Inhalt. Anwendungen der Stochastik in der Bankenaufsicht. Exkurse. 1. Bankenaufsicht in Deutschland
|
|
- Holger Gärtner
- vor 8 Jahren
- Abrufe
Transkript
1 Anwendungen der Stochastik in der Bankenaufsicht Inhalt 1 Bankenaufsicht in Deutschland (Folie 1) 2 Faktormodelle für Kreditrisikoportfolios (Folie 13) Dr. Dirk Tasche Banken und Finanzaufsicht Deutsche Bundesbank tasche@ma.tum.de Tel.: (0 69) Das Basel-II-Modell als Grenzfall (Folie 27) 4 Approximationsgüte im ASRF-Modell (Folie 40) 5 Der Satz von De Finetti (Folie 53) 6 ML-Schätzung mit der Vasicek-Verteilung (Folie 65) 7 Portfolios mit wenigen Ausfällen (Folie 84) 8 Risikomaße (Folie 125) Stand: Prinzipien für die Kapitalallokation (Folie 157) 10 Diskussion alternativer Allokationsverfahren (Folie 177) 11 Kapitalallokation mit dem Basel-II-Modell (Folie 190) Die auf diesen Folien ausgedrückten Ansichten sind die des Autors und spiegeln nicht notwendigerweise die offizielle Auffassung der Deutschen Bundesbank wider. 12 Kapitalallokation mit CreditRisk + (Folie 193) i ii Exkurse 1. Bankenaufsicht in Deutschland Poisson-Approximation für Ausfallereignisse (Folie 212) Aufsicht über Kreditinstitute (= Banken + Sparkassen) Unerwarteter Verlust (Unexpected Loss, UL) (Folie 225) Risikobeiträge und Diversifizierung (Folie 226) Schätzer für die Risikobeiträge (Folie 233) Aufsicht durch BaFin (Bundesanstalt für Finanzdienstleistungsaufsicht, und Deutsche Bundesbank ( Herausgehobene Rolle der Kreditinstitute für die Gesamtwirtschaft Funktionieren des Zahlungsverkehrs Verfügbarkeit von Krediten Verbraucherschutz iii 1
2 1. Bankenaufsicht in Deutschland - Forts. Rechtliche Regelungen in (u.a.) Gesetzen (z. Bsp. KWG (Kreditwesengesetz)) Verordnungen, z. Bsp. Grundsatz I (zur Solvenz, ab 2007 Solvabilitätsverordnung) Grundsatz II (zur Liquidität) Millionen- und Großkreditverordnung Rundschreiben der BaFin, z. Bsp. MaH (Mindestanforderungen an das Handelsgeschäft) MaK (Mindestanforderungen an das Kreditgeschäft) zu 18 KWG (Offenlegung der wirtschaftlichen Verhältnisse von Kreditnehmern) 2 1. Bankenaufsicht in Deutschland - Forts. Liquidität: Kurz- bis mittelfristige Zahlungsfähigkeit bei den alltäglichen Verpflichtungen Ziel der Aufsicht: unbedingte Gewährleistung (ohne Restrisiko) durch Vorhalten liquider Mittel Solvenz: Mittel- bis langfristige Zahlungsfähigkeit bei unerwartet großen Verlusten Ziel der Aufsicht: bedingte Gewährleistung (mit kleinem Restrisiko) durch Vorhalten von Eigenkapital Unbedingte Liquidität mit beschränkten Geldmitteln erreichbar. Unbedingte Solvenz würde 100%-ige Abdeckung der Risiken mit Eigenkapital erfordern und die Kreditvergabe drastisch einschränken Bankenaufsicht in Deutschland - Forts. 1. Bankenaufsicht in Deutschland - Forts. Maßnahmen zur Sicherung der Solvenz: Hinterlegung der Risiken mit Eigenkapital Großkreditgrenzen Millionenkreditmeldungen Sorgfaltspflicht bei Geschäften ( 18 KWG, MaH, MaK) Stochastische Modellierung anwendbar auf Eigenkapitalhinterlegung Großkreditgrenzen Eigenkapital: wieviel Kapital wird bei vorgegebener Grenze des Restrisikos benötigt? Überwachung bisher vor allem durch Meldewesen und Aufsichtsgespräche Großkredite: ab welcher Größe wird ein Kredit kritisch für ein Kreditinstitut? Zunehmend auch durch Vor-Ort-Prüfungen 4 5
3 1. Bankenaufsicht in Deutschland - Forts. 1. Bankenaufsicht in Deutschland - Forts. Eigenkapitalhinterlegung: Gegensatz regulatorisches / ökonomisches Kapital Ökonomisches Kapital: bankintern mit voller Modellierung berechnet Regulatorisches Kapital: gemäß einfachen aufsichtlichen Regeln bestimmt Großkreditgrenzen: Aufsichtlich: Meldepflicht ab 10% des aufsichtlichen Kernkapitals, Genehmigungspflicht ab 25% Bankintern: im allgemeinen einfache Regeln ohne Modellierungsaufwand 6 Regulatorische Kapitalanforderungen heute: Basel Capital Accord (Basel I) von 1988, umgesetzt in Grundsatz I Kapitalhinterlegung für Kredit- und Marktrisiken ( Amendment von 1996) Kreditrisiken: Grundsätzlich Hinterlegung mit 8% des Kreditvolumens (= 100% Risikogewicht) Verringerte Gewichte anwendbar für bestimmte Kreditnehmer (z. Bsp. 0% für OECD-Staaten) Marktrisiken: interne Modelle bei aufsichtlicher Genehmigung anwendbar 7 1. Bankenaufsicht in Deutschland - Forts. 1. Bankenaufsicht in Deutschland - Forts. Basel I: Fortschritt durch internationale Vereinheitlichung der Eigenkapitalanforderungen Basel I: Firmenkredite guter und schlechter Bonität mit identischer Kapitalhinterlegung Höhere Margen für Kredite schlechter Bonität Anreiz zur Vergabe schlechter Kredite, da Eigenkapitalrendite der Kreditinstitute scheinbar höher Gefährdung der Stabilität des Finanzsystems Basel II als Lösung 8 Basel II: Verringerung der Möglichkeiten zu regulatory capital arbitrage als Ziel, dabei möglichst nahe an Basel I bleiben Verhandlungsbeginn 1999, drei öffentliche Konsultationsphasen Vorläufiger Abschluss der Verhandlungen im Juni 2004 ( Midyear Framework ) Basel Committee on Banking Supervision (BCBS) Bank für Internationalen Zahlungsausgleich (BIZ), Basel Zentralbanken und Bankenaufsichtsbehörden der G10-Staaten Beschlüsse sind Empfehlungen zur Umsetzung in nationales Recht 9
4 1. Bankenaufsicht in Deutschland - Forts. Basel II: unterschiedliche Interessen Große, international aktive Banken: Wunsch nach möglichst genauer, realistischer Modellierung der Risiken Kleine, nur regional tätige Banken: möglichst einfache Modellierung der Risiken, um Implementierungskosten zu sparen Unterschiedliche Kreditkulturen : z. Bsp. US: auch kleinere Unternehmen durch Anleihen am Kapitalmarkt finanziert, privater Konsum eng verbunden mit Gebrauch von Kreditkarten z. Bsp. D: kleinere und mittlere Unternehmen finanzieren sich hauptsächlich durch Bankkredite, privater Konsum kaum über Kreditkarten Bankenaufsicht in Deutschland - Forts. Basel II: weitere Randbedingungen Risiko falscher Modellannahmen Schwierigkeiten bei Modellierung und Schätzung stochastischer Abhängigkeiten (wenig im Vergleich zu Marktrisiken Daten zu Kreditverlusten vorhanden) Auch fortgeschrittene Banken sind noch nicht sehr konsequent bei der Anwendung von Kreditrisikomodellen (Gegensatz Umsetzungstand öffentliche Äußerungen) Sprung von kein Risikomanagement zu interne Modelle zu groß für die meisten kleineren Banken Marktbeobachtung : sind die marktüblichen Modelle verlässlich genug? Bankenaufsicht in Deutschland - Forts. Ziel der Vorlesung: Darstellung der Mathematik, die mit dem Kreditrisikoteil von Basel II verbunden ist. Themen: Faktormodelle für Kreditrisikoportfolios Methoden der Kapitalallokation auf Portfolio- und Teilportfolioebene Schätz- und Validierungsmethoden für Basel-relevante Parameter Faktormodelle für Kreditrisikoportfolios Literatur Bluhm, C., Overbeck, L., Wagner, C. (2002) An Introduction to Credit risk Modeling. CRC Press, Boca Raton. McNeil, A., Frey, R. and P. Embrechts (2005) Quantitative Risk Management: concepts, techniques, and tools. University Press, Princeton. Aspekte der Modellierung Zeit: Eine Periode mehrere Perioden / zeitkontinuierlich Bewertung: Buchwerte ( Default mode ) Marktwerte ( Marked-to-Market ) Risikobehaftetes Volumen: Fest zufallsabhängig Abhängigkeiten: Konjunktureinfluss Ansteckung Hier: Buchwertbetrachtung im Ein-Perioden-Modell mit festen Risikovolumina unter Konjunktureinfluss. 13
5 2. Faktormodelle für Kreditrisikoportfolios - Forts. Basismodell: L = A L A. 2. Faktormodelle für Kreditrisikoportfolios - Forts. Sind Kreditausfälle unabhängig? L portfolioweiter Verlust. L A Verlust mit Kreditnehmer A. Summation über alle Kreditnehmer. Individueller Verlust: L A = ν A 1 DA mit Ausfallindikator 1, A fällt aus, 1 DA = 0, A fällt nicht aus. Anzahl der Ausfälle: N = 1 DA. A Ausfallraten in Portfolios vergleichbarer Bonität schwanken über die Jahre stark (Überdispersion). In Rezessionsjahren sind die Raten größer als in Zeiten wirtschaftlichen Aufschwungs. Seltenheit der Ausfallereignisse und Kürze der Zeitreihen erschweren die statistische Untersuchung. Einbeziehung von (konjunkturbedingten) Abhängigkeiten ist Standard in der Kreditportfolio-Modellierung Faktormodelle für Kreditrisikoportfolios - Forts. Faktormodelle Konjunktureinfluss wird durch endlich viele ökonomische Faktoren S = (S 1,..., S r ) abgebildet. Gegeben die Realisierungen der Faktoren sind die Ausfallereignisse unabhängig (bedingte Unabhängigkeit). Zweistufige Simulation: Erst ökonomische Faktoren, dann Ausfallereignisse mit bedingten Ausfallwahrscheinlichkeiten. Formal (A, B Kreditnehmer): P[A und B fallen aus S] = P[D A D B S] = P[D A S] P[D B S] = P[A fällt aus S] P[B fällt aus S]. Trotzdem: P[D A D B ] P[D A ] P[D B ] Faktormodelle für Kreditrisikoportfolios - Forts. Modellierung der bedingten Ausfallwahrscheinlichkeiten Unbedingte Ausfallwahrscheinlichkeit: p A = P[D A ] = E [ P[D A S] ]. Abhängigkeit von Faktoren ausgedrückt durch gewichtete Summe w A r S = w k,a S k. k=1 Häufige Annahme: Faktoren S k standardisiert, d.h. E[S k ] = 0, var[s k ] = 1. Kalibrierung: Bestimmung der Faktorgewichte w k,a. 17
6 2. Faktormodelle für Kreditrisikoportfolios - Forts. 2. Faktormodelle für Kreditrisikoportfolios - Forts. Probit-Ansatz Einsatz bei: CreditMetrics, Moody s / KMV, viele Banken Schwellenwertmodell: ξ A standardisierte Zufallsgröße, c A Ausfallschwelle. Dann beschreibt D A = { w 0,A ξ A + r } w k,a S k c A k=1 das Ereignis A fällt (innerhalb des nächsten Jahres) aus. (18.1) ξ A idiosynkratischer (individueller) Risikofaktor von A. Unabhängig von S und allen anderen ξ B. Interpretation: w 0,A ξ A + r k=1 w k,a S k als Wertveränderung der Aktiva von A. Ein großer Wertverlust löst den Kreditausfall aus. 18 Üblich: Faktorgewichte w A = (w 1,A,..., w k,a ) und w 0,A so, dass 1 = var [ w 0,A ξ A + r k=1 w ] k,a S k r = wk,a w l,a w k,a corr[s l, S k ]. k=0 0<l<k Übliche Annahme: S = (S 1,..., S k ) gemeinsam normalverteilt, ξ A normalverteilt. Folgerung: p A = Φ(c A ), P[D A S] = Φ ( c A w A S w 0,A ), (19.1) mit Φ Verteilungsfunktion der Standardnormalverteilung Faktormodelle für Kreditrisikoportfolios - Forts. Beispiel zum Probit-Ansatz (I) Zwei Faktoren S 1, S 2 Zum Bsp.: S 1 für globale Konjunktur, S 2 für lokale Konjunktur Kreditnehmer A, B mit Ausfallwahrscheinlichkeiten p A = 5% = p B A stark exponiert gegen S 1 : w 1,A = 0.8 A schwach exponiert gegen S 2 : w 2,A = 0.2 B gleich exponiert gegen S 1 und S 2 : w 1,B = 0.5 = w 2,B S 1, S 2 normal-verteilt mit (starker) Korrelation 0.5 Szenario: schlechte globale Konjunktur, S 1 = 2.33 neutrale lokale Konjunktur, S 2 = Faktormodelle für Kreditrisikoportfolios - Forts. Beispiel zum Probit-Ansatz (II) P[A und B fallen aus (S 1, S 2 ) = ( 2.33, 0)] = P[D A (S 1, S 2 ) = ( 2.33, 0)] P[D B (S 1, S 2 ) = ( 2.33, 0)] ( ) ( ) = Φ ( 2.33) Φ ( 2.33) = = P[A und B fallen aus] = P[D A D B ] = P [ 1 var[0.8 S S 2 ] ξ A S S , 1 var[0.5 S S 2 ] ξ B S S ] = Φ 2 ( 1.64, 1.64; 0.75) = > = = P[D A ] P[D B ] 21
7 2. Faktormodelle für Kreditrisikoportfolios - Forts. Was ist eine bedingte Ausfallwahrscheinlichkeit? 2. Faktormodelle für Kreditrisikoportfolios - Forts. Logit-Ansatz Erinnerung: M Ereignis, V Zufallsvektor P[M V ] = arg min { E [ (1 M X) 2] : X σ(v ) messbar } P[M V ] ist also bei Kenntnis von V die im quadratischen Mittel beste Vorhersage von M. Verallgemeinerte Regression: V = (V 1,..., V r ) P[M V ] arg min { E [ (1 M Ψ(a 0 + r k=1 a k V k )) 2] : a 0,..., a r R }. Dabei ist Ψ eine geeignete Link-Funktion. Ψ(x) = Φ(x): Ψ(x) = 1/(1 + e x ): Probit-Regression, Logit-Regression. Einsatz in CreditPortfolioView (McKinsey) Ansatz: P[D A S] = exp ( c A w A S ). w 0,A (1 + e x ) 1 ist die Verteilungsfunktion der logistischen Verteilung. c A Ausfallschwelle, so zu wählen, dass p A = E [( 1 + exp( c A w A S w 0,A ) ) 1 ] Faktormodelle für Kreditrisikoportfolios - Forts. Versicherungsmathematischer Ansatz Einsatz in CreditRisk +, CSFB. Approximation von 1 DA durch eine bedingt Poisson-verteilte Größe, 1 DA I A, P[I A = k S] = (p A (w 0,A + w A S))k exp ( p A (w 0,A + w A k! S)), E[I A S 1,..., S r ] = p A (w 0,A + w A S). V.M. Gundlach und F.B. Lehrbass (Hrsg.) (2004) CreditRisk + in the Banking Industry. Springer Faktormodelle für Kreditrisikoportfolios - Forts. Praktische Berechnung: Verteilung der Ausfallanzahl Gemeinsame unbedingte Ausfallwahrscheinlichkeit der Kreditnehmer A 1,..., A l (Spezialfall S mit Dichte): P[D A1... D Al ] = E [ P[D A1... D Al S] ] (25.1) = l P[D Ai S = (s 1,..., s r )] f(s 1,..., s r ) ds 1... ds r. i=1 f steht für eine gemeinsame Dichte der ökonomischen Faktoren S = (S 1,..., S r ). Unbedingte Wahrscheinlichkeit von genau l Ausfällen: P[N = l] = P[ D Ai D Aj ], (25.2) J I, J =l i I j J\I dabei I = {A 1,..., A I } Menge aller Kreditnehmer, D für fällt nicht aus. 25
8 2. Faktormodelle für Kreditrisikoportfolios - Forts. 3. Das Basel-II-Modell als Grenzfall Formel für die Verlustwahrscheinlichkeit P[L = z] ist ähnlich zu (25.2). Die Summe läuft dann über alle Auswahlen A 1,..., A l von Kreditnehmern, die ν Ai = z erfüllen. Die Auswertung von multi-dimensionalen Integralen wie in (25.1) wird im allgemeinen mit Hilfe von Monte-Carlo-Simulationen durchgeführt. Das Finanzsystem ist durch den Ausfall großer Banken besonders gefährdet. Wegen ihrer besonderen Bedeutung sollen die Basel-II-Risikogewichte möglichst gut auf die Portfolios großer Banken passen. Große Banken haben hoffentlich gut diversifizierte Portfolios. Ohne Simulationen: Ein-Faktor-Modell (Basel II) und Poisson-Modell (CreditRisk + ). Diversifiziert bedeutet hier: nur dem systemischen Risiko ausgesetzt. Tendenz der Bankenaufsicht zu rechnerisch einfachen Modellen, um den Aufwand kleinerer Kreditinstitute gering zu halten. 26 Ziel in diesem Kapitel: Modell einführen, in dem es nur systemisches Risiko gibt Das Basel-II-Modell als Grenzfall - Forts. 3. Das Basel-II-Modell als Grenzfall - Forts. Gordy, M. (2003) A Risk-Factor Model Foundation for Ratings- Based Bank Capital Rules. Journal of Financial Intermediation 12(3), Faktormodell wie auf Folie 14 und in (18.1), d.h. L = L A, A L A = ν A 1 DA, (28.1) D A = { w 0,A ξ A + r k=1 } w k,a S k c A. Probit-Ansatz, d.h. S = (S 1,..., S r ) gemeinsam standard-normalverteilt. Idiosynkratische Risikofaktoren ξ A unabhängig und standard-normalverteilt. Folgerung: P[D A ] = p A = Φ(c A ). ν A steht für den Kreditbetrag bei Kreditnehmer A. u A = ν A B ν ist der relative Anteil von A am Gesamtkreditvolumen B (Gewicht von A im Portfolio). Prozentualer Portfolioverlust: L % = A Normalisierte Verlustverteilung: u A 1 DA = L A ν A. (29.1) l P[L % l], 0 l 1. (29.2) 28 29
9 3. Das Basel-II-Modell als Grenzfall - Forts. Satz 30.1 Für n N seien X 1,n,..., X kn,n beschränkte Zufallsgrößen, so dass gilt: sup X k,n M <. (30.1) n,k A sei eine σ-algebra, so dass, bedingt auf A, (X k,n ) k=1,...,kn für jedes n N eine Familie unabhängiger Zufallsgrößen ist. k n Für jedes n seien Gewichte u 1,n,..., u kn,n [0, 1] mit u k,n = 1 k=1 k n gegeben. Aus lim u 2 n k,n = 0 folgt dann k=1 k n k n u k,n X k,n u k,n E[X k,n A] k=1 k=1 L 2 n 0. (30.2) 3. Das Basel-II-Modell als Grenzfall - Forts. Beweis von Satz 30.1: k n k n var u k,n X k,n u k,n E[X k,n A] k=1 k=1 k n = E var u k,n X k,n A k=1 = k n u 2 k,n E[ var[x k,n A] ] k=1 4 M 2 k n u 2 k,n k=1 n Das Basel-II-Modell als Grenzfall - Forts. Satz 32.1 Für n N seien X 1,n,..., X kn,n beschränkte Zufallsgrößen, so dass (30.1) gilt. A sei eine σ-algebra, so dass, bedingt auf A, (X k,n ) k=1,...,kn für jedes n N eine Familie unabhängiger Zufallsgrößen ist. k n Für jedes n seien Gewichte u 1,n,..., u kn,n [0, 1] mit u k,n = 1 gegeben. Es gebe eine Folge a n, so dass gilt: n Dann folgt k n a n u 2 k,n n=1 k=1 k n k n u k,n X k,n u k,n E[X k,n A] k=1 k=1 k=1 <. (32.1) fast sicher n 0. (32.2) Das Basel-II-Modell als Grenzfall - Forts. Lemma 33.1 Seien ξ, ξ 1, ξ 2,... relle Zufallsgrößen und ɛ 1, ɛ 2,... positive Zahlen, so dass gilt: ɛ n n 0 und P[ ξ n ξ > ɛ n ] <. (33.1) n=1 Dann gilt auch lim n ξ n = ξ fast sicher. (33.2) Beweis: Zu zeigen ist P [ n=1 m=n { ξ m ξ > ɛ} ] = 0 für ɛ > 0 beliebig. Wähle n 0 so groß, dass ɛ n ɛ für n n 0 gilt. Damit ergibt sich für n n 0 P [ { ξ m ξ > ɛ} ] P [ { ξ m ξ > ɛ m } ] P[{ ξ m ξ > ɛ m }] m=n m=n m=n und wegen P [ n=1 m=n { ξ m ξ > ɛ} ] = lim n P [ m=n { ξ m ξ > ɛ} ] die Behauptung. 33
10 3. Das Basel-II-Modell als Grenzfall - Forts. 3. Das Basel-II-Modell als Grenzfall - Forts. Beweis von Satz 32.1: Wähle ɛ n = 1/ a n. Damit ergibt sich wie im Beweis von Satz 30.1 k n k n P u k,n X k,n u k,n E[X k,n A] > ɛ n n=1 k=1 k=1 ɛ 2 k n k n n var u k,n X k,n u k,n E[X k,n A] n=1 k=1 k=1 4 M 2 k n a n u 2 k,n n=1 k=1 <. Die Behauptung folgt nun aus Lemma Beispiel 35.1 Approximation des prozentualen Portfolioverlusts L %, Gl. (29.1). Die Ausfallereignisse D A aus (28.1) sind, gegeben Realisierungen der ökonomischen Faktoren S = (S 1,..., S r ), bedingt unabhängig. Satz 30.1 legt nahe, L % durch L % L % = E[L % S] = A u A P[D A S] (35.1) anzunähern, sofern A A u 2 A = ν2 A ( A ν 2 klein (nahe bei 0?) ist. A) Definition 35.2 Der Herfindahl-Index eines Kreditportfolios wie auf Folie 14 wird berechnet als u 2 A = A νa 2 A ( A ν A ) 2. (35.2) Das Basel-II-Modell als Grenzfall - Forts. 3. Das Basel-II-Modell als Grenzfall - Forts. Satz 36.1 Wertebereich des Herfindahl-Index Seien u 1,..., u k [0, 1] Gewichte (in einem Kreditportfolio wie auf Folie 14) mit k i=1 u i = 1. Dann gilt Ferner gilt 1/k k u 2 i 1. (36.1) i=1 k 1/k = u 2 i u i = 1/k, i = 1,..., k (36.2) i=1 k 1 = u 2 i u i = 1 für ein i, u j = 0 für j i. (36.3) i=1 36 Beweis von Satz 36.1: Definition: H(u 1,..., u k ) = k i=1 u 2 i. (u 1,..., u k ) kompakte Menge Minimum und Maximum von H werden angenommen. Lagrange-Funktion: L(u 1,..., u k ; λ) = H(u 1,..., u k ) λ ( ki=1 u i 1 ). L(u 1,..., u k ; λ) = 2 u i λ u i (37.1) L(u 1,..., u k ; λ) = k λ i=1 u i 1. (37.2) Gleichsetzen mit 0 ergibt aus (37.1): u i = λ/2. Gleichsetzen mit 0 ergibt aus (37.2): λ = 2/k und u i = 1/k. H(1, 0,..., 0) = 1 Eindeutiges Minimum bei (u 1,..., u k ) = (1/k,..., 1/k). 0 < u j < 1 H(u 1,..., u k ) u 2 j + i j u i < 1 und H(u 1,..., u k ) k i=1 u i = 1 (36.3) 37
11 3. Das Basel-II-Modell als Grenzfall - Forts. 3. Das Basel-II-Modell als Grenzfall - Forts. Der Herfindahl-Index schaut nur auf die Größenverhältnisse der Kreditbeträge. Je gleicher, desto besser. Ein Maß für die Approximationsgüte in (35.1) sollte auch die Stärke des systemischen Einflusses berücksichtigen. Der Beweis von Satz 30.1 zeigt, dass E [ var[l % S] ] klein sein sollte (idiosynkratischer Teil der Varianz). Wegen var[l % ] = var [ E[L % S] ] + E [ var[l % S] ] wird gerne R 2 (Determinationskoeffizient) betrachtet: R 2 = var[ E[L % S] ] var[l % ] 1 (38.1) Werte von R 2 nahe bei 1 deuten auf gute Approximation hin. 38 Gordy (2003): Leite Basel-II-Risikogewichte aus einem approximativen Einfaktor-Modell im Sinne von Bsp ab (ASRF (Asymptotic Single Risk Factor) Model). Also: Ein-Faktor-Modell (mit eindim. Faktor S) L % = A u A 1 { ϱa S+ 1 ϱ A ξ A c A } (39.1) des relativen Portfolio-Verlusts wird angenähert durch (vgl. (19.1)) L % = E[L % S] = ( ca ) ϱ u A Φ A S 1 ϱa. (39.2) A Diese Näherung wird ökonomisch als Elimination (durch Diversifikation in großen Portfolios) des idiosynkratischen Risikos interpretiert Approximationsgüte im ASRF-Modell Ziel: Gefühl für Approximationsgüte im Basel-II-ASRF-Modell (vgl. Folie 39) bekommen. Hier: Einfluss der Größenverhältnisse der Kreditbeträge und der Ein-Faktor -Annahme. Zwei Portfolios mit homogener und inhomogener Größenstruktur der Kreditbeträge. Zunächst: Herleitung einer konkreten Formel für R 2 (vgl. (38.1)). 4. Approximationsgüte im ASRF-Modell - Forts. Berechnung von E[L % S]: E[L % S] = A = A u A P[D A S] (mit Unabhängigkeit von S und ξ A ) = A u A P[ ϱ A S + 1 ϱ A ξ A c A S] u A P [ ξ A c A ϱ A s] s=s 1 ϱa (ξ A als standard-normalverteilt angenommen) = ( ca ) ϱ u A Φ A S. (41.1) A 1 ϱa Schrittweise: E[L % S], var[l % S], E [ var[l % S] ], var [ E[L % S] ]
12 4. Approximationsgüte im ASRF-Modell - Forts. Berechnung von E[L 2 % S]: E[L 2 % S] = E[( ) 2 ] u A 1 DA S A = u 2 A P[D A S] + u A u B P[D A D B S] A A B A (mit bedingter Unabhängigkeit) = u 2 A P[D A S] ( 1 P[D A S] ) + E[L % S] 2 A 4. Approximationsgüte im ASRF-Modell - Forts. Sei D A = { ϱ A S + 1 ϱ A ξ A c A} mit unabhängigen ξ A, ξ A. Dann E [ var[l % S] ] = u 2 ( A pa E [ P[D A S] 2]) A = u 2 ( A pa P[D A D A ]) A = u 2 ( A pa P[ ϱ A S + 1 ϱ A ξ A c A, A ϱa S + 1 ϱ A ξ A c A] ) Folgerung: = A u 2 A ( pa Φ 2 (c A, c A ; ϱ A ) ). (43.1) var[l % S] = E[L 2 % S] E[L % S]2 = u 2 A P[D A S] ( 1 P[D A S] ) A = u 2 A Φ( c A ϱ A S )( ( ca ϱ 1 ϱa 1 Φ A S )) 1 ϱa A (42.1) Insbesondere kann wegen p A = Φ(c A ) der Term E [ var[l % S] ] außer Acht gelassen werden, wenn A u 2 A klein ist oder min A ϱ A nahe bei 1 ist Approximationsgüte im ASRF-Modell - Forts. 4. Approximationsgüte im ASRF-Modell - Forts. Berechnung von var [ E[L % S] ] : Sei D A wie in (43.1). Dann var [ E[L % S] ] = u A u B E [ Φ ( c A ϱ A S ) ( cb ϱ 1 ϱa Φ B S )] ( ) 2 1 ϱb u A p A A,B A = u A u B P[D A D B ] ( ) 2 u A p A A,B A = u A u B Φ 2 (c A, c B ; ϱ A ϱ B ) ( ) 2. u A p A A,B A Folgerung: var[l % ] = A u 2 A p A (1 p A ) + ( u A u B Φ2 (c A, c B ; ) ϱ A ϱ B ) p A p B. A B Φ 2 (x, y; ϱ) steht für die Verteilungsfunktion der bivariaten Standard- Normalverteilung mit Korrelation ϱ, d.h. es gilt Φ 2 (x, y; ϱ) = P[X x, Y y], (X, Y ) N ( (0, 0), ( )) 1 ϱ ϱ Semi-homogener Fall des ASRF-Modells (Folie 39): ϱ A = ϱ, p A = p für alle Kredite. Folgerung: L % = E[L % S] = A S standard-normalverteilt. u A Φ ( Φ 1 (p A ) ϱ A S ) ( Φ 1 (p) ϱ S ) 1 ϱa = Φ 1 ϱ, Verteilungsfunktion von L % (Vasicek-Verteilung): P[ L % l] = Φ ( 1 ϱ Φ 1 (l) Φ 1 (p) ϱ ), l (0, 1). Dichte der Vasicek-Verteilung: 1 ϱ ϱ l d d l P[ L % l] = (45.1) exp ( 1 2 { Φ 1 (l) 2 ( 1 ϱ Φ 1 (l) Φ 1 (p) ϱ ) 2 }). 45
13 4. Approximationsgüte im ASRF-Modell - Forts. Exakte Verteilung des Portfolio-Verlusts L (vgl. (29.1)) mittels Monte-Carlo-Simulation. Simulation von n + 1 (n Anzahl der Kreditnehmer) unabhängigen, gleich auf (0, 1) verteilten Zufallsgrößen U 1,..., U n, V. Transformation in unabhängige, standard-normalverteilte Zufallsgrößen: ξ 1 = Φ 1 (U 1 ),..., ξ n = Φ 1 (U n ), S = Φ 1 (V ). L = Summe über alle ν A, für die gilt: ϱa S + 1 ϱ A ξ A < Φ 1 (p A ) = c A. Interpretation: Verlust des Schuldners A über kritischer Grenze Approximationsgüte im ASRF-Modell - Forts. Semi-homogenes Portfolio mit 1000 Krediten, p = 10%, ϱ = 0.1: 1. Homogener Fall: alle Kredite mit gleichem Betrag 1. Herfindahl-Index: 0.001, R 2 = Heterogener Fall: 950 Kredite mit Betrag 1, 40 mit 10, 9 mit 50 und 1 mit 250. Herfindahl-Index: 0.021, R 2 = Zwei-Faktor-Fall: alle Kredite mit gleichem Betrag 1, je 500 allein von zwei unabhängigen Faktoren abhängig. Herfindahl-Index: 0.001, R 2 = , bei Approximation durch asymptotisches Zwei-Faktor- Modell Approximationsgüte im ASRF-Modell - Forts. 4. Approximationsgüte im ASRF-Modell - Forts. Vasicek-Approximation in allen drei Fällen gleich, je Simulationsläufe. Quantilsniveau in %: Quantil in % des Gesamtkreditbetrags: Approximation Fall Fall Fall Density Sector, homogeneous case Approximation Simulation Loss in percent of total exposure 48 49
14 4. Approximationsgüte im ASRF-Modell - Forts. 1 Sector, heterogeneous case 4. Approximationsgüte im ASRF-Modell - Forts. Two independent sectors Density Approximation Simulation Loss in percent of total exposure Density Simulation 1 factor approximation 2 factor approximation Loss in percent of total exposure Approximationsgüte im ASRF-Modell - Forts. 5. Der Satz von De Finetti Beobachtungen: Im homogenen Ein-Faktor-Fall ist die Vasicek-Approximation fast perfekt ausreichende Portfoliogröße vorausgesetzt. Im heterogenen Ein-Faktor-Fall unterschätzt die Vasicek-Approximation Quantilswerte zu hohen Niveaus. Im homogenen Zwei-Faktor-Fall überschätzt die Approximation mit dem Ein-Faktor-Vasicek-Modell Quantilswerte zu hohen Niveaus. Wie gut ist das ASRF-Modell (vgl. Folie 39)? Unklar: Effekt der Annahme der bedingten Unabhängigkeit. Kapitel 4 Für heterogene Portfolios ist das ASRF-Modell schlechter. Vermutung: Asymptotik führt zu Risikounterschätzung. Berechtigung der Ein-Faktor-Annahme? 52 53
15 5. Der Satz von De Finetti - Forts. 5. Der Satz von De Finetti - Forts. Messraum (S, S). Für n N: Eine Permutation der Länge n ist eine bijektive Abbildung π : {1,..., n} {1,..., n}. Ω = S = S S... Projektionen (X 1, X 2,...) X k : Ω S, (s 1, s 2,...) s k. σ-algebren F = σ(x k : k N), F n = σ(x k : k n). Für Permutationen π der Länge n: F-F-messbare Abbildung X π : Ω Ω, (s 1,..., s n, s n+1,...) (s π(1),..., s π(n), s n+1,...). (55.1) E n = {A F : X 1 π (A) = A für alle π der Länge n} ist die σ- Algebra der n-austauschbaren Ereignisse. E n+1 E n. P Wahrscheinlichkeitsmaß auf (Ω, F). E = n=1 E n ist die σ-algebra der austauschbaren Ereignisse Der Satz von De Finetti - Forts. Satz 56.1 (Satz von De Finetti) Seien (Ω, F, P) und (X 1, X 2,...) wie auf Folie 54. E F sei die σ-algebra der austauschbaren Ereignisse wie auf Folie 55. (X 1, X 2,...) sei austauschbar, d.h. für jede Permutation π endlicher Länge und jedes Ereignis A F gelte (mit X π wie in (55.1)): P[(X 1, X 2,...) A] = P[X π A]. (56.1) Bedingt auf E sind dann X 1, X 2,... unabhängig und identisch verteilt, d.h. für beliebige n N und A 1,..., A n S gilt P[X 1 A 1,..., X n A n E] = n P[X 1 A k E]. (56.2) k=1 5. Der Satz von De Finetti - Forts. Beweis von Satz 56.1: Für 1 k n sei I k,n = {(i 1,..., i k ) : 1 i 1,..., i k n, i j i l für j l}. Es gilt dann: I k,n = n (n 1)... (n k + 1) = (n) k. Definiere für ϕ : S k R messbar und beschränkt A n (ϕ) = 1 ϕ(x (n) i1,..., X ik ). (57.1) k (i 1,...,i k ) I k,n Es gilt A n (ϕ) = A n (ϕ) X π für beliebige Permutationen der Länge n X 1 ( π An (ϕ) 1 (M) ) = (A n (ϕ) X π ) 1 (M) = A n (ϕ) 1 (M) A n (ϕ) ist E n -messbar
16 5. Der Satz von De Finetti - Forts. Lemma 58.1 Für alle (i 1,..., i k ) I k,n und alle beschränkten und messbaren Funktionen ϕ : S k R gilt: E[ϕ(X i1,..., X ik ) E n ] = E[ϕ(X 1,..., X k ) E n ]. Beweis: Wähle eine Permutation π : {1,..., n} {1,..., n}, so dass gilt: π(j) = i j, j = 1,..., k. Sei A E n beliebig. Wegen (56.1) ergibt sich dann E[ϕ(X i1,..., X ik ) 1 A ] = E[ϕ(X i1,..., X ik ) 1 A X π ] und daraus die Behauptung. = E[ϕ(X π(1),..., X π(k) ) 1 A X π ] = E[ϕ(X 1,..., X k ) 1 A ] Der Satz von De Finetti - Forts. Aus Lemma 58.1 und der E n -Messbarkeit von A n (ϕ) folgt: A n (ϕ) = E[A n (ϕ) E n ] = 1 E[ϕ(X (n) i1,..., X ik ) E n ] k (i 1,...,i k ) I k,n Konvergenzsatz für Rückwärts-Martingale = E[ϕ(X 1,..., X k ) E n ]. (59.1) Y L 1, A 1 A 2... lim E[Y A n n ] = E[Y A n ] fast sicher. (59.2) n=1 (Satz (6.3) aus Durrett, R. (1995) Probability: Theory and Examples. 2nd Edition. Duxbury Press, Belmont) Aus (59.1) und (59.2) folgt lim n A n(ϕ) = E[ϕ(X 1,..., X k ) E] fast sicher. (59.3) Der Satz von De Finetti - Forts. Für messbare und beschränkte Funktionen f : S k 1 R und g : S R gilt: n (n) k 1 A n (f) n A n (g) = f(x i1,..., X ik 1 ) g(x i ) (i 1,...,i k 1 ) I k 1,n i=1 = f(x i1,..., X ik 1 )g(x ik ) (60.1) (i 1,...,i k ) I k,n Definiere und k 1 + f(x i1,..., X ik 1 ) g(x ij ). (i 1,...,i k 1 ) I k 1,n j=1 ϕ(s 1,..., s k ) = f(s 1,..., s k 1 ) g(s k ) (60.2) ϕ j (s 1,..., s k 1 ) = f(s 1,..., s k 1 ) g(s j ). (60.3) Der Satz von De Finetti - Forts. Mit den Bezeichnungen aus (60.2) und (60.3) folgt wegen (n) k 1 n (n) k = aus (60.1) die Gleichheit A n (ϕ) = n n k + 1 und (n) k 1 (n) k = n n k + 1 A 1 n(f) A n (g) n k + 1 Für n folgt wegen (59.3) aus (61.1): k 1 1 n k + 1 A n (ϕ j ). (61.1) j=1 E[f(X 1,..., X k 1 ) g(x k ) E] = E[f(X 1,..., X k 1 ) E] E[g(X k ) E]. Mit Induktion über k folgt daraus für alle messbaren und beschränkten Abbildungen f 1,..., f k : S R, dass gilt k k E f j (X j ) E = E[f j (X j ) E]. j=1 j=1 Mit Lemma 58.1 ergibt sich daraus (56.2). 61
17 5. Der Satz von De Finetti - Forts. Korollar 62.1 Sei (Y 1, Y 2,...) eine {0, 1}-wertige, austauschbare Folge von Zufallsgrößen, d.h. es gelte für jede Permutation π der Länge n und jedes Tupel (i 1,..., i n ) {0, 1} n : P[Y π(1) = i 1,..., Y π(n) = i n ] = P[Y 1 = i 1,..., Y n = i n ]. Dann gibt es eine [0, 1]-wertige Zufallsgröße Z (eventuell auf einem anderen Wahrscheinlichkeitsraum), so dass gilt: [ nj=1 i P[Y 1 = i 1,..., Y n = i n ] = E Z j (1 Z) n ] n j=1 i j. Beweis: Ohne Einschränkung der Allgemeinheit sei (Y 1, Y 2,...) definiert auf Ω = {0, 1}. Nach Satz 56.1 gilt dann: P[Y 1 = i 1,..., Y n = i n ] = E [ P[Y 1 = i 1,..., Y n = i n E] ] [ nj=1 i = E P[Y 1 = 1 E] j P[Y 1 = 0 E] n ] n j=1 i j. Wähle also Z = P[Y 1 = 1 E] Der Satz von De Finetti - Forts. Bemerkung 63.1 Im semi-homogenen Fall des ASRF-Modells (Folien 39 und 45) ist die Zufallsgröße Z aus Korollar 62.1 gegeben durch ( Φ 1 (p) ) ϱ S Z = Φ mit S N(0, 1). 1 ϱ Z ist dann also Vasicek-verteilt. Wenn n die Anzahl der Kreditnehmer bezeichnet, ergibt sich daraus und aus (25.2) für die Wahrscheinlichkeit, genau l n Ausfälle zu beobachten: P[N = l] = ( ) ( n Φ l ϕ(z) Φ 1 (p) ) l ϱ S 1 ϱ (1 Φ ( Φ 1 (p) )) n l ϱ S 1 ϱ dz. (63.1) Dabei bezeichnet ϕ(z) die Dichte der Standardnormalverteilung Der Satz von De Finetti - Forts. 6. ML-Schätzung mit der Vasicek-Verteilung Bedeutung von Homogenität eines Portfolios in der Praxis? Variante 1: identische Ausfallwahrscheinlichkeiten, identische gemeinsame Ausfallwahrscheinlichkeiten von Paaren. Variante 2: Weitgehend identische Charakteristika aller Kreditnehmer. Deutung von Variante 1 als Austauschbarkeit im Sinne von (56.1) naheliegend. Aber: Satz 62.1 verlangt eine unendliche Folge von {0, 1}-Zufallsgrößen. Also Anwendbarkeit auf sehr große Portfolios? Dann noch Homogenität gegeben? 64 Gegeben: Homogenes (vgl. Folie 64) Kreditportfolio. T Jahre (z. Bsp. T = 5) Ausfallhistorie. Viele Kreditnehmer. Problem: Schätzung der Ausfallwahrscheinlichkeit. Einschätzung der Abhängigkeit im Portfolio. Ansatz: ASRF-Modell wie auf Folie 39, mit gleich großen Gewichten für alle Kreditnehmer. 65
18 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Umsetzung: Ausfallraten Q 1,..., Q T (0, 1) unabhängig und identisch verteilt. Realisierungen q 1,..., q T (0, 1) gegegeben. Q i Vasicek-verteilt, d.h. P[Q i q] = Φ ( 1 ϱ Φ 1 (q) Φ 1 (p) ϱ ), q (0, 1). (66.1) Zu schätzende Parameter: 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Satz 67.1 (ML-Schätzer für p und ϱ) q 1,..., q T (0, 1) seien Realisierungen von unabhängig und identisch Vasicek-verteilten Zufallsgrößen Q 1,..., Q T wie auf Folie 66. Dann existiert der Maximum- Likelihood-Schätzer ( p, ϱ) des Parametervektors (p, ϱ), und es gilt: p = Φ ( ) z, 1+z 2 z 2 (67.1) ϱ = z2 z 2 1+z 2 z 2, mit z = T 1 Tt=1 Φ 1 (q t ) und z 2 = T 1 Tt=1 Φ 1 (q t ) 2. (67.2) Ausfallwahrscheinlichkeit p. Korrelation ϱ. Bemerkung 67.2 Im allgemeinen gilt p 1 T Tt=1 q t ML-Schätzung mit der Vasicek-Verteilung - Forts. Beweis von Satz 67.1: Q 1,..., Q T kann geschrieben werden als (vgl. (45.1)) mit S 1,..., S T N(µ, σ 2 ) unabhängig und Q t = Φ(S t ), t = 1,..., T, (68.1) µ = Φ 1 (p) 1 ϱ und σ 2 = ϱ 1 ϱ. (68.2) Allgemein: X Zufallsgröße mit Dichte φ, h streng monoton wachsend und differenzierbar h(x) hat die Dichte φ(h 1 (u)) h (h 1 (u)). Bezeichne ϕ µ,σ die Dichte von N(µ, σ 2 ) und sei ϕ = ϕ 0,1. Dann folgt aus (68.1): Q t hat die Dichte ϕ µ,σ(φ 1 (q)) ϕ(φ 1 (q)). (68.3) ML-Schätzung mit der Vasicek-Verteilung - Forts. Fortsetzung Beweis von Satz 67.1: Aus (68.3) ergibt sich für die Log-Likelihood-Funktion einer Ausfallratenstichprobe q 1,..., q T : log L(µ, σ q 1,..., q T ) = 1 T 2 Φ 1 (q t ) 2 1 T ( Φ 1 ) (q t ) µ 2. 2 σ (69.1) t=1 t=1 Maximierung von (69.1) bezüglich (µ, σ) ergibt die bekannten ML- Schätzer bei Normalverteilungen: ˆµ = T 1 T q t und ˆσ 2 = 1 T T qt 2 ˆµ 2. (69.2) t=1 t=1 Einsetzen dieser Werte in (68.2) und Auflösen nach p und ϱ ergibt die eindeutige Lösung (67.1). 69
19 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Aus (67.2) ergibt sich, dass der ML-Schätzer der Vasicek-Verteilung nur eingesetzt werden kann, wenn die beobachteten Ausfallraten alle größer als Null sind. Modifizierter ML-Schätzer: Ersetze Ausfallraten 0 durch 1/n (n Gesamtzahl der Kreditnehmer). Konservativ, überschätzt die Ausfallwahrscheinlichkeit. Alternativer Ansatz: Momentenmethode Bestimme k Parameter der Verteilung durch Gleichsetzen der ersten k Verteilungsmomente mit den entsprechenden Stichprobenmomenten. 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Lemma 71.1 (Momente der Vasicek-Verteilung) Sei L eine Vasicek-verteilte Zufallsgröße (Folie 45) mit Parametern p und ϱ. Dann gilt für alle n N: E[L n ] = Φ n (Φ 1 (p),..., Φ 1 (p); ϱ). (71.1) Dabei steht Φ(z 1,..., z n ; ϱ) für die Verteilungsfunktion der n-variaten Normalverteilung mit Mittelwert µ = 0. R n 0 und Kovarianzmatrix mit c i,i = 1 und c i,j = ϱ, i j. C = c i,j R n n ML-Schätzung mit der Vasicek-Verteilung - Forts. Beweis von Lemma 71.1: Nach Folie 45 gilt für eine standardnormalverteilte Größe S: [ E[L n ] = E Φ ( Φ 1 (p) ϱ S ) ] n 1 ϱ = E [ P[ ϱ S + 1 ϱ ξ Φ 1 (p) S] n] mit ξ N(0, 1) und unabhängig von S = E [ n j=1 P[ ϱ S + 1 ϱ ξ j Φ 1 (p) S] ] 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Lemma 73.1 (Bivariate Normalverteilung, Ableitung nach ϱ) Es bezeichne x y ( Φ 2 (x, y; ϱ) = 1 exp s2 2 ϱ s t+t 2 ) 2 π 1 ϱ 2 2 (1 ϱ 2 dt ds ) x y = ϕ 2(s, t; ϱ) dt ds die Verteilungsfunktion der bivariaten Standard-Normalverteilung mit Korrelation ϱ. Dann gilt für ϱ ( 1, 1): mit ξ 1,..., ξ n N(0, 1) und unabhängig von S = E [ P[ ϱ S + 1 ϱ ξ j Φ 1 (p), j = 1,..., n S] ] = P[ ϱ S + 1 ϱ ξ j Φ 1 (p), j = 1,..., n] Behauptung, da ϱ S + 1 ϱ ξ j N(0, 1) und corr[ ϱ S + 1 ϱ ξ j, ϱ S + 1 ϱ ξ l ] = ϱ, j l. Φ 2 ϱ (x, y; ϱ) = ϕ 2(x, y; ϱ). Korollar 73.2 ϱ Φ 2 (x, y; ϱ), [ 1, 1] (0, 1) wächst streng monoton
20 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Beweis von Lemma 73.1: Mit der Produktregel: Φ 2 (x, y; ϱ) = ϱ ϱ 1 ϱ 2 Φ 2(x, y; ϱ) x y + 1 (1 ϱ 2 ) 2 (s t (1 + ϱ 2 ) ϱ s 2 ϱ t 2 ) ϕ 2 (s, t; ϱ) dt ds = I + II. (74.1) Mit s t (1 + ϱ 2 ) ϱ s 2 ϱ t 2 = (s ϱ t) (t ϱ s) durch partielle Integration: y II = 1 1 ϱ 2 (t ϱ x) ϕ 2 (x, t; ϱ) dt ϱ 1 ϱ 2 Φ 2(x, y; ϱ) = ϕ 2 (x, y; ϱ) ϱ 1 ϱ 2 Φ 2(x, y; ϱ) Einsetzen für II in (74.1) liefert die Behauptung. 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Bemerkung 75.1 Momentenschätzer der Vasicek-Verteilung Ausfallraten Q 1,..., Q T [0, 1] und Realisierungen q 1,..., q T [0, 1] wie auf Folie < T t=1 q 2 t < n. Schätzer ( p, ϱ) für (p, ϱ) aus p = T 1 T q t und Φ 2 (Φ 1 ( p), Φ 1 ( p); ϱ) = 1 T T qt 2. (75.1) t=1 t=1 Eindeutige Lösbarkeit von (75.1) aus Korollar ML-Schätzung mit der Vasicek-Verteilung - Forts. Beispiel 76.1 Vergleich ML- und Momentenschätzer Simuliere (unabhängig) mal T = 5 und T = 20 mal Vasicek- Verteilung mit Parametern p = 0.05 und ϱ = 0.1. T = 5: Schätzer: mittl. p p in % Std.-Abw. p mittl. ϱ ϱ p ϱ in % Std.-Abw. ϱ ML 24,45 0, ,71 0,0506 Moment 24,52 0, ,60 0,0478 T = 20: Schätzer: mittl. p p in % Std.-Abw. p mittl. ϱ ϱ p ϱ in % Std.-Abw. ϱ ML 12,40 0, ,80 0,0277 Moment 12,42 0, ,44 0,0330 Für p beide Schätzer ungefähr gleich, bei ϱ ist ML-Schätzer mit zunehmender Länge deutlich besser, aber immer noch schlecht ML-Schätzung mit der Vasicek-Verteilung - Forts. ML-Schätzer aus Satz 67.1 und Momentenschätzer aus Bemerkung 75.1 für p und ϱ beruhen auf asymptotischer Verteilung der Ausfallrate, d.h. es wird ein sehr großes Portfolio vorausgesetzt. Die asymptotische Verteilung berücksichtigt nur die systemische Variation der Ausfallrate. Bei den endlich großen Praxisportfolios kommt idiosynkratische / individuelle Variation der einzelnen Ausfallindikatoren hinzu. Folge: Überschätzung der Korrelation ϱ. Momentenschätzer kann für Endlichkeitskorrektur modifiziert werden. 77
21 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Gegeben: Für Perioden t = 1,..., T Gesamtkreditnehmerzahlen n 1,..., n T und Ausfallzahlen d 1,..., d T. Modell: Systemische Faktoren S 1,..., S T unabhängig und identisch verteilt. In Periode t Ausfallereignisse D 1,t, D 2,t,..., unabhängig von S 1,..., S t 1, S t+1,..., S T und unabhängig gegeben S t. Identische Ausfallwahrscheinlichkeit p = P[D i,t ], t = 1,..., T, i = 1, 2,... Interpretation von n 1,..., n T als Realisierungen von unabhängigen, identisch verteilten Zufallsanzahlen η 1,..., η T, unabhängig von allen S t und D i,t. 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Weitere Modellannahmen: Homogenes Einfaktormodell wie in (39.1), d.h. D i,t = { ϱ S t + 1 ϱ ξ i,t Φ 1 (p)}. (79.1) In (79.1) alle S t und ξ i,t unabhängig und standard-normalverteilt und unabhängig von η 1,..., η T. Folgerung: Jährliche Ausfallzahlen N 1,..., N T sind unabhängig und identisch verteilt. mit N t = η t j=1 1 D j,t E[N t ] = E [ E[N t η t ] ] = p E[η 1 ]. (79.2) ML-Schätzung mit der Vasicek-Verteilung - Forts. 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Varianz von N t : var[n t ] = E [ var[n t η t ] ] + var [ E[N t η t ] ] (80.1) = E [ var [ n ] ] [ [ n ] ] 1 n=ηt Dj,t + var E 1 n=ηt Dj,t j=1 mit Folie 44, Fall u A = 1 = u B j=1 = E[η 1 ] p (1 p) + E[η 1 (η 1 1)] ( Φ 2 (Φ 1 (p), Φ 1 (p); ϱ) p 2) + var[η 1 ] p 2 = Φ 2 (Φ 1 (p), Φ 1 (p); ϱ) ( E[η 2 1 ] E[η 1] ) + E[η 1 ] p E[η 2 1 ] p2. Mit (79.2) und (80.1) können Momentengleichungen für Schätzer p und ϱ von p und ϱ aufgestellt werden. Schätzer µ und σ 2 für E[N t ] = E[N 1 ] und var[n t ] = var[n 1 ]: µ = T 1 T d t t=1 (81.1) σ 2 = T 1 1 T (d t µ) 2. t=1 Schätzer ν und ν 2 von E[η 1 ] und E[η1 2]: ν = T 1 T n t t=1 (81.2) ν 2 = T 1 T n 2 t. t=
22 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Schätzer p von Ausfallwahrscheinlichkeit p (aus (79.2)): p = µ ν. (82.1) Schätzer ϱ von Korrelation ϱ (aus (80.1)) ergibt sich durch numerische Lösung von: Φ 2 (Φ 1 ( p), Φ 1 ( p); ϱ) = σ2 ν p + ν 2 p 2 ν 2. (82.2) ν p, σ 2 wie in (81.1), ν, ν 2 wie in (81.2). Hat (82.2) immer eine Lösung? Falls nicht, Rückgriff auf Momentenschätzer wie in Bemerkung 75.1? 6. ML-Schätzung mit der Vasicek-Verteilung - Forts. Beispiel 83.1 Momentenschätzer mit Endlichkeitskorrektur Simuliere unabhängig mal n 1 = 100, n 2 = 50, n 3 = 200, n 4 = 50, n 5 = 100) (Nicht-)Ausfallereignisse wie auf Folie 79. Dabei ϱ = 0.1 und p = 0.05 und p = p = 0.05, Gleichung (82.2) lösbar in 9992 Fällen: mittl. p p in % Std.-Abw. p mittl. ϱ ϱ in % Std.-Abw. ϱ 31,56 0, ,57 0,0948 p = 0.005, Gleichung (82.2) lösbar in 8566 Fällen: mittl. p p in % Std.-Abw. p mittl. ϱ ϱ in % Std.-Abw. ϱ 59,06 0, ,33 0,0888 Bei p = 0.05 (82.2) nicht lösbar, weil rechte Seite > p. Bei p = (82.2) nicht lösbar, weil rechte Seite 0 (Fälle ohne Ausfallbeobachtung) Portfolios mit wenigen Ausfällen 7. Portfolios mit wenigen Ausfällen - Forts. Pluto, K. und D. Tasche (2005) Thinking positively. Risk 18(8) (August 2005), In manchen Kreditportfolios werden über Jahre hinweg keine oder nur sehr wenige Ausfälle beobachtet. Z. Bsp. bei Staaten, Projektfinanzierungen oder Hypotheken. Konsequenz: geschätzte Ausfallrate 0% oder nahe bei 0. Glaubwürdigkeit dieser Schätzung? Der Basel-II-IRB -Ansatz verlangt positive Ausfallwahrscheinlichkeiten. IRB = Internal Ratings Based 84 Häufig ist eine Einteilung in Ratingklassen vorhanden, die Unterschiede in der Bonität der Kreditnehmer widerspiegeln soll. Solche Ratingsysteme werden anhand ökonomischer Betrachtungen der Kreditnehmerqualität entwickelt. Anforderung: Die unterschiedlichen Bonitäten der Ratingklassen sollten zu unterschiedlichen Schätzungen der Ausfallwahrscheinlichkeiten der Klassen führen. Anforderung: Monotonie der Ausfallwahrscheinlichkeiten, d.h. je besser die Bonität, desto kleiner die Ausfallwahrscheinlichkeit. 85
23 7. Portfolios mit wenigen Ausfällen - Forts. 7. Portfolios mit wenigen Ausfällen - Forts. Lösungsansatz: Mapping auf externe Ratings (z. Bsp. Moody s, S & P) Korrespondenz zwischen internen und externen Ratingklassen anhand qualitativer Kriterien. Übernahme der extern beobachteten Ausfallraten. Lösungsansatz: Verteilen einer extern geschätzten durchschnittlichen Ausfallwahrscheinlichkeit auf die Ratingklassen. Externe Schätzung z. Bsp. von anderen Banken mit größeren Portfolios. Verteilung z. Bsp. durch Forderung, dass Ausfallwahrscheinlichkeiten von Klasse zu Klasse um konstanten Faktor zunehmen. 86 Verlässlichkeit von Mapping- und Verteilen -Methode? Problem: Finde eine statistisch begründbare Methode zur Schätzung von Ausfallwahrscheinlichkeiten in Portfolios ohne Ausfälle. Grundidee: Benutze obere Konfidenzgrenzen. Je mehr Kreditnehmer nicht ausgefallen sind, desto kleiner wird die Konfidenzgrenze sein. Aber: Klassenweise Schätzung mit Konfidenzgrenzen führt im allgemeinen zu nicht-monotonen Schätzwerten Portfolios mit wenigen Ausfällen - Forts. Ansatz: Prinzip der vorsichtigsten Schätzung. Annahme: Das Ranking der Kreditnehmer durch die gegebenen Ratingklassen ist korrekt und auch die Ausfallwahrscheinlichkeiten sind entsprechend monoton. Bezeichne p l die Ausfallwahrscheinlichkeit von Ratingklasse l. Bei k Ratingklassen also p 1 p 2... p k. Worst case für p 1 : p 1 = p 2 =... = p k. Worst case für p l : p l 1 < p l =... = p k. 7. Portfolios mit wenigen Ausfällen - Forts. Weitere Annahmen: k Ratingklassen. Klasse 1 mit bester Bonität, Klasse k mit geringster Bonität. Beobachtungen (zunächst) für ein Jahr. Klasse l mit n l Kreditnehmern. In Klasse l wurden d l Ausfälle beobachtet. Alle Kreditnehmer von Klasse l haben dieselbe (zu schätzende) Ausfallwahrscheinlichkeit p l. Vorläufig: Die Ausfallereignisse sind stochastisch unabhängig
24 7. Portfolios mit wenigen Ausfällen - Forts. Vorsichtigste Schätzung von p l : Da nach Annahme p l =... = p k, können die Klassen l,..., k als ein homogenes Portfolio zusammengefasst werden. Also Portfolio mit k i=l n i Kreditnehmern und k i=l d i Ausfällen. Gebe Konfidenzwahrscheinlichkeit γ vor (z. Bsp. 50%, 75% oder 99%). Einseitiges Konfidenzintervall I l,γ zum Niveau γ: Menge aller π, so dass Hypothese p l π zum Niveau 1 γ nicht abgelehnt werden kann. I l,γ = { π : P π [ #Ausfälle k i=l d i] > 1 γ }. (90.1) 7. Portfolios mit wenigen Ausfällen - Forts. Unabhängigkeitsannahme # Ausfälle ist binomial-verteilt. [ k P π #Ausfälle i=l d ] i = d l +...+d k i=0 ( ) nl +...+n k i π i (1 π) n l+...+n k i. (91.1) P π [ #Ausfälle ki=l d i ] fällt streng monoton in π und ist stetig. Die Ungleichung in (90.1) hat daher eine eindeutig bestimmte größte Lösung sup I l,γ = ˆp l, die obere Konfidenzgrenze zum Niveau γ für p l. ˆp l ist die vorsichtigste Schätzung (zum Niveau γ) für p l Portfolios mit wenigen Ausfällen - Forts. 7. Portfolios mit wenigen Ausfällen - Forts. Beispiel 92.1 Portfolio ohne Ausfälle 3 Ratingklassen, k = 3. Bestimmung von ˆp 2 als größte Lösung von 1 γ (1 p 2 ) n 2+n 3 p2 1 (1 γ) 1/(n 2+n 3 ). Besetzungszahlen: n 1 = 100, n 2 = 400, n 3 = 300. Bestimmung von ˆp 3 als größte Lösung von 1 γ (1 p 3 ) n 3 p 3 1 (1 γ) 1/n 3. Keine Ausfälle beobachtet: d 1 = d 2 = d 3 = 0. Bestimmung von ˆp 1 als größte Lösung von 1 γ (1 p 1 ) n 1+n 2 +n 3 p1 1 (1 γ) 1/(n 1+n 2 +n 3 ). γ 50% 75% 90% 95% 99% 99.9% ˆp % 0.17% 0.29% 0.37% 0.57% 0.86% ˆp % 0.20% 0.33% 0.43% 0.66% 0.98% ˆp % 0.46% 0.76% 0.99% 1.52% 2.28% 92 93
25 7. Portfolios mit wenigen Ausfällen - Forts. Lemma 94.1 Sei X eine binomial-verteilte Zufallsgröße mit Größenparameter n und Erfolgswahrscheinlichkeit p. Dann gilt für jede ganze Zahl 0 k n 1 k ( n i ) p i (1 p) n i = P[X k] i=0 = 1 P[Y p] (94.1) = n! k! (n k 1)! 1 p tk (1 t) n k 1 dt. In (94.1) bezeichnet Y eine β-verteilte Zufallsgröße mit Parametern α = k + 1 und β = n k. D.h. es gilt P[Y y] = Γ(α+β) y Γ(α) Γ(β) 0 tα 1 (1 t) β 1 dt Portfolios mit wenigen Ausfällen - Forts. Beweis von Lemma 94.1: d k ( n i ) p i (1 p) n i dp i=0 = n (1 p) n 1 k + ( n ( i ) i p i 1 (1 p) n i (n i) p i (1 p) n i 1) i=1 = n! k! (n k 1)! pk (1 p) n k 1. Folgerung (beachte k n 1): 1 1 n! k! (n k 1)! p tk (1 t) n k 1 k dt = ( n i ) t i (1 t) n i i=0 p k = ( n i ) p i (1 p) n i. i= Portfolios mit wenigen Ausfällen - Forts. Beispiel 96.1 Portfolio mit wenigen Ausfällen 7. Portfolios mit wenigen Ausfällen - Forts. Bestimmung von ˆp 2 als größte Lösung von 3 Ratingklassen, k = 3. 1 γ 3 i=0 ( ) n2 +n 3 i p i 2 (1 p 2 ) n 2+n 3 i. Besetzungszahlen: n 1 = 100, n 2 = 400, n 3 = 300. Bestimmung von ˆp 3 als größte Lösung von Drei Ausfälle beobachtet: d 1 = 0, d 2 = 2, d 3 = 1. Bestimmung von ˆp 1 als größte Lösung von 1 γ 3 i=0 Mit Lemma 94.1 als Quantil einer β-verteilung. ( ) n1 +n 2 +n 3 i p i 1 (1 p 1 ) n 1+n 2 +n 3 i. 1 γ 3 i=0 ( n3 i ) p i 3 (1 p 3 ) n 3 i. γ 50% 75% 90% 95% 99% 99.9% ˆp % 0.65% 0.83% 0.97% 1.25% 1.62% ˆp % 0.73% 0.95% 1.10% 1.43% 1.85% ˆp % 0.90% 1.29% 1.57% 2.19% 3.04% 96 97
26 7. Portfolios mit wenigen Ausfällen - Forts. Vergleich Beispiele 92.1 und 96.1: Keine Ausfälle: γ 50% 75% 90% 95% 99% 99.9% ˆp % 0.17% 0.29% 0.37% 0.57% 0.86% ˆp % 0.20% 0.33% 0.43% 0.66% 0.98% ˆp % 0.46% 0.76% 0.99% 1.52% 2.28% 3 Ausfälle: γ 50% 75% 90% 95% 99% 99.9% ˆp % 0.65% 0.83% 0.97% 1.25% 1.62% ˆp % 0.73% 0.95% 1.10% 1.43% 1.85% ˆp % 0.90% 1.29% 1.57% 2.19% 3.04% Unterschied nimmt mit wachsendem Konfidenzniveau stark ab. Einfluss der Ausfallzahlen deutlich erkennbar Portfolios mit wenigen Ausfällen - Forts. Vorsichtigste Schätzung bei stochastischer Abhängigkeit: Annahmen wie auf Folie 89. Unabhängigkeitsannahme wird durch Ein-Faktor-Abhängigkeit wie in (79.1) ersetzt. (212.1) zu ersetzen durch [ k P π #Ausfälle i=l d ] i (99.1) kj=l d j ( kj=l ) = ϕ(y) n j G(π, ϱ, y) i kj=l n (1 G(π, ϱ, y)) j i d y. i i=0 ( Φ G(π, ϱ, y) = Φ 1 (π) ϱ y 1 ϱ ) Portfolios mit wenigen Ausfällen - Forts. Beispiel Portfolio ohne Ausfälle, abhängiger Fall 3 Ratingklassen, k = 3. Besetzungszahlen: n 1 = 100, n 2 = 400, n 3 = 300. Keine Ausfälle beobachtet: d 1 = d 2 = d 3 = 0. Korrelation ϱ = 0.12 (Mindestwert aus Basel II für Unternehmen). 7. Portfolios mit wenigen Ausfällen - Forts. Bestimmung von ˆp 2 als größte Lösung von 1 γ ϕ(y) ( 1 Φ ( Φ 1 (p 2 ) ϱ y 1 ϱ ) ) n 2 +n 3 d y. Bestimmung von ˆp 3 als größte Lösung von ( 1 γ ϕ(y) 1 Φ ( Φ 1 (p 3 ) ϱ y) ) n 3 d y. 1 ϱ Bestimmung von ˆp 1 als größte Lösung von ( 1 γ ϕ(y) 1 Φ ( Φ 1 (p 1 ) ϱ y) ) n 1 +n 2 +n 3 dy. 1 ϱ γ 50% 75% 90% 95% 99% 99.9% ˆp % 0.40% 0.86% 1.31% 2.65% 5.29% ˆp % 0.45% 0.96% 1.45% 2.92% 5.77% ˆp % 0.92% 1.89% 2.78% 5.30% 9.84%
27 7. Portfolios mit wenigen Ausfällen - Forts. Beispiel Portfolio mit 3 Ausfällen, abhängiger Fall 3 Ratingklassen, k = 3. Besetzungszahlen: n 1 = 100, n 2 = 400, n 3 = 300. Drei Ausfälle beobachtet: d 1 = 0, d 2 = 2, d 3 = 1. Korrelation ϱ = 0.12 (Mindestwert aus Basel II für Unternehmen). Bestimmung von ˆp 1 als größte Lösung von 3 ( ) 1 γ ϕ(y) n1 +n 2 +n 3 G(p1, ϱ, y) i (1 G(p i 1, ϱ, y)) n 1+n 2 +n 3 i dy. i=0 ( Φ G(π, ϱ, y) = Φ 1 (π) ϱ y 1 ϱ ). Analog für ˆp 2 und ˆp Portfolios mit wenigen Ausfällen - Forts. Vergleich abhängiger Fall / unabhängiger Fall: 3 Ausfälle, Abhängigkeit: γ 50% 75% 90% 95% 99% 99.9% ˆp % 1.42% 2.50% 3.42% 5.88% 10.08% ˆp % 1.59% 2.77% 3.77% 6.43% 10.92% ˆp % 1.76% 3.19% 4.41% 7.68% 13.14% 3 Ausfälle, Unabhängigkeit: γ 50% 75% 90% 95% 99% 99.9% ˆp % 0.65% 0.83% 0.97% 1.25% 1.62% ˆp % 0.73% 0.95% 1.10% 1.43% 1.85% ˆp % 0.90% 1.29% 1.57% 2.19% 3.04% Kein Ausfall, Abhängigkeit: γ 50% 75% 90% 95% 99% 99.9% ˆp % 0.40% 0.86% 1.31% 2.65% 5.29% ˆp % 0.45% 0.96% 1.45% 2.92% 5.77% ˆp % 0.92% 1.89% 2.78% 5.30% 9.84% Portfolios mit wenigen Ausfällen - Forts. Zwischenresume: 7. Portfolios mit wenigen Ausfällen - Forts. Vorsichtigste Schätzung mit Korrekturfaktor: Bisher Schätzmethode für Ein-Perioden-Stichprobe Unabhängigkeit oder Vorgabe einer festen Korrelation Beobachtung: Falls positive Anzahl von Ausfällen beobachtet wurde, sind die Konfidenzgrenzen (für alle Klassen) immer größer als die portfolio-weite Ausfallhäufigkeit. Unerwünschter Effekt? Mehr-Perioden-Fall? Betrachte Erweiterungen mit Tendenz-Korrektur-Faktor und für mehrere Perioden. 104 Beispiel 96.1: Portfolioweite Ausfallrate 3/800 = 0.375%. ˆp 1 bei γ = 50%: 0.46%. Idee: Benutze Konfidenzgrenzen zur Verteilung einer durchschnittlichen portfolioweiten Ausfallwahrscheinlichkeit auf die Ratingklassen. Dadurch Berücksichtigung der Besetzungszahlen und der empirisch beobachteten Ausfallzahlen pro Klasse. Aber: Verlust der Verlässlichkeit! Ökonomisch zu rechtfertigen? 105
28 7. Portfolios mit wenigen Ausfällen - Forts. Ansatz Vorsichtigste Schätzung mit Korrekturfaktor : Gegeben: Durchschnittliche Portfolioausfallwahrscheinlichkeit p ( Central Tendency ). Gegeben: Schätzungen der Klassenausfallwahrscheinlichkeiten ˆp 1 <... < ˆp k. Gegeben: Klassenbesetzungszahlen n 1,..., n k. Angepasste Schätzung p l : p l = ˆp l p k i=1 n i ki=1 n i ˆp i. (106.1) Portfolios mit wenigen Ausfällen - Forts. Beispiele 96.1 und revisited : 3 Ausfälle beobachtet p = 0.375%. Unabhängigkeitsannahme: γ 50% 75% 90% 95% 99% 99.9% Central tendency 0.375% 0.375% 0.375% 0.375% 0.375% 0.375% Skalierung p % 0.31% 0.29% 0.29% 0.28% 0.27% p % 0.35% 0.34% 0.33% 0.32% 0.31% p % 0.43% 0.46% 0.47% 0.49% 0.50% Abhängigkeit, Korrelation 12%: γ 50% 75% 90% 95% 99% 99.9% Central tendency 0.375% 0.375% 0.375% 0.375% 0.375% 0.375% Skalierung p % 0.33% 0.32% 0.32% 0.32% 0.32% p % 0.37% 0.36% 0.36% 0.35% 0.35% p % 0.40% 0.41% 0.42% 0.42% 0.42% Portfolios mit wenigen Ausfällen - Forts. Konfidenzgrenze statt Central Tendency: 3 Ausfälle beobachtet, p = obere Konfidenzgrenzen für portfolioweite Ausfallwahrscheinlichkeiten zu verschiedenen Niveaus. Unabhängigkeit: γ 50% 75% 90% 95% 99% 99.9% Konfidenzgr. Portfolio-PD 0.46% 0.65% 0.83% 0.97% 1.25% 1.62% Skalierung p % 0.54% 0.65% 0.74% 0.92% 1.16% p % 0.61% 0.74% 0.84% 1.06% 1.32% p % 0.75% 1.01% 1.22% 1.62% 2.17% Abhängigkeit, Korrelation 12%: γ 50% 75% 90% 95% 99% 99.9% Konfidenzgr. Portfolio-PD 0.71% 1.42% 2.50% 3.42% 5.88% 10.08% Skalierung p % 1.24% 2.16% 2.95% 5.06% 8.72% p % 1.38% 2.39% 3.25% 5.54% 9.54% p % 1.53% 2.76% 3.80% 6.61% 11.37% Portfolios mit wenigen Ausfällen - Forts. Resume Vorsichtigste Schätzung mit Korrekturfaktor : Reiner Ansatz liefert zu hohe Schätzwerte keine Akzeptanz bei Praktikern. Daher Kombination mit Verteilen -Ansatz. Verteilen einer Central Tendency über die Klassen liefert stabile (bei verschiedenen Konfidenzniveaus) Klassenausfallwahrscheinlichkeiten. Spreizung der Schätzwerte über Klassen unter Unabhängigkeitsannahme am größten. Konservatismus kann durch Wahl von portfolioweiter Konfidenzgrenze als Central Tendency erreicht werden. 109
Anwendungen der Stochastik in der Bankenaufsicht
Anwendungen der Stochastik in der Bankenaufsicht Dr. Dirk Tasche Banken und Finanzaufsicht Deutsche Bundesbank tasche@ma.tum.de Tel.: (0 69) 9566-6729 Stand: 12.07.2006 Die auf diesen Folien ausgedrückten
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrStochastische 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)
MehrZwei einfache Kennzahlen für große Engagements
Klecksen nicht klotzen Zwei einfache Risikokennzahlen für große Engagements Dominik Zeillinger, Hypo Tirol Bank Die meisten Banken besitzen Engagements, die wesentlich größer sind als der Durchschnitt
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrCommercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit
Commercial Banking Kreditgeschäft Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Bedingte Marginale Ausfallwahrscheinlichkeit (BMAW t ) (Saunders: MMR ) prob (Ausfall in Periode t kein Ausfall
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
Mehr7 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
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrVergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko
Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Jan Jescow Stoehr Gliederung 1. Einführung / Grundlagen 1.1 Ziel 1.2 CreditRisk+ und CreditMetrics 2. Kreditportfolio 2.1 Konstruktion
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrMonte 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
MehrRekursionen (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
MehrAbsolute 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
Mehr9.2. 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
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrÜbungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.
Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrQuantilsschätzung als Werkzeug zur VaR-Berechnung
Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird
MehrKreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008
Kreditrisiko bei Swiss Life Carl-Heinz Meyer, 13.06.2008 Agenda 1. Was versteht man unter Kreditrisiko? 2. Ein Beisiel zur Einführung. 3. Einige kleine Modelle. 4. Das grosse kollektive Modell. 5. Risikoberechnung
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrDefinition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat.
Die k/2 - Formel von Renate Vistorin Zentrales Thema dieses Vortrages ist die k/2 - Formel für meromorphe Modulformen als eine Konsequenz des Residuensatzes. Als Folgerungen werden danach einige Eigenschaften
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrModellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung
Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrZielsetzung. Problematik
Kreditrisiko-Modellierung für Versicherungsunternehmen Tamer Yilmaz 21. November 2007 Zielsetzung Die Ermittlung der Eigenkapitalhinterlegung für das Kreditrisiko, die auf das Versicherungsunternehmen
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrFinanzwirtschat Ⅶ. Basel II und Rating. Meihua Peng Zhuo Zhang
Finanzwirtschat Ⅶ Basel II und Rating Meihua Peng Zhuo Zhang Gliederung Geschichte und Entwicklung Inhalt von Basel II - Die Ziele von Basel II - Die drei Säulen Rating - Begriff eines Ratings - Externes
MehrFachschaft 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
MehrEntladen und Aufladen eines Kondensators über einen ohmschen Widerstand
Entladen und Aufladen eines Kondensators über einen ohmschen Widerstand Vorüberlegung In einem seriellen Stromkreis addieren sich die Teilspannungen zur Gesamtspannung Bei einer Gesamtspannung U ges, der
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrERGÄNZUNGEN 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,
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrDefinition 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
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrUniversität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW
Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrFinanzwirtschaft. Teil II: Bewertung
Sparpläne und Kreditverträge 1 Finanzwirtschaft Teil II: Bewertung Sparpläne und Kreditverträge Agenda Sparpläne und Kreditverträge 2 Endliche Laufzeit Unendliche Laufzeit Zusammenfassung Sparpläne und
MehrFotios 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
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
1 3.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrCommercial Banking. Kreditportfoliosteuerung
Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrKapitel 15: Differentialgleichungen
FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen
MehrFremdwährungsanteil bei Tilgungsträgerkrediten bei 86 % eine Analyse der Fremdwährungskreditstatistik 1
Fremdwährungsanteil bei strägerkrediten bei 86 % eine Analyse der Fremdwährungskreditstatistik 1 Christian Sellner 2 Im europäischen Vergleich ist das Volumen der Fremdwährungskredite in Österreich sehr
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrSchleswig-Holstein 2011. Kernfach Mathematik
Aufgabe 6: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein. Machen Sie auch Angaben über die Verteilung der jeweiligen Zufallsvariablen. Eine repräsentative
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrAbitur 2007 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2007 Mathematik GK Stochastik Aufgabe C1 Eine Werbeagentur ermittelte durch eine Umfrage im Auftrag eines Kosmetikunternehmens vor Beginn einer Werbekampagne
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
5.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind zwei
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrTangentengleichung. 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
Mehr13. 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)
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrLösungshinweise zur Einsendearbeit 2 SS 2011
Lösungshinweise zur Einsendearbeit 2 zum Kurs 41500, Finanzwirtschaft: Grundlagen, SS2011 1 Lösungshinweise zur Einsendearbeit 2 SS 2011 Finanzwirtschaft: Grundlagen, Kurs 41500 Aufgabe Finanzierungsbeziehungen
MehrDivision 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
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
Mehrwww.meyer-technik.de Rating 20. April 2007 Seite 1
Rating 20. April 2007 Seite 1 Was ist Rating? Bewertung der Bonität Ein Rating ist eine durch spezifische Symbole einer ordentlichen Skala ausgedrückte Meinung über - die wirtschaftliche Fähigkeit, - die
MehrVermögensbildung: Sparen und Wertsteigerung bei Immobilien liegen vorn
An die Redaktionen von Presse, Funk und Fernsehen 32 02. 09. 2002 Vermögensbildung: Sparen und Wertsteigerung bei Immobilien liegen vorn Das aktive Sparen ist nach wie vor die wichtigste Einflussgröße
MehrBASEL. Prof. Dr. Dr. F. J. Radermacher Datenbanken/Künstliche Intelligenz. franz-josef.radermacher@uni-ulm.de
Prof. Dr. Dr. F. J. Radermacher Datenbanken/Künstliche Intelligenz franz-josef.radermacher@uni-ulm.de Seite 2 Eigenkapitalunterlegung laut Basel I Aktiva Kredite, Anleihen etc. Risikogewichtete Aktiva
MehrDie Optimalität von Randomisationstests
Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis
MehrCharakteristikenmethode 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)
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
MehrLösung. Prüfungsteil 1: Aufgabe 1
Zentrale Prüfung 01 Lösung Diese Lösung wurde erstellt von Cornelia Sanzenbacher. Sie ist keine offizielle Lösung des Ministeriums für Schule und Weiterbildung des Landes. Prüfungsteil 1: Aufgabe 1 a)
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
Mehr