Analytische Methoden und die Black-Scholes Modelle

Größe: px
Ab Seite anzeigen:

Download "Analytische Methoden und die Black-Scholes Modelle"

Transkript

1 Analytische Methoden und die Black-Scholes Modelle Diplomverteidigung Universität Rostock Institut für Mathematik

2 Agenda 1 Das Ornstein-Uhlenbeck Volatilitätsmodell 2 in L 2 (R 2 ) 3 4

3 Problem Das Ornstein-Uhlenbeck Volatilitätsmodell Problem Stochastisches Volatilitätsmodell äquivalentes Cauchy-Anfangswertproblem Wir wollen den Preis eines europäischen Derivats bestimmen. Dabei sind Derivate Finanztitel, die ihren Wert aus anderen Finanztiteln (Underlyings) ableiten. Ein spezielles Derivat ist das folgende:

4 Europäische Call-Option Definition Problem Stochastisches Volatilitätsmodell äquivalentes Cauchy-Anfangswertproblem Eine europäische Call-Option ist ein Vertrag, der dem Käufer das Recht gibt, jedoch nicht die Pflicht, eine Einheit eines zugrundeliegenden Assets zu einem vorher vereinbarten Ausführungspreis K zum Ausführungszeitpunkt T zu kaufen.

5 Europäische Call-Option Auszahlungsfunktion Problem Stochastisches Volatilitätsmodell äquivalentes Cauchy-Anfangswertproblem Bezeichnet S T den Preis des zugrundeliegenden Assets zum Ausführungszeitpunkt T, dann ist der Wert einer europäischen Call-Option zum Ausführungszeitpunkt T, seine sogenannte Auszahlung g, gegeben durch { g(s T ) = (S T K) + S T K für S T > K, = 0 für S T K.

6 Problem Stochastisches Volatilitätsmodell äquivalentes Cauchy-Anfangswertproblem Allgemeines stochastisches Volatilitätsmodell Definition Ein stochastisches Volatilitätsmodell besteht aus zwei Assets, deren Entwicklungen wie folgt beschrieben werden können ds 0 (t) = rs 0 (t)dt ds 1 (t) = µs 1 (t)dt + σ t S 1 (t)dw (t) mit µ R, r [0, ), σ t c > 0 für alle t [0, T ] und {W (t)} t [0,T ] eine (Standard-)Brownsche Bewegung. Dabei wird {σ t } t [0,T ] als der Volatilitäts-Prozess bezeichnet.

7 OU-Volatilitätsmodell Definition Problem Stochastisches Volatilitätsmodell äquivalentes Cauchy-Anfangswertproblem Das Ornstein-Uhlenbeck Volatilitätsmodell besteht aus zwei Assets, deren Entwicklungen wie folgt beschrieben werden können ds 0 (t) = rs 0 (t)dt ds 1 (t) = µs 1 (t)dt + S 1 (t)f(y t )dw (t) ( dy (t) = α(m Y (t))dt + β ρ(t) dw (t) + ) 1 ρ(t) 2 dz(t) mit Konstanten m R, β > 0 und α 0, sowie f( ) : R (f, f + ), 0 < f < f + < ρ( ) : [0, T ] ( ρ 0, ρ 0 ), 0 < ρ 0 < 1.

8 Problem Stochastisches Volatilitätsmodell äquivalentes Cauchy-Anfangswertproblem OU-Volatilitätsmodell Beispiel: f( ) = exp( ), α = 155, β = 15.58, γ = 2.36, ρ = 0.2, µ = und m = für den Zeitbereich [0, 1 8 ] ( 3 2 Monate)

9 Problem Stochastisches Volatilitätsmodell äquivalentes Cauchy-Anfangswertproblem äquivalentes Cauchy-Anfangswertproblem Sei die Preisfunktion p durch gegeben. Weiter sei u durch p(s t, Y t, t) = E ( e r(t t) g(s T ) F t ) u(x 1, x 2, t) = e rt p ( e x 1 rt, m + e αt (x 2 m), T t ) definiert. Dann erfüllt u das Cauchy-(Anfangswert-)Problem u(x, t) t L SV M (x, t, D x )u(x, t) = 0 (x, t) R 2 (0, T ] u(x, 0) = g(x) x R 2,

10 Problem Stochastisches Volatilitätsmodell äquivalentes Cauchy-Anfangswertproblem äquivalentes Cauchy-Anfangswertproblem Differentialoperator L SV M (x, t, D x) L SV M (x, t, D x ) def = 2 2 a ij (x, t) + x i x j i,j=1 2 i=1 b i (x, t) x i + c(x, t) ( ) a(x 1, x 2, T t) = 1 f 2 (x 2, t) β(t) f(x2, t)ρ(t) 2 β(t) f(x 2, t)ρ(t) β2 (t) ( 1 f ) 2 2 (x 2, t) b(x 1, x 2, T t) = β(t) ( ρ(t) (µ r) f(x + γ(x 2,t) 1, x 2, t) ) 1 ρ 2 (t) c(x 1, x 2, T t) = 0

11 Existenz und Eindeutigkeit des Cauchy-Anfangswertproblems Existenz und Eindeutigkeit Seien der Differentialoperator L Cauchy (x, t, D x ) gleichmäßig elliptisch, die Koeffizientenfunktionen von L Cauchy (x, t, D x ) Lebesgue-messbar und beschränkt und die Anfangsdaten u 0 L 2 (R 2 ). Dann existiert eine eindeutige schwache Lösung u L 2 (0, T ; H 1 (R 2 )) des Cauchy-Anfangswertproblems t u(x, t) + L Cauchy(x, t, D x )u(x, t) = 0 (x, t) R 2 (0, T ] u(x, 0) = u 0 x R 2 (AWP)

12 Analytizität Gebietsdefinition Annahmen Analytizität Damit wir die Analytizität beweisen können, benötigen wir das komplexe Gebiet O C 2 C mit O def = X (r0) T 0,T ϑ 0 C 2 C = { z = x + iy : x R 2, y R 2 }, y < r 0 X (r 0) def T 0,T ϑ 0 def = { t = re iθ C : r > 0, θ ( ϑ 0, ϑ 0 ), Im(t) < T 0 tan(ϑ 0 ), 0 < Re(t) < T }

13 Analytizität Annahmen Annahmen Analytizität L Cauchy (x, t, D x ) = 2 i,j=1 x j ( a ij (x, t) ) + x i 2 i=1 b i (x, t) x i +c(x, t) (AN1) (i) a ij, b i, c C 1 (O) L (O) A(O) (i, j = 1, 2). (ii) a ij C 3 (O) Cunif 0 (O) (i, j = 1, 2). (iii) b i, c C 2 (O) (i = 1, 2). (AN2) Der Differentialoperator L Cauchy (x, t, D x ) ist gleichmäßig elliptisch. (AN3) Die Anfangsbedingung u 0 liegt in L 2 (R 2 ).

14 Analytizität Vorgehensweise 1/5 Annahmen Analytizität Analytizität bezüglich der Zeit Die Analytizität bezüglich der Zeit lässt sich mit Hilfe der Halbgruppentheorie und der konstruierten Fundamentallösung beweisen: Erst wird die Analytizität unter abstrakten Voraussetzungen gezeigt und diese Voraussetzungen werden dann auf den Differentialoperator L Cauchy (x, t, D x ) übertragen

15 Analytizität Vorgehensweise 2/5 Annahmen Analytizität Eine a-priori-abschätzung Zuerst beweist man eine a-priori-abschätzung in L 2 (R 2 ) für die holomorphe Fortsetzung der Lösung von (AWP) auf das komplexe parabolische Gebiet Γ (T 0) T (κ 0, ν 0 ) O C 2 C. Das heißt, man schätzt die Lösung u in dem Gebiet Γ (T 0) T (κ 0, ν 0 ) durch die L 2 (R 2 )-Norm der Anfangsdaten ab.

16 Analytizität Vorgehensweise 3/5 Annahmen Analytizität Satz: Anfangsdaten aus H 2 (X (r 0) ) Seien die Annahmen (AN1)-(AN2) erfüllt und u 0 H 2 (X (r 0) ). Dann hat das Cauchy-Problem (AWP) eine eindeutige klassische Lösung u : O C. Diese ist holomorph in O und besitzt eine stetige Fortsetzung auf X (r 0) [0, T ] mit u(, 0) = u 0 in X (r 0). Weiterhin erfüllt u die a-priori-abschätzung.

17 Analytizität Vorgehensweise 4/5 Annahmen Analytizität Satz: Approximationsresultat Die Einschränkung von H 2 (X (r 0) ) auf R 2 ist ein dichter Unterraum des Lebesgue-Raumes L 2 (R 2 ).

18 Analytizität Vorgehensweise 5/5 Annahmen Analytizität Satz: Analytizität Seien die Annahmen (AN1)-(AN3) erfüllt. Dann besitzt das Cauchyproblem (AWP) eine eindeutige schwache Lösung u C([0, T ]; L 2 (R 2 )). Diese Lösung kann eindeutig zu einer holomorphen Funktion auf dem Gebiet Γ (T 0) T (κ 0, ν 0 ) fortgesetzt werden. (Wobei die Zahlen κ 0, ν 0 (0, ) gerade so gewählt sind, dass Γ (T 0) T (κ 0, ν 0 ) O.)

19 Analytizität Beweisidee Annahmen Analytizität Es wird eine Folge {u n,0 } n N H 2 (X (r) ) gebildet, die gegen die Anfangsdaten u 0 L 2 (R 2 ) konvergiert. Dann wird gezeigt, dass für jedes dieser Folgeglieder eine eindeutige Lösung u n von (AWP) existiert und zudem die a-priori-abschätzung gilt. Man kann zeigen, dass die Folge der zugehörigen Lösungen {u n } n N sogar eine Cauchy-Folge in L 2 (R 2 ) ist, woraus dann durch Grenzwertbetrachtung die Behauptung folgt.

20 Finite-Differenzen Generelle Gliederung Generell kann zwischen 2 Arten der numerischen Simulation unterschieden werden: 1 Lösung des Cauchy-Anfangswertproblems 2 stochastische Simulation

21 Finite-Differenzen Vorgehensweise Finite-Differenzen Das Gebiet, auf dem die Differentialgleichung gelöst werden soll, wird mit einem Gitter überzogen und nur an den Knotenpunkten betrachtet. Dabei werden die in der Differentialgleichung auftretenden Differentialoperatoren durch Differentialquotienten ersetzt.

22 Lösungsansätze Annahme von Neumann-Randbedingungen Finite-Differenzen Idee Annahme von Neumann-Randbedingung Berücksichtigung der Tatsache, dass sich das asymptotische Verhalten der Lösung für große Werte dem der Anfangsbedingung (Auszahlungsfunktion) anpasst

23 Finite-Differenzen Finite-Differenzen mit Neumann-RB europäische Call-Option mit Auszahlungsfkt. g(x 1) = (x 1 450) +

24 Finite-Differenzen Finite-Differenzen mit Neumann-RB europäische Option mit Auszahlungsfkt. g(x 1) = (x 1 445) + (x 1 455) +

25 Vorgehensweise Finite-Differenzen 1 Simulation der Pfade des Aktienkurses (bezüglich des äquivalenten Martingalmaßes) mittels Pseudozufallszahlen 2 Berechnung des simulierten Optionspreises 3 m-fache Wiederholung und anschließende Mittelwertbildung

26 Realisierungen des OU-Modells Finite-Differenzen

27 berechneter Optionspreis über 500 Realisierungen Finite-Differenzen

28 berechneter Optionspreis über Realisierungen Finite-Differenzen

29 berechneter Optionspreis über Realisierungen Finite-Differenzen

30 berechneter Optionspreis über Realisierungen Finite-Differenzen

31 Eigenschaften Finite-Differenzen Vorteile 1 sehr schnell 2 sehr robust 3 sehr einfache Implementierung 4 keine Randbedingungen notwendig Nachteil keine Funktion als Lösung, sondern nur ein Wert

32 Finite-Differenzen Vielen Dank für Ihre Aufmerksamkeit.

Optionsbewertung. Christof Heuer und Fabian Lenz. 2. Februar 2009

Optionsbewertung. Christof Heuer und Fabian Lenz. 2. Februar 2009 nach Black-Scholes mit sprüngen 2. Februar 2009 nach Black-Scholes mit sprüngen Inhaltsverzeichnis 1 Einleitung Optionsarten Modellannahmen 2 Aktienmodell Beispiele für e ohne Sprung 3 nach Black-Scholes

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Analytische Methoden und die Black-Scholes Modelle

Analytische Methoden und die Black-Scholes Modelle Analytische Methoden und die Black-Scholes Modelle Forschungskolloquium Partielle DGL Universität Rostock Institut für Mathematik 3.12.2010 Agenda 1 Grundlagen der Finanzmathematik 2 3 in L 2 (R 2 ) 4

Mehr

Das Black-Scholes Marktmodell

Das Black-Scholes Marktmodell Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt

Mehr

Kevin Caldwell. 18.April 2012

Kevin Caldwell. 18.April 2012 im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig

Mehr

Die Black-Scholes-Gleichung

Die Black-Scholes-Gleichung Die Black-Scholes-Gleichung Franziska Merk 22.06.2012 Outline Optionen 1 Optionen 2 3 Optionen Eine Kaufoption ist ein Recht, eine Aktie zu einem heute (t=0) festgelegten Preis E an einem zukünftigen Zeitpunkt

Mehr

18 Höhere Ableitungen und Taylorformel

18 Höhere Ableitungen und Taylorformel 8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a

Mehr

Bewertung von Forwards, Futures und Optionen

Bewertung von Forwards, Futures und Optionen Bewertung von Forwards, Futures und Optionen Olaf Leidinger 24. Juni 2009 Olaf Leidinger Futures und Optionen 2 24. Juni 2009 1 / 19 Überblick 1 Kurze Wiederholung Anleihen, Terminkontrakte 2 Ein einfaches

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt

Mehr

Stabilität mittels Ljapunov Funktion

Stabilität mittels Ljapunov Funktion Stabilität mittels Ljapunov Funktion Definition Eine C 1 Funktion V : D R, D R, heißt eine Ljapunov Funktion auf K r (0) D für f(y), falls gilt: 1) V(0) = 0, V(y) > 0 für y 0 2) V,f(y) 0 ( y, y r) Gilt

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

ε δ Definition der Stetigkeit.

ε δ Definition der Stetigkeit. ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

Mehr

Extremwertverteilungen

Extremwertverteilungen Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Amerikanischen Optionen

Amerikanischen Optionen Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.

Mehr

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Walter Sanddorf-Köhle Foliensatz Nr. 3 1 / 46 Ein Einperiodenmodell Beispiel 5 Betrachtet wird nun ein Wertpapiermarkt mit

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx

Mehr

Lösungsvorschlag zu den Hausaufgaben der 8. Übung

Lösungsvorschlag zu den Hausaufgaben der 8. Übung FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 17 Crash Course Brownsche Bewegung (stetige Zeit, stetiger Zustandsraum); Pricing & Hedging von Optionen in stetiger Zeit Literatur Kapitel 17 * Uszczapowski:

Mehr

Wortproblem für kontextfreie Grammatiken

Wortproblem für kontextfreie Grammatiken Wortproblem für kontextfreie Grammatiken G kontextfreie Grammatik. w Σ w L(G)? Wortproblem ist primitiv rekursiv entscheidbar. (schlechte obere Schranke!) Kellerautomat der L(G) akzeptiert Ist dieser effizient?

Mehr

Bewertung von Barrier Optionen mit der Finite-Differenzen-Methode

Bewertung von Barrier Optionen mit der Finite-Differenzen-Methode Bewertung von Barrier Optionen mit der Finite-Differenzen-Methode Diplomarbeit vorgelegt von Ming Liao Universität Bielefeld Fakultät für Wirtschaftswissenschaften 9. Juni 2011 Themensteller: Prof. Dr.

Mehr

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. 2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es

Mehr

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/ Finanzmathematik - Wintersemester 2007/08 http://code.google.com/p/mitgetexed/ Stand: 4. November 2007 Inhaltsverzeichnis 1 Motivation und erste Begriffe 2 2 Endliche Finanzmärkte 4 3 Das Cox-Ross-Rubinstein-Modell

Mehr

3.2 Black-Scholes Analyse

3.2 Black-Scholes Analyse 3.. BLACK-SCHOLES ANALYSE 39 3. Black-Scholes Analyse Allgemeine Vorüberlegungen Eine Aktie ist eine Anlage ähnlich einem Kredit. Der Anleger bekommt eine Verzinsung, da Kapital ein Arbeitsfaktor ist.

Mehr

Modulabschlussklausur Analysis II

Modulabschlussklausur Analysis II Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

Numerische Optionsbepreisung durch Monte-Carlo-Simulation und Vergleich mit dem Black-Scholes-Modell

Numerische Optionsbepreisung durch Monte-Carlo-Simulation und Vergleich mit dem Black-Scholes-Modell Numerische Optionsbepreisung durch Monte-Carlo-Simulation und Vergleich mit dem Black-Scholes-Modell Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Rekursionen (Teschl/Teschl 8.1-8.2)

Rekursionen (Teschl/Teschl 8.1-8.2) Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied

Mehr

Übungen zur Vorlesung Funktionentheorie Sommersemester Lösungshinweise zum Klausurvorbereitungsblatt. (z) i f. 2xe (x2 +y 2) i2ye (x2 +y 2 ) 2

Übungen zur Vorlesung Funktionentheorie Sommersemester Lösungshinweise zum Klausurvorbereitungsblatt. (z) i f. 2xe (x2 +y 2) i2ye (x2 +y 2 ) 2 UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6. MATHEMATIK Prof. Dr. Roland Speicher M.Sc. Tobias Mai Übungen zur Vorlesung Funktionentheorie Sommersemester 0 Lösungshinweise zum Klausurvorbereitungsblatt (3

Mehr

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Francesca Biagini Mathematisches Institut, LMU biagini@math.lmu.de Münchner Wissenschaftstage im Jahr der Mathematik 21. Oktober 28

Mehr

Mathematische Ökologie

Mathematische Ökologie Mathematische Ökologie Eine Zusammenfassung von Bernhard Kabelka zur Vorlesung von Prof. Länger im WS 2002/03 Version 1.04, 15. März 2004 Es sei ausdrücklich betont, dass (1) dieses Essay ohne das Wissen

Mehr

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

3. Grundlagen der Linearen Programmierung

3. Grundlagen der Linearen Programmierung 3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

Nichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Aktien, Optionen (und Credit Default Swaps)

Aktien, Optionen (und Credit Default Swaps) Aktien, Optionen (und s) Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. Februar 2009 1 / 7 Gliederung 1 Was ist Finanzmathematik Denkweise im Umgang mit Finanzprodukten

Mehr

NP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)

NP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP

Mehr

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Induktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010

Induktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010 Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist. Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen

Mehr

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013 Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen

Mehr

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?

Mehr

Theoretische Grundlagen des Software Engineering

Theoretische Grundlagen des Software Engineering Theoretische Grundlagen des Software Engineering 11: Abstrakte Reduktionssysteme schulz@eprover.org Reduktionssysteme Definition: Reduktionssystem Ein Reduktionssystem ist ein Tupel (A, ) Dabei gilt: A

Mehr

Projekt Finanzmathematik: Derivative und strukturierte Finanzprodukte

Projekt Finanzmathematik: Derivative und strukturierte Finanzprodukte : Derivative und strukturierte Finanzprodukte Institut für Finanzmathematik Johannes Kepler Universität Linz 10. Jänner 2008 Wesentliche Fragen Was sind Derivate? Was sind strukturierte Finanzprodukte

Mehr

Solvency II und die Standardformel

Solvency II und die Standardformel Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs

Mehr

Periodische Fahrpläne und Kreise in Graphen

Periodische Fahrpläne und Kreise in Graphen Periodische Fahrpläne und Kreise in Graphen Vorlesung Algorithmentechnik WS 2009/10 Dorothea Wagner Karlsruher Institut für Technologie Eisenbahnoptimierungsprozess 1 Anforderungserhebung Netzwerkentwurf

Mehr

Ü b u n g s b l a t t 11

Ü b u n g s b l a t t 11 Mathe für Physiker I Wintersemester 0/04 Walter Oevel 8. 1. 004 Ü b u n g s b l a t t 11 Abgabe von Aufgaben am 15.1.004 in der Übung. Aufgabe 91*: (Differentialgleichungen, Separation. 10 Bonuspunkte

Mehr

Mathematik für Physiker III/Analysis III

Mathematik für Physiker III/Analysis III Mathematik für Physiker III/Analysis III Ausarbeitung einer Vorlesung vom Wintersemester 26/7 Joachim Weidmann Fachbereich Informatik und Mathematik der Universität Frankfurt Stand 9. Februar 27 2 Teil

Mehr

H. Gruber, R. Neumann. Erfolg im Mathe-Abi. Basiswissen Rheinland-Pfalz. Übungsbuch für den Grund- und Leistungskurs mit Tipps und Lösungen

H. Gruber, R. Neumann. Erfolg im Mathe-Abi. Basiswissen Rheinland-Pfalz. Übungsbuch für den Grund- und Leistungskurs mit Tipps und Lösungen H. Gruber, R. Neumann Erfolg im Mathe-Abi Basiswissen Rheinland-Pfalz Übungsbuch für den Grund- und Leistungskurs mit Tipps und Lösungen Vorwort Vorwort Erfolg von Anfang an Dieses Übungsbuch ist auf die

Mehr

Computational Finance

Computational Finance Computational Finance : Simulationsbasierte Optionsbewertung Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude

Mehr

Grundlagen der Monte Carlo Simulation

Grundlagen der Monte Carlo Simulation Grundlagen der Monte Carlo Simulation 10. Dezember 2003 Peter Hofmann Inhaltsverzeichnis 1 Monte Carlo Simulation.................... 2 1.1 Problemstellung.................... 2 1.2 Lösung durch Monte

Mehr

Topologische Räume und stetige Abbildungen Teil 2

Topologische Räume und stetige Abbildungen Teil 2 TU Dortmund Mathematik Fakultät Proseminar zur Linearen Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Teil 2 Anna Kwasniok Dozent: Prof. Dr. L. Schwachhöfer Vorstellung des

Mehr

Mathematischer Vorbereitungskurs für Ökonomen

Mathematischer Vorbereitungskurs für Ökonomen Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen

Mehr

Numerische Ableitung

Numerische Ableitung Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen

Mehr

III Stochastische Analysis und Finanzmathematik

III Stochastische Analysis und Finanzmathematik III Stochastische Analysis und Finanzmathematik Ziel dieses Kapitels ist es, eine Einführung in die stochastischen Grundlagen von Finanzmärkten zu geben. Es werden zunächst Modelle in diskreter Zeit behandelt,

Mehr

Lenstras Algorithmus für Faktorisierung

Lenstras Algorithmus für Faktorisierung Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit

Mehr

FUNKTIONENTHEORIE - ZUSÄTZLICHE LERNMATERIALIEN

FUNKTIONENTHEORIE - ZUSÄTZLICHE LERNMATERIALIEN FUNKTIONENTHEORIE - ZUSÄTZLICHE LERNMATERIALIEN JOSEF TEICHMANN 1. Ein motivierendes Beispiel aus der Anwendung Das SABR-Modell spielt in der Modellierung von stochastischer Volatilität eine herausragende

Mehr

Dierentialgleichungen 2. Ordnung

Dierentialgleichungen 2. Ordnung Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:

Mehr

Kernfach Mathematik Thema: Analysis

Kernfach Mathematik Thema: Analysis Kernfach Mathemati Bahnlinie Bei A-Stadt endet eine Bahnlinie. In nebenstehender Zeichnung ist ein Koordinatenreuz so gelegt worden, dass A mit dem Ursprung zusammenfällt. Die Bahnlinie verläuft entlang

Mehr

Stackelberg Scheduling Strategien

Stackelberg Scheduling Strategien Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:

Mehr

Geometrische Mannigfaltigkeiten

Geometrische Mannigfaltigkeiten Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie

Mehr

DIFFERENTIALGLEICHUNGEN

DIFFERENTIALGLEICHUNGEN DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung

Mehr

Quantitative Research in der Praxis. Hans Bühler GLOBAL QUANTITATIVE RESEARCH Berlin, 3. Juli 2002

Quantitative Research in der Praxis. Hans Bühler GLOBAL QUANTITATIVE RESEARCH Berlin, 3. Juli 2002 Quantitative Research in der Praxis Hans Bühler GLOBAL QUANTITATIVE RESEARCH Berlin, 3. Juli 2002 Quantitative Research in der Praxis Vorstellung der Gruppe Aufgaben und Interaktion innerhalb von Global

Mehr

M.Sc. Brice Hakwa. Zufallsprozesse und stochastische Integration. Chap 6: Monte-Carlo-Simulation

M.Sc. Brice Hakwa. Zufallsprozesse und stochastische Integration. Chap 6: Monte-Carlo-Simulation M.Sc. Brice Hakwa Zufallsprozesse und stochastische Integration Chap 6: Monte-Carlo-Simulation Motivation 1. In vielen Problemstellungen der Finanzmathematik und des Risikomanagements ist die Dynamik der

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS) Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,

Mehr

Algorithmische Methoden zur Netzwerkanalyse Vorlesung 14, 08.02.2012 Henning Meyerhenke

Algorithmische Methoden zur Netzwerkanalyse Vorlesung 14, 08.02.2012 Henning Meyerhenke Algorithmische Methoden zur Netzwerkanalyse Vorlesung 14, 08.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum

Mehr

Gewöhnliche Dierentialgleichungen

Gewöhnliche Dierentialgleichungen Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat

Mehr

Fotios Filis. Monte-Carlo-Simulation

Fotios Filis. Monte-Carlo-Simulation Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse

Mehr

Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten

Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten Andreas Fröhlich, Thomas Selhorst, Christoph Staubach FLI-Wusterhausen DVG Tagung Graz, September 2008 Institut für Epidemiologie Gliederung

Mehr

7 Rechnen mit Polynomen

7 Rechnen mit Polynomen 7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn

Mehr

Klausur Analysis II (SS 2005)

Klausur Analysis II (SS 2005) Klausur Analysis II (SS 5) Prof. Dr. J. Franke Abschlußklausur vom. Juli 5 Name, Vorname: Matrikelnummer: Gruppe, Tutor: Pseudonym: ir wünschen Ihnen viel Erfolg! Mit 5 Punkten oder mehr von 5 ist die

Mehr

Optionen, Futures und andere Derivate

Optionen, Futures und andere Derivate John C. Hull Optionen, Futures und andere Derivate Das Übungsbuch 8., aktualisierte Auflage Fachliche Betreuung der deutschen Übersetzung durch Dr. Wolfgang Mader und Dr. Marc Wagner Higher Education München

Mehr

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Walter Sanddorf-Köhle Foliensatz Nr. 8 1 / 40 Erweiterungen des Binomialmodells Dividendenzahlungen Sei S der Wert einer Aktie

Mehr

Abiturvorbereitung Mathematik -Dierentialrechnungc Max. Hoffmann

Abiturvorbereitung Mathematik -Dierentialrechnungc Max. Hoffmann Abiturvorbereitung Mathematik -Dierentialrechnungc Max Hoffmann 1 Ganzrationale Funktionen Im Folgenden wollen wir uns mit ganzrationale Funktionen und der Untersuchung solcher beschäftigen. Dabei werden

Mehr

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort: Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung

Mehr

Portfoliooptimierung unter Restriktionen

Portfoliooptimierung unter Restriktionen Portfoliooptimierung unter Restriktionen Dirk Stöppel Matrikelnummer 357269 Datum: 25.9.214 Westfälische Wilhelms-Universität Münster Fachbereich Mathematik/Informatik Institut für Mathematische Statistik

Mehr

Derivatebewertung im Binomialmodell

Derivatebewertung im Binomialmodell Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und

Mehr

www.mathe-aufgaben.com

www.mathe-aufgaben.com Abiturprüfung Mathematik 008 Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe 1: ( VP) x Gegeben ist die Funktion f mit f(x). x Bilden Sie die Ableitung von f und fassen Sie diese so weit wie

Mehr

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

Mehr

Bewertung von europäischen und amerikanischen Optionen

Bewertung von europäischen und amerikanischen Optionen Bewertung von europäischen und amerikanischen en 1. Vortrag - Einführung Technische Universität Berlin Institut für Mathematik 8. November 2007 Inhaltsverzeichnis 1 Definitionen amerikanische / europäische

Mehr

Betreuer: Lars Grüne. Dornbirn, 12. März 2015

Betreuer: Lars Grüne. Dornbirn, 12. März 2015 Betreuer: Lars Grüne Universität Bayreuth Dornbirn, 12. März 2015 Motivation Hedging im diskretisierten Black-Scholes-Modell: Portfolio (solid), Bank (dashed) 110 120 130 140 150 160 170 Portfolio (solid),

Mehr

Wenn der Druck aus der reibungsfreien Außenströmung aufgeprägt wird, dann gilt wegen der Bernoulli-Gleichung

Wenn der Druck aus der reibungsfreien Außenströmung aufgeprägt wird, dann gilt wegen der Bernoulli-Gleichung Wenn der Druck aus der reibungsfreien Außenströmung aufgeprägt wird, dann gilt wegen der Bernoulli-Gleichung ρ p ( x) + Uδ ( x) = const Damit kann die Druckänderung in Strömungsrichtung auch durch die

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr