Warum klassische ALM-Modelle an Spread-Kosten scheitern
Die Liquiditätskostenplanung im Treasury hat ein fundamentales Problem: Sie unterstellt, dass sich die Welt linear weiterbewegt. Genau das tut sie aber nicht. Wenn die EZB an einem Donnerstag im Juni den Leitzins um 50 Basispunkte senkt und gleichzeitig die Spreads für Commercial Paper um 80 Basispunkte ausschlagen, dann nützt Ihnen kein lineares Modell mehr etwas. Die klassischen Asset-Liability-Management-Systeme extrapolieren Vergangenheitsdaten in die Zukunft. Sie rechnen mit glatten Kurven und Korrelationen, die im Stress reißen wie morsches Garn.
Das ist kein theoretisches Problem. Nehmen Sie ein typisches Szenario: Ein großer deutscher Mittelständler zieht über Nacht seine Einlagen bei drei Banken ab und schiebt sie in Geldmarktfonds. Die betroffenen Institute müssen sofort an den Repo-Märkten refinanzieren. Was passiert? Die Spreads für besicherte Geldaufnahmen explodieren, weil plötzlich mehrere Häuser gleichzeitig Liquidität suchen. Genau diese Domino-Effekte bildet ein klassisches Monte-Carlo-Modell nicht ab. Es simuliert einzelne Risikofaktoren unabhängig voneinander und übersieht die Ansteckung.
CRR III verschärft diese Anforderung massiv. Die LCR verlangt nun noch granularere Liquiditätspuffer für verschiedene Stressperioden. Die NSFR erwartet eine stabilere strukturelle Refinanzierung, die nicht bei jedem Spread-Aufschlag kollabiert. Das ILAAP muss plausible Extrem-Szenarien durchrechnen. All das zwingt Treasury-Abteilungen, nicht-lineare Dynamiken zu modellieren. Wer das mit Excel oder statischen Simulationsläufen versucht, betreibt regulatorische Schönwetter-Seglerei.
Ein häufiges Muster: Ein Sparkassen-Treasury modelliert für den ILAAP-Bericht drei Spread-Schocks – mild, mittel, schwer. Die Parameter basieren auf historischen Durchschnittswerten der letzten fünf Jahre. Dann kommt ein politisches Ereignis, das die Spreads über das Schwer-Szenario hinaustreibt. Das Treasury hat keinen Mechanismus, um diesen Bruch zu antizipieren. Die Risikovorsorge reicht nicht. Die Aufsicht fragt nach. Das ist der Moment, in dem ein neues Modell-Denken einsetzen muss.
Multi-Agent-Systeme als Lösung: So funktioniert die Simulation
Hier kommen Multi-Agent-Systeme ins Spiel. Der Ansatz ist radikal anders als statistische Extrapolation: Statt die Welt als Ganzes zu prognostizieren, simulieren Sie das Verhalten einzelner Akteure im Finanzsystem. Jeder Agent – eine Bank, ein Firmenkunde, eine Zentralbank, ein Geldmarktfonds – trifft eigenständige Entscheidungen nach vorher definierten Regeln. Aus dem Zusammenspiel dieser lokal handelnden Agenten entstehen die globalen Spread-Dynamiken. Das System heißt nicht umsonst „emergent": Die Makroeffekte erscheinen aus den Mikroentscheidungen, ohne dass jemand sie zentral programmiert hat.
Für die Liquiditätskostensimulation definieren Sie mindestens drei Agententypen. Erstens: Liquiditätsgeber. Das sind Banken mit Einlagenüberschuss, Zentralbanken mit Tender-Fazilitäten und institutionelle Investoren, die Geldmarktpapiere kaufen. Zweitens: Liquiditätsnehmer. Unternehmen, die ihre Kreditlinien ziehen, Zweckgesellschaften mit auslaufenden Asset-Backed-Commercial-Paper-Programmen oder Fonds, die Rücknahmen bedienen müssen. Drittens: der Regulierer. Ein Agent, der die CRR-III-Restriktionen als Umweltfaktor setzt – LCR-Puffer, NSFR-Quoten, Meldegrenzen.
Jeder Agent bekommt eine Bilanz mit Aktiva und Passiva sowie eine Entscheidungslogik. Der Liquiditätsnehmer prüft zum Beispiel: „Mein Kassenbestand fällt unter 10 Millionen Euro. Ich ziehe Kreditlinie A bei Bank X um 20 Millionen. Die Refinanzierungskosten steigen um den aktuellen Spread-Satz." Der Liquiditätsgeber reagiert: „Meine Einlagen sinken um 20 Millionen. Ich muss Interbank-Geld aufnehmen und biete einen Aufschlag von 15 Basispunkten." Und der Regulierer-Agent meldet: „LCR fällt auf 98 Prozent. Ab 100 Prozent wird ein automatischer Sanktionsmechanismus ausgelöst, der die Refinanzierungskosten der Bank um 20 Basispunkte erhöht."
Das Entscheidende ist die Interaktion. Wenn drei große Einleger gleichzeitig abziehen, treiben sie die Spreads nicht um den Betrag, den eine isolierte Berechnung ergibt. Sie erzeugen einen Multiplikator-Effekt: Bank A sucht Geld, verteuert sich. Bank B, die noch Reserven hat, sieht die steigenden Marktsätze und hortet Liquidität. Das Angebot verknappt sich weiter. Genau dieses emergenten Verhalten sehen Sie im Agentenmodell in Echtzeit entstehen. Keine Black-Box, sondern eine Simulation, in die Sie jederzeit hineinschauen und fragen können: Warum hat Agent 47 gerade diesen Spread verlangt? Weil drei Vorlieger ihre Konditionen geändert haben. Log erklärbar.
Für CRR III ist das ein Paradigmenwechsel. Statt drei vordefinierte Szenarien rechnen Sie 10.000 Agentenläufe mit variierenden Startbedingungen. Sie sehen die gesamte Verteilungsfunktion der Liquiditätskosten und erkennen, wo die kritischen Schwellenwerte liegen. Das ist genau die Granularität, die die Aufsicht sehen will.
Spread-Szenarien unter CRR III: Konkrete Anwendung im Treasury
Die Agentensimulation hört nicht bei der Theorie auf. Sie wird operativ einsetzbar, wenn Sie konkrete Szenarien durchspielen. Drei besonders relevante Konstellationen unter CRR III:
Szenario 1: Gapping von LCR-Benchmark-Bonds. Stellen Sie sich vor, eine Benchmark-Staatsanleihe, die in Ihrem LCR-Puffer liegt, wird über Nacht herabgestuft. Der Markt reagiert mit einer Spread-Ausweitung von 120 Basispunkten innerhalb von Stunden. Im Agentenmodell bilden Sie das ab, indem Sie die Anleihe-Bewertungen der Halter-Agenten abrupt ändern. Sofort beginnen diese Agenten, die Position zu verkaufen oder sie nur noch mit hohem Abschlag als Sicherheit zu akzeptieren. Ihr eigenes Treasury sieht im Modell, wie sich der Refinanzierungsspread für Ihr Haus in Minuten verschiebt, weil die Sicherheitenqualität im System abnimmt. Sie können gegensteuern, bevor der Margining-Call kommt.
Szenario 2: Multi-Währungsspiegel mit Zinswende und Repo-Squeeze. Eine klassische Herausforderung für exportorientierte Mittelständler mit EUR/USD/CHF-Mix. Im Agentenmodell simulieren Sie einen synchronen Zinsschritt der Fed und SNB, während die EZB stillhält. Die Währungsswaps zwischen den Agenten verteuern sich schlagartig. Gleichzeitig verknappt ein Repo-Squeeze die USD-Liquidität. Die Agenten, die CHF als hochwertige Sicherheit halten, können sich billiger refinanzieren als Agenten mit EUR-Beständen. Das Modell zeigt Ihnen die genaue Kostenverteilung pro Währung und Laufzeitband. Sie erkennen, dass Ihr CHF-Bestand in Stressphasen ein strategischer Liquiditätspuffer ist – und wann es günstiger ist, direkt über den Devisen-Swap-Markt zu gehen.
Szenario 3: Strukturelle vs. taktische Liquiditätspuffer unter NSFR. Die NSFR verlangt eine stabile Refinanzierung über ein Jahr. Aber was ist stabil in einem Agentensystem? Genau das lernen die Agenten: Einige konzentrieren sich auf Retail-Einlagen, die im Modell als träge modelliert sind. Andere versuchen, mit taktischen Commercial-Paper-Programmen kurzfristig günstige Refinanzierung zu ergattern. Die Simulation zeigt, dass taktische Agenten in Normalzeiten niedrigere Kosten haben, aber bei einem Vertrauensschock innerhalb von drei Tagen illiquide werden. Strukturelle Agenten überleben, zahlen aber dauerhaft einen Aufschlag von 45 Basispunkten. Aus Sicht des Treasuries ist das die perfekte Entscheidungsgrundlage: nicht ein einziger optimaler Puffer, sondern eine Agentenpopulation, die verschiedene Strategien unter Marktbedingungen testet.
In allen drei Fällen gilt: Das Agentenmodell ersetzt nicht den Menschen. Es liefert eine Karte der möglichen Spread-Dynamiken. Der Treasurer entscheidet, welche Route er fährt.
Implementierung: Was Treasury-Abteilungen heute umsetzen können
Viele Treasury-Leiter schrecken vor agentenbasierter Modellierung zurück, weil sie einen hohen IT-Aufwand befürchten. Dabei ist der Einstieg mit Open-Source-Frameworks überraschend niederschwellig. Zwei Python-Bibliotheken sind gesetzt: Mesa, das eine komfortable Umgebung für Multi-Agenten-Simulationen bietet, und RLlib, wenn Sie verstärkendes Lernen für die Agentenentscheidungen einsetzen wollen. Wer keine eigene Entwicklung aufsetzen will, findet spezialisierte Dienstleister, die diese Frameworks auf Treasury-Daten konfigurieren.
Die eigentliche Arbeit steckt in der Datenbasis. Sie brauchen drei Kategorien: Erstens historische Transaktionsdaten aus Ihrem eigenen Haus – Einlagenbewegungen, Kreditzusagen, Interbank-Geschäfte, Repo-Volumina der letzten fünf Jahre. Zweitens Marktdaten: Geldmarktsätze (EMMI), Benchmark-Bond-Spreads, Credit Default Swaps Ihrer eigenen und vergleichbarer Adressen. Drittens regulatorische Parameter: die LCR- und NSFR-Anforderungen, Meldeschwellen, Aufsichtsquoten. Letztere sind öffentlich, müssen aber als Regeln in den Regulierer-Agenten einprogrammiert werden.
Ein häufiges Muster in der Praxis: Ein Asset-Manager mit zwei Milliarden Euro verwaltetem Vermögen modelliert seine Geldmarkt-Fonds als Agenten. Die historischen Rückgabemuster der Anleger werden als Abhebungs-Wahrscheinlichkeiten hinterlegt. Die Spreads für kurzfristige Papiere bezieht er über Bloomberg-Schnittstellen. Der Regulierer-Agent prüft die Geldmarktfonds-Verordnung. Die Simulation läuft auf einem handelsüblichen Server mit 32 Kernen und liefert nach acht Stunden eine vollständige Verteilungsmatrix. Externe IT-Kosten: einmalig 15.000 Euro für Setup und Parametrisierung. Gemessen an den Risikosummen, um die es geht, ein marginaler Betrag.
Und dann ist da die Compliance-Frage. Die Agenten müssen erklärbar bleiben. Das ist kein technisches Problem, sondern ein Design-Prinzip. Jeder Agent loggt seine Entscheidungen mit Input-Variablen und Regelauslösern. Ein SHAP-basiertes Explainability-Modul kann nachvollziehen, welche Faktoren die Spread-Entscheidungen eines Agenten am stärksten beeinflusst haben. Für die Prüfung durch Wirtschaftsprüfer und Aufsicht ist das essenziell. Black-Box-Deep-Learning, das einen Spread aus 300 versteckten Neuronen-Schichten ausspuckt, ist im Treasury-Bereich eine Totgeburt. Die Agentenlogik dagegen bleibt auditierbar – genau das verlangen DORA und die MaRisk.
Fazit: Vom Black-Box-ALM zum erklärbaren Multi-Agent-Treasury
Agentenbasierte Modellierung verändert die Rolle des Treasuries fundamental. Bisher war ALM eine Abteilung, die auf Basis historischer Korrelationen Risikokennzahlen meldete und hoffte, dass die Realität sich an die Modelle hält. Die Realität hielt sich nie daran. Mit Multi-Agent-Systemen verwandelt sich das Treasury in ein strategisches Steuerungszentrum, das aktiv Szenarien durchspielt, Schwachstellen identifiziert und frühzeitig Gegenmaßnahmen testet.
Die Vorteile sind dreifach: Erstens Dynamik. Wo das klassische Modell eine Zahl ausgibt – „Ihre Liquiditätskosten steigen um 1,2 Millionen EUR" – liefert das Agentensystem eine Bandbreite mit Wahrscheinlichkeiten und Treibern. Zweitens Regulierungskonformität. CRR III wird mit lernfähigen, aber regelbasierten Agenten direkt abbildbar. Die Aufsicht kann die Logik nachvollziehen und für plausibel erklären. Drittens Nachvollziehbarkeit. Weil Sie auf Agentenebene fragen können: „Warum ist Spread X gestiegen?", bleibt das System beherrschbar.
Der Ausblick ist klar: In drei bis fünf Jahren wird agentenbasierte Simulation im Treasury Standard sein. Nicht als Ersatz für den Menschen, sondern als Instrument, das Komplexität beherrschbar macht. Wer heute beginnt, einen Prototypen für ein Spread-Risiko-Szenario aufzubauen, sichert sich nicht nur regulatorische Vorteile. Er transformiert das Treasury vom passiven Meldewesen zum aktiven Risikomanager. Und angesichts der Spread-Volatilität, die wir in den letzten Jahren gesehen haben, ist das keine Option mehr. Es ist ein Wettbewerbsvorteil.