Immobilien Risiko Simulation per Monte Carlo: Stochastische Zins- und Leerstandspfade mit dem Vasicek-Modell

Die meisten Wirtschaftlichkeitsberechnungen im Immobilienbereich kranken an einer grundlegenden Annahme: Sie unterstellen eine deterministische Welt. Ein typisches Excel-Modell kalkuliert über 10, 20 oder 30 Jahre mit einer konstanten jährlichen Mietsteigerung von 2,0 %, einer statischen Leerstandsquote von 3,0 % und einer festen Zinsbindung, nach deren Ablauf der Zinssatz im Anschlussdarlehen willkürlich geschätzt wird. Die Realität ist jedoch stochastisch – geprägt von Zinszyklen, unerwarteten Mieterfluktionen und volkswirtschaftlichen Schocks. Wer Risiken ignorieren will, plant statisch; wer Kapital schützen und Renditen maximieren will, nutzt Monte-Carlo-Simulationen. Dieser Beitrag führt in die Mathematik der stochastischen Pfadgenerierung ein und zeigt, wie Sie Zins- und Leerstandsstrukturen wissenschaftlich bewerten.

1.Das Problem der deterministischen Planung (Das Flaw of Averages)

In der Statistik beschreibt das Phänomen „Flaw of Averages“ (der Fehler des Durchschnitts) den Umstand, dass Pläne, die auf Durchschnittswerten basieren, im Durchschnitt scheitern. Wenn ein Portfoliomanager mit einer durchschnittlichen Leerstandsquote von 3,0 % rechnet, vernachlässigt er das Risiko, dass der Leerstand in zwei aufeinanderfolgenden Jahren auf 15 % steigen könnte (z.B. durch den Auszug eines Ankermieters im Gewerbebereich).

Ein solcher temporärer Liquiditätsengpass kann die Zinsdeckungsquote (Debt Service Coverage Ratio - DSCR) unter den kritischen Schwellenwert von 1,10 bis 1,20 drücken. Die Folge ist eine Verletzung der Kreditklauseln (Covenants) mit der finanzierenden Bank, was zur sofortigen Kündigung des Kredits führen kann. Die statische Durchschnittsrendite nützt nichts, wenn die Immobilie auf dem Weg dorthin in die Insolvenz rutscht.

Die Lösung ist eine Monte-Carlo-Simulation. Anstatt einen einzigen Pfad zu berechnen, berechnet das System 10.000 oder mehr parallel verlaufende Pfade. Für jeden Pfad werden die Zinsen, Leerstände und Betriebsaufwendungen stochastisch ausgewürfelt. Das Resultat ist keine einzelne Renditezahl, sondern eine Häufigkeitsverteilung aller denkbaren Renditen und die exakte Ermittlung des Kreditausfallrisikos.

2.Das Vasicek-Modell: Mathematische Abbildung von Zins- und Leerstandszyklen

Für die stochastische Modellierung unsicherer Marktparameter reicht eine rein zufällige Schwankung (wie der klassische Random Walk der Aktienkurse) nicht aus. Zinssätze und Leerstandsquoten zeigen in der Praxis ein wichtiges Verhalten: Sie explodieren oder implodieren nicht langfristig ins Unendliche, sondern pendeln um einen langfristigen ökonomischen Gleichgewichtswert. Dieses Phänomen nennt man Mean Reversion (Mittelwertrückkehr).

Das Vasicek-Modell (ursprünglich zur Modellierung von kurzfristigen Zinssätzen entwickelt) bildet dieses Verhalten perfekt ab. Es ist definiert durch folgende stochastische Differentialgleichung (SDE):

Wobei die einzelnen Variablen folgende Bedeutung haben:

• X_t: Der Wert der stochastischen Variablen zum Zeitpunkt $t$ (z.B. der Zinssatz oder die Leerstandsquote).
• b: Der langfristige Mittelwert (Long-term Mean). Dies ist der Gleichgewichtswert, zu dem die Variable historisch tendiert (z.B. ein langfristiger Zins von 3,5 % oder eine strukturelle Leerstandsquote von 4,0 %).
• a: Die Rückkehrgeschwindigkeit (Speed of Mean Reversion). Sie bestimmt, wie schnell und stark die Variable bei einer Abweichung wieder in Richtung des Mittelwerts $b$ gezogen wird.
• σ (Volatilität): Die Schwankungsintensität. Je höher $\sigma$, desto stärkere unvorhersehbare Sprünge macht die Variable auf ihrem Pfad.
• dW_t: Das Inkrement eines Standard-Wiener-Prozesses (Brownsche Bewegung). Es repräsentiert den stochastischen Rauschanteil, der durch ein normalverteiltes Zufallsrauschen angetrieben wird.

Wenn der aktuelle Wert $X_t$ über dem langfristigen Mittelwert $b$ liegt, wird der Term $(b - X_t)$ negativ. Der Driftterm $a(b - X_t)dt$ zieht den Wert nach unten. Liegt $X_t$ unter $b$, ist der Term positiv, und der Prozess driftet nach oben. Das stochastische Rauschen $\sigma dW_t$ überlagert diesen Trend kontinuierlich mit unvorhersehbaren Schwankungen.

3.Numerische Berechnung: Das Euler-Maruyama-Verfahren

Um das kontinuierliche Vasicek-Modell in einem Computerprogramm (wie dem Scenario Simulator von PropAI Analyst) ausführen zu können, muss die Differentialgleichung diskretisiert werden. Wir teilen den Zeithorizont in diskrete Zeitschritte $\Delta t$ (z.B. Monate: $\Delta t = 1/12$ oder Jahre: $\Delta t = 1$) auf.

Das Standardverfahren hierfür ist das Euler-Maruyama-Verfahren. Die Differenzengleichung lautet:

Hierbei ist Z_teine Zufallsvariable, die bei jedem Zeitschritt unabhängig aus einer Standardnormalverteilung gezogen wird ($Z_t \sim \mathcal{N}(0, 1)$).

Beispielrechnung für einen Simulationsschritt (Jahr 1 auf Jahr 2):
Wir simulieren das Zinsänderungsrisiko für ein Anschlussdarlehen in 10 Jahren. Die Parameter seien:

• Aktueller Zinssatz (X_t): 4,0 % (0,04)
• Langfristiger Mittelwert (b): 3,0 % (0,03)
• Rückkehrgeschwindigkeit (a): 0,3
• Volatilität (σ): 1,5 % (0,015)
• Zeitschritt (Δt): 1 (Jahr)
• Zufallszahl (Z_t): Die stochastische Engine würfelt den Wert +0,84 aus (überdurchschnittlich hoher Zinsanstieg in diesem Szenario).

Wir berechnen den neuen Zinssatz X_t+1:

Trotz der langfristigen Tendenz nach unten zu driften (da 4 % über dem Mittelwert von 3 % liegt), führt das positive Zufallsereignis zu einem Nettoanstieg des Zinses auf 4,96 % im folgenden Jahr. Der Simulator wiederholt diese Rechnung für 30 Jahre in die Zukunft – und das 10.000 Mal parallel.

4.Der Scenario Simulator von PropAI Analyst

Die Umsetzung solcher stochastischen Pfadberechnungen ist komplex und erfordert performante Algorithmen. Der integrierte scenario-simulator von PropAI Analyst nimmt dem Nutzer diese mathematische Arbeit vollständig ab.

Auf der Detailseite jeder Immobilie im Dashboard können Sie den Simulator aktivieren. Er verfügt über vordefinierte, makroökonomisch validierte Presets für Deutschland, Österreich und die Schweiz (z.B. angepasst an die historischen Zinskorridore der EZB bzw. der Schweizerischen Nationalbank SNB).

Dank dieser stochastischen Analyse sehen Sie sofort, ob eine Immobilie auch in Krisenzeiten stabil bleibt oder ob Sie eine längere Zinsbindung vereinbaren müssen, um das Zinsänderungsrisiko abzufedern.

5.Wie Investoren stochastische Erkenntnisse nutzen

Sobald Sie die stochastische Verteilung Ihrer Renditen kennen, können Sie strategische Entscheidungen datenbasiert treffen:

1. Zinsbindungsfrist optimieren:Vergleichen Sie eine 10-jährige mit einer 15- oder 20-jährigen Zinsbindung. Der Simulator zeigt Ihnen exakt, um wie viel Prozentpunkte sich die Wahrscheinlichkeit eines Kreditausfalls (DSCR < 1,0) im 11. Jahr verringert, wenn Sie die Zinsbindung verlängern.
2. Mietrisiken einpreisen: Bei Objekten mit wenigen Gewerbemietern simuliert das System den Ausfall einzelner Mieter. Sie sehen sofort, wie viel Liquiditätsreserve Sie auf dem Instandhaltungskonto halten müssen.
3. Argumente für Verhandlungen: Zeigt das Worst-Case-Szenario ein hohes Risiko auf, können Sie dies im Interactive Negotiation Panel als fundiertes Argument nutzen, um den Kaufpreis zu drücken.