Private Equity: Chancen und Herausforderungen in der bankinternen Beteiligungsrisikomessung

Beteiligungen als Assetklasse für Förderbanken

Staatliche Mittel reichen nicht aus, um die dringend notwendigen Investitionen in wichtige Handlungsfelder wie Energie- und Verkehrsnetze, Sicherheit und digitale Infrastruktur in Deutschland und Europa zu finanzieren. Dafür privates Kapital zu mobilisieren, ist ein Beitrag, den Förderbanken leisten sollten und können. So kann die KfW u.a. mit Eigenkapitalbeteiligungen und als Ankerinvestor in Fonds wirksam Hebel setzen [Vgl. Börsenzeitung 31.12.2024, S.6-7]. Vermehrte Investitionen in das Beteiligungsgeschäft erfordern aber auch adäquate Risikobewertungsverfahren, um dem Charakter des Beteiligungsgeschäfts (erhöhtes Risiko-/Ertragsprofil mit direktem GuV-Impact) in der Gesamtbanksteuerung Rechnung zu tragen.

Die Steuerung des Beteiligungsrisikos erfordert auf der methodischen Seite einen Paradigmenwechsel von Modellen, die auf einen auf das Kreditgeschäft fokussierten 1-Jahres-Horizont eine Ausfallwahrscheinlichkeit vorhersagen, hin zu Modellen, die Ertrag und das Risiko über den jeweiligen Investmenthorizont angemessen abbilden.

Wie kann jetzt so ein Modell mit einer wertbezogenen Perspektive in der Praxis in einer (Förder-)Bank aussehen und welche Herausforderungen ergeben sich bei dessen methodischer Konzeption? Dieses wird im Folgenden anhand des im Jahr 2020 neu eingeführten und im Jahr 2024 weiterentwickelten Scoringverfahrens für Beteiligungsfonds dargestellt.

Was ist der Anwendungsbereich des Modells?

Das Scoring richtet sich auf closed-end Fonds, die von Fondsmanagern aufgelegt und verwaltet werden und an denen sich dieInvestoren auf der Passivseite mit Eigenkapital (unstrukturiert/ strukturiert) beteiligen. Die eingeworbenen Mittel werden auf der Aktivseite in Eigenkapitalbeteiligungen an verschiedenen, zumeist nicht-börsennotierten Portfoliounternehmen investiert, wobei der Fonds auch Mezzanine Finanzierungen vergeben kann.  Die vertragliche Laufzeit von 10 Jahren wird oft durch optionale Verlängerung ergänzt, so dass die Lebenszeit der Fonds bis zu seiner Endabrechnung bis zu 15 Jahre betragen kann.

Das Modell unterstützt die Investitionsentscheidung und wird bei der Ermittlung des ökonomischen Kapitals zur Risikodifferenzierung verwendet.

Wie sieht der Modellaufbau aus?

Kern des Modells sind ein quantitatives Modul und ein Frühphase-Modul. Letzteres war im Fokus der 2024er Weiterentwicklung. Beide Module prognostizieren die Fondsrendite am Ende der Fondslaufzeit anhand der Kennzahl DPI (Distributions to-Paid-In Capital): Das auf externen Daten entwickelte quantitative Modul nutzt realisierte Cashflows und das auf externen sowie internen Daten entwickelte Frühphase-Modul stützt sich auf Fondsstammdaten (bspw. Fondsgröße) und eine strukturierte Beurteilung der Managementqualität anhand eines Fragenkatalogs zu Struktur und Stabilität, Team (Qualität und Quantität), Interessenidentität und Track Record. Das Zusammenspiel der einzelnen Module ist in der Abbildung 1 dargestellt, wobei der Managementqualität(MQ)‑Punktewert im Frühphase‑Modul über eine lineare Funktion in eine DPI(T)‑Prognose überführt wird. Die Ableitung der linearen Funktion erfolgt unter der Annahme, dass die DPI(T)-Prognose für reife Fonds ausreichend genau ist und daher als Approximation für den wahren, d.h. finalen DPI(T) der Fonds dienen kann. Die kontinuierlichen DPI(T)-Prognosen werden nach Berücksichtigung von Länderrisiken in diskrete Intervalle abgebildet und mit Scores belegt. Das erhöht die Verständlichkeit und ermöglicht eine (mit dem Kreditgeschäft konsistente) Weiterverwendung in den weiteren Geschäftsprozessen (wie der Investitionsentscheidung oder der Limitierung). Im Ergebnis wurde eine Score-Systematik mit sieben performenden Ausprägungen sowie einem Score für die Ausfallsetzung entwickelt.

Warum wurde DPI als Zielgröße ausgewählt?

In der Literatur und der Praxis werden für Bewertungsmodelle vor allem solche Performance-Maße verwendet, die auf den erwarteten Zahlungsströmen (Auszahlungen und Einzahlungen) teilweise ohne Berücksichtigung etwaiger Transaktionskosten über die Fondslaufzeit basieren.  Darunter fallen der IRR (Internal Rate of Return) sowie dessen Modifikationen MIRR (Modified Internal Rate of Return) und MIC (Multiple of Invested Capital). Diese weisen Schwächen auf, so dass eine Verwendung als Zielgröße verworfen wurde. Hintergrund ist, dass der IRR durch strategische Cashflow-Steuerung signifikant verzerrt werden kann, z.B. kann durch verzögerte Investitionen, vorzeitige Ausschüttungen bzw. Fremdkapitalaufnahme der IRR künstlich erhöht werden [vgl. MSCI, 2024]. Für die Risikomodellierung hat hingegen das Abstellen auf Maße wie DPI bzw. TVPI (Total Value to Paid-In Capital) bzgl. der tatsächlichen Zahlungsströme den Vorteil der Objektivität sowie der Berücksichtigung der Kosten. Entsprechend wird für die Modellierung auf die realisierten Cashflows endabgerechneter bzw. liquidierter Fonds als Zielgröße abgestellt. Damit entspricht dann der DPI dem TVPI.

Wie kann mit nicht repräsentativen externen Daten umgegangen werden?

Das Modell wurde auf externen Daten entwickelt, da zu wenige endabgerechnete interne Fonds verfügbar waren. Die Daten der externen Datenbietern sind überwiegend aus Nordamerika bzw. weisen ältere Vintages auf. Ihre Verteilungen weichen von den internen Daten ab.  Mögliche Optionen zum Umgang mit Nicht-Repräsentativität sind: 1) stratifiziertes Sampling erzeugt eine zur Anwendung repräsentative Stichprobe, reduziert jedoch die Datenmenge. 2) Prüfung der Relevanz des betroffenen Faktors in einem multivariaten Modell: Hat er keinen Einfluss auf die Zielgröße und umfasst der Wertebereich der Entwicklungsdaten den der Anwendungsdaten, ist Nicht‑Repräsentativität akzeptabel. 3) angemessene Modellierung: Bspw. lineare Einbindung metrischer Faktoren bei linearer Beziehung über den gesamten Wertebereich oder Segmentierung bei kategorialen Variablen.

Im aktuellen Modell ist der Umgang wie folgt: Ausreißer werden gezielt entfernt (Option 2). Das Sampling (Option 1) wurde erprobt, aber zugunsten der angemessenen Abbildung verworfen. Schwächen (z. B. Anlagefokus) werden dokumentiert und durch Analysen bzw. Modellrisikopuffer flankiert (Option 3). Ziel ist es jedoch, mit anwachsender Qualität und Quantität, die Kalibrierung des Modells auf der internen Datengrundlage vorzunehmen.

Paradigmenwechsel vollzogen, Integration in weitere Steuerungsprozesse schreitet voran

Die KfW hat mit dem wertbezogenen Modell den Paradigmenwechsel von einer 1-Jahres-Ausfallsicht zu einer wertbezogenen Sicht vollzogen und nutzt mit dem Beteiligungsfondsscoring eine lebenszyklusbezogene, wert- und renditeorientierte Sicht mit modularer Prognostik und einem klaren Governance-Rahmen. Damit ergeben sich eine Vielzahl von Chancen, insbesondere:

> Unterstützung der Investitionsentscheidung für Markt bzw. Markfolge auf Einzelgeschäftsebene

> Signifikante Verbesserung einer adäquaten Beteiligungsrisikomessung für die Gesamtbanksteuerung (bspw. Portfoliolimitierung)

> Engere Verzahnung mit weiteren Finanz- und   Steuerungsgrößen sowie Synergiepotenzial für mögliche Weiterentwicklungen in der Einzelrisikomessung von Beteiligungen

Was steht nun im weiteren Modellzyklus an? Die Rückmeldungen der Beteiligungsexperten aus dem ersten Ratingzyklus waren sehr positiv und aufgezeigte Verbesserungsmöglichkeiten wurden in der anschließenden Weiterentwicklung erfolgreich umgesetzt. Weitere Impulse werden aus den über den Zeitablauf generierten internen Daten erwartet.