Traditionelle Finanzinstitute nehmen Einlagen von Kunden entgegen und verwenden sie zur Vergabe von Krediten. Aber sie verleihen viel mehr als das, was sie zu einem bestimmten Zeitpunkt auf Lager haben – ein Konzept, das als Fractional Banking bekannt ist. Einerseits wird die Differenz zwischen den Zinsen für die Kredite und den an die Einleger gezahlten Zinsen als Nettozinsmarge bezeichnet und bestimmt die Rentabilität einer Bank. Andererseits wird die Differenz zwischen Aktiva und Passiva als Eigenkapital bezeichnet und bestimmt die Widerstandsfähigkeit der Bank gegenüber externen Schocks.
Vor dem letzten Ansturm auf die Bank galt die SVB nicht nur als profitables Bankinstitut, sondern auch als sicheres, da ihr Vermögenswerte in Höhe von 212 Milliarden US-Dollar gegenüber rund 200 Milliarden US-Dollar an Verbindlichkeiten standen. Das bedeutet, dass sie über ein Polster von 12 Milliarden US-Dollar an Eigenkapital oder 5,6 % des Vermögens verfügten. Das ist nicht schlecht, obwohl es etwa die Hälfte des Bankendurchschnitts von 11,4 % ausmacht.
Das Problem besteht darin, dass die jüngsten Maßnahmen der US-Notenbank den Wert der langfristigen Schulden verringert haben, denen die SVB durch ihre hypothekenbesicherten Wertpapiere (rund 82 Milliarden US-Dollar) stark ausgesetzt war. Als die SVB ihren Aktionären im Dezember mitteilte, dass sie 15 Milliarden US-Dollar an nicht realisierten Verlusten hatte, was das Eigenkapitalpolster der Bank zunichte machte, warf dies viele Fragen auf.
Verwandt: USDC depegged, aber es geht nicht in den Default
Am 8. März gab die SVB bekannt, dass sie liquide Mittel in Höhe von 21 Milliarden Dollar mit Verlust verkauft hatte, und erklärte, dass sie Geld aufbringen würde, um den Verlust auszugleichen. Aber dass es angekündigt hatte, mehr Geld aufzubringen – und sogar erwog, die Bank zu verkaufen – beunruhigte die Anleger erheblich, was zu versuchten Abhebungen von der Bank in Höhe von rund 42 Milliarden US-Dollar führte. Natürlich hatte die SVB nicht genügend Liquidität, und die Eidgenössische Einlagensicherungsanstalt übernahm am 17. März.
Die Macro-Finance-Literatur hat viel über diese Situationen zu sagen, aber eine gute Zusammenfassung ist es nicht erwarten hochgradig nichtlineare Dynamik – das heißt, kleine Änderungen der Inputs (das Verhältnis von Eigenkapital zu Vermögenswerten) können erhebliche Änderungen des Outputs (Liquidität) bewirken. Bank Runs können in Rezessionen anfälliger sein und große Auswirkungen auf die gesamtwirtschaftliche Aktivität haben.
Streben nach strukturellen Lösungen
Sicherlich ist die SVB nicht die einzige Bank, die stärker und riskanteren makroökonomischen Bedingungen wie Zinssätzen und Verbrauchernachfrage ausgesetzt ist, aber es war nur die Spitze des Eisbergs, die in der vergangenen Woche in die Schlagzeilen geriet. Und wir haben das schon einmal gesehen – zuletzt während der Finanzkrise 2007–2008 mit dem Zusammenbruch von Washington Mutual. Die Folgen führten zu einem Anstieg der Finanzregulierung, hauptsächlich im Dodd-Frank-Gesetz, das die Befugnisse der Federal Reserve zur Regulierung von Finanzaktivitäten erweiterte und neue Verbraucherschutzrichtlinien genehmigte, einschließlich der Einführung des Consumer Financial Protection Bureau.
Bemerkenswert ist, dass das DFA auch die „Volcker-Regel“ erlassen hat, die Banken vom Eigenhandel und anderen spekulativen Anlagen abhält und Banken weitgehend daran hindert, als Investmentbanken zu fungieren, die ihre eigenen Einlagen für den Handel mit Aktien, Anleihen, Währungen usw. verwenden.
JUST IN: Die SEC leitet eine Untersuchung der Silicon Valley Bank ein $SIVB Aktienverkäufe von Führungskräften, die Tage vor dem Zusammenbruch getätigt wurden.
— Watcher.Guru (@WatcherGuru) 14. März 2023
Der Aufstieg der Finanzregulierung führte zu einer starken Veränderung der Nachfrage nach Arbeitskräften in den Bereichen Wissenschaft, Technologie, Ingenieurwesen und Mathematik (STEM), oder kurz „Quants“. Finanzdienstleistungen reagieren besonders empfindlich auf regulatorische Änderungen, wobei ein Großteil der Last auf die Arbeitnehmer fällt, da sich die Regulierung auf ihre zinsunabhängigen Ausgaben auswirkt. Banken erkannten, dass sie die Compliance-Kosten senken und die betriebliche Effizienz steigern konnten, indem sie die Automatisierung verstärkten.
Und genau das ist passiert: Der Anteil der MINT-Arbeiter ist zwischen 2011 und 2017 im Finanzdienstleistungsbereich um 30 % gestiegen, und ein Großteil davon wurde auf die zunehmende Regulierung zurückgeführt. Kleine und mittelständische Banken (KMU) hatten jedoch eine schwierigere Zeit, mit diesen Vorschriften fertig zu werden – zumindest teilweise aufgrund der Kosten für die Einstellung und den Aufbau ausgeklügelter dynamischer Modelle zur Prognose makroökonomischer Bedingungen und Bilanzen.
Der aktuelle Stand der Technik in der makroökonomischen Prognose steckt in den ökonometrischen Modellen von 1990 fest, die höchst ungenau sind. Während Prognosen oft in letzter Minute angepasst werden, um genauer zu erscheinen, gibt es in Wirklichkeit kein einheitliches Arbeitstiermodell oder einen Ansatz zur Vorhersage zukünftiger wirtschaftlicher Bedingungen, abgesehen von einigen aufregenden und experimentellen Ansätzen beispielsweise der Atlanta Federal Reserve mit ihren GDPNow-Tool.
Verwandt: Der Gesetzgeber sollte den Kriegskonsigliere der SEC mit der Gesetzgebung überprüfen
Aber selbst diese „Nowcasting“-Tools beinhalten keine großen Mengen disaggregierter Daten, was die Prognosen für KMUs, die in bestimmten Anlageklassen oder Regionen engagiert sind, weniger aussagekräftig macht und weniger an der nationalen Wirtschaftslage an sich interessiert ist.
Wir müssen weg von Prognosen als „Check-the-Box“-Maßnahmen zur Einhaltung gesetzlicher Vorschriften hin zu einem ernst genommenen strategischen Entscheidungsinstrument. Wenn die Nowcasts nicht zuverlässig funktionieren, hören Sie entweder auf, sie zu produzieren, oder finden Sie einen Weg, sie nützlich zu machen. Die Welt ist sehr dynamisch, und wir müssen alle uns zur Verfügung stehenden Werkzeuge nutzen, von disaggregierten Daten bis hin zu ausgeklügelten Werkzeugen für maschinelles Lernen, um uns dabei zu helfen, die Zeiten zu verstehen, in denen wir uns befinden, damit wir uns umsichtig verhalten und potenzielle Krisen vermeiden können.
Hätte eine bessere Modellierung die Silicon Valley Bank gerettet? Vielleicht nicht, aber eine bessere Modellierung hätte die Transparenz und die Wahrscheinlichkeit erhöht, dass die richtigen Fragen gestellt würden, um die richtigen Vorsichtsmaßnahmen zu veranlassen. Technologie ist ein Werkzeug – kein Ersatz – für eine gute Regierungsführung.
Nach dem Zusammenbruch der Silicon Valley Bank gab es viele Schuldzuweisungen und Aufarbeitungen der Vergangenheit. Noch wichtiger ist, dass wir fragen sollten: Warum kam es zum Bank Run und was können wir daraus lernen?
Christos A. Makridis ist Professor und Unternehmer. Er fungiert als CEO und Gründer von Dainamic, einem Finanztechnologie-Startup, das künstliche Intelligenz zur Verbesserung von Prognosen einsetzt, und fungiert unter anderem als Forschungspartner an der Stanford University und der University of Nicosia. Er hat an der Stanford University in Wirtschafts- und Managementwissenschaften und Ingenieurwissenschaften promoviert.
Dieser Artikel dient allgemeinen Informationszwecken und soll nicht als Rechts- oder Anlageberatung verstanden werden. Die hier geäußerten Ansichten, Gedanken und Meinungen sind allein die des Autors und spiegeln oder repräsentieren nicht unbedingt die Ansichten und Meinungen von Cointelegraph.