Margin of Conservatism (EBA/GL/2017/16)
Über diese App
Aufschläge der Kategorien A, B und C interaktiv stapeln und aggregieren — pro Ratingstufe.
Worum es geht
Banken, die Kreditrisiken mit eigenen Modellen schätzen (IRBA), müssen Unsicherheiten in ihren Schätzungen durch eine Margin of Conservatism (MoC) abdecken. Die EBA-Leitlinien zur PD- und LGD-Schätzung (EBA/GL/2017/16, laut App Tz. 41–47) unterscheiden drei Kategorien: (A) Daten- und Methodendefizite, (B) relevante Änderungen etwa bei Underwriting, Workout oder Ausfalldefinition und (C) die allgemeine Schätzunsicherheit. Die Aufschläge sind getrennt zu quantifizieren, zu dokumentieren und regelmäßig zu überprüfen; sie dürfen strukturelle Modellschwächen nicht ersetzen.
Was die App zeigt
Jeder Balken ist eine Ratingstufe von AAA bis CCC. Die Basis bildet die langfristige Durchschnitts-PD (LRA-PD), darauf stapeln sich die drei MoC-Aufschläge in eigenen Farben. Drei Schieber setzen die Aufschläge relativ zur LRA-PD (je 0 bis 60 %). Ein weiterer Schieber legt die Stichprobengröße N pro Stufe fest: Kategorie C skaliert in der App mit 1/√N, kleinere Stichproben erhöhen den Aufschlag. Zur Aggregation stehen „linear additiv“ und „Wurzel aus Quadratsumme“ zur Wahl. Angezeigt werden effektiver Aufschlag und finale PD je Stufe.
Selbst ausprobieren
Verkleinere N von 2.000 auf einige Hundert und beobachte, wie der C-Anteil in allen Stufen wächst. Schalte dann zwischen additiver und wurzelbasierter Aggregation um: Die Wurzel-Variante liefert einen kleineren Gesamtaufschlag, ist aber nur zu rechtfertigen, wenn die Unabhängigkeit der Komponenten plausibel ist. Die App ist ein Lernmodell mit vereinfachten Annahmen und ersetzt keine institutsindividuelle Quantifizierung oder aufsichtliche Beurteilung.
Häufige Fragen
- Was ist eine Margin of Conservatism?
- Eine Margin of Conservatism ist ein Sicherheitsaufschlag auf geschätzte Risikoparameter wie PD oder LGD. Er deckt ab, dass Daten, Methoden oder die Schätzung selbst mit Unsicherheit behaftet sind. So soll die Eigenkapitalunterlegung nicht zu niedrig ausfallen.
- Welche MoC-Kategorien nennt EBA/GL/2017/16?
- Die Leitlinien unterscheiden Kategorie A für festgestellte Daten- und Methodendefizite, Kategorie B für relevante Änderungen, etwa bei Kreditvergabestandards, Abwicklungsprozessen oder der Ausfalldefinition, und Kategorie C für den allgemeinen Schätzfehler. Die Aufschläge sind je Kategorie zu quantifizieren und zu einem Gesamt-MoC zusammenzuführen.
- Warum hängt der Schätzfehler von der Stichprobengröße ab?
- Die statistische Unsicherheit einer geschätzten Ausfallrate sinkt ungefähr mit 1/√N, wenn N die Zahl der Beobachtungen ist. Eine Ratingstufe mit wenigen Kreditnehmern hat daher ein breiteres Konfidenzintervall und braucht einen höheren Aufschlag für die allgemeine Schätzunsicherheit.
- Was kann ich in der MoC-App einstellen?
- Du setzt die Aufschläge der Kategorien A, B und C, die Stichprobengröße N pro Stufe und die Aggregationsmethode. Die gestapelten Balken zeigen für sieben Ratingstufen LRA-PD, Aufschläge und finale PD; ein Tooltip nennt die Werte je Stufe.
Fach: IRBA / Bankenaufsicht
Mehr aus IRBA / Bankenaufsicht
- CreditMetrics — Kreditportfoliomodell
- Datenrepräsentativität (Pool ↔ Haus)
- Kalibrierung (EBA/GL/2017/16)
Eine VisuApp von heyprof: interaktiv, kostenlos im Browser, ohne Anmeldung. Was ist eine VisuApp? · Alle Apps