Cashflow-Prognosen für Private-Equity-Fonds: der anspruchsvolle Ansatz
Privatkapitalfonds wie Buyout, Venture Capital, Real Estate usw. sind hochgradig illiquide alternative Anlageinstrumente. Daher ist es für Anleger, aber auch für Fondsmanager, von größter Bedeutung, das Cashflow-Profil ihres Portfolios bzw. ihrer Fonds genau zu kennen. Niemand möchte von unerwarteten Cashflow-Ereignissen überrascht werden! Um Ihnen zu helfen, Überraschungen zu vermeiden, haben wir in zwei früheren Blog-Beiträgen die Themen Liquiditätsstresstests und Liquiditätsplanung für Private-Capital-Fondsmanager und -Investoren behandelt. In diesem Artikel beschreiben wir unsere innovative Cashflow-Prognose-Engine, die wir für diese Aufgaben einsetzen, ausführlicher. Während einige Marktteilnehmer glauben, dass die stochastische Cashflow-Modellierung für PE einfach ein "zu komplexes Problem" ist, besteht unser Ansatz darin, dieses Problem mit den anspruchsvollsten verfügbaren Methoden zu lösen.
Zunächst geben wir einen allgemeinen Überblick über die am häufigsten verwendeten Ansätze für die Cashflow-Modellierung im Bereich Private Equity. Anschließend beschreiben wir die ökonometrischen Grundsätze unserer eigenen Cashflow-Prognose-Engine. Schließlich zeigen wir, wie wir unsere leistungsstarke Prognosemaschine einsetzen, um anspruchsvolle Stresstests und Liquiditätsplanungsergebnisse zu liefern.
Es gibt mehrere Ansätze, um die künftigen Cashflows eines Portfolios von Privatkapitalfonds zu prognostizieren. Um einen ersten Überblick zu geben, unterscheiden wir zwischen den fünf am häufigsten beobachteten Modellierungsmöglichkeiten:
AssetMetrix wendet den Reduced-Form-Ansatz bei der Cashflow-Modellierung an, um eine innovative Lösung zu entwickeln, die unserer Meinung nach elegant und effektiv ist. Unsere Prognosemaschine ist eine umfassende Palette ökonometrischer Modelle, die das aktuelle makroökonomische Umfeld nutzt, um die Zukunft der Fonds zu prognostizieren. Unter Verwendung etablierter Ergebnisse aus der Aktienmarktliteratur wählen wir einen Prognoserahmen, der gezielt auf unvollständige Informationsverhältnisse im Sinne von Jarrow und Protter (2012) ausgelegt ist (insbesondere im Hinblick auf Informationen auf Transaktionsebene). Was die Modellschätzung betrifft, so stellen die allgemeine Datenknappheit in der Privatkapitalwelt und die approximative Natur der Nettoinventarwerte (NAVs) der Fonds die größten Herausforderungen für die Modellschätzung dar. Daher konzentriert sich unsere innovative und marktführende Prognosemethode in erster Linie auf die probabilistische Modellierung von Fonds-Cashflows, da Private-Capital-Fonds von Natur aus Cashflow-getriebene Vehikel sind. Die statistische Natur unserer Methodik ermöglicht dabei die Ableitung so genannter Wahrscheinlichkeitsbänder um die Erwartungswerte herum, was für das Downside-Risikomanagement selbstverständlich von entscheidender Bedeutung ist (wie in Abbildung 1 dargestellt).
Unsere Prognosemethode ist bereits seit mehreren Jahren auf dem Markt und wird bei jeder Einführung neuer Funktionen oder Verbesserungen gründlich getestet. Unsere Basisprognosen bilden daher eine solide und sichere Grundlage für die eigentlichen Stresstests, die im nächsten Schritt folgen.
Abbildung 1: Wahrscheinlichkeitsbänder um die TVPI-Prognose
Stresstests basieren immer auf einer Grundprognose für die Zukunft. Ausgehend von dieser Basis werden dann mehrere negative (d.h. gestresste) Szenarien berechnet. Für die Grundprognose projizieren wir alle zukünftigen Fonds-/Portfolio-Cashflows mit Hilfe des oben erwähnten Prognosemoduls. Anschließend erstellt unser neues Liquiditätsstresstest-Modul (LST) gestresste Versionen dieser Grundprognosen. Unsere LST-Methodik orientiert sich insbesondere an drei sinnvollen Anforderungen:
Darüber hinaus werden drei Arten von Schocks in unsere LST-Methodik einbezogen:
Für die zeitliche Komponente verwenden wir statistische Survival-Modelle, die üblicherweise für Lebensversicherungsanwendungen eingesetzt werden. Das Ergebnismodell stützt sich auf ein fortgeschrittenes Generalized-Additive-Modell (GAM), bei dem wir die Auswirkungen einer breiten Auswahl makroökonomischer Faktoren auf die Performance privater Kapitalfonds gründlich getestet haben. Der FX-Effekt ist aus methodischer Sicht relativ einfach zu berechnen.
Abbildung 2 zeigt die sechs makroökonomischen Faktoren, die durch unser Liquiditätsstresstestmodell dynamisch gestresst werden können.
Abbildung 2: Beispiel eines makroökonomischen Stressszenarios
In unserem modernen Webportal erwarten Sie die fortschrittlichsten Analysemethoden am Markt zu den folgenden Themen:
Buchner, A., Kaserer, C. and Wagner, N., 2010. Modeling the cash flow dynamics of private equity funds: Theory and empirical evidence. The journal of alternative investments, 13(1), pp.41-54.
Buchner, A., 2017. Risk management for private equity funds. Journal of Risk, 19(6).
De Malherbe, E., 2005. A model for the dynamics of private equity funds. The Journal of Alternative Investments, 8(3), pp.81-89.
Jarrow, R.A. and Protter, P., 2012. Structural versus Reduced‐Form Models: A New Information‐Based Perspective. The Credit Market Handbook: Advanced Modeling Issues, pp.118-131.
Shen, J., Li, D., Qiu, G.T., Jeet, V., Teng, M.Y. and Wong, K.C., 2021. Asset Allocation and Private Market Investing. The Journal of Portfolio Management, 47(4), pp.71-82.
Takahashi, D. and Alexander, S., 2002. Illiquid alternative asset fund modeling. The Journal of Portfolio Management, 28(2), pp.90-100.
Tausch, C., Buchner, A. and Schlüchtermann, G., 2022. Modeling the exit cashflows of private equity fund investments. Journal of Risk.
Christian Tausch
Analytics
puevfgvna.gnhfpu@nffrg-zrgevk.pbz
Wie die jüngsten EU-Vorschriften zeigen, sind Liquiditätsstresstests (Liquidity Stress Testing, LST) ein wichtiges Thema für Verwalter alternativer Investmentfonds (AIFM). Erfahren Sie mehr über LST Lösungen.
Liquiditätsplanung und -management sind nach wie vor wichtige Themen für Private Capital Fonds. In diesem Artikel geben wir Einblicke, wie ein ausgefeiltes Tool Ihre Planung vereinfachen kann.