Berenberg führt eine digitale Beratungsplattform für das Asset Liability Management ein, genannt ALM Innovation Hub. Ziel der Verantwortlichen bei der Privatbank ist es, den institutionellen Beratungsprozess zu verbessern. Anhand interaktiver Modellierungsapplikation sollen Simulationen in Echtzeit analysiert und auf dieser Basis Handlungsoptionen für die Entwicklung und Umsetzung der Anlagestrategie für institutionelle Investoren aufgezeigt werden.
In den Entwicklungsprozess ist laut Pressemitteilung neben der Erfahrung der Senior Investment Consultants auch das Know-how der Berenberg Investmentplattform – sowie die Expertise von Wissenschaftlern internationaler Universitäten, unter anderem der Universität von Kopenhagen eingeflossen.
Das Herzstück des neuen Angebots stelle demnach das interaktive Dashboard dar, durch welches laut Berenberg unterschiedliche Anlagestrategien hinsichtlich ihrer Ertragspotenziale, Risikoprofile sowie die Implikationen auf die Verbindlichkeiten in Echtzeit analysiert werden können. Ermöglicht werden soll dies durch eine laut Pressemitteilung überdurchschnittlich leistungsstarke, auf der Programmiersprache Python basierenden Technologieplattform mit hochperformanten Schnittstellen zu proprietären Structured-Query-Language (SQL-) Datenbanken.
Im Zusammenspiel mit Hardwareleistung über virtuelle Maschinen soll es gelingen, die Harmonisierung des Spannungsfelds zwischen der Verarbeitung hochkomplexer Datenmengen in kürzester Zeit, der darauf basierenden Herleitung von passgenauen Anlegestrategien und gleichzeitig kontinuierliche Qualitätssicherung sicher zu stellen.
„Aufgrund erhöhter Marktvolatilitäten, kürzer werdenden Kapitalmarktzyklen und zunehmenden regulatorischen Anforderungen nehmen wir eine deutliche Steigerung des Beratungsbedarfs auf der Seite der institutionellen Investoren wahr. Gleichzeitig unterscheidet sich jede Zielsetzung und Ausgangssituation bei jedem einzelnen Anleger, weshalb maßgeschneiderte Ansätze so entscheidend sind“, erläutert Klaus Naeve, Head of Wealth and Asset Management bei Berenberg.
„Durch die moderne, modular aufgesetzte Infrastruktur lassen sich erhebliche Synergien erzielen und so die Effizienz des gesamten Beratungsprozesses deutlich steigern. Dies ermöglicht es unseren Investment Consultants in einem dynamischen und interaktiven Beratungsprozess mit dem Anleger hochindividualisierte Lösungen zu erarbeiten“, ergänzt Michael Kreibich, Leiter Investment Consulting bei Berenberg.
Das übergeordnete Ziel einer ALM-Studie ist, einen optimalen Zielerreichungsgrad sicherzustellen, der häufig maßgeblich durch die Verpflichtungsseite bestimmt wird – beispielweise die Auszahlung aktueller sowie zukünftiger Rentenansprüche für einen Anleger der betrieblichen Altersvorsorge.
Machine-Learning-Prozesse und ökologischer Fußabdruck
Dabei sind neben regulatorischen Vorgaben und bilanziellen Aspekten eine Vielzahl an weiteren Variablen, wie die Entwicklung des Deckungsgrades oder die Wahrscheinlichkeit einer zukünftigen, außerplanmäßigen Zuwendung durch das Trägerunternehmen, zu berücksichtigen, wodurch eine multidimensionale Zielfunktion entsteht.
Im Hintergrund der Anwendung werden daher anhand von Zins- und Kapitalmarktprojektionen, die auf Basis des neuesten Stands der akademischen Forschung entwickelt wurden, die Pfadverläufe der Aktiva und Passiva des Anlegers über die nächsten 40 Jahre simuliert. Mittels aussagekräftiger Performanceindikatoren sollen sich anschließend die Chancen und Risiken unterschiedlicher Anlagestrategien und Kapitalmarktentwicklungen auf verschiedenen Ebenen vergleichen und auf dieser Basis Handlungsempfehlungen herleiten lassen.
„Durch spezifische Szenario- und Risikoanalysen sowie innovative Anwendungen innerhalb der Applikation können diejenigen Anlagestrategien bestimmt werden, die diese komplexen Zielvorgaben bestmöglich erfüllen. Besonders hervorzuheben ist hierbei der makroökonomische Stresssimulator, der in Kooperation mit führenden Wissenschaftlern der Universität Kopenhagen entwickelt wurde“, führt Kreibich aus.
Damit sollen sich – unter anderem durch die Nutzung von Machine-Learning-Prozessen – individuelle, für den jeweiligen Anleger besonders relevante Extremszenarien im Detail analysieren lassen, beispielweise wie sich ein Zinsschock in Zeiten hoher Inflationsvolatilität und nur moderater Wachstumsraten auf die Kapitalanlagen auswirken würde.
Zusätzlich soll die Anbindung zu einer umfangreichen proprietären Nachhaltigkeitsdatenbank Einblicke in die Umwelt- und Sozialbilanz bestehender sowie potenzieller Portfoliozusammensetzungen herstellen. Neben ESG-Scores soll ein Kohlenstoff-Intensitätstracker den Vergleich der Übergangsrisiken der Anlagestrategien im Hinblick auf Emissions-Bepreisungen ermöglichen.
Darüber hinaus soll der ökologische Fußabdruck des Portfolios durch KPIs zu sogenannten „finanzierten Emissionen“ messbar sein, was die Einhaltung investorenspezifischer und EU-weiter Nachhaltigkeitsberichterstattung sowie anlegerseitig auferlegter Reduktionsziele erleichtern soll.