---

Frage:
Wann ist ein Risiko überhaupt gut modellierbar?

Antwort:
Ein Risiko ist dann gut modellierbar, wenn es zunächst klar erkannt und eindeutig zugeordnet werden kann. Man muss also verstehen, worum es fachlich geht, welche Ursachen und Auswirkungen relevant sind und welche Einflussgrößen eine Rolle spielen.

Der zweite wichtige Punkt ist die Datenbasis. Für eine belastbare Modellierung braucht man möglichst konsistente historische Daten, die das Risiko sinnvoll abbilden. Ohne eine fachlich passende und nachvollziehbare Datengrundlage kann auch ein mathematisch gutes Modell keine belastbaren Ergebnisse liefern.

Frage:
Was ist gefährlicher: zu wenig Daten oder zu viel Vertrauen in schlechte Daten?

Antwort:
Zu viel Vertrauen in schlechte Daten ist gefährlicher. Wenn bekannt ist, dass Daten fehlen oder lückenhaft sind, kann man methodisch damit umgehen, zum Beispiel durch Annahmen, Expertenschätzungen, Szenarien oder konservative Bandbreiten.

Problematischer wird es, wenn Daten scheinbar vollständig wirken, aber fachlich falsch, verzerrt oder inkonsistent sind. Dann baut man das Modell auf einem falschen Fundament. Das Ergebnis kann rechnerisch sauber aussehen, führt aber fachlich in die falsche Richtung. Genau das ist gefährlich, weil die Scheingenauigkeit eine Sicherheit vorgaukelt, die tatsächlich nicht vorhanden ist.

Frage:
Wie gehen Aktuare mit seltenen, aber sehr schweren Ereignissen um?

Antwort:
Für seltene, aber sehr schwere Ereignisse reicht eine reine Durchschnittsbetrachtung nicht aus. Solche Ereignisse liegen häufig am Rand der Verteilung, also dort, wo klassische Erfahrungswerte nur begrenzt weiterhelfen.

Ein wichtiges Werkzeug ist hier die Extremwerttheorie, auf Englisch Extreme Value Theory, kurz EVT. Sie beschäftigt sich genau mit diesen Randbereichen einer Verteilung, den sogenannten Tails. Dadurch lassen sich Aussagen über sehr hohe Schadenshöhen treffen, die möglicherweise jenseits der bisherigen historischen Erfahrung liegen.

Frage:
Welche Rolle spielen Extremwertbetrachtungen in der Versicherungswirtschaft?

Antwort:
Extremwertbetrachtungen sind für Versicherer sehr wichtig, weil sie zeigen, ob ein Unternehmen auch unter sehr schweren, aber noch denkbaren Bedingungen stabil bleibt.

Sie helfen dabei, außergewöhnlich hohe Schadenereignisse besser zu verstehen, Prämien angemessen zu kalkulieren, Rückversicherung sinnvoll einzusetzen und aufsichtsrechtliche Anforderungen zu erfüllen. Im Kern geht es darum, nicht nur den Normalfall zu betrachten, sondern auch die Frage: Was passiert, wenn es wirklich hart kommt?

Frage:
Wie wichtig sind Korrelationen zwischen Risiken?

Antwort:
Korrelationen zwischen Risiken sind sehr wichtig. In der Risikobewertung reicht es nicht aus, einzelne Risiken isoliert zu betrachten, wenn sie sich gegenseitig beeinflussen können.

Wenn Zusammenhänge zwischen Risiken bekannt sind, kann das die Datenerhebung, Modellierung und Auswertung deutlich verbessern. Werden solche Zusammenhänge dagegen übersehen, können Ergebnisse falsch interpretiert werden. Das Risiko wirkt dann im Modell möglicherweise kleiner oder unabhängiger, als es in der Realität tatsächlich ist.

Frage:
Was passiert, wenn mehrere Risiken gleichzeitig eintreten?

Antwort:
In ruhigen Zeiten wirken viele Risiken scheinbar unabhängig voneinander. In echten Krisen kann sich das jedoch ändern. Dann treten Risiken nicht mehr sauber getrennt auf, sondern verstärken sich gegenseitig.

Ein Beispiel wäre eine Situation, in der ein Börsencrash, eine Naturkatastrophe und Lieferkettenprobleme zeitlich zusammenfallen. Die einzelnen Risiken sind dann nicht mehr nur Einzelereignisse, sondern Teil einer gemeinsamen Belastungssituation.

Mit modernen mathematischen Verfahren, zum Beispiel sogenannten Kopulas, können solche Abhängigkeiten zwischen Risiken besser modelliert werden. Kopulas helfen dabei zu verstehen, wie Risiken gemeinsam „durchschlagen“ können, insbesondere in Extremkrisen. Einfache Korrelationsrechnungen reichen dafür oft nicht aus, weil sie die Dynamik in solchen Stresssituationen nur unvollständig abbilden.

Brücke zu Operational Risk Management

Frage:
Können Methoden aus der Versicherungsmathematik auf operationale Risiken übertragen werden?

Antwort:
Ja, diese Übertragung ist nicht nur möglich, sondern in der Praxis bereits seit vielen Jahren etabliert. Operationelle Risiken, also Verluste aus fehlerhaften internen Prozessen, Menschen, Systemen oder externen Ereignissen, werden heute auch mit Methoden quantifiziert, die ursprünglich aus der Versicherungsmathematik stammen.

Die klassischen versicherungsmathematischen Werkzeuge wurden dafür weiterentwickelt und an die besonderen Eigenschaften operationaler Risiken angepasst. Denn operationale Risiken folgen oft anderen Mustern als klassische versicherungstechnische Risiken: Sie sind weniger regelmäßig, schwerer beobachtbar und hängen stärker von Organisation, Prozessen, Kontrollen und externen Rahmenbedingungen ab.

Frage:
Wo funktioniert diese Übertragung gut, und wo wird sie schwierig?

Antwort:
Gut funktioniert die Übertragung dort, wo ausreichend Daten vorhanden sind und wiederkehrende Verlustereignisse betrachtet werden. Das betrifft zum Beispiel alltägliche operative Verluste, Prozessfehler oder Schadensereignisse, die häufig genug auftreten, um sie statistisch sinnvoll auszuwerten.

Schwieriger wird es beim existenziellen Risikokapital, also bei sehr seltenen, aber potenziell extrem schweren Ereignissen. Genau dort ist die Datenbasis oft dünn, und der sogenannte statistische „Tail“, also der äußerste Rand der Verteilung, lässt sich nicht exakt berechnen.

Deshalb arbeiten erfahrene Aktuare bei operationellen Risiken häufig mit einer Kombination aus Bottom-up-Modellen und Top-down-Stresstests. Bottom-up-Ansätze wie Loss Distribution Approach, kurz LDA, betrachten konkrete Verlustdaten und deren Verteilung. Top-down-Ansätze wie Reverse Stresstests fragen dagegen: Welche Ereignisse oder Kombinationen von Ereignissen könnten das Unternehmen ernsthaft gefährden?

In der Praxis bedeutet das: Man akzeptiert, dass der Extrembereich nicht vollständig exakt modellierbar ist, und ergänzt die mathematische Modellierung durch klare, managementgesteuerte Limits und Stresstests.

Frage:
Sind Risikomatrizen aus aktuarieller Sicht hilfreich oder eher problematisch?

Antwort:
Risikomatrizen können für eine erste Strukturierung hilfreich sein, sind aus aktuarieller Sicht aber begrenzt. Sie ordnen Risiken meist in Kategorien wie niedrig, mittel oder hoch ein. Das ist einfach verständlich, bildet aber Unsicherheit, Bandbreiten, Verteilungen und Extremereignisse nur sehr grob ab.

Aus aktuarieller Sicht sind stochastische Modelle, Szenarioanalysen und Extremwertbetrachtungen deutlich aussagekräftiger. Sie zeigen nicht nur, wie ein Risiko grob eingeordnet wird, sondern auch, welche Bandbreiten möglich sind, welche Annahmen das Ergebnis treiben und wie sich ein Risiko unter Stressbedingungen verhalten kann.

Das Problem beginnt dort, wo eine Risikomatrix so behandelt wird, als sei sie eine belastbare quantitative Bewertung. Dann wird aus einer Orientierungshilfe schnell eine Scheingenauigkeit mit bunten Kästchen. Und bunte Kästchen haben, historisch betrachtet, noch kein Unternehmen gerettet.

Frage:
Wie könnte eine bessere Verbindung aus qualitativer Risikobewertung und quantitativer Simulation aussehen?

Antwort:
Eine bessere Verbindung entsteht, wenn qualitative Einschätzungen nicht als Endergebnis verstanden werden, sondern als Ausgangspunkt für eine strukturierte Modellierung.

Expertenwissen ist wichtig, gerade wenn historische Daten fehlen oder unvollständig sind. Dieses Wissen muss aber in eine nachvollziehbare Form gebracht werden: Welche Eintrittswahrscheinlichkeiten werden angenommen? Welche Schadenhöhen sind plausibel? Welche Szenarien sind denkbar? Welche Abhängigkeiten bestehen zwischen Ursachen, Kontrollen und Auswirkungen?

Die Aufgabe des Aktuars besteht dann darin, diese Einschätzungen in Wahrscheinlichkeitsräume, Bandbreiten und Modellannahmen zu übersetzen. Die Simulation macht anschließend sichtbar, welche Ergebnisse aus diesen Annahmen entstehen.

Im Gegenzug zwingt die Simulation die Experten dazu, ihre qualitativen Einschätzungen kritisch zu überprüfen. Wenn das Modell Ergebnisse liefert, die fachlich nicht plausibel wirken, müssen entweder die Annahmen, die Daten oder das Modell hinterfragt werden. Genau darin liegt der Wert: qualitative Erfahrung und quantitative Modellierung kontrollieren sich gegenseitig.

Frage:
Welche Fehler sehen Sie, wenn Unternehmen Risiken nur qualitativ bewerten?

Antwort:
Wenn Unternehmen Risiken ausschließlich qualitativ bewerten, erfüllen sie möglicherweise formale Anforderungen, betreiben aber noch keine wirklich belastbare Risikosteuerung.

Eine rein qualitative Bewertung kann Risiken priorisieren und Diskussionen strukturieren. Sie zeigt aber oft nicht, welche finanziellen Bandbreiten dahinterstehen, wie stark Annahmen das Ergebnis beeinflussen oder welche Extremverläufe möglich sind.

Das wird besonders kritisch bei Kapitalallokation, Krisenvorsorge und strategischer Steuerung. Wer Risiken nur mit Kategorien wie „mittel“ oder „hoch“ bewertet, weiß noch lange nicht, welches Verlustpotenzial tatsächlich im Unternehmen steckt.

Das eigentliche Problem ist nicht qualitative Bewertung an sich. Problematisch wird es, wenn qualitative Einschätzungen als ausreichend belastbar behandelt werden, obwohl sie keine ausreichende Grundlage für finanzielle, operative oder strategische Entscheidungen liefern.

Simulation und Szenarien

Frage:
Wann reicht eine einfache Bewertung nicht mehr aus, und wann braucht man Simulation?

Antwort:
Eine einfache qualitative oder deterministische Bewertung reicht dann nicht mehr aus, wenn nicht nur ein einzelner Erwartungswert relevant ist, sondern die gesamte mögliche Bandbreite eines Risikos.

Entscheidend wird Simulation immer dann, wenn die Form der Verteilung wichtiger ist als der Mittelwert. Denn der Durchschnitt sagt oft wenig darüber aus, wie stark Ergebnisse schwanken können, wie wahrscheinlich extreme Ausreißer sind oder welche Belastung in ungünstigen Szenarien entsteht.

Gerade bei komplexen Risiken reicht die Frage „Was ist wahrscheinlich?“ nicht aus. Wichtiger wird dann die Frage: Welche unterschiedlichen Verläufe sind plausibel, wie stark können sie voneinander abweichen, und welche Extremfälle muss ein Unternehmen noch verkraften können?

Frage:
Was ist der Unterschied zwischen Szenarioanalyse und Simulation?

Antwort:
Szenarioanalyse und Simulation sind keine Gegensätze. Sie ergänzen sich.

Eine Szenarioanalyse beschreibt konkrete denkbare Situationen. Sie fragt zum Beispiel: Was passiert, wenn ein zentraler Lieferant ausfällt, ein IT-System mehrere Tage nicht verfügbar ist oder ein schwerer externer Schock eintritt?

Eine Simulation geht einen Schritt weiter. Sie berechnet nicht nur ein einzelnes Szenario, sondern viele mögliche Verläufe auf Basis bestimmter Annahmen, Wahrscheinlichkeiten und Zusammenhänge. Dadurch entsteht ein Bild der möglichen Bandbreite.

Ein erfahrener Aktuar würde deshalb nicht fragen: „Mache ich Szenarien oder Simulation?“ Die bessere Frage lautet: „Wie können Szenarien die Annahmen und Parameter für die Simulation liefern, und wie kann die Simulation zeigen, ob die Szenarien wichtige Lücken übersehen?“ Zusammen sind beide Ansätze deutlich stärker als jeder für sich allein.

Frage:
Wie erklärt man Simulationsergebnisse verständlich an Nicht-Mathematiker?

Antwort:
Simulationsergebnisse sollten so erklärt werden, dass sie für Entscheidungen nutzbar sind. Dafür muss man nicht mit mathematischen Fachbegriffen beginnen.

Begriffe wie Varianz, Kovarianz, Konfidenzintervall, stochastisch oder parametrisch sind fachlich korrekt, helfen aber vielen Entscheidern nicht weiter. Verständlicher sind Begriffe wie Bandbreite, Risikopuffer, Schwankungsbreite, Häufigkeit, Worst Case oder Belastungstest.

Wichtig ist, nicht die Rechenmethode in den Mittelpunkt zu stellen, sondern die Aussage: Welche Ergebnisse sind wahrscheinlich? Welche Ausreißer sind möglich? Wie groß ist der notwendige Puffer? Und ab welchem Punkt wird es für das Unternehmen kritisch?

Eine gute Erklärung übersetzt also Mathematik in Entscheidungslogik. Das Modell darf kompliziert sein. Die Aussage sollte es nicht sein.

Frage:
Welche Rolle spielen Monte-Carlo-Simulationen in der Praxis?

Antwort:
Monte-Carlo-Simulationen sind in der Praxis ein zentrales Werkzeug, um komplexe Risiken nicht nur mit einer einzelnen Zahl zu bewerten, sondern mit einer Vielzahl möglicher Ergebnisse.

Statt nur zu fragen „Was erwarten wir?“, beantwortet eine Monte-Carlo-Simulation die Frage „Was wäre, wenn?“ viele tausend Male. Dabei werden unterschiedliche Kombinationen von Annahmen, Eintrittswahrscheinlichkeiten und Auswirkungen durchgerechnet.

Das Ergebnis ist kein einzelner Wert, sondern eine Verteilung möglicher Ergebnisse. Daraus lassen sich Bandbreiten, Risikopuffer, Stressbereiche und Wahrscheinlichkeiten für extreme Entwicklungen ableiten.

In modernen Risikomodellen spielen Monte-Carlo-Simulationen deshalb eine wichtige Rolle: bei regulatorischen Anforderungen, bei der Optimierung von Geschäftsentscheidungen und beim Management komplexer Risiken, die sich nicht mehr sinnvoll mit einfachen Punktwerten beschreiben lassen.

Frage:
Wie verhindert man, dass Simulationsergebnisse als Scheingenauigkeit missverstanden werden?

Antwort:
Man muss sehr klar kommunizieren, was eine Simulation leisten kann und was nicht.

Eine Simulation liefert keine exakte Vorhersage der Zukunft. Sie zeigt mögliche Verläufe auf Basis bestimmter Annahmen. Wenn diese Annahmen falsch, unvollständig oder veraltet sind, kann auch das Simulationsergebnis nicht belastbar sein.

Gefährlich wird es, wenn Simulationsergebnisse als präzise Wahrheit verstanden werden. Dann entsteht falsche Sicherheit. Eine Zahl mit vielen Nachkommastellen wirkt seriös, sagt aber wenig aus, wenn die dahinterliegenden Annahmen unsicher sind.

Richtig verstanden ist eine Simulation kein Orakel, sondern ein Führungsinstrument. Sie zeigt Bandbreiten, Schwankungen, Risikopuffer und mögliche Extremverläufe. Ihr Wert liegt nicht darin, die Zukunft exakt vorherzusagen, sondern bessere Entscheidungen unter Unsicherheit zu ermöglichen.