Was ist Sensitivitätsanalyse?
Eine Sensitivitätsanalyse bestimmt, wie unterschiedliche Werte einer unabhängigen Variablen eine bestimmte abhängige Variable unter einem gegebenen Satz von Annahmen beeinflussen. Mit anderen Worten, Sensitivitätsanalysen untersuchen, wie verschiedene Unsicherheitsquellen in einem mathematischen Modell zur Gesamtunsicherheit des Modells beitragen. Diese Technik wird innerhalb bestimmter Grenzen angewendet, die von einer oder mehreren Eingabevariablen abhängen.
Die Sensitivitätsanalyse wird in der Geschäftswelt und im Bereich der Wirtschaft eingesetzt. Es wird häufig von Finanzanalysten und Ökonomen verwendet und wird auch als Was-wäre-wenn-Analyse bezeichnet.
Die zentralen Thesen
- Bei einer Sensitivitätsanalyse wird ermittelt, wie sich unterschiedliche Werte einer unabhängigen Variablen unter bestimmten Annahmen auf eine bestimmte abhängige Variable auswirken. Dieses Modell wird auch als Was-wäre-wenn- oder Simulationsanalyse bezeichnet. Mithilfe der Sensitivitätsanalyse können Vorhersagen für die Aktie getroffen werden Preise von börsennotierten Unternehmen oder wie sich die Zinssätze auf die Anleihekurse auswirken. Die Sensitivitätsanalyse ermöglicht Prognosen anhand historischer, wahrer Daten.
So funktioniert die Empfindlichkeitsanalyse
Die Sensitivitätsanalyse ist ein Finanzmodell, das anhand von Änderungen anderer Variablen, die als Eingabevariablen bezeichnet werden, ermittelt, wie Zielvariablen beeinflusst werden. Dieses Modell wird auch als Was-wäre-wenn- oder Simulationsanalyse bezeichnet. Dies ist eine Möglichkeit, das Ergebnis einer Entscheidung in einem bestimmten Bereich von Variablen vorherzusagen. Durch das Erstellen eines bestimmten Variablensatzes kann ein Analyst bestimmen, wie sich Änderungen an einer Variablen auf das Ergebnis auswirken.
Sowohl die Ziel- als auch die Eingabevariablen oder die unabhängigen und abhängigen Variablen werden vollständig analysiert, wenn eine Sensitivitätsanalyse durchgeführt wird. Die Person, die die Analyse durchführt, untersucht, wie sich die Variablen bewegen und wie sich die Eingabevariable auf das Ziel auswirkt.
Mithilfe von Sensitivitätsanalysen können Vorhersagen über die Aktienkurse von börsennotierten Unternehmen getroffen werden. Zu den Variablen, die sich auf die Aktienkurse auswirken, gehören das Unternehmensergebnis, die Anzahl der ausgegebenen Aktien, das Verhältnis von Schulden zu Eigenkapital (D / E) und die Anzahl der Wettbewerber in der Branche. Die Analyse kann über zukünftige Aktienkurse verfeinert werden, indem verschiedene Annahmen getroffen oder verschiedene 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 mithilfe von Sensitivitätsanalysen auch die Auswirkungen verschiedener Variablen auf ihre Anlagerenditen bestimmen.
Die Sensitivitätsanalyse ermöglicht die Vorhersage anhand historischer, wahrer Daten. Durch die Untersuchung aller Variablen und der möglichen Ergebnisse können wichtige Entscheidungen über Unternehmen, Wirtschaft und Investitionen getroffen werden.
Sensitivitätsanalyse
Beispiel für eine Sensitivitätsanalyse
Angenommen, Sue ist eine Vertriebsleiterin, die die Auswirkungen des Kundenverkehrs auf den Gesamtumsatz verstehen möchte. Sie bestimmt, dass Verkäufe eine Funktion des Preises und des Transaktionsvolumens sind. Der Preis für ein Widget liegt bei 1.000 USD, und Sue hat im vergangenen Jahr 100 USD bei einem Gesamtumsatz von 100.000 USD verkauft. Sue stellt außerdem fest, dass ein Anstieg des Kundenverkehrs um 10% das Transaktionsvolumen um 5% erhöht. Auf diese Weise kann sie ein Finanzmodell und eine Sensitivitätsanalyse basierend auf Was-wäre-wenn-Aussagen aufbauen. Es kann ihr sagen, was mit Verkäufen passiert, wenn der Kundenverkehr um 10%, 50% oder 100% steigt. Basierend auf 100 Transaktionen heute entspricht eine Zunahme des Kundenverkehrs um 10%, 50% oder 100% einer Zunahme der Transaktionen um 5%, 25% bzw. 50%. Die Sensitivitätsanalyse zeigt, dass Verkäufe sehr empfindlich auf Änderungen des Kundenverkehrs reagieren.
Sensitivität vs. Szenario-Analyse
Im Finanzbereich 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 identisch ist. Angenommen, ein Aktienanalyst möchte eine Sensitivitätsanalyse und eine Szenarioanalyse zum Einfluss des Ergebnisses je Aktie (EPS) auf die relative Bewertung eines Unternehmens durchführen, indem er das Kurs-Gewinn-Verhältnis (KGV) verwendet.
Die Sensitivitätsanalyse basiert auf den bewertungsrelevanten Variablen, die ein Finanzmodell anhand des Preises und des EPS der Variablen abbilden kann. Die Sensitivitätsanalyse isoliert diese Variablen und zeichnet dann den Bereich möglicher Ergebnisse auf. Auf der anderen Seite bestimmt der Analyst für eine Szenarioanalyse ein bestimmtes Szenario wie einen Börsencrash oder eine Änderung der Branchenregulierung. Anschließend ändert er die Variablen im Modell, um sie an dieses Szenario anzupassen. Zusammenfassend hat der Analyst ein umfassendes Bild. Er kennt jetzt die gesamte Bandbreite der Ergebnisse unter Berücksichtigung aller Extreme und hat ein Verständnis für die Ergebnisse unter Berücksichtigung einer Reihe von Variablen, die in realen Szenarien definiert sind.
Vorteile und Grenzen der Sensitivitätsanalyse
Die Durchführung von Sensitivitätsanalysen bietet Entscheidungsträgern eine Reihe von Vorteilen. Erstens dient es als eingehende Studie aller Variablen. Da die Voraussagen ausführlicher sind, sind sie möglicherweise weitaus zuverlässiger. Zweitens können Entscheidungsträger erkennen, wo sie in Zukunft Verbesserungen vornehmen können. Schließlich können fundierte Entscheidungen über Unternehmen, die Wirtschaft oder deren Investitionen getroffen werden.
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 die Analyse nicht genau ist und daher möglicherweise Fehler enthält, wenn die Analyse auf zukünftige Vorhersagen angewendet wird.
