Ratingagenturen und Verbriefungskrise - Being Foreclosed on the American Dream

Diplomarbeit von Christian Böhm

Einleitung:

Seit nunmehr fast zwei Jahren beherrscht die aktuelle Krise, die sich von der Subprimekrise über die Verbriefungs- zur Finanzmarktkrise hin zur schweren Rezession ausgeweitet hat, deren Auswirkungen aktuell noch nicht genau quantifizierbar sind, die ökonomische Medienlandschaft. Erwartet wird die schwerste Rezession seit der Großen Depression. Eine komplette Analyse der letzten zwei Jahre sprengt den Rahmen einer Diplomarbeit. Diese Arbeit betrachtet daher die der Krise als Verbriefungskrise i.e.S. und klammert die nachfolgende Finanzmarkt- und Wirtschaftskrise weitgehend aus.

Aus dieser Sicht ergeben sich drei Themenkomplexe. Zum Verständnis der Blase am US-Eigennutzerimmobilienmarkt ist zunächst einmal die Analyse des US-Eigennutzerimmobilienmarktes sowie zugehörigen Primär- und Sekundärmarktes für Finanzierungen notwendig. Diese Märkte haben eine völlig andere Funktionsweise als z.B. in Deutschland. Zwar wurde die Bedeutung der Government Sponsored Enterprises (GSEs) Fannie Mae und Freddie Mac von Albrecht untersucht; vor Beginn der Krise war das Interesse an diesen Märkten und demnach ist auch das Verständnis dieser Märkte noch immer gering.

So zitiert Rudolph einen Immobilienfinanzierungsratgeber aus dem Jahre 1982 und verweist auf zahlreiche innovative Finanzierungsformen, die seit Anfang der 80er Jahre entstanden seien. Die dort angeführten Produkte sind jedoch allesamt Nischenprodukte geblieben und haben keinen Bezug zur aktuellen Krise, lediglich das Konzept der ‘Shared Appreciation Mortgage (SAM)’ weist eine entfernte Ähnlichkeit zu den (Pay)-option-ARM Darlehen auf. Maßgeblicher Unterschied zwischen beiden Darlehensformen ist, dass ein option-ARM-Darlehen trotz Verschiebung von Zahlungen in die Zukunft noch immer ein Festbetragsanspruch ist, während der Kreditgeber bei SAMs als Ausgleich für einen niedrigeren Zinssatz einen Teil der Wertsteigerung der Immobilie erhält.

Zu den Ursachen des Immobilienbooms schreibt das Institut der deutschen Wirtschaft in einer Publikation von Juli 2008:

‚Der Immobilienpreisboom fußte unter anderem auf einem starken Wachstum der verfügbaren Einkommen und einem deutlichen Zuwachs der Beschäftigung’.

Hier verwechselt das IW Henne und Ei. Richtig ist, dass die Refinanzierung eines Hypothekendarlehens ohne Aufstockung zu niedrigerem Zinssatz bei gleicher Laufzeit einen Einkommenseffekt mit sich bringt. Diese c.p.-Bedingung war jedoch eine Ausnahme und keinesfalls die Regel; insbesondere in den Endjahren des Booms zwischen 2005 und 2007 wurden gigantische Summen aus einer zusätzlichen Belastung der Immobilie in den privaten Verbrauch umgeleitet. Wie bei einem Unternehmen in rauer See wurden „stille Reserven“ gehoben, weil das laufende Einkommen zu niedrig war, um notwendige oder gewünschte Ausgaben zu bestreiten. Die Entwicklung der Beschäftigungszahlen nach der (milden) Rezession 2001/2002 war im Vergleich zu früheren Zyklen eher verhalten; die durch die zunehmende Verbraucherverschuldung profitierenden Sektoren Einzelhandel, Leisure & Hospitality sowie Entertainment zeichnen sich durch ein geringes Vergütungsniveau aus. Resultat waren stagnierende oder in den unteren Vergütungsklassen sogar sinkende Realeinkommen.

Die theoretischen Hintergründe zu Verbriefung und Kreditrisikotransfer sind gut erforscht und an zahlreichen Arbeiten bis zu den von Akerlof und Spence geschaffenen Grundlagen zurückzuverfolgen. Die Realität ist jedoch weitaus komplexer als die diskutierten Modelle. RMBS und CDO, insbesondere CDO, die aus bereits verbrieftem Kollateral entstanden sind, fallen unter denselben Oberbegriff der ABS im weiteren Sinne, zeigen aber in der aktuellen Krise ein völlig verschiedenes Verhalten.

Somit ist eine detaillierte Betrachtung der verschiedenen Produktklassen erforderlich. Mit der falschen Beurteilung der Risiken strukturierter Produkte verbunden ist die Überschätzung der Rolle der Ratingagenturen. Aufgrund der hohen Ratings strukturierter Produkte und der regulatorischen Bevorzugung -so z.B. nur 7% Risikogewicht für granulare Senior-Tranchen von Verbriefungen- war es bequem, sich bei Anlageentscheidungen auf das Rating zu verlassen, anstatt die Möglichkeit und die Auswirkungen eines Trendbruches zu hinterfragen. Ein Rating ist jedoch die Aggregation von vielen Informationen in einem eindimensionalen Symbol; um als Investor den Wert eines Ratings als Entscheidungskriterium zu kennen, muß klar sein, welche Informationen in dieses Rating eingegangen sind, welche nicht und welche Informationen bei der Verdichtung auf ein Symbol verloren gegangen sind. Somit hat diese Arbeit drei Ziele. Zunächst soll eine solide Übersicht über die Funktionsweise des US-Immobilienmarktes geschaffen werden. Im nächsten Schritt soll die Präsentation der theoretischen Grundlagen von Kreditrisikotransfer und Kreditverbriefung und die Untersuchung der Merkmale von RMBS und CDO Verbriefungen erfolgen. Anschließend soll der Leser eine Zusammenstellung der Ratingmodelle sowie eine Übersicht über die Schwächen des Ratingprozess erhalten.

Inhaltsverzeichnis:

Textprobe:

Kapitel 4.1, Fitch Ratings:

Der Ratingprozess eines RMBS-Pools zerfällt in zwei Phasen. Erste Phase ist die Schätzung der über die Lebensdauer hinweg anfallenden Verluste eines Pools sowie die Generierung einer Verlustverteilung des Pools. Hierzu nutzt Fitch das Modell ResiLogic, das in den Veröffentlichungen vom 18. Januar und 14. August 2007 beschrieben wird. Einen messbaren Einfluss auch das Ergebnis hat auch die Qualität des die Darlehen betreuenden Servicers; die Differenz des Credit Enhancement zwischen einem sehr guten (RPS 1) und einem knapp zufrieden stellendem (RPS 3-) Servicer beziffert Fitch auf etwa 10%. Die formalen Grundlagen des Modells werden in Anhang 6 erläutert.

Zweite Phase ist die Modellierung der Cashflows aus dem RMBS-Pool; dieser Arbeitsprozess wird in der Veröffentlichung vom 6. Februar 2007 beschrieben. Hierzu nutzt Fitch die Softwarelösung Intex DealMaker. Zunächst werden Prepayment- und Default-Vector konstruiert und anschließend die Cashflows der Transaktion unter verschiedenen Zinsszenarien modelliert.

Modellaufbau:

Zur Ermittlung des Expected Loss eines Darlehenspools wird der Schätzvorgang in die Ermittlung der Ausfallwahrscheinlichkeit und der Loss Severity auf Darlehensebene zerlegt. Der Expected Loss des einzelnen Darlehens ist das Produkt aus der Ausfallwahrscheinlichkeit sowie dem Loss Given Default des einzelnen Darlehens. Die Summe der erwarteten Verluste aller Darlehen ergibt nun den Expected Loss des Darlehenspools; dieser entspricht als Base-Case-Szenario einem B-Rating. Höhere Ratingstufen korrespondieren mit entsprechend höheren Quantilen der Verlustverteilung.

Ein Darlehensaufall ist einbinäres Ereignis, daher schätzt Fitch die Ausfallwahrscheinlichkeit mit einer logistischen Regression. In diese Berechnung gehen insgesamt 13 Regressoren ein. Auffällig ist hier die enorme Dominanz des Fico-Score, der zu 80,1% die Modellergebnisse bestimmt. Weiterer bedeutender Faktor ist mit 9,5% der ‘Credit Sector’, d.h. ob ein Darlehen dem Subprime, Alt-A oder Prime-Bereich angehört. Prime- und Alt-A Darlehen weisen bei gleichem Fico-Score geringe Ausfallwahrscheinlichkeiten als Darlehen aus dem Subprime-Sektor auf. Für einen mäßigen Fico-Score von 600 ermittelt das Modell c.p. für Prime-Darlehen über den Beobachtungszeitraum hinweg eine Ausfallwahrscheinlichkeit von ca. 5%, während für Alt-A Darlehen ca. 13% und für Subprimedarlehen ca. 18% angegeben werden. Bemerkenswert ist, dass die intuitiv als risikorelevant wahrgenommenen Faktoren Gesamt- Beleihungsauslaufmit 3,5%, Darlehenstyp mit 1,4%, Dokumentationsstatus des Darlehens (Full-, Lo-, No-Doc) mit 1,1% sowie Nutzungsstatus des Beleihungsobjektes mit weniger als 1% jeweils nur ein geringes Gewicht aufweisen. Nahezu irrelevant ist die Kapitaldienstfähigkeit; ein Backend-DTI geht nicht in die Berechnung ein, es wird nur ein Frontend-DTI mit weniger als 1% gewichtet. Bei gleichen Charakteristika eines Darlehens beeinflusst die Situation der lokalen Ökonomie die Ausfallwahrscheinlichkeit erheblich. Die ermittelte Ausfallwahrscheinlichkeit eines Darlehens wird daher mit einem auf Bundesstaatenebene ermittelten Risikoindex multipliziert.

Zweite Komponente der Expected-Loss-Schätzung auf Darlehensebene ist die Ermittlung der Determinanten der Loss Severity. Zur Ermittlung der Loss Severity wird zunächst der Anteil der Darlehen modelliert, deren Ausfall keinen Verlust verursacht, in einem zweiten Schritt wird dann für die verbleibenden Darlehen die Loss Severity mit einer bedingten nichtlinearen Least-Squares-Regression geschätzt. Überraschend ist hier zunächst der Einfluss der Darlehenshöhe von 57,2%; während der Beleihungsauslauf mit 14,7%; der Kupon des Darlehens mit 8,8% sowie Typ und Nutzungsstatus des Beleihungsobjektes mit 8,1% bzw. 5,1% zweitrangige Einflussfaktoren sind. Da die Datengrundlage des Modells überwiegend aus Darlehen aus den 1990er Jahren besteht, sind hier eine Vielzahl sehr kleiner Darlehen insbesondere aus dem Subprime-Bereich enthalten. Fallen sehr kleine Darlehen aus, so fallen zum einen die Fixkosten der Vollstreckungsmaßnahmen stärker ins Gewicht, zum anderen sind diese Darlehen im Regelfall durch Beleihungsobjekte schlechter Qualität abgesichert, die nur schwierig verwertbar sind und zur Vermarktung zusätzliche Investitionen benötigen.

Nachdem nun Ausfallwahrscheinlichkeit und Loss Severity auf Darlehensebene geschätzt sind, müssen diese Daten auf Poolebene aggregiert werden. Die idiosynkratischen Ausfall- und Loss Severity-Komponenten, die die ‘base case’ ausdrücken, werden über die Ziehung von Quasi-Zufallszahlen generiert.Zu diesem Zweck wird die Ausfallwahrscheinlichkeit und die Loss Severity mittels einer 2-Faktor-Gauß-Copula systemischen Risikofaktoren auf Staaten- und Bundesebene ausgesetzt. Diese systemischen Risikofaktoren führen zu einer positiven Korrelation zwischen Ausfallwahrscheinlichkeit und Loss Severity und bewegen somit für den Fall der schlechten Realisierung der Risikofaktoren Wahrscheinlichkeitsmasse in den auslaufenden Ast der Verlustverteilung. Die Generierung einer Verlustverteilung des Pools erfolgt durch einen Hybrid-Monte-Carlo-Ansatz. Die idiosynkratischen Kompo-nenten eines Darlehensaufalls sowie der LS werden durch Pseudo-Zufallszahlen generiert, während die systemischen Komponenten -dies ist die ökonomische Entwicklung auf Bundesstaaten- und nationaler Ebene- durch einen Quasi-Monte-Carlo-Ansatz simuliert wird. Diese Ansätze beruhen auf Sequenzen, die in einem Hyperraum Punkte erzeugen, die gleichmäßiger verteilt sind als zufällig erzeugte Punkte.

Durch dieses Verfahren soll gegenüber einer kompletten Monte-Carlo-Berechnung (mit einigen Zehntausend Berechnungsläufen für jeweils einige Tausend Darlehen!) Rechenzeit eingespart werden. Die Methodik von Fitch basiert auf Sobol-Sequenzen, die nach etwa 8.000 bzw. unter Einbezug der Antithesen nach 16.000 Simulationen ähnlich stabile Ergebnisse liefern wie eine Voll-Monte-Carlo-Simulation mit mehr als 50.000 Simulationen. Die alternativ einsetzbaren Fauré- und Halton-Sequenzen neigen bei hochdimensionierten Problemen zur Bildung von Clustern und damit zu weiter auslaufenden Ästen der Verlustverteilung. Eine Fallstudie von Fitch für einen modellhaften RMBS-Pool zeigt, dass die 90%, 95%, 99% und 99,5%-Quantile der Verlustverteilung sowohl mit einer Voll-Monte-Carlo-Simulation als auch bei Nutzung von Sobol- und Fauré-Sequenzen auf nahezu identischem Niveau liegen. Bei Extremwerten, dargestellt durch die 99,9%- und 99,99%-Quantile, weichen Fauré-Sequenzen gegenüber den anderen Verfahren jedoch deutlich nach oben ab: Während Monte Carlo- sowie Sobol- Modelle diese Quantile mit ca. 14% bzw. ca. 16% ermitteln, liegen die Werte eines Fauré-Modells bei ca. 16% bzw. ca. 21%.

Weder bei der Ausfallwahrscheinlichkeit noch bei der Loss Severity wird die Immobilienpreisentwicklung seit Darlehensausreichung explizit berücksichtigt. In einem Interview räumten Vertreter von Fitch allerdings ein, dass ein Immobilienpreisanstieg in den ‘low to mid single digits’ neben dem Beleihungsauslauf und dem Fico-Score einer der Haupttreiber ihres Modells sei. Da das Modell die Ausfallraten der dot.com Rezession 2000-2002 als base-case annimmt und auch in diesem Zeitraum die Immobilienpreise um 3-5% pro Jahr angestiegen sind, wird klar, dass ein moderater Immobilienpreisanstieg als implizite Annahme in das Modell mit eingeflossen ist.

Fitch führt an, dass in älteren Modellversionen das Niveau des AA-CE einer Projektion der Rezession in Texas in der zweiten Hälfte der 80er Jahre sowie Rezession in Kalifornien Anfang der 90er Jahren auf Bundesebene entspreche. Diese Rezessionen - in Texas verursacht durch einen Verfall der Ölpreise in einem ansonsten wirtschaftlich gesunden Umfeld, in Kalifornien eine tiefere und längere Version der Rezession 1990/91 aufgrund des Stellenabbaus beim US-Militärs sowie in der Luftfahrtindustrie- waren mit einem raschen Anstieg der Arbeitslosenquote um etwa 4% verbunden. Neuere Versionen des Modells verwenden ähnliche Szenarien mit einem vergleichbaren Anstieg der Arbeitslosenquote; das Niveau des AAA-CE liege nochmals höher angesetzt und entspreche einem kurzfristigen Anstieg der Arbeitslosenquote um 5-6% bzw. einem kurzfristigen, nachhaltigen Verfall der Immobilienpreise um 25%.

Die in einer Verbriefungstransaktion enthaltenen Darlehen werden von einem Servicer verwaltet. Der Primary Servicer ist für die laufende Administration der Darlehen bis hin zur Abwicklung notleidender Darlehen zuständig, der Master Servicer kontrolliert und überwacht die Tätigkeit des Primary Servicers. Kriterien zur Bewertung des Primary Servicers sind neben der finanziellen Stärke die Qualität des Managements und des Personals sowie die Qualität der eingesetzten Technologie und Prozesse. Ein besonderes Augenmerk legt Fitch insbesondere bei Servicern von Subprime-Darlehen auf eine effektive Betreuung rückständiger Darlehen mit dem Ziel der Minimierung eintretender Verluste. Die Ergebnisse des Servicer Ratings gehen direkt als Modifikator in das quantitatve Modell ResiLogic ein.

Ist die Modellierung der Verluste abgeschlossen, so dient die erhaltene Verlust-verteilungsfunktion als Input für die Cash-Flow-Modellierung. Da die einer RMBS zugrunde liegenden Darlehen grundsätzlich jederzeit rückzahlbar sind und zurück-gezahlte Darlehen keinen Excess Spread zur Abdeckung von Verlusten mehr liefern, ist die Bildung einer Annahme über das vorzeitige Rückzahlungsverhalten der erste Schritt der Cash-Flow-Modellierung einer RMBS. Die Konstruktion von Prepayment-Vektoren folgt der in Anhang 4 dargestellten Methodik, erfolgt aber für verschiedene Darlehens-produkte (variabel, hybrid oder festverzinslich) und Darlehensgruppen (Prime, Alt-A oder Subprime) differenziert. Darlehen mit Prepayment Penalties zeigen ein lang-sameres Prepaymentverhalten; Fitch berücksichtigt dies über einen Multiplikator von 0,40 im ersten Monat, der sich monatlich um 0,03 bis auf 1,0 im 22. Monat erhöht.

Zur Ermittlung der tatsächlich durch die Investoren zu tragenden Verluste ist nicht nur wichtig, wie hoch die kumulierten Verluste sind, sondern zur Einschätzung der Absorptionswirkung des Excess Spread auch wann diese über die Lebensdauer des Pools verteilt anfallen. Analog des bereits vorgestellten ‘Prepayment Vectors’ wird nun ein ‘Default Vector’ konstruiert. In den ersten 6-12 Monaten Lebensdauer einer Verbriefung fallen kaum Verluste an, da ‘Early-Payment-Defaults’ durch den Verkäufer der Darlehen zurückgenommen werden müssen. Nach dieser Frist müssen zumindest für 3 Monate Rückstände aufgelaufen sein, um zur Darlehenkündigung zu gelangen. Einigt man sich auf einen short sale, d.h. auf einen freihändigen Verkauf der Immobilie zu einem Preis unterhalb der Restschuld des Darlehens, kann die Abwicklung des Darlehens und die Realisierung des Verlustes relativ rasch, d.h. zwischen 3 und 6 Monaten geschehen. Wird aber eine ‘foreclosure’ eingeleitet, so verlängert sich die Dauer bis zur Realisierung des Verlustes auf 15 – 24 Monate. Daher steigen die Verluste in den Folgemonaten rasch an, um bei einer Subprime-Verbriefung zwischen dem 28. und 35. Monat ein Plateau mit monatlich 2,08% der ‘lifetime losses’ zu bilden und zwischen dem 36. und 45. Monat je 1,95% auf ähnlich hohem Niveau zu verharren. Ab dem 46. Monat flacht die Kurve jedoch stetig bis auf 0,08% im 81. Monat ab, um auf diesem Niveau bis zum Ende des Schätzungszeitraumes im 120. Monat zu verbleiben. Die Abschätzung bzw. Allokation der Verluste erfolgt somit nach der in Kap 3.2.3 angerissenen Kurvenmethode; die Konstruktion der monatlich allokierten und der kumulativen Verluste findet sich ebenfalls in Anhang 4.