Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:
4/2016 | Theorie & Praxis
twitterlinkedInXING

Meist stabil …

… und doch fragil – das ist leider kein Kinderreim, sondern ein Zitat aus der Studie „Network effects and systemic risk in the banking sector“, das in Zeiten offener Fragen zum deutschen Bankensektor durchaus relevant erscheint.

1482250798_teaserbild2.jpg

Von der Wissenschaft wurden die Dominoeffekte, die durch die Netzwerkcharakteristik des Bankensystems entstehen, vor 2008 nicht nur unterschätzt, sondern schlicht negiert – das hat sich in den vergangenen Jahren geändert.

Wie konnte das passieren, wieso hatte es niemand kommen sehen? Im Jahr acht nach dem großen Crash stellen sich viele Marktteilnehmer und -beobachter nach wie vor diese Frage. Einzelantworten gibt es zuhauf, gern und oft werden Moral Hazard, Gier oder zu komplexe Produkte als Antwort in den Ring geworfen. Tatsächlich scheint es aber so zu sein, dass vor allem die Blindheit des finanzwissenschaftlichen Auges im Bereich „Netzwerkeffekte“ nicht unwesentlich zum Ausbruch der Krise beigetragen hatte. Akademiker wie Thomas Lux von der Universität Kiel ­sagen in diesem Zusammenhang zumindest, „die ökonomische Lehre wurde von der weltweiten Finanzkrise vollkommen unvorbereitet erwischt (…), da die Profession der Ökonomen offensichtlich wichtige Fakten und Beziehungen ignoriert haben. Tatsächlich hat der Mainstream-Ansatz das Finanzsystem und die damit verbundenen Netzwerkeffekte bewusst ausgeblendet, da man von effizienten Finanzmärkten ausgegangen war.“


Kann sie, darf sie fallen?
Wäre man sich der Konsequenzen bewusst gewesen, hätte man Lehman vielleicht nicht in die Pleite geschickt und so die sich kaskadenhaft verbreitenden Schockwellen, die das globale Finanzsys­tem in weiterer Folge erfassten, verhindert. Ob sich ein solcher Vorfall wiederholen könnte, wurde zuletzt bei der Deutschen Bank diskutiert. Kann sie fallen? Darf sie fallen? Bail-out? Bail-in …?
Die gute Nachricht lautet: Unter dem Eindruck der Ereignisse des Jahres 2008 hat in der Academia ein Umdenken stattge­funden, ­erste Fortschritte in der Forschung hat Lux in seinem Paper „Network effects and sys­temic risk in the banking sector“ ­zusammengefasst – und darin Vorschläge für eine Weiterentwicklung der Modelle ­geliefert.


Eine Schwierigkeit, die er in der Analyse sowohl für sich als auch für seine Kollegen ortet, ist der Mangel an Daten, stellt der ­Finanzsektor „doch nach wie vor den intransparentesten Sektor der ökonomischen Sphäre dar“. Als Sandkasten bedienen sich die von Lux untersuchten Szenarien der Trading-Aktivitäten innerhalb der physisch in Italien angesiedelten e-MID (electronic market for interbank deposits). Diese ist laut Lux die einzige Plattform, „die kommerziell verfügbare Datensets für den Interbank-Kreditmarkt liefert.“


Eine Analyse der Trading-Ströme über ein Quartal (ausgewählt wurde der zweite Finanzabschnitt des Jahres 2007) hat dabei folgende, teils überraschende, Ergebnisse geliefert (siehe Grafik „Weniger vernetzt als vielleicht erwartet“).


1. Das Netz ist relativ locker geknüpft. Nur ein kleiner Teil der möglichen Verbindungen wurde tatsächlich eingegangen.
2. Die einzelnen Verbindungen verhalten sich persistent. 50 bis 60 Prozent der eingegangenen Verknüpfungen haben von einem Monat auf den nächsten überlebt.
3. Disassoziativität – das bedeutet, verbundene Banken nehmen im Netzwerk typischerweise sehr verschiedenen Positionen ein. In der Regel besteht eine negative Korrelation im Grad der Vernetzung. Die Kreditströme erfolgen also generell zwischen sehr gut vernetzten Banken auf der einen und relativ schlecht vernetzten Banken auf der anderen Seite.

Die relativ schwache Verknüpfung lässt gemeinsam mit der Per­sis­tenz der eingegangenen Verbindungen darauf schließen, dass wir es mit einem Netzwerk zu tun haben, das keinen physisch-biologischen Gesetzmäßigkeiten folgt (wie in frühen Arbeiten zu diesem Thema gern angenommen wurde), sondern mit einem nichtzufälligen Geflecht, das bewusst gebildet wird. Es kommt also zu bevorzugten Verbindungen, die das sogenannte „Relationship Banking“ widerspiegeln dürften. Einige Banken im Zentrum des Netzwerks nehmen wiederum die Rolle von Money-Centre-Banks ein, die Kredite bereitstellen und Liquidität von vielen, meist kleineren Playern absorbieren.


Aufgrund dieser Charakteristiken lässt Lux von der Physik inspirierte Netzwerkansätze beiseite und orientiert sich an der von Borgatti & Everett im Jahr 1999 vorgeschlagenen soziologischen Topologie eines Kern-Peripherie-Ansatzes (Anm.: Core-Periphery, CP). Ein solches Netzwerk folgt grob gesagt drei Grundregeln, nach denen die entsprechenden Algorithmen einer Netzwerkkalkulation errechnet werden:
1.    Core-Banken sind alle miteinander verbunden.
2.    Peripheriebanken sind untereinander nicht verbunden und verfügen …
3.     … über eine limitierte Anzahl an Verbindungen zu den Core-Knoten.


Nahe an der Praxis
Nachdem Finger & Lux 2014 diese Anordnung über mehrere Quartale durchgerechnet hatten, ergab sich tatsächlich der erwartete Relationship-­Effekt. Die Daten zeigen außerdem, dass große Banken, die dem Core zu­gerechnet wurden, gegenüber den anderen Marktteilnehmern als Gegenpart zunehmend populär werden. Lux führt das auf die Annahme zurück, „dass sie als systemrelevant eingeschätzt werden und deshalb sicherer als andere Banken ­wirken“.
Womit wir beim Thema Bail-out wären, also der Sozialisierung von Bank-risiken, und dem Staat als Retter in letzter Instanz – das ist ein Konzept, das nach 2008 aus der Hüfte geschossen wurde, inzwischen jedoch auch von Seiten der EZB äußerst kritisch gesehen wird, führt dieses System doch zu Marktverzerrungen, die es Core-Banken ermöglichen, sich güns­tiger auszustatten als die Konkurrenz. Im „Financial Stability Review, May 2016 – Special Features“ heißt es dazu: „Das führt zu unfairen Spielregeln, als sich große und komplexe Banken – bei denen die Annahme besteht, dass ein Bail-out wahrscheinlicher ist – günstiger refinanzieren können als kleinere Banken.“ Aus diesem Grund kam es am 1. Januar 2016 zur Implementierung des Bail-in-Regelwerks. Einem bemerkenswerten Lerneffekt ist es geschuldet, dass die Auswirkungen dieser Regeln auf Bankennetz­werke bereits im May-Review einer ersten Untersuchung unterzogen wurden. Die Analyse erfolgt dabei über den Ansatz eines Multi-Layered-Network (siehe Grafik „Ein Netzwerk auf mehreren Ebenen“), also eines Netzwerks, das die einzelnen Institute nicht nur über ­eine (z. B. Interbankenmarkt), sondern mehrere Ebenen verbindet. Diese Ebenen können auch exogene Einflüsse,wie sich überlappende Portfolios darstellen. „Es ist landläufig bekannt, dass sich Portfolios immer ähnlicher werden. (…) Das geschieht aufgrund identer Ansätze zur Portfoliooptimierung, wie sie von der akademischen Finanztheorie vorgeschlagen werden“, sagt Lux. Kommt es also bei einem Investmentansatz zu Verlusten, werden die Bilanzen von mehr als einer Bank zum selben Zeitpunkt in Mitleidenschaft gezogen. Das wiederum erhöht die Wahrscheinlichkeit von Fire Sales und weiteren Schockwellen, die durch das Netzwerk gejagt werden.


Die EZB hat in ihrem Modell zu Evaluierung von Bail-in-Regeln ein vierstufiges Netzwerk als Modell genommen, auf dem die Ebenen den Assetklassen Aktien, nachrangige, erstrangig unbesicherte und besicherte Verbindlichkeiten entsprechen. Untersucht wurden 26 Bankengruppen, die kumuliert 59 Prozent der gesamten Banken-Assets innerhalb der Eurozone abdecken. Aus dem theoretisch vierstufigen Modell wird dann sehr schnell ein praktischer Dreiebenenansatz, da besicherte Einlagen per definitionem automatisch vom Staat auf­gefangen und somit keine Auswirkungen auf das System haben können. Die EZB hat dabei ein Baseline- und ein Krisenszenario entworfen. Im Basisszenario wird eine Bank einem spezifischen Schock ausgesetzt und dessen Einfluss auf die Assets der Bank und dann auf das gesamte System durchgerechnet. Das für das Gesamtsystem relevantere Krisenszenario sieht, vor, dass alle Banken des Netzwerks in einem ersten Schritt einem makroökonomischen Schock ausgeliefert sind. Das solcherart geschwächte Sys­tem wird dann dem Baseline-Szenario ausgesetzt, in dem eine Bank nach der anderen einem Fünfprozentschock auf die gesamten Assets ausgesetzt wird und dann ein Bail-in erfolgt. Diese Prozedur wird innerhalb des makroökonomischen Schocks 1.000-mal wiederholt (siehe Grafik „Bail-in und seine Netzwerkeffekte“).


Um das Modell zu verfeinern – und vielleicht den Leser zu verwirren –, haben die Autoren anschließend doch noch eine relevante und faktische vierte Ebene eingezogen, und zwar die des Interbankenmarktes. Tatsächlich wäre eine Bankennetzwerk­analyse ohne diesen Aspekt nur eine virtuelle Fingerübung. Kurzfrist-Verbindlichkeiten beziehungsweise Liquidität stellen für Beobachter der Szene dies- und jenseits des Großen Teichs einen Schlüsselaspekt bei der Prophylaxe gegen einen neue Finanz­krise dar.


„Runnable Debt“
Unter anderem sieht das Robert Litan, Professor an der University of Texas, in seinem Aufsatz „America’s Brewing Debt Crisis“ für die September/Oktober-Ausgabe von „Foreign Affairs“ so. Für ihn bleiben die ­sogenannten „Runnable Debts“, also beispielsweise tagesfällige Kontengelder „ein bedeutendes Problem“.


Für die USA geht er davon aus, dass rund 22 Billionen Dollar an solchen „Bankensturmgeldern“ im Finanzsystem der Staaten herumschwirren. „Regulatoren sollten deshalb die Rolle von kurzfristig orientierten Geldmarktfonds und anderen unbesicherten Geldern im Finanzsystem reduzieren.“ ­Seine Schlussfolgerung läuft unter anderem auf einen kompletten Bail-out für alle bislang unbesicherten Bankkonten hinaus. Die von der EZB befürchteten Probleme bezüglich Moral Hazard und Marktverzerrung werden für ihn dadurch wettgemacht, dass Schattenbanken wie etwa Geldmarktfonds für große, institutionelle Investoren an Attrak­tivität verlören und das gesamte Umfeld somit transparenter würde.
Geht man jedoch von den Voraussetzungen in der Eurozone sowie den geltenden Bail-in-Regeln aus und bezieht man den Interbanken-Markt mit ein, reduziert sich die CET-1-Ratio im Krisenszenario nach dem ersten Makro-Schock um durchschnittlich acht Basispunkte (siehe Grafik „Risiko Interbankenmarkt“).


Lässt man diesen Markt weg und konzentriert sich auf die Kategorien Aktien, nachrangige, erstrangig unbesicherte und besicherte Verbindlichkeiten, verschlechtert sich die Ratio um nur weitere ein bis zwei Basispunkte, was darauf schließen lässt, dass es in diesem Bereich kaum Vernetzungen zwischen den 26 größten ­Instituten der Eurozone gibt. Tatsächlich ­erscheinen die Bail-in-Netzwerkeffekte auch dann noch relativ gering, wenn man den Interbankenmarkt miteinbezieht, tritt der Großteil der Verluste – im Durchschnitt ein Abschlag von 2,8 Prozentpunkten – ja bereits mit dem ersten Schock ein.


Bail-in relativ günstig
Damit spricht also einiges für die bestehenden Bail-in-Regeln: Auf der einen Seite glätten sie Marktverzerrungen, auf der anderen Seite sind ihre negativen Netzwerkeffekte im Krisenfall relativ beschränkt. Allerdings sollte laut EZB „betont werden, dass die vorgestellten Resultate die Kontaminierungseffekte aller Wahrscheinlichkeit nach unterschätzen (…), da in den Testreihen nur eine Bank nach der anderen ein Bail-in erfährt. Wir würden bei einem gleichzeitigen Bail-in von zwei oder mehr ­Instituten stärkere Effekte erwarten.“ Und: „Die Versuchsreihe ist auf reine Netzwerkeffekte begrenzt. Auswirkungen, die auf Vertrauensverlust oder indirekte Zweitrundeneffekte zurückzuführen sind (…) wurden nicht ­erfasst.“


Vorsichtig optimistisch stimmt: Das notwendige Instrumentarium zur Erfassung solcher Netzwerkeffekte besteht – zumindest zum Teil – und wird weiter verbessert. Lux feilt derzeit zum Beispiel an einem ­„atmenden und lebenden“ System, das sich akademisch korrekter als „dynamisches Modell von Verknüpfungsbildungen im Bankensektor“ bezeichnen lässt. In diesem dynamischen Ansatz sind Banken konti­nuierlich Liquiditätsschocks ausgesetzt, indem Kunden ihre Einlagen reduzieren oder aufstocken.


Das Modell befindet sich in Entwicklung – Lux hat gegenüber Institutional Money bereits Verfeinerungen angekündigt – und geht davon aus, dass die Gesamtliquidität des Systems konstant bleibt. Dieses dynamische Modell geht von einem Minimum an Annahmen aus: Die Liquiditätsschocks sind größenabhängig und kehren zum Mittelwert zurück. Auch eine behavioristische Annäherung findet statt, die vertrauensabhängige Verbindungen mit bevorzugten Tradingpartnern widerspiegeln soll. Dieses bereits erwähnte Phänomen des „Relationship Banking“ steigt mit der Anzahl an erfolg­reichen Transaktionen und sinkt mit jedem negativen Ausgang, wenn also der bevorzugte Kreditgeber den Kreditantrag ablehnt. Ein Auslöser für das Ablehnen eines Kredits kann beispielsweise ein relativ niedriges Niveau an Liquidität sein.


Dynamischer Ansatz
Dieses dynamische Modell (siehe Grafik „Dynamik im Bankennetzwerk“) beginnt nun mit einem Status, in dem es keine ­Interbankkredite gibt und zwischen allen Teilnehmern ein gleiches Maß an Vertrauen herrscht.
Wenn die ersten Liquiditätsschocks einsetzen, sind die darauf folgenden Kontaktaufnahmen komplett zufällig, relativ kurze Zeit später entwickeln sich jedoch die ersten nachhaltigen Beziehungen. In der Grafik stellt die Dicke der Verbindungslinien die Intensität der Beziehung dar.


Je größer der Kreis innerhalb des Systems, desto größer die Bank. Auch hier sind, wie in statischeren Modellen, die Positionen im Netzwerk disassoziativ, da größere Banken den ­Bedarf, den kleinere Banken an Liquidität haben, leichter decken können, ohne dabei ihre eigene Liquidität zu gefährden. In der Folge entstehen wieder Core-Banken mit ihren respektiven Peripherien. Außerdem werden Banken von ihrem jeweils größten Kreditgeber abhängiger als von ihrem jeweils größten Kreditnehmer.


„Gefährliche Firmen“
Lux hat sich auch die Auswirkungen von Firmenpleiten angesehen – also Schocks, die direkt von Kunden aus der sogenannten Realwirtschaft kommen. Ein erster Entwurf, der die Beziehungen von 20 Banken und 200 Unternehmen untersuchen sollte, resultierte – ein wenig überraschend – in der Ausgestaltung eines vollständig verbundenen Netzwerks. Das bedeutet, man kann sich von jedem beliebigen Knotenpunkt A zu jedem anderen beliebigen Knotenpunkt B bewegen, obwohl kleinere und mittlere Unternehmen in der Regel über nur sehr wenige Bankverbindungen verfügen. In der Testreihe wurden zwei angenommen.


In einem zweiten Schritt wurde das Netzwerk auf 10.000 Firmen und 250 Institute ausgeweitet und dann einem Stresstest mit einhergehenden Firmenpleiten ausgesetzt. Das Ergebnis lief auf die eingangs erwähnte Charakteristik eines „meist stabilen und doch fragilen“ Konstrukts mit „ausnehmend dichotomen“ Eigenschaften hinaus. Das ­bedeutet: In den meisten Fällen geschah wenig bis gar nichts, die meisten Defaults ereigneten sich in der dritten bis vierten Runde. In zwei Prozent der Fälle, in denen sogenannte „gefährliche“ Unternehmen entweder der Ausgangspunkt einer Pleite-Kaskade waren oder von einer solchen erfasst wurden, kam es zu einem systemischen Versagen, in dem alle 250 Banken mit in den Untergang gerissen wurden. Bemerkenswerterweise scheint bei diesen Kaskaden­effekten gar nicht so sehr die Größe des Unternehmens, sondern dessen Position im Netzwerk entscheidend zu sein. Versuche, solche „gefährlichen“ Firmen im Vorfeld zu identifizieren, verliefen „großteils fruchtlos“ – man müsste die exakte Position im Netzwerk und alle Korrelationen der betroffenen Unternehmen und Banken bereits vor dem Ausbruch ­eines Stress-Szenarios kennen.


Fazit
Mit dem aktuellen Schub an Studien zu Netzwerkeffekten im Bankensystem beginnt die Wissenschaft ein Thema auszuleuchten, das bis zur Finanzkrise 2007/2008 de facto im Dunkeln lag. Entsprechend groß sind nach wie vor die Lücken im Wissensstand, wichtige Erkenntnisse und praxistaugliche ­Modelle gibt es jedoch bereits. So verschiebt sich der Fokus der Forschung zunehmend von physisch inspirierten Netzwerktheorien hin zu soziologisch-behavioristischen. Die gute Nachricht ist, dass die Modelle auf diese Weise besser funktionieren. Auf der anderen Seite wird klar, dass Netzwerke aufgrund ­ihrer relativ schwachen Vernetzung und der Konzentration auf sogenannte „Core-Banken“ im Zentrum des Geschehens anfälliger für schnelle Kontaminationen sind als Netzwerke mit einem perfekten Verknüpfungsgrad. Dort könnten sich Liquiditätsschocks besser und einfacher verteilen. Daraus ergibt sich der Gedanke, dass „too big to fail“ durch „too interconnected to fail“ ersetzt werden könnte. Dass die Position in einem Netzwerk wichtiger für die Bestimmung von Zweitrunden- und sonstigen Ansteckungs­effekten ist als die schiere Größe, würde ex tunc die Geschehnisse nach der Lehman-Pleite auf akademische Weise erklären. Wären die Netzwerkeffekte in ihrem gesamten Ausmaß bekannt gewesen, hätte man Lehman – den politischen Willen vorausgesetzt – retten und ein Übergreifen einer zunächst lokalen Liquiditätskrise auf den gesamten Globus verhindern können.


Obwohl die Modelle noch weit davon entfernt sind, umfassende Daten zu liefern, gibt es bereits erste Studien zu Praxisproblemen, beispielsweise den Netzwerkeffekten der neuen europäischen Bail-in-Regeln. Die Ergebnisse zeigen, dass die Effekte relativ beschränkt sind und das Risiko, das Moral Hazard langfristig darstellt, mehr als nur aufwiegen. Die EZB, die sich dieses Themas angenommen hat, warnt aber selbst davor, dass die Ergebnisse „aller Voraussicht nach untertrieben sind“, da Versuchsreihen zu einem gleichzeitigen Bail-in von mehr als einer Bank in der Eurozone noch nicht vorliegen.


Um die Komplexität der bestehenden Marktfaktoren und Risiken wie etwa analog laufender Portfoliostrategien abzubilden, werden Netzwerke auf mehreren Ebenen dargestellt – hier wird die Komplexität eher zu- als abnehmen. Voraussetzung für eine funktionierende Netzwerktheorie wird aber die Bereitstellung von Echtzeitdaten seitens der Finanzindustrie sein. Ob das so leicht zu bewerkstelligen sein wird, darf fragend in den Raum gestellt werden.
Zum gegenwärtigen Zeitpunkt bezeichnen Ökonomen wie Thomas Lux den Zustand des europäischen Bankennetzes unter Einbeziehung von Non-Financials als „meist stabil und doch fragil“. Soll heißen: Die meisten Liquiditätsschocks werden ausgehalten. Allerdings nicht alle. Eine sehr kleine Zahl an Versuchsreihen hat einen ­Totalausfall des Bankensystems zum Resultat gehabt. Wie Regulatoren und Markt­teilnehmer solche Ausnahmeszenarien in Zukunft verhindern können, wird Gegenstand der Forschung bleiben.   


Anhang:

twitterlinkedInXING
 Schliessen