temporalen
Disaggregation von Stromgrößen und seine Anwendbarkeit auf
Immobilienindizes
Nr. 23 2006 Mangelsdorf, Stefan: Empirische Analyse der Investitions- und Exportentwicklung
des Verarbeitenden Gewerbes in Berlin und Brandenburg
Nr. 24 2006 Reilich, Julia: Return to Schooling in Germany
Nr. 25 2006 Nosova, Olga / Bartels, Knut: Statistical Analysis of the Corporate Governance
System in the Ukraine: Problems and Development Perspectives
Nr. 26 2007 Gelaschwili, Simon: Einführung in die statistische Modellierung und Prognose
Nr. 27 2007 Nastansky, Andreas: Modellierung und Schätzung von Vermögenseffekten im
Konsum
 UNIVERSITÄT POTSDAM
STATISTISCHE DISKUSSIONSBEITRÄGE
Herausgeber: Andreas Nastansky

Nr. 28 2008 Nastansky, Andreas: Schätzung vermögenspreisinduzierter Investitionseffekte in

Deutschland
Nr. 29 2008 Ruge, Marcus / Strohe, Hans Gerhard: Analyse von Erwartungen in der
Volkswirtschaft mit Partial-Least-Squares-Modellen
Nr. 30 2009 Newiak, Monique: Prüfungsurteile mit Dollar Unit Sampling – Ein Vergleich von
Fehlerschätzmethoden für Zwecke der Wirtschaftsprüfung: Praxis, Theorie,
Simulation –
Nr. 31 2009 Ruge, Marcus: Modellierung von Stimmungen und Erwartungen in der deutschen
Wirtschaft
Nr. 32 2009 Nosova, Olga: Statistical Analysis of Regional Integration Effects
Nr. 33 2009 Mangelsdorf, Stefan: Persistenz im Exportverhalten – Kann punktuelle
Exportförderung langfristige Auswirkungen haben? -
Nr. 34 2009 Kbiladze, David: Einige historische und gesetzgeberische Faktoren der Reformierung
der georgischen Statistik
Nr. 35 2009 Nastansky, Andreas / Strohe, Hans Gerhard: Die Ursachen der Finanz- und Banken-
krise im Lichte der Statistik
Nr. 36 2009 Gelaschwili, Simon / Nastansky, Andreas: Development of the Banking Sector in
Georgia
Nr. 37 2010 Kunze, Karl-Kuno / Strohe, Hans Gerhard: Time Varying Persistence in the German
Stock Market
Nr. 38 2010 Nastansky, Andreas / Strohe, Hans Gerhard: The Impact of Changes in Asset Prices
on Real Economic Activity: A Cointegration Analysis for Germany
Nr. 39 2010 Kunze, Karl-Kuno / Strohe, Hans Gerhard: Antipersistence in German Stock Returns
Nr. 40 2010 Dietrich, Irina / Strohe, Hans Gerhard: Die Vielfalt öffentlicher Unternehmen aus der
Sicht der Statistik - Ein Versuch, das Unstrukturierte zu strukturieren
Nr. 41 2010 Nastansky, Andreas / Lanz, Ramona: Bonuszahlungen in der Kreditwirtschaft:
Analyse, Regulierung und Entwicklungstendenzen
Nr. 42 2010 Dietrich, Irina / Strohe, Hans Gerhard: Die Vermögenslage öffentlicher Unter-
nehmen in Deutschland - Statistische Analyse anhand von amtlichen
Mikrodaten der Jahresabschlüsse.
Nr. 43 2010 Ulbrich, Hannes-Friedrich: Höherdimensionale Kompositionsdaten
– Gedanken zur grafischen Darstellung und Analyse -
Nr. 44 2011 Dietrich, Irina / Strohe, Hans Gerhard: Statistik der öffentlichen Unternehmen in
Deutschland – Die Datenbasis
Nr. 45 2011 Nastansky, Andreas: Orthogonale und verallgemeinerte Impuls-Antwort-Funktionen
in Vektor-Fehlerkorrekturmodellen
Nr. 46 2011 Dietrich, Irina / Strohe, Hans Gerhard: Die Finanzlage öffentlicher Unternehmen in
Deutschland - Statistische Analyse amtlicher Mikrodaten der
Jahresabschlüsse
Nr. 47 2011 Teitge, Jonas / Nastansky, Andreas: Interdependenzen in den Renditen DAX-notierter
Unternehmen nach Branchen
Nr. 48 2011 Dietrich, Irina: Die Ertragslage öffentlicher Unternehmen in Deutschland
- Statistische Analyse amtlicher Mikrodaten der Jahresabschlüsse -
Nr. 49 2011 Kauper, Benjamin / Kunze, Karl-Kuno: Modellierung von Aktienkursen im Lichte
der Komplexitätsforschung
Nr. 50 2011 Nastansky, Andreas / Strohe, Hans Gerhard: Konsumausgaben und Aktienmarkt-
entwicklung in Deutschland: Ein kointegriertes vektorautoregressives Modell
Nr. 51 2014 Nastansky, Andreas / Mehnert, Alexander / Strohe, Hans Gerhard: A Vector Error
Correction Model for the Relationship between Public Debt and Inflation in
Germany
Nr. 52 2019 Kauffmann, Albrecht / Nastansky, Andreas: Explorative Analyse der Preise von
Einfamilienhäusern und Eigentumswohnungen in Deutschland
Nr. 53 2019 Nastansky, Andreas: Topologische Datenanalyse: Eine Einführung in die Persistente
Homologie und Mapper
 UNIVERSITÄT POTSDAM
STATISTISCHE DISKUSSIONSBEITRÄGE
Herausgeber: Andreas Nastansky

Nr. 54 2022 Kauffmann, Albrecht / Nastansky, Andreas: Regionale Mieten in Deutschland:

Explorative Analyse der Mieten in der Wiedervermietung
Nr. 55 2022 Nastansky, Andreas: Gruppierung von Daten: Topologische Verfahren vs. Cluster-
analyse
Nr. 56 2023 Nastansky, Andreas / Siris, Sarah: Risikoverbund zwischen Banken und Staaten: Eine
empirische Analyse für den Euroraum
Nr. 57 2024 Barz, Till / Nastansky, Andreas: Herausforderungen des finanziellen Risikomanage-
ments: Eine empirische Untersuchung des Value at Risk-Ansatzes in
Stresssituationen