Hier helfen Datenmanagement- und Datenanalysesysteme, die genau auf die Anforderungen von Versicherungsunternehmen und speziell auf das Risikomanagement nach Solvency II ausgerichtet sind. Denn modernes Risikomanagement ist in hohem Maße von der Menge, Qualität und Verfügbarkeit der Informationen abhängig. Ein Sammelsurium von Applikationen und Systemen bildet eine denkbar schlechte Voraussetzung für Datenkonsistenz, Datenintegrität, schnelle Zugriffe und Flexibilität bei Auswertung und Reporting. Deshalb sind Versicherungen auf leistungsstarke IT-Lösungen für die Datenintegration angewiesen, die Inkonsistenzen beseitigen, Fehler korrigieren, Dubletten entfernen und so eine vertrauenswürdige Informationsbasis schaffen.
Als Grundlage für die Analysen empfiehlt sich, die benötigten heterogenen Daten in einen einheitlichen Datenpool zu überführen. Hier werden die Daten bereinigt und integriert, sodass sich die ursprünglich nicht kompatiblen Informationen aus unterschiedlichen Systemen vergleichen und übergreifend analysieren lassen.
Mit Solvency II wächst der Bedarf an automatischen Risk-Management-Systemen, wie sie beispielsweise SAS anbietet. Zu den Funktionalitäten solcher Lösungen gehören etwa Kapitalmanagement und Kapitalallokation (zum Beispiel auf Spartenebene), Analyse der Profitabilität, Tarifgestaltung sowie Portfoliooptimierung. Sie bilden die Grundlage für Stresstests und szenariobasierte Analysen und können bei der Bestimmung des Firmenratings durch externe Agenturen helfen. Für die Quantifizierung der finanziellen Risiken mit statistischen Verfahren ist der Value at Risk (VaR) am weitesten verbreitet. Der VaR misst den maximal zu erwartenden Verlust aus dem Ausfall von Aktiva sowie aus der Veränderung von Zinsen, Währungen, Kursen und Marktpreisen, der unter üblichen Marktbedingungen innerhalb einer bestimmten Periode mit einer bestimmten Wahrscheinlichkeit eintreten kann.
Der VaR lässt sich über zwei unterschiedliche Wege ermitteln, entweder analytisch oder mithilfe von Simulationstechniken. Die Grundlage der analytischen Berechnung bildet der sogenannte Delta-Normal-Ansatz, der von einer Normalverteilung der Risikofaktoren ausgeht. Vorteile dieser Methode sind der relativ geringe Berechnungsaufwand und damit schnelle Ergebnisse. Nachteilig ist die zugrunde liegende Verteilungsannahme: Das Risiko lässt sich bei nicht-linearen Produkten, wie etwa einem Optionsportfolio, damit nicht korrekt abbilden.
Bei der VaR-Ermittlung mit Simulationsverfahren kann zwischen historischer und Monte-Carlo-Simulation unterschieden werden. Die historische Simulation basiert auf Vergangenheitsdaten und kommt ohne Verteilungsannahmen aus. Sie ist für rückblickende Analysen auf Basis verlässlicher Daten sehr erfolgversprechend. Schwierig wird es jedoch, wenn beispielsweise ein Titel neu emittiert oder neu ins Portfolio aufgenommen wird – und deshalb keine hinreichend langen Zeitreihen für ihn vorliegen.
Bei der Monte-Carlo-Simulation wird die zukünftige Entwicklung von Risikofaktoren mithilfe eines Zufallszahlengenerators erzeugt. Für die benötigten Marktbeobachtungen lässt sich dabei eine Vielzahl an Marktszenarien simulieren. Die so berechneten Portfoliowerte ergeben dann die Verteilung zukünftiger Gewinne und Verluste. Ein großer Vorteil der Monte-Carlo-Simulation ist, dass mit ihr auch Simulationen möglich sind, die Korrelationen zwischen mehreren Risikofaktoren berücksichtigen. Hierzu kann einerseits die Kovarianzmatrix genommen werden. Bei Verwendung von Risikofaktormodellen lassen sich die Interdependenzen zwischen den einzelnen Risikofaktoren mithilfe multivariater Verteilungsfunktionen (Kopulas) abbilden.
Alles in allem ist die Monte-Carlo-Simulation für die Risikoberechnung in Unternehmen gegenüber den übrigen deutlich im Vorteil: Sie ist am genauesten und bietet größtmögliche Flexibilität bei der Einbindung unterschiedlichster Faktoren. Insbesondere die Möglichkeit, pfadabhängige Produkte korrekt zu bewerten, sowie die Möglichkeit, einzelne Risikofaktoren mit speziellen Modellen abzubilden, machen sie für den Einsatz in der Versicherungsbranche sehr interessant. Häufig genannter Kritikpunkt ist der hohe Rechenaufwand. Dieser Einwand spielt jedoch aufgrund der gestiegenen Leistungsfähigkeit der IT keine echte Rolle mehr.
Das Modellieren der Risikofaktoren bildet die zentrale und wichtigste Aufgabe beim Risikomanagement. Es geht hier darum, die relevanten Faktoren zu identifizieren und so miteinander zu verknüpfen, dass das Modell zukünftige Umweltzustände exakt vorhersagen kann. Hierfür kommen stochastische Modelle wie Mean-Reversion und GARCH infrage oder statistische Verteilungsfunktionen, zum Beispiel Pareto-, Log-Normal- und Weibull-Verteilung. Die Parameter der Modelle werden entweder nach Erfahrungswerten von Experten bestimmt oder aus historischen Daten abgeleitet, per „Fitting“.
Mit dem Aufbau eines unternehmensübergreifenden Risikomanagementsystems erhalten Versicherungen ein zentrales Instrument für die strategische Steuerung. So sind Assekuranzen in der Lage, risikorelevante Faktoren schon bei der Entwicklung ihrer Strategien zu berücksichtigen. Zugleich lassen sich strategische Vorgaben auch im operativen Risikomanagement umsetzen. Damit ist die Kernkompetenz von Versicherungen auf den Punkt gebracht: Risiken zu erkennen, zu berechnen und zu steuern.