Endre Kamarás, Marco Wolfrum
Häufig werden in den Unternehmen die ersten Erfahrungen im Bereich Risikoaggregation unter Verwendung von MS Excel gemacht. Hierzu muss Excel aber in die Lage versetzt werden, eine Monte-Carlo-Simulation durchzuführen. Die bekanntesten Add-Ins hierzu sind Crystal Ball (Oracle) und @Risk (Palisade). Beide können schon auf eine mehr als 20-jährige Historie zurückblicken. Mit RiskKit (Wehrspohn) existiert seit einigen Jahren eine Alternative mit zunehmender Beliebtheit. Dies liegt vor allem daran, dass dieses Add-In in einer Basisversion kostenfrei zur Verfügung steht, wohingegen die beiden anderen genannten schon in der Basisausführung kostenpflichtig sind.
Nachfolgend werden die für einen Einstieg in die Welt der Modellierung relevanten Aspekte der genannten Excel-Add-Ins skizziert.
2.1.1 Grundsätzliche Funktionalitäten
Die 3 Excel-Add-Ins zeigen keine großen Unterschiede bei den Grundfunktionen einer Monte-Carlo-Simulation, also
- dem Anlegen von Verteilungen,
- der Ziehung von Zufallszahlen (Durchführung einer Simulation) und
- der Generierung von Auswertungen in Bezug auf Zielgrößen.
Unterschiede zeigen sich eher im Look & Feel, der zu Grunde liegenden Technik und in Detailfragestellungen. Die grundlegend notwendigen Verteilungen stellen bspw. alle drei Varianten zur Verfügung und auch Basis-Auswertungen werden generiert.
Allen Add-Ins gemein ist, dass durch die Einbindung einerseits ein zusätzliches "Ribbon" (Band) in der Excel-Menüleiste erscheint, mit dessen Hilfe Funktionen des jeweiligen Add-Ins – wie Verteilungen auswählen, oder Simulation starten – gesteuert werden können.
Andererseits wird auch die Menge der Excel-Funktionen erweitert, womit die neuen Funktionalitäten wie übliche Excel-Formeln verwendet werden können.
Die Vorgehensweise ist bei allen Add-Ins analog. Ein Berechnungsmodell – wie z. B. eine Cashflow-Rechnung – muss in Excel wie gewohnt aufgebaut werden. Anschließend können Parameter dieses Modells mit Hilfe der Add-Ins mit Wahrscheinlichkeitsverteilungen belegt werden. Weiterhin werden die auszuwertenden Parameter definiert. Es folgt die Durchführung der Simulation, bei der die Add-Ins automatisch mehrere Tausend Szenarien durchspielen und die Ausprägung der zur Beobachtung ausgewählten Variablen "im Hintergrund" speichern. Anschließend erfolgt die statistische Auswertung der beobachteten Variablen.
Auch bei allen Add-Ins gleich ist die Arbeitsweise der Auswertung. Die Werte aller Szenarien aller beobachteten Parameter werden im Arbeitsspeicher vorgehalten, auch nach der Simulation. Der Vorteil dieses Vorgehens ist dabei, dass die Art der statistischen Auswertung nicht schon vor dem Start der Simulation definiert werden muss, bis auf wenige Ausnahmen (so muss z. B. bei Crystal Ball für die Durchführung der Sensititvitätsanalyse dies schon vor dem Simulationsstart markiert werden). Hat der Anwender vergessen, eine Auswertung wie z. B. einen Quantilwert zu einem spezifischen Niveau, im Vorfeld zu definieren, kann er dies auch nach der Simulation abfragen, ohne die Simulation neu starten zu müssen.
Der Nachteil dieser Vorgehensweise ist, dass damit einerseits der Simulations-Performance gesenkt wird und die ermittelten statistischen Ergebnisse "weg sind" sobald der Arbeitsspeicher geleert wird, sprich die Software geschlossen wird. Daraus folgt, dass nach dem erneuten Öffnen des Modells die Simulation erneut durchgeführt werden muss. Alternativ können die Ergebnisse vor dem Schließen der Datei als "Kopie der Werte" in ein externes Sheet kopiert werden (oder der gesamte Simulationslauf – und damit alle Zufallszahlen – können gesichert werden, was zu entsprechend größeren Dateien führt).
Über die Grundfunktionalität der Monte-Carlo-Simulation hinaus bieten die drei Alternativen noch weitere (teilweise aufpreispflichtige) Features, wie bspw. die Möglichkeit von stochastischen Optimierungen bei @Risk und Crystal Ball oder die Verwendung stochastischer Prozesse in RiskKit. Diese stellen die weiterführenden Möglichkeiten der Analysen bzw. Modellierung dar und sind bei dem Einstieg in die stochastischen Simulationen eher nicht relevant. Aus diesem Grund wird auf diese an dieser Stelle nicht näher eingegangen.
2.1.2 Erfassung von Wahrscheinlichkeitsverteilungen
Für die Erfassung und Ausgabe von Wahrscheinlichkeitsverteilungen stehen in den Tools verschiedene Templates zur Verfügung (s. Abb. 2).
Abb. 2: (Univariate) Verteilungen in RiskKit
Definition von Wahrscheinlichkeitsverteilungen
Einer der größten technischen Unterschiede zeigt sich bei der Definition von Annahmen/Verteilungen. Bei @Risk und RiskKit werden Verteilungen und Zielgrößen mittels Excel-Funktionen definiert. Zur Hilfestellung existieren jeweils auch graf...