Sensitivitätsanalyse
Was ist Sensitivitätsanalyse?
Eine Sensitivitätsanalyse bestimmt, wie sich unterschiedliche Werte einer unabhängigen Variablen unter einem bestimmten Satz von Annahmen auf eine bestimmte abhängige Variable auswirken. Anders ausgedrückt untersuchen Sensitivitätsanalysen, wie verschiedene Unsicherheitsquellen in einem mathematischen Modell zur Gesamtunsicherheit des Modells beitragen. Diese Technik wird innerhalb bestimmter Grenzen verwendet, die von einer oder mehreren Eingabevariablen abhängen.
Sensitivitätsanalysen werden in der Geschäftswelt und im Bereich der Wirtschaftswissenschaften verwendet. Sie wird häufig von Finanzanalysten und Ökonomen verwendet und wird auch als Was-wäre-wenn-Analyse bezeichnet.
Die zentralen Thesen
- Eine Sensitivitätsanalyse bestimmt, wie sich unterschiedliche Werte einer unabhängigen Variablen unter einem bestimmten Satz von Annahmen auf eine bestimmte abhängige Variable auswirken.
- Dieses Modell wird auch als Was-wäre-wenn- oder Simulationsanalyse bezeichnet.
- Die Sensitivitätsanalyse kann verwendet werden, um Vorhersagen über die Aktienkurse börsennotierter Unternehmen oder den Einfluss von Zinssätzen auf die Anleihekurse zu treffen.
- Die Sensitivitätsanalyse ermöglicht Prognosen anhand historischer, echter Daten.
So funktioniert die Sensitivitätsanalyse
Die Sensitivitätsanalyse ist ein Finanzmodell, das bestimmt, wie Zielvariablen auf der Grundlage von Änderungen anderer Variablen, die als Eingabevariablen bezeichnet werden, beeinflusst werden. Dieses Modell wird auch als Was-wäre-wenn- oder Simulationsanalyse bezeichnet. Es ist eine Möglichkeit, das Ergebnis einer Entscheidung bei einem bestimmten Bereich von Variablen vorherzusagen. Durch das Erstellen eines bestimmten Satzes von Variablen kann ein Analyst bestimmen, wie sich Änderungen in einer Variablen auf das Ergebnis auswirken.
Sowohl die Ziel- als auch die Input- oder unabhängige und abhängige Variablen werden vollständig analysiert, wenn die Sensitivitätsanalyse durchgeführt wird. Die Person, die die Analyse durchführt, untersucht, wie sich die Variablen bewegen und wie das Ziel durch die Eingabevariable beeinflusst wird.
Sensitivitätsanalysen können verwendet werden, um Vorhersagen über die Aktienkurse von Aktiengesellschaften zu treffen. Zu den Variablen, die sich auf die Aktienkurse auswirken, gehören die Unternehmensgewinne, die Anzahl der ausstehenden Aktien, das Verhältnis von Verschuldung zu Eigenkapital (D/E) und die Anzahl der Wettbewerber in der Branche. Die Analyse kann über zukünftige Aktienkurse verfeinert werden, indem unterschiedliche Annahmen getroffen oder unterschiedliche Variablen hinzugefügt werden. Dieses Modell kann auch verwendet werden, um die Auswirkungen von Zinsänderungen auf die Anleihekurse zu bestimmen. In diesem Fall sind die Zinssätze die unabhängige Variable, während die Anleihekurse die abhängige Variable sind.
Anleger können auch Sensitivitätsanalysen verwenden, um die Auswirkungen verschiedener Variablen auf ihre Anlagerenditen zu bestimmen.
Die Sensitivitätsanalyse ermöglicht Prognosen anhand historischer, echter Daten. Durch die Untersuchung aller Variablen und der möglichen Ergebnisse können wichtige Entscheidungen über Unternehmen, Wirtschaft und Investitionen getroffen werden.
Beispiel einer Sensitivitätsanalyse
Angenommen, Sue ist ein Vertriebsmanager, der die Auswirkungen des Kundenverkehrs auf den Gesamtumsatz verstehen möchte. Sie stellt fest, dass Verkäufe eine Funktion des Preises und des Transaktionsvolumens sind. Der Preis eines Widgets beträgt 1.000 US-Dollar, und Sue verkaufte letztes Jahr 100 für einen Gesamtumsatz von 100.000 US-Dollar. Sue stellt außerdem fest, dass ein Anstieg des Kundenverkehrs um 10 % das Transaktionsvolumen um 5 % erhöht. Dies ermöglicht es ihr, ein Finanzmodell und eine Sensitivitätsanalyse um diese Gleichung basierend auf Was-wäre-wenn-Aussagen zu erstellen. Es kann ihr sagen, was mit dem Verkauf passiert, wenn der Kundenverkehr um 10 %, 50 % oder 100 % steigt. Basierend auf heute 100 Transaktionen entspricht eine Zunahme des Kundenverkehrs um 10%, 50% oder 100% einer Zunahme der Transaktionen um 5%, 25% bzw. 50%. Die Sensitivitätsanalyse zeigt, dass der Vertrieb sehr sensibel auf Veränderungen des Kundenverkehrs reagiert.
Sensitivität vs. Szenarioanalyse
Im Finanzwesen wird eine Sensitivitätsanalyse erstellt, um die Auswirkungen einer Reihe von Variablen auf ein bestimmtes Ergebnis zu verstehen. Es ist wichtig zu beachten, dass eine Sensitivitätsanalyse nicht mit einer Szenarioanalyse gleichzusetzen ist. Nehmen wir als Beispiel an, ein Aktienanalyst möchte eine Sensitivitätsanalyse und eine Szenarioanalyse bezüglich der Auswirkungen des Gewinns pro Aktie (EPS) auf die relative Bewertung eines Unternehmens durchführen, indem er das Kurs-Gewinn-Verhältnis (KGV) verwendet.
Die Sensitivitätsanalyse basiert auf den Variablen, die die Bewertung beeinflussen und die ein Finanzmodell anhand des Preises und des EPS der Variablen darstellen kann. Die Sensitivitätsanalyse isoliert diese Variablen und zeichnet dann den Bereich möglicher Ergebnisse auf. Andererseits bestimmt der Analyst für eine Szenarioanalyse ein bestimmtes Szenario wie einen Börsencrash oder eine Änderung der Branchenregulierung. Anschließend ändert er die Variablen innerhalb des Modells, um sie an dieses Szenario anzupassen. Zusammengenommen hat der Analyst ein umfassendes Bild. Er kennt jetzt die gesamte Bandbreite der Ergebnisse unter allen Extremen und hat ein Verständnis dafür, wie die Ergebnisse bei einer bestimmten Reihe von Variablen aussehen würden, die durch reale Szenarien definiert werden.
Vorteile und Grenzen der Sensitivitätsanalyse
Die Durchführung einer Sensitivitätsanalyse bietet Entscheidungsträgern eine Reihe von Vorteilen. Erstens dient es als eingehende Untersuchung aller Variablen. Da es detaillierter ist, können die Vorhersagen weitaus zuverlässiger sein. Zweitens ermöglicht es Entscheidungsträgern zu erkennen, wo sie in Zukunft Verbesserungen vornehmen können. Schließlich ermöglicht es die Fähigkeit, fundierte Entscheidungen über Unternehmen, die Wirtschaft oder deren Investitionen zu treffen.
Die Verwendung eines solchen Modells hat jedoch einige Nachteile. Die Ergebnisse basieren alle auf Annahmen, da die Variablen alle auf historischen Daten basieren. Dies bedeutet, dass sie nicht genau ist, sodass bei der Anwendung der Analyse auf zukünftige Vorhersagen möglicherweise Fehler auftreten können.