Ökonometrische Verfahren für das Risikomanagement von CCPs

Eine zentrale Clearingstelle (zentraler Kontrahent, CCP) ist für das Settlement von Transaktionen zwischen Käufern und Verkäufern auf Finanzmärkten verantwortlich. Während der Erfüllungsperiode von typischerweise zwei bis drei Tagen trägt sie das Ausfallrisiko, d.h. das Risiko, dass eine Partei ihre Verpflichtungen nicht erfüllen kann. Während dieser Zeit hat die CCP im Falle der Insolvenz eines Clearing-Mitglieds selbst einzutreten und die Erfüllung der Transaktion zu garantieren. Entsprechend hat sich eine CCP durch eingeforderte Einlagen und Sicherheitsleistungen von Clearing-Teilnehmern gegen Marktbewegungen und Ausfallrisiken abzusichern CCPs wurden eingeführt, um Ausfallrisiken, Ansteckungseffekte sowie die Häufigkeit von Finanzkrisen zu reduzieren. Entsprechend sind sie wesentliche und von der Finanzmarktregulierung verpflichtende Pfeiler der Finanzmarktstabilität. CCPs müssen mit signifikanten Ressourcen, basierend auf Einlagen, Sicherheitsleistungen und Ausfallfonds ausgestattet sein, um risikoreiche Phasen auf den Märkten abfedern zu können. Dadurch entsteht eine Abwägung zwischen hoher Sicherheit (durch die Forderung hoher Einlagen und Absicherungen) und dem Risiko einer Überbesicherung (und dadurch Beeinträchtigung des Finanzsystems). Ein effizientes Risikomanagement von CCPs ist daher entscheidend für die Stabilität und das einwandfreie Funktionieren eines Marktes. Trotz der systemischen Wichtigkeit von CCPs gibt es derzeit überraschend wenig Forschung zur Quantifizierung von Risiken für CCPs und zum Einsatz ökonometrischer Verfahren für effizientes CCP Risikomanagement. Dieses Projekt verwendet innovative disaggregierte (anonymisierte) Informationen über tägliche Netto-Positionen von Clearingmitgliedern der CCP Austria, der zentralen Clearingstelle der Wiener Börse. Das Projekt zielt darauf ab, jüngste ökonometrische Entwicklungen zur Quantifizierung von Finanzrisiken mit den (regulatorischen) Anforderungen von CCPs zusammenzubringen. De facto erfordert ein effektives Risikomanagement einer CCP nicht nur die Berücksichtigung von (zeit-variierenden) Risiken zugrundeliegender Wertpapiere, sondern auch von (zeit-variierenden) Korrelationen zwischen Wertpapieren und Kundenportfolios sowie von Handelsrisiken, die durch exogene (stochastische) Veränderungen in den Handelspositionen der Clearingmitglieder entstehen. Ein wesentlicher Schritt wird die Entwicklung von Prognosemodellen für aggregierte, Kunden-spezifische und Wertpapier-spezifische Risiken sowie zugrundeliegender Korrelationsstrukturen auf der Basis von täglichen und intra-täglichen Daten sein. Besondere Berücksichtigung erfahren dabei die zeitlichen Schwankungen individueller Handelspositionen, die ein zusätzliches Risiko darstellen. Die resultierenden Analysen dienen dazu, wesentliche Risikokanäle von CCPs genauer zu beleuchten und Empfehlungen abzugeben, wann in Stressphasen Einlagenpuffer zur Absicherung herangezogen werden sollten.

Die wichtigsten Ergebnisse des Forschungsprojekts lassen sich in folgende Hauptteile gliedern: 1.Wir haben einen neuen ökonometrischen Rahmen zur Behandlung hochdimensionaler Daten entwickelt. Der Rahmen zielt darauf ab, Unsicherheiten und Risiken auf Finanzmärkten zwischen einer großen Anzahl von Marktinstrumenten zu messen. Der Rahmen basiert auf dem Blockmodell für Kovarianz- (oder Korrelations-) Matrizen, das eine erhebliche Dimensionsreduktion für Matrizen mit hoher Dimension ermöglicht. Das Modell impliziert eine homogene Kovarianz (oder Korrelation) zwischen den Variablen innerhalb vorgegebener Gruppen, erlaubt aber eine heterogene Abhängigkeitsstruktur zwischen den Gruppen. Wir bieten eine einfache Darstellung dieser Klasse von Blockmatrizen, die durch eine explizite Rotation erhalten werden kann, um teure numerische Algorithmen zu vermeiden. Dadurch lässt sich der Rahmen leicht auf beliebig hohe Dimensionen skalieren, bleibt aber sowohl analytisch als auch rechnerisch benutzbar. Für große Kovarianz- und Korrelationsmatrizen mit blockartiger Struktur erleichtert die neue Darstellung die Berechnung verschiedener Matrixfunktionen, die Bewertung entsprechender Likelihood-Funktionen sowie die Schätzung und Modellierung von Kovarianzmatrizen in hohen Dimensionen erheblich. 2.Anschließend haben wir verschiedene Eigenschaften von Korrelationsstrukturen untersucht, die für empirische Anwendungen mit hochdimensionalen Daten nützlich sind. In dem Artikel "Eine neue Methode zur Simulation zufälliger Korrelationsmatrizen" (gemeinsame Arbeit von I. Archakov, P. Hansen und Y. Luo) schlagen wir eine neuartige Technik zur Erzeugung zufälliger Korrelationsmatrizen auf der Basis der Log-Matrix-Transformation vor, bei der die Lage und Streuung der erzeugten Korrelationen leicht kontrolliert werden können, während die positive Definitheit immer gewährleistet ist. Die neue Methode ermöglicht es, Korrelationsmatrizen in sehr hoher Dimension zu erzeugen und die Entstehung schlecht konditionierter Matrizen zu vermeiden. Die neue Methode kann für verschiedene simulationsbasierte Analysen und Schätzverfahren, die Korrelationsmatrizen involvieren, nützlich sein. Der Artikel wurde bedingt im Journal of Econometrics akzeptiert. 3.Wir haben eine weitere Überarbeitung des Artikels "Local Mispricing and Microstructural Noise: A Parametric Perspective" (gemeinsame Arbeit von T. Andersen, I. Archakov, G. Cebiroglu und N. Hautsch) durchgeführt und eine Reihe von Aspekten untersucht, die mit der Identifikation der parametrischen Modelle für intraday Finanzpreise zusammenhängen. Wir haben die Ursprünge möglicher Identifikationsschwierigkeiten untersucht und eine Reihe zusätzlicher Analysen durchgeführt, um zu überprüfen, dass alle qualitativen Ergebnisse des Artikels nicht von einem möglichen Mangel an Identifikation beeinträchtigt werden. Wir berichten über die zusätzlichen Ergebnisse in einem kurzen Zusatzbericht, das den Hauptartikel im Journal of Econometrics ergänzt.