ARCH- und GARCH-Modelle

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "ARCH- und GARCH-Modelle"

Transkript

1 ARCH- und GARCH-Modelle Thomas Simon Analyse und Modellierung komplexer Systeme homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

2 Ausgangssituation Ziel ist die Beschreibung von Finanzmarktdaten Es handelt sich um zufällige Daten, die nicht redundant sind Datensätze sehr umfangreich Liegen jeweils in verschiedenen Zeiteinheiten vor ARCH- und GARCH Modelle: stochastiche Prozesse homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

3 Ausgangssituation Ziel ist die Beschreibung von Finanzmarktdaten Es handelt sich um zufällige Daten, die nicht redundant sind Datensätze sehr umfangreich Liegen jeweils in verschiedenen Zeiteinheiten vor ARCH- und GARCH Modelle: stochastiche Prozesse homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

4 Ausgangssituation Ziel ist die Beschreibung von Finanzmarktdaten Es handelt sich um zufällige Daten, die nicht redundant sind Datensätze sehr umfangreich Liegen jeweils in verschiedenen Zeiteinheiten vor ARCH- und GARCH Modelle: stochastiche Prozesse homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

5 Ausgangssituation Ziel ist die Beschreibung von Finanzmarktdaten Es handelt sich um zufällige Daten, die nicht redundant sind Datensätze sehr umfangreich Liegen jeweils in verschiedenen Zeiteinheiten vor ARCH- und GARCH Modelle: stochastiche Prozesse homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

6 Ausgangssituation Ziel ist die Beschreibung von Finanzmarktdaten Es handelt sich um zufällige Daten, die nicht redundant sind Datensätze sehr umfangreich Liegen jeweils in verschiedenen Zeiteinheiten vor ARCH- und GARCH Modelle: stochastiche Prozesse homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

7 Probleme der richtigen Größen und Skalen Was wird modelliert? Z(t) Y (t + t) Y (t) Z D (t) [Y (t + t) Y (t)]d(t) Y (t + t) Y (t) R(t) = Z(t) Y (t) Y (t) S(t) log(y (t + t)) log(y (t)) homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

8 Probleme der richtigen Größen und Skalen Zeitskala Zeitskala: Physikalische Zeit Handelszeit Durchführung von Transaktionen homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

9 Probleme der richtigen Größen und Skalen Zeitskala Zeitskala: Physikalische Zeit Handelszeit Durchführung von Transaktionen homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

10 Probleme der richtigen Größen und Skalen Zeitskala Zeitskala: Physikalische Zeit Handelszeit Durchführung von Transaktionen homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

11 Zeitskalen am Beispiel des S&P 500 index Im rechten Plot wurde Z mit α = 1.4 wie folgt skaliert: Z Z ( t) 1 α homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

12 Empirische Dichte für t = 1 min des S&P 500 index homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

13 Charakteristika von Finanzmarktdaten Eigenschaften der Daten Leptokurtische Verteilung Volatilitätsclustering Stochastische Trends vs. Stationarität Leverage-Effekt homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

14 Charakteristika von Finanzmarktdaten Eigenschaften der Daten Leptokurtische Verteilung Volatilitätsclustering Stochastische Trends vs. Stationarität Leverage-Effekt homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

15 Charakteristika von Finanzmarktdaten Eigenschaften der Daten Leptokurtische Verteilung Volatilitätsclustering Stochastische Trends vs. Stationarität Leverage-Effekt homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

16 Charakteristika von Finanzmarktdaten Eigenschaften der Daten Leptokurtische Verteilung Volatilitätsclustering Stochastische Trends vs. Stationarität Leverage-Effekt homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

17 ARCH(p)-Prozess Definition ARCH-Prozess ist ein diskreter stochastischer Prozess (x t ) t N x t normalverteilt mit µ = 0 und Varianz σ 2 t σ 2 t = α 0 + α 1 x 2 t α px 2 t p. α 0, α 1,..., α p R +. Im Falle von p Parametern spricht man von einem ARCH(p)-Prozess. Der Preisprozess ist gegeben durch die kumulierten Zuwächse: S(t) = t x i. i=1 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

18 ARCH(1)-Prozess Eigenschaften σ t = α 0 + α 1 x 2 t 1 Nicht-bedingte Varianz von (x t ) t N : falls 1 α 1 0 und 0 α 1 < 1. Nicht-bedingte Kurtosis von (x t ) t N : σ = α 0 1 α 1 (1) κ = 3 + 6α α 2 1 (2) falls 0 α 1 < 1 3 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

19 ARCH(1)-Prozess Eigenschaften σ t = α 0 + α 1 x 2 t 1 Nicht-bedingte Varianz von (x t ) t N : falls 1 α 1 0 und 0 α 1 < 1. Nicht-bedingte Kurtosis von (x t ) t N : σ = α 0 1 α 1 (1) κ = 3 + 6α α 2 1 (2) falls 0 α 1 < 1 3 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

20 ARCH(1)-Prozess Eigenschaften σ t = α 0 + α 1 x 2 t 1 Nicht-bedingte Varianz von (x t ) t N : falls 1 α 1 0 und 0 α 1 < 1. Nicht-bedingte Kurtosis von (x t ) t N : σ = α 0 1 α 1 (1) κ = 3 + 6α α 2 1 (2) falls 0 α 1 < 1 3 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

21 ARCH(1)-Prozess Simulation in R arch <- function(a,n,s=1){ c=mat.or.vec(n,1) c[1]=(rnorm(1,0,s)) 2 for(i in 1:(n-1)){ s=sqrt(a[1]+a[2]*(c[i] 2 )) c[i+1]=rnorm(1,0,s) } return(c) } k=arch(a,100000) S=cumsum(k) homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

22 Simulation von S t homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

23 Simulation der Zunahmen x t homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

24 Simulation der zugehörigen Dichte(α 0 = 1, α 1 = 0) Moment Theoretisch Empirisch Varianz 1 1 Kurtosis homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

25 Simulation der zugehörigen Dichte(α 0 = 0.5, α 1 = 0.5) Moment Theoretisch Empirisch Varianz 1 1 Kurtosis homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

26 Simulation der zugehörigen Dichte(α 0 = 0.45, α 1 = 0.55) Moment Theoretisch Empirisch Varianz Kurtosis homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

27 Probleme des ARCH-Modells Gute Modellierung einer Zeitreihe benötigt zahlreiche Paramter Schätzprobleme Bedingt wird nur unter den einzelnen Zuwächsen Volatilitätsclustering wird unzureichend wiedergegeben Idee Verallgemeinerung des ARCH-Modells homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

28 Probleme des ARCH-Modells Gute Modellierung einer Zeitreihe benötigt zahlreiche Paramter Schätzprobleme Bedingt wird nur unter den einzelnen Zuwächsen Volatilitätsclustering wird unzureichend wiedergegeben Idee Verallgemeinerung des ARCH-Modells homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

29 GARCH(q,p)-Prozess Definition GARCH-Prozess ist ein diskreter stochastischer Prozess (x t ) t N x t normalverteilt mit µ = 0 und Varianz σ 2 t σ 2 t = α 0 + α 1 x 2 t α px 2 t p + β 1 σ 2 t β qσ 2 t q α 0,..., α p, β 1,..., β q R +. Im Falle von p, bzw. q Parametern spricht man von einem GARCH(p,q)-Prozess. Der Preisprozess ist gegeben durch die kumulierten Zuwächse: S(t) = t x i. i=1 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

30 GARCH(1,1)-Prozess Eigenschaften σ t = α 0 + α 1 x 2 t 1 + β 1σ 2 t 1 Nicht-bedingte Varianz von (x t ) t N : σ = Nicht-bedingte Kurtosis von (x t ) t N : α 0 1 α 1 β 1 (3) 6α 2 1 κ = α1 2 2α 1β 1 β1 2 (4) homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

31 GARCH(1,1)-Prozess Eigenschaften σ t = α 0 + α 1 x 2 t 1 + β 1σ 2 t 1 Nicht-bedingte Varianz von (x t ) t N : σ = Nicht-bedingte Kurtosis von (x t ) t N : α 0 1 α 1 β 1 (3) 6α 2 1 κ = α1 2 2α 1β 1 β1 2 (4) homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

32 GARCH(1,1)-Prozess Eigenschaften σ t = α 0 + α 1 x 2 t 1 + β 1σ 2 t 1 Nicht-bedingte Varianz von (x t ) t N : σ = Nicht-bedingte Kurtosis von (x t ) t N : α 0 1 α 1 β 1 (3) 6α 2 1 κ = α1 2 2α 1β 1 β1 2 (4) homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

33 GARCH(1,1)-Prozess Eigenschaften σ t = α 0 + α 1 x 2 t 1 + β 1σ 2 t 1 Nicht-bedingte Varianz von (x t ) t N : σ = Nicht-bedingte Kurtosis von (x t ) t N : α 0 1 α 1 β 1 (3) 6α 2 1 κ = α1 2 2α 1β 1 β1 2 (4) homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

34 Vergleich mit den empirischen S&P 500 Daten für t = 1 min Wahl der Kontrollparameter S&P 500 -Daten liefern Varianz und Kurtosis. β 1 = 0.9 Berechnung der Kontrollparameter Simulation des Prozesses gibt eine empirische Dichte homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

35 Vergleich mit den empirischen S&P 500 Daten für t = 1 min Wahl der Kontrollparameter S&P 500 -Daten liefern Varianz und Kurtosis. β 1 = 0.9 Berechnung der Kontrollparameter Simulation des Prozesses gibt eine empirische Dichte homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

36 Vergleich mit den empirischen S&P 500 Daten für t = 1 min Wahl der Kontrollparameter S&P 500 -Daten liefern Varianz und Kurtosis. β 1 = 0.9 Berechnung der Kontrollparameter Simulation des Prozesses gibt eine empirische Dichte homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

37 Vergleich mit den empirischen S&P 500 Daten für t = 1 min Wahl der Kontrollparameter S&P 500 -Daten liefern Varianz und Kurtosis. β 1 = 0.9 Berechnung der Kontrollparameter Simulation des Prozesses gibt eine empirische Dichte homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

38 Vergleich mit den empirischen S&P 500 Daten für t = 1 min Wahl der Kontrollparameter S&P 500 -Daten liefern Varianz und Kurtosis. β 1 = 0.9 Berechnung der Kontrollparameter Simulation des Prozesses gibt eine empirische Dichte homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

39 Vergleich mit den empirischen S&P 500 Daten für t = 1 min Linkes Bild: Simulierter GARCH(1,1)-Prozess mit α 0 = , α 1 = und β 1 = 0.9. Rechtes Bild: Vergleich mit einer Normalverteilung und einem TLF. homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

40 Vergleich mit den empirischen S&P 500 Daten für t = 1 min Linkes Bild: Simulierter GARCH(1,1)-Prozess mit α 0 = , α 1 = und β 1 = 0.9. Rechtes Bild: Vergleich mit einer Normalverteilung und einem TLF. homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

41 Auswirkungen der Wahl des Zeitintervalls Kreise: S&P hochfrequente Daten. Quadrate: Simulation eines GARCH(1,1)Prozesses. homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

42 Autokovarianz des Prozesses Begriff der Autokovarianz cov(z t, z t+n ) = E{(z t E{z t }) (z t+n E{z t+n })} Autokovarianz von (x 2 t ) t N cov(x 2 t, x 2 t+n) =(α 1 + β 1 )cov(x 2 t, x 2 t+n 1) =(α 1 + β 1 ) n cov(xt 2, xt 2 ) ( ) n =exp ln(α 1 + β 1 ) 1 var(xt 2 ) ( =Aexp n ) τ Korrelation der Varianz Empirische Daten : polynomielle Korrelation GARCH - Modell : exponentielle Korrelation homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

43 Autokovarianz des Prozesses Begriff der Autokovarianz cov(z t, z t+n ) = E{(z t E{z t }) (z t+n E{z t+n })} Autokovarianz von (x 2 t ) t N cov(x 2 t, x 2 t+n) =(α 1 + β 1 )cov(x 2 t, x 2 t+n 1) =(α 1 + β 1 ) n cov(xt 2, xt 2 ) ( ) n =exp ln(α 1 + β 1 ) 1 var(xt 2 ) ( =Aexp n ) τ Korrelation der Varianz Empirische Daten : polynomielle Korrelation GARCH - Modell : exponentielle Korrelation homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

44 Autokovarianz des Prozesses Begriff der Autokovarianz cov(z t, z t+n ) = E{(z t E{z t }) (z t+n E{z t+n })} Autokovarianz von (x 2 t ) t N cov(x 2 t, x 2 t+n) =(α 1 + β 1 )cov(x 2 t, x 2 t+n 1) =(α 1 + β 1 ) n cov(xt 2, xt 2 ) ( ) n =exp ln(α 1 + β 1 ) 1 var(xt 2 ) ( =Aexp n ) τ Korrelation der Varianz Empirische Daten : polynomielle Korrelation GARCH - Modell : exponentielle Korrelation homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

45 Aggregation des Prozesses Normierte Aggregation - Zentraler Grenzwertsatz Falls (x t ) t N i.i.d. und Varianz endlich: zentraler Grenzwertsatz n Sn = 1 x σ 2 t ist dann im Grenzwert normalverteilt(µ = 0, σ 2 = 1). n t=1 Einfache Aggregation ABER: S (m) m 1 t = x t i (5) i=0 Ist wieder GARCH-Prozess in t. Kontrollparameteränderung! homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

46 Aggregation des Prozesses Normierte Aggregation - Zentraler Grenzwertsatz Falls (x t ) t N i.i.d. und Varianz endlich: zentraler Grenzwertsatz n Sn = 1 x σ 2 t ist dann im Grenzwert normalverteilt(µ = 0, σ 2 = 1). n t=1 Einfache Aggregation ABER: S (m) m 1 t = x t i (5) i=0 Ist wieder GARCH-Prozess in t. Kontrollparameteränderung! homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

47 Aggregation des Prozesses Normierte Aggregation - Zentraler Grenzwertsatz Falls (x t ) t N i.i.d. und Varianz endlich: zentraler Grenzwertsatz n Sn = 1 x σ 2 t ist dann im Grenzwert normalverteilt(µ = 0, σ 2 = 1). n t=1 Einfache Aggregation ABER: S (m) m 1 t = x t i (5) i=0 Ist wieder GARCH-Prozess in t. Kontrollparameteränderung! homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

48 Aggregation des Prozesses Normierte Aggregation - Zentraler Grenzwertsatz Falls (x t ) t N i.i.d. und Varianz endlich: zentraler Grenzwertsatz n Sn = 1 x σ 2 t ist dann im Grenzwert normalverteilt(µ = 0, σ 2 = 1). n t=1 Einfache Aggregation ABER: S (m) m 1 t = x t i (5) i=0 Ist wieder GARCH-Prozess in t. Kontrollparameteränderung! homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

49 Aggregation des Prozesses Normierte Aggregation - Zentraler Grenzwertsatz Falls (x t ) t N i.i.d. und Varianz endlich: zentraler Grenzwertsatz n Sn = 1 x σ 2 t ist dann im Grenzwert normalverteilt(µ = 0, σ 2 = 1). n t=1 Einfache Aggregation ABER: S (m) m 1 t = x t i (5) i=0 Ist wieder GARCH-Prozess in t. Kontrollparameteränderung! homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

50 Aggregation des Prozesses Normierte Aggregation - Zentraler Grenzwertsatz Falls (x t ) t N i.i.d. und Varianz endlich: zentraler Grenzwertsatz n Sn = 1 x σ 2 t ist dann im Grenzwert normalverteilt(µ = 0, σ 2 = 1). n t=1 Einfache Aggregation ABER: S (m) m 1 t = x t i (5) i=0 Ist wieder GARCH-Prozess in t. Kontrollparameteränderung! homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

51 Aggregation des Prozesses Veränderung der Parameter durch einfache temporale Aggregation α (m) 0 =α 0 1 B m 1 B α (m) 1 =B m β (m) wobei β (m) (0, 1) die Lösung der folgenden quadratischen Gleichung ist. β (m) 1 + [β (m) ] 2 = β 1 B m α 2 1 [1 B2m 2 ]/[1 B 2 ] + β 2 1 B2m 2 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

52 Parameteränderung bei Aggregation Die Startpunkte sind (β 1 = 0.8), (α 1 = 0.05,.1,.19,.199 und.1999). Das Zeitfenster der Aggregation wird verdoppelt, bzw. halbiert. homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

53 Zusammenfassung GARCH-Prozess beschreibt sehr gut hochfrequente Finanzzeitreihen Zeitskalierung kann nicht abgebildet werden Anwendung: Vorhersage von Schwankungen >Risikoeinschätzung Wichtige Annahme: Asymptotische Stationarität Modellerweiterungen homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

54 Noch Fragen...? homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle / 27

Das GARCH Modell zur Modellierung von Finanzmarktzeitreihen. Seminararbeit von Frauke Heuermann Juni 2010

Das GARCH Modell zur Modellierung von Finanzmarktzeitreihen. Seminararbeit von Frauke Heuermann Juni 2010 Das GARCH Modell zur Modellierung von Finanzmarktzeitreihen Seminararbeit von Frauke Heuermann Juni 2010 i Inhaltsverzeichnis 0 Einleitung 1 1 Der ARCH-Prozess 1 1.1 Das ARCH(1)-Modell........................

Mehr

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel

Anhand 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

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

13.5 Der zentrale Grenzwertsatz

13.5 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

Mehr

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen

Mehr

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum) Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung 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

Mehr

Abhängigkeiten zwischen Großschäden

Abhängigkeiten zwischen Großschäden Abhängigkeiten zwischen Großschäden Holger Drees, Universität Hamburg I. Typen von Abhängigkeiten II. Modelle für abhängige Großschäden III. Fallstudie: Dänische Feuerversicherung I. Typen von Abhängigkeiten

Mehr

Zeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX

Zeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX Zeitreihenanalyse Teil III: Nichtlineare Zeitreihenmodelle Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel DAX -10-5 0 5 10 0 200 400 600 800 1000 trading day Göttingen, Januar 2008 Inhaltsverzeichnis

Mehr

B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!

B 2.  Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!! Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden

Mehr

Oliver Mußhoff / Norbert Hirschauer: Bewertung komplexer Optionen. http://www.pd-verlag.de/buecher/68.html

Oliver Mußhoff / Norbert Hirschauer: Bewertung komplexer Optionen. http://www.pd-verlag.de/buecher/68.html Auf den folgenden Seiten finden Sie das Inhaltsverzeichnis zu dem Buch: Oliver Mußhoff / Norbert Hirschauer: Bewertung komplexer Optionen Umsetzung numerischer Verfahren mittels MS-EXCEL und Anwendungsmöglichkeiten

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte 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

Mehr

Modellierung von Preisprozessen: Stochastische Volatilität

Modellierung von Preisprozessen: Stochastische Volatilität Modellierung von Preisprozessen: Stochastische Volatilität Jochen Krebs 30.11.2007 Gliederung 1. Ausgangssituation 2. Volatilitätsbegriffe 3. Ursachen von Volatilitätsschwankungen 4. Ein Volatilitäts-Informations-Modell

Mehr

Angewandte 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. 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

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische 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

Mehr

Risikomessung und Value at Risk Wintersemester 2013/14

Risikomessung und Value at Risk Wintersemester 2013/14 Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung

Mehr

2. Eigenschaften digitaler Nachrichtensignale

2. Eigenschaften digitaler Nachrichtensignale FH OOW / Fachb. Technik / Studiengang Elektrotechnik u. Automatisierungstechnik Seite 2-2. Eigenschaften digitaler Nachrichtensignale 2. Abgrenzung zu analogen Signalen Bild 2.- Einteilung der Signale

Mehr

W-Rechnung und Statistik für Ingenieure Übung 11

W-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

Mehr

TEILWEISE ASYNCHRONE ALGORITHMEN

TEILWEISE ASYNCHRONE ALGORITHMEN TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner

Mehr

Schleswig-Holstein 2011. Kernfach Mathematik

Schleswig-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

Mehr

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3 Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen

Mehr

Nächste-Nachbarn-Verfahren zur Reservierung für Einzelschäden

Nächste-Nachbarn-Verfahren zur Reservierung für Einzelschäden Nächste-Nachbarn-Verfahren zur Reservierung für Einzelschäden Universität Hamburg, Department Mathematik Hamburg, 16. November 2006 ASTIN-Herbsttagung Motivation Vorgehen Problemstellung Situation: Ziel:

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

Geometrische Brownsche Bewegung und Brownsche Brücke

Geometrische Brownsche Bewegung und Brownsche Brücke Geometrische Brownsche Bewegung und Brownsche Brücke Korinna Griesing Dozentin: Prof. Dr. Christine Müller 17. April 2012 Korinna Griesing 1 (26) Inhalt Motivation Statistische Methoden Geometrische Brownsche

Mehr

Überblick über die Tests

Überblick über die Tests Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt

Mehr

Monty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen

Monty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser

Mehr

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 6 Endliche Kameras Die Lochkamera Die Projektive Kamera Die projektive Kamera Spalten von P Zeilen von P Hauptpunkt und Hauptachse

Mehr

1.3 Die Beurteilung von Testleistungen

1.3 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

Mehr

Analyse von Finanzmarktdaten mittels Multivariater GARCH-Modelle

Analyse von Finanzmarktdaten mittels Multivariater GARCH-Modelle Analyse von Finanzmarktdaten mittels Multivariater GARCH-Modelle Spill-Over-Effekte von Volatilitäten: Euro-Wechselkurs und Finanzmärkte in Europa Freie wissenschaftliche Arbeit für die Diplomprüfung für

Mehr

Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle

Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle Motivation Grundbegriffe Autoregressionen (AR-Modelle) Dynamische Regressionsmodelle (ADL-Modelle) Nichstationarität Ausblick 12.1 Motivation

Mehr

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.

Mehr

Seminar zur Theorie der Teilchen und Felder. Van der Waals Theorie

Seminar zur Theorie der Teilchen und Felder. Van der Waals Theorie Seminar zur Theorie der Teilchen und Felder Van der Waals Theorie Tobias Berheide 18.11.2009 1 Inhaltsverzeichnis 1 Einleitung 3 2 Das Van der Waals Gas 3 2.1 Das ideale Gas..............................

Mehr

Kapitel 2 Wahrscheinlichkeitsrechnung

Kapitel 2 Wahrscheinlichkeitsrechnung Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Evaluating Liquidation Strategies for Insurance Companies

Evaluating Liquidation Strategies for Insurance Companies Graduiertenkolleg Risikomanagement Universität zu Köln Evaluating Liquidation Strategies for Insurance Companies T. Berry-Stölzle 4. Kölner Workshop Quantitative Finanzmarktforschung 13. November 2004

Mehr

Genexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression

Genexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression Genexpressionsmessung Genexpression Transkription (Vorgang) Genexpression (quantitativ) Wieviele m-rna Moleküle eines bestimmten Gens sind in den Zellen? Genomische Datenanalyse 8. Kapitel Wie mißt man

Mehr

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007 Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer

Mehr

Frankfurt School - Working Paper Series. No. 208

Frankfurt School - Working Paper Series. No. 208 Frankfurt School - Working Paper Series No. 208 Messung des Marktrisikos mit generalisierter autoregressiver bedingter heteroskedastischer Modellierung der Volatilität Ein Vergleich univariater und multivariater

Mehr

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

Mehr

Lebensdauer eines x-jährigen

Lebensdauer eines x-jährigen Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................

Mehr

Füllmenge. 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

Füllmenge. 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

Mehr

Ideale und Reale Gase. Was ist ein ideales Gas? einatomige Moleküle mit keinerlei gegenseitiger WW keinem Eigenvolumen (punktförmig)

Ideale und Reale Gase. Was ist ein ideales Gas? einatomige Moleküle mit keinerlei gegenseitiger WW keinem Eigenvolumen (punktförmig) Ideale und Reale Gase Was ist ein ideales Gas? einatomige Moleküle mit keinerlei gegenseitiger WW keinem Eigenvolumen (punktförmig) Wann sind reale Gase ideal? Reale Gase verhalten sich wie ideale Gase

Mehr

Brownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung

Brownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;

Mehr

Portfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen?

Portfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Portfolioselection Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Investieren in Aktien ist riskant Risiko einer Aktie kann in 2 Teile zerlegt werden: o Unsystematisches Risiko

Mehr

Übungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13

Übungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13 Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Prof. Dr. Dres. h.c. Hans Georg Bock Dr. Christian Kirches Dipl.-Phys. Simon Lenz Übungen zur Numerischen Mathematik 2 Sommersemester

Mehr

Multivariate Verteilungen

Multivariate Verteilungen Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig

Mehr

P( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X)

P( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X) Ich habe eine Frage zur Tschebyschew Ungleichung. In der Aufgabe 4 des Übungsblattes 3 benötigt man ja die Ungleichung. In diesem Falle war der Bereich (0, 20) symmetrisch um den Erwartungswert µ = 5.

Mehr

Optionsbewertung in stochastischen Volatilitätsmodellen

Optionsbewertung in stochastischen Volatilitätsmodellen Optionsbewertung in stochastischen Volatilitätsmodellen Diplomarbeit von Berthold R. Haag Betreuer: Prof. Dr. H. Kogelschatz Ruprecht-Karls-Universität Heidelberg Fakultät für Wirtschafts- und Sozialwissenschaften

Mehr

Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik)

Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) 2 Klausur-Nr = Sitzplatz-Nr Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) Klausurteil 1: Beschreibende Statistik Name, Vorname:... verteilung Teil 1: Beschreibende Statistik Aufgaben

Mehr

1 Anregung von Oberflächenwellen (30 Punkte)

1 Anregung von Oberflächenwellen (30 Punkte) 1 Anregung von Oberflächenwellen (30 Punkte) Eine ebene p-polarisierte Welle mit Frequenz ω und Amplitude E 0 trifft aus einem dielektrischen Medium 1 mit Permittivität ε 1 auf eine Grenzfläche, die mit

Mehr

Eine Anwendung der Block Maxima Methode im Risikomanagement. Diplomarbeit. vorgelegt von Birgit Woeste

Eine Anwendung der Block Maxima Methode im Risikomanagement. Diplomarbeit. vorgelegt von Birgit Woeste Eine Anwendung der Block Maxima Methode im Risikomanagement Diplomarbeit vorgelegt von Birgit Woeste Betreuer: Privatdozent Dr Volkert Paulsen Mathematisches Institut für Statistik Fachbereich Mathematik

Mehr

Die Näherung durch die Sekante durch die Punkte A und C ist schlechter, da der Punkt C weiter von A entfernt liegt.

Die Näherung durch die Sekante durch die Punkte A und C ist schlechter, da der Punkt C weiter von A entfernt liegt. LÖSUNGEN TEIL 1 Arbeitszeit: 50 min Gegeben ist die Funktion f mit der Gleichung. Begründen Sie, warum die Steigung der Sekante durch die Punkte A(0 2) und C(3 11) eine weniger gute Näherung für die Tangentensteigung

Mehr

Vorlesung Maschinelles Lernen

Vorlesung Maschinelles Lernen Vorlesung Maschinelles Lernen Additive Modelle Katharina Morik Informatik LS 8 Technische Universität Dortmund 7.1.2014 1 von 34 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 34 Ausgangspunkt:

Mehr

Übersicht. 1 Unsicherheit und Klimawandel. 2 Umgang mit Unsicherheit in IAMs. 3 Strukturelle Unsicherheit: Weitzmans Dismal Theorem

Übersicht. 1 Unsicherheit und Klimawandel. 2 Umgang mit Unsicherheit in IAMs. 3 Strukturelle Unsicherheit: Weitzmans Dismal Theorem Vorlesung 8: Bewertung III 1/15 Übersicht 1 Unsicherheit und Klimawandel 2 Umgang mit Unsicherheit in IAMs 3 Strukturelle Unsicherheit: Weitzmans Dismal Theorem Vorlesung 8: Bewertung III 2/15 Unsicherheit

Mehr

Value at Risk Einführung

Value at Risk Einführung Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover

Mehr

Approximationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen.

Approximationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen. Fakultät Informatik, Institut für Angewandte Informatik, Professur für Technische Informationssysteme Approximationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen.

Mehr

Wichtige Definitionen und Aussagen

Wichtige Definitionen und Aussagen Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge

Mehr

Risikoeinstellungen empirisch

Risikoeinstellungen empirisch Risikoeinstellungen empirisch Risk attitude and Investment Decisions across European Countries Are women more conservative investors than men? Oleg Badunenko, Nataliya Barasinska, Dorothea Schäfer http://www.diw.de/deutsch/soep/uebersicht_ueber_das_soep/27180.html#79569

Mehr

In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.

In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht

Mehr

Kapitel VI - Lage- und Streuungsparameter

Kapitel VI - Lage- und Streuungsparameter Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie

Mehr

Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel

Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

Wechselkurse und Finanzmarkt-Indizes

Wechselkurse und Finanzmarkt-Indizes 8. Mai 2008 Inhaltsverzeichnis 1 Wechselkurse Einführung Wechselkurs US Dollar - Deutsche Mark Statistischer Prozess 2 Reinjektion Eigenschaften der Fluktuationen von x(τ) 3 Diffusion auf Finanzmärkten

Mehr

Einführung in Statistik und Messwertanalyse für Physiker

Einführung in Statistik und Messwertanalyse für Physiker Gerhard Böhm, Günter Zech Einführung in Statistik und Messwertanalyse für Physiker SUB Göttingen 7 219 110 697 2006 A 12486 Verlag Deutsches Elektronen-Synchrotron Inhalt sverzeichnis 1 Einführung 1 1.1

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch 6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6

Mehr

Teil I Beschreibende Statistik 29

Teil I Beschreibende Statistik 29 Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................

Mehr

Reelle Zufallsvariablen

Reelle Zufallsvariablen Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen

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

Kap. 8: Speziell gewählte Kurven

Kap. 8: Speziell gewählte Kurven Stefan Lucks 8: Spezielle Kurven 82 Verschl. mit Elliptischen Kurven Kap. 8: Speziell gewählte Kurven Zur Erinnerung: Für beliebige El. Kurven kann man den Algorithmus von Schoof benutzen, um die Anzahl

Mehr

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische

Mehr

Energie braucht Impulse. Caroline Heidorn, Dr. Kai Hufendiek, Dr. Frieder Kalisch. EnBW Trading GmbH, Karlsruhe

Energie braucht Impulse. Caroline Heidorn, Dr. Kai Hufendiek, Dr. Frieder Kalisch. EnBW Trading GmbH, Karlsruhe Erweiterung des Convenience-Yield- Modells für die Preisbildung von Rohöl um den Preiseinfluss verfügbarer Förderkapazitäten Internationale Energiewirtschaftstagung an der TU Wien 11. 13. Februar 2009,

Mehr

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 14 Lehren für s Management & das tägliche Leben III: Zins und exponentielles Wachstum Zur Erinnerung: mit grossen n gilt: n! > c n > n c > log n. Aus der Analysis

Mehr

Datenanalyse mit Python. Dr. Wolfram Schroers <Wolfram.Schroers - at - Field-theory.org>

Datenanalyse mit Python. Dr. Wolfram Schroers <Wolfram.Schroers - at - Field-theory.org> Datenanalyse mit Python Dr. Wolfram Schroers Problem Beobachtungen Modell (Annahmen, Vereinfachungen) Vorhersagen Vergleich Python: Stärken und Schwächen Anwendung:

Mehr

A2.3: Sinusförmige Kennlinie

A2.3: Sinusförmige Kennlinie A2.3: Sinusförmige Kennlinie Wie betrachten ein System mit Eingang x(t) und Ausgang y(t). Zur einfacheren Darstellung werden die Signale als dimensionslos betrachtet. Der Zusammenhang zwischen dem Eingangssignal

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

Einführung in die Statistik mit EXCEL und SPSS

Einführung in die Statistik mit EXCEL und SPSS Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen

Mehr

Zusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen

Zusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k

Mehr

Melanie Kaspar, Prof. Dr. B. Grabowski 1

Melanie 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

Mehr

Bewertung von Derivaten im Black-Scholes Modell

Bewertung von Derivaten im Black-Scholes Modell Bewertung von Derivaten im Black-Scholes Modell Bachelorarbeit Westfälische Wilhelms-Universität Münster Fachbereich Mathematik und Informatik Institut für Mathematische Statistik Betreuung: PD Dr. Volkert

Mehr

Irrfahrten. Und ihre Bedeutung in der Finanzmathematik

Irrfahrten. Und ihre Bedeutung in der Finanzmathematik Irrfahrten Und ihre Bedeutung in der Finanzmathematik Alexander Hahn, 04.11.2008 Überblick Ziele der Finanzmathematik Grundsätzliches zu Finanzmarkt, Aktien, Optionen Problemstellung in der Praxis Der

Mehr

Portfolio Management

Portfolio Management Kapitel 3 Portfolio Management Josef Leydold c 2006 Mathematische Methoden III Portfolio Management 1 / 45 Lernziele Konzept der modernen Portfolio-Theorie Capital Asset Pricing Model Optimieren eines

Mehr

Einführung und Beispiele

Einführung und Beispiele Kapitel 1 Einführung und Beispiele Inhalt: Anwendungsbeispiele erste Definition eines stochastischen Prozesses einige spezielle stochastische Prozesse Ziel: Aufzeigen der Vielfalt stochastischer Prozesse

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

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei

Mehr

Kenngrößen von Zufallsvariablen

Kenngrößen von Zufallsvariablen Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert

Mehr

Commercial Banking. Kreditportfoliosteuerung

Commercial Banking. Kreditportfoliosteuerung Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung

Mehr

Profil 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

Profil 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

Mehr

Dynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38

Dynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38 Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate

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

4 Das Overlap-Konzept

4 Das Overlap-Konzept 4 Das Overlap-Konzept Das Overlap-Konzept wurde in [31] ausführlich beschrieben. Im folgenden werden wir die Aspekte darlegen, die nötig sind, um das Konzept zu implementieren, und werden uns dabei eng

Mehr

Messtechnik. Gedächnisprotokoll Klausur 2012 24. März 2012. Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen:

Messtechnik. Gedächnisprotokoll Klausur 2012 24. März 2012. Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen: Messtechnik Gedächnisprotokoll Klausur 2012 24. März 2012 Dokument erstellt von: mailto:snooozer@gmx.de Aufgaben Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen: Index k 1 2 3 4 5

Mehr

MatheBasics Teil 1 Grundlagen der Mathematik

MatheBasics Teil 1 Grundlagen der Mathematik Fernstudium Guide Online Vorlesung Wirtschaftswissenschaft MatheBasics Teil 1 Grundlagen der Mathematik Version 2016 Dieses Werk ist urheberrechtlich geschützt. Jegliche unzulässige Form der Entnahme,

Mehr

Kapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen.

Kapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen. Kapitel 5 Prognose Josef Leydold c 2006 Mathematische Methoden V Prognose 1 / 14 Lernziele Aufgabe der Prognose Problemtypen Ablauf einer Prognoseaufgabe Zeitreihe Josef Leydold c 2006 Mathematische Methoden

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

Operations Strategie und Management. - Projektmanagement - Helmut M. Dietl 1

Operations Strategie und Management. - Projektmanagement - Helmut M. Dietl 1 Operations Strategie und Management - Projektmanagement - Helmut M. Dietl 1 Lernziele Nach dieser Veranstaltung sollen Sie wissen, was man unter einem Projekt versteht was Projektmanagement bedeutet wie

Mehr