AssetMetrix‘ Liquidity Stress Testing

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.

Mögliche Ansätze zur Cashflow-Modellierung

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:

1. Deterministisches Modell: Das berühmte Modell von Takahashi-Alexander (2002) (und seine Erweiterungen) mag für Praktiker mit begrenztem quantitativem Hintergrund ansprechend erscheinen; seine Kalibrierung durch „das Herumspielen an den Parametern“ mag jedoch nicht jeden Regulator oder Risikomanager überzeugen. Unserer Ansicht nach können diese robusten, aber vereinfachten Ansätze nur als Ausgangspunkt oder Plausibilitätsprüfung für komplexere stochastische Methoden dienen.
2. Historische Simulation: Viele Praxismodelle stützen sich auf historische Bootstrap-Simulationen von empirischen Cashflow-Pfaden. Dieser rein datengetriebene Ansatz kann als das einfachste stochastische Modell angesehen werden. Er kann in der Regel keine allzu tiefen und aussagekräftigen Erkenntnisse liefern (über die Visualisierung des J-Kurven-Effekts hinaus), da in gewisser Weise "nur die Vergangenheit reproduziert wird".
3. Integration in bestehende Asset-Allokationsmodelle: Die ganzheitliche Sichtweise von Vermögensallokationsmodellen wie Shen et al. (2022) kann helfen, Mischportfolien mit liquiden und illiquiden Anteilen zu analysieren. Sie sollte jedoch nur angewandt werden, wenn der illiquide Anteil nicht zu groß ist.
4. Strukturelles Modell: Die strukturellen Ansätze, z.B. von de Malherbe (2005) oder Buchner (2017), modellieren als Schwerpunkt die Fondsbewertung mittels einer stochastischen Differentialgleichung. Basierend auf dieser NAV-Dynamik werden alle Fonds-Cashflows abgeleitet. Ein Nachteil dieser Wahl ist, dass der NAV aufgrund der subjektiven Natur der GP-Bewertungen gemeinhin als die am wenigsten vertrauenswürdige Variable im PE-Universum gilt.
5. Reduced-Form-Modell: Der Grundgedanke von Modellen wie Buchner et al. (2010) oder Tausch et al. (2022) besteht darin, die endgültige Fonds-/Deal-Performance so genau wie möglich vorherzusagen und dann die Pfade der Zwischenvariablen zurückzuentwickeln. Da das übergeordnete Ziel darin besteht, das beste Prognoseergebnis zu erzielen, kann diese Methode die leistungsfähigsten statistischen Instrumente auf sehr flexible Weise kombinieren.

Das AssetMetrix-Forecastmodell

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

Methodik der Liquiditätsstresstests

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:

1. Ein Schock von 0 ergibt das ursprüngliche (Grund-)Prognoseergebnis,
2. Ein instantaner Schock kann niemals die Vergangenheit beeinflussen,
3. Ein instantaner Schock kann sich auch auf zukünftige Perioden auswirken (nicht nur auf die aktuelle).

Darüber hinaus werden drei Arten von Schocks in unsere LST-Methodik einbezogen:

1. Zeitliche Schocks: Der Zeitpunkt der Zahlungsströme wird verändert (langsamere/schnellere Einzahlungen oder Ausschüttungen),
2. Ergebnisschocks: Die Höhe der Zahlungsströme wird verändert
3. Währungsschocks: Der relative Wert der Cashflows in Fremdwährung ändert sich.

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

Sind Sie bereit für Cashflow-Prognosen der nächsten Generation?

In unserem modernen Webportal erwarten Sie die fortschrittlichsten Analysemethoden am Markt zu den folgenden Themen:

• Cashflow-Modellierung (auch auf Deal-Level),
• Performance- und Waterfall-Projektionen,
• Liquiditätsplanung
• Liquiditätsstresstests
• weitere Module wie Risikoschätzung oder Benchmarking.

Kontaktieren Sie unser Analytics Team für mehr Details!

Literaturverzeichnis

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.

Mehr zum Thema?