Kreditrisikomodellering med SAS Risk Management for Banking Jesper Christiansen og Rune Rudbeck Nielsen Regulatory & Economic Capital, Danske Bank 26. Maj 2011
Agenda Om kreditrisikomodellering og økonomisk kapital (EC) - Hvad er det, og hvorfor er det vigtigt? - Hvordan udregner man det? SAS Risk Management for Banking - Hvorfor bruge denne løsning? - Hvordan ser Danske Banks setup ud? Succeshistorier - White Box og modeludvidelser - Behandling af andre typer af risici Incremental Risk Charge (IRC) 2
Kreditrisikomodellering (kredit) økonomisk kapital (EC) Kredit EC: Bankens bedste estimat for den kapital, der behøves for at understøtte bankens kreditrisiko En avanceret banks kapitalkrav er maksimum af - 80% af Basel I - Pillar 1+ (RWA Risk-weighted assets) - EC økonomisk kapital Capital requirement Metodekrav Metodefrihed 80% of Basel I Pillar 1+ EC 3
Kredit økonomisk kapital EC RWA/CRD er one-size-fits-all Ensartet måling af kapitalkrav på tværs af banker Benytter a-cykliske parametre Fanger ikke koncentrationer af eksponering til fx store kunder eller lande og sektorer Kredit EC fanger den økonomiske cyklus og koncentration Anvendelser CRD compliance igennem ICAAP Risikojusteret performancemåling (ROAC) Risiko-baseret prisning af lån og derivater Ledelses- og styringsinformation 4
Tabsfrekvens Kredit EC modellen - overblik Eksponeringer Sikkerheder Løbetider PD, LGD, CF Sektorer/lande Monte Carlo simulation: 1mn scenarier Transitionsmatrix Korrelation ml. sektorer/lande EC aflæses som den sum penge, vi taber mere end med en given lav sandsynlighed på fx 0.1% Resultat er en fordeling af kredittab 0,10 0,08 0,06 0,04 0,02 0,00 Tab (DKK) EC 5
Hvorfor SAS Risk Management for Banking? Tidligere benyttede Danske Bank sig af et vendorprodukt til at beregne EC Erfaringer - Uigennemskueligt: lukket kode, kompleks og upædagogisk dokumentation - Svært at gennemskue fejlbeskeder og årsager til nedbrud - Mange konsulenttimer - Modeludvidelser umulige eller omkostningstunge Portefølje- data Indledende databehandling Simulation: Vendormodel Allokering Ny model 6
Hvorfor SAS Risk Management for Banking? Nøglekrav - Transparens mulighed for at følge inputdata hele vejen gennem systemet White Box - Fleksibilitet kort time-to-market - Brugervenlighed ingen specielle kompetencer til analytikere - Stabilitet - store krav til leverancefrekvens - Performance store krav til leverancefrekvens - Produktionsmodenhed skal kunne integreres med resten af bankens produktionsflow Bevist White Box Bevist Bevist SAS (Unix ej krav) SAS RMfB er et White Box risikoframework 7
Integration i flow Portefølje- Data Indledende databehandling SAS RMfB Allokering Mainframe MSSQL UNIX MSSQL Forretning vedligeholder alt, der kræver forretningsmæssige kompetencer (forretningslogik) MSSQL, SAS programmer Forretning specificerer og IT vedligeholder framework, dvs. dataflows, GUI til kørselsopsætning, backup af kørsler, audit trails, gridfunktionalitet etc. 8
SAS produkter SAS 9.2 Foundation SAS Risk Dimensions - Risikomotor generelt risikomodelframework - Reverse-engineered simulationsmodel - Datadrevet konfiguration SAS Risk Management for Banking - Generel datamodel til risikostyring - Miljøadskillelse - (Output datamart) - (Webklient til rapportering og konfiguration) 9
Tidslinje - implementering Oktober 2009 - Projektstart. Systemkrav:: Windows eller Unix, server December 2009 - Release af RMfB. Kursus i Risk Dimensions Januar maj 2010 - Data mapping - Reverse engineering af tidligere vendormodel samt implementering - Tests: Performance, stabilitet, modelfeatures Juni 2010 - Kvartalsberegninger i Risk Dimensions model Juni august 2010 - RMfB: Konfiguration, migration til data model - Tests: Konsekvens af nye model features, performance September 2010 - Kvartalsberegninger i RMfB Tidsrøvere: Faktormodel ikke del af standard RMfB (dengang). Grundlæggende gridfunktionalitet udviklet i projektet Presse RMfB ind i eksisterende flow (audit trail). Rigide IT-standarder 10
Hardware og ressourcer Bemanding FTE DB Forretning 2-3 DB IT 2 SAS konsulenter 3 Total 7-8 Servere Cores RAM 8 24 128 Gb 2 24 256 Gb 2 32 128 Gb 12 304 - Standard RMfB-kørsel på hele bankens låneportefølje: 4,5 time Dette er sammenligneligt med den tidligere model Der laves løbende optimering på eksekveringstid 11
Sandsynlighed Succeshistorier Bedre risikostyring - modeludvidelser Praktisk taget umuligt i vendormodel Ex: LGD Loss-Given-Default forventet tabsprocent ved konkurs - Gl. model: LGD fast størrelse - Ny feature: LGD tages fra fordeling i hvert økonomisk scenarie. Ændring specificeret og implementeret af Danske Bank 0,06 0,05 Fast LGD 0,04 0,03 0,02 0,01 0 0 0,2 0,4 0,6 0,8 1 LGD 12
Succeshistorier Synergieffekt - Incremental Risk Charge (IRC) Måler ændring af Profit/Loss for derivatporteføljen som følge af ændring i kreditkvaliteten af udstederne Kreditkvaliteten modelleres som i den eksisterende model Mark-to-market tab/gevinst modelleres andetsteds, og prisningstabel importeres. Modeller lever side om side 13
Hovedpointer Kredit EC: Bankens bedste estimat for den kapital, der behøves for at understøtte bankens kreditrisiko Danske Bank har skiftet kreditrisikomodel fra en lukket vendorløsning til SAS RMfB, der er en white box løsning Gennemskueligheden giver pay-off: - Fejlsøgning gjort lettere - Mere stabilt flow - Konkrete modelforbedringer specificeret og implementeret af Danske Bank - Gruppen kan i højere grad koncentrere sig om bedre risikostyring 14