Im Allgemeinen herrscht Einigkeit darüber, dass das Risikomanagement eine essentielle Komponente in jeder größeren geschäftlichen Entscheidungsfindung darstellt. Trotzdem ist es vielen Entscheidern nicht zwingend bekannt, wie das Risikomanagement in ein Entscheidungsfindungs-Framework integriert werden soll. Genau dabei bietet die stochastische Optimierung einen entscheidenden Mehrwert.

Ein Schlüsselmerkmal, das die stochastische Optimierung von anderen Methoden, wie z.B. der Simulation und der Erwartungswert-Szenarioanalyse, unterscheidet, ist ihre Fähigkeit das Risiko aus vielen komplexen Marktunsicherheiten direkt in den Optimierungsprozess zu integrieren, um daraus eine eindeutige Handelsempfehlung abzugeben, welche über die Zeit adaptiert werden kann.

Betrachte man beispielsweise die Entscheidung, ob ein Gas-und-Dampf-Kraftwerk (GuD-Anlage) an einem bestimmten Tag in der Zukunft hochgefahren werden soll. Da der reale Peak-Strompreis bis zu seinem Auftreten unbekannt ist, muss die Entscheidung im Voraus mit unvollkommener Information getroffen werden. Die Handelsempfehlung aus der stochastischen Optimierung berücksichtigt nicht nur die Wahrscheinlichkeiten von Preisszenarien, sondern auch die Anpassungsfähigkeit von Strategien, wenn der Markt sich nicht wie erwartet entwickelt hat, wie z.B. dass die GuD-Anlage herunter gefahren werden kann. Gewissermaßen ist die Handelsempfehlung so gestrickt, dass es bei gleichzeitiger Betrachtung einer Vielzahl von Szenarien optimal ist und somit beim Realisieren von einzelnen Szenarien auch gut funktioniert.

Erweitert man dieses Konzept auf das gesamte Portfolio, dann werden tägliche Entscheidungen getroffen, die flexibel und gegen Risiken abgesichert sind. Der Manager ist somit in der Lage, Beschränkungen für verschiedene Risikomaße vorzugeben, um somit die Einsatzstrategie konservativ bis hin zu spekulativ zu gestalten.

Andere Methoden bieten nicht diesen Vorteil. Beispielsweise ist die Erwartungswert-Szenarioanalyse ihrer Natur nach deterministisch. Es ersetzt Unsicherheiten mit ihren Erwartungswerten. Somit kann es eine Empfehlung abgeben, eine Option mit dem höchsten Erwartungswert zu kaufen, was offensichtlich keine gute Risikomanagement-Strategie ist.

Adaptiver Entscheidungsprozess

Stochastische Optimierung impliziert, dass zukünftige Entscheidungen hinsichtlich der zukünftigen Auswirkungen von unsicheren Einflüssen getroffen werden, welche dann mit der eindeutigen Entscheidungsfindung für hier und jetzt verknüpft werden. Dieser adaptive Entscheidungsprozess korrigiert die heutige Entscheidung mit Hinblick auf die Realisierung vieler Unsicherheiten in der Zukunft.

Der Gewinn/Verlust entlang eines bestimmten Szenariopfades errechnet sich offensichtlich nicht nur über die Entwicklung der Preise, der Nachfrage oder der Entwicklung einer Ressource entlang dieses Pfades, sondern auch welche Entscheidungen hinsichtlich dieser Entwicklungen getroffen worden sind. Die stochastische Optimierung verbessert damit das Risikomanagement, indem sie den adaptiven Entscheidungsprozess in die Gewinn- und Verlustrechnung integriert. Die Profitverteilungsfunktion ergibt sich somit mit einer signifikant höheren Genauigkeit, wodurch verlässlichere Value-at-Risk-Zahlen abgeleitet werden können als bei einer Monte-Carlo-Simulation.

Bewertung strategischer Entscheidungen

Der beschriebene Ansatz in Richtung Risikomanagement erlaubt akkuratere Profitverteilungsfunktionen und VaR-Werte, da optimale zukünftige Entscheidungen in vielen verschiedenen Szenarien berücksichtigt werden.

Damit ist die stochastische Optimierung insbesondere für strategische Entscheidungsfindungen sehr angemessen. Verschiedene Unternehmensstrategien, wie z.B. die Erhöhung des Forward-Handelsvolumens oder die Anwendung unterschiedlicher Wartungspläne, können im mathematischen Modell abgebildet werden. Die Optimierung ergibt dann verschiedene Profitverteilungsfunktionen, die einfach für die Identifizierung der besten Unternehmensstrategie herangezogen werden können.