Risikomessung und Value at Risk Wintersemester 2013/14
|
|
- Hildegard Breiner
- vor 8 Jahren
- Abrufe
Transkript
1 Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 8 Version vom 10. Dezember / 72
2 5.3 Historische Simulation Ein von der BaFin anerkanntes Verfahren zur Ermittlung des VaR ist die sogenannte historische Simulation. Dabei handelt es sich nicht um eine Simulationstechnik im Sinn einer Monte-Carlo-Simulation [s.u.]. Die historische Simulation ist ein nichtparametrisches Verfahren zur Bestimmung des VaR. Man nutzt aus, dass x (k), mit k = [T α] + 1 eine konsistente Schätzfunktion für das α-quantil der Verteilung ist [s.o.]. Es werden fiktive, potenzielle Wertänderungen eines Portefeuilles generiert. 2 / 72
3 5.3 Historische Simulation Beispiel: Das Handelsportefeuille einer Bank setze sich zum Zeitpunkt T aus den folgenden Positionen zusammen: mit: P H,T = n C,T P C,T + n F,T P F,T + n A,T P A,T P H,T : Wert des Handelportefeuilles zum Zeitpunkt T P C,T : Wert eines (European) Calls auf die Aktie B zum Zeitpunkt T n C,T : Anzahl der Optionen im Besitz der Bank zum Zeitpunkt T P F,T : Preis einer ausländischen Aktie zum Zeitpunkt T (in inländischer Währung) n F,T : Anzahl der ausländischen Aktien im Besitz der Bank zum Zeitpunkt T P A,T : Preis einer (inländischen) Aktie zum Zeitpunkt T n A,T : Anzahl der Aktien im Besitz der Bank zum Zeitpunkt T 3 / 72
4 5.3 Historische Simulation Die historische Simulation erfolgt in den folgenden Schritten: 1 Im ersten Schritt werden die aktuellen Portefeuillegewichte bestimmt: w i,t = n i,t P i, i = C, F, A P H,T 2 Nun werden für die einzelnen Risikopositionen die Wertänderungen in Abhängigkeit ihrer Risikofaktoren mit historischen Preisen simuliert. 1. Bestimmung der Wertänderungen für den Call: Der Call auf die Aktie B mit dem strike (Basispreis) K ist von den Risikofaktoren, Preis des underlying P B,t und Zins r F,t abhängig. 4 / 72
5 5.3 Historische Simulation Die Restlaufzeit der Option zum Zeitpunkt T + 1, bezeichnet mit R, wird selbstverständlich bei den Berechnungen unverändert gelassen. Es sollen ja gerade die potenziellen Wertänderungen der Option mit dieser bestimmten Restlaufzeit bestimmt werden. Für die Volatilität wird hier die zum Zeitpunkt T geschätzte Volatilität ˆσ B angesetzt. Mit den Zeitreihen für den Zins r F,t und den Preis der Aktie B P B,t werden nun die Optionspreise für die letzten 251 Tage berechnet, wobei f ( ) die Black-Scholes-Formel (s.o.) zur Berechnung des Werts eines European Calls bezeichne. P C,t = f (r F,t, P B,t ; R, K, ˆσ B ), t = T 250,..., T 5 / 72
6 5.3 Historische Simulation 2. Bestimmung der Wertänderungen für die ausländische Aktienposition: Für die ausländische Aktienposition ist, wenn davon ausgegangen wird, dass die Aktie nicht an einer inländischen Börse gehandelt wird, neben dem Preisrisiko auch das Wechselkursrisiko zu berücksichtigen. Wird mit P F,t der Preis der Aktie in ausländischer Währung und mit S t der Wechselkurs bezeichnet, dann ergibt sich: P F,t = P F,t S t, t = T 250,..., T 6 / 72
7 5.3 Historische Simulation 3. Bestimmung der Wertänderungen für die inländische Aktienposition: Für die inländische Aktienposition ist lediglich das eigene Preisrisiko von Bedeutung. P A,t, t = T 250,..., T. 7 / 72
8 5.3 Historische Simulation 3 Nun werden für die simulierten Preise die diskreten Renditen ermittelt: R i,t = P i,t P i,t 1 P i,t 1, i = C, F, A, t = T 249,..., T und die Porfeuillerendite berechnet: R H,t = w C,T R C,t +w F,T R F,t +w A,T R A,t, t = T 249,..., T. 4 Im letzten Schritt der historischen Simulation wird unter der Annahme, dass die Portefeuillerendite identisch unabhängig verteilt ist, das 1%-Quantil der Portefeuilleverteilung mit R H,(3) geschätzt. Als VaR erhält man damit: VaR(w T, h = 1, α = 0.99) = max(0, R H,(3) P H,T ). 8 / 72
9 5.3 Historische Simulation Vorteile der historischen Simulation: Einfachheit des Verfahrens Ohne großen formalen Aufwand ist es möglich, auch für komplexe Finanzinstrumente im Portfolioverband Risikopotenziale zu ermitteln. Die Annahme eines bestimmten Verteilungssmodells ist nicht notwendig und die beobachtete Leptokurtosis von Wertpapierrenditen wird implizit bei diesem Ansatz berücksichtigt. VaR für eine Haltedauer von 10 Tagen (Wurzel-10-Approximation): VaR(w T, h = 10, α = 0.99) 10VaR(w T, h = 1, α = 0.99). 9 / 72
10 5.3 Historische Simulation Zahlenbeispiel. Portfolio: DAX Handelstag: Wert am : Modell: 1,000, EUR Historische Simulation Schätzzeitraum: (T 249) bis (T ) entspricht 250 Beobachtungen Schätzung des 1%-Quantils R (1) R (2) R (3) R (4)... R (250) / 72
11 5.3 Historische Simulation Berechung des VaR(h = 1, α = 0.99): VaR(h = 1, α = 0.99) = R (3) P T = , 000, 000 = 20, EUR Berechnung des VaR(h = 10, α = 0.99): VaR(h = 10, α = 0.99) = 10 VaR(h = 1, α = 0.99) = 10 20, EUR = 64, EUR 11 / 72
12 5.4.1 Die Familie der stabilen Pareto-Verteilung Analysen von Mandelbrot (1963), Fama (1965) und Granger und Morgenstern (1970) und insbesondere von Westerfield (1977) sowie McFarland, Pettit und Sung (1982), die Wechselkursrenditen untersuchten, konnten die Annahme unabhängig normalverteilter Preisveränderungen nicht bestätigen. Die allgemeine Akzeptanz leptokurtischer Verteilungen von Wertpapierrenditen veranlasste Mandelbrot (1963) eine stabile Pareto-Verteilung anzunehmen. 12 / 72
13 Die grundlegende Idee ist: Wie auch immer die Verteilung von Preisänderungen geartet sei, die Summe der Einflüsse, die für das Zustandekommen von Preisänderungen verantwortlich sind, soll dem verallgemeinerten zentralen Grenzwertsatz von Gnedenko und Kolmogorov (1954) folgen, wonach die Summe von unabhängigen Zufallsvariablen gegen eine stabile Pareto-Verteilung konvergiert. Die Dichtefunktionen der Familie der stabilen Paretoverteilungen lassen sich nur in zwei Fällen (Normal- und Cauchy-Verteilung) explizit angeben. In den übrigen Fällen ist die Verteilungsfamilie jedoch eindeutig durch ihre charakteristische Funktion φ(t) bestimmt. 13 / 72
14 Die Familie der stabilen Pareto-Verteilung besitzt die folgende charakteristische Funktion φ(t): mit: { ln φ(t) = iδt γ t α 1 + iβt } ω(t, α), t IR, i 2 = 1 t { ( tan πα ) ω(t, α) = 2 für α 1 2 ln( t ) für α = 1 und α charakteristischer Exponent 0 < α 2 β Symmetrieparameter β 1 γ Skalierungsparameter γ 0 δ Lageparameter < δ < + π 14 / 72
15 Dichtefunktion Die Dichtefunktion existiert in geschlossener Form nur in zwei Fällen 1. α = 1 und β = 0 : Cauchy-Verteilung 2. α = 2 und β = 0 : Normalverteilung Momente für 0 < α 1 existieren weder Erwarungswert noch Varianz für 1 < α < 2 existiert nur der Erwartungswert für α = 2 und β = 0 existieren die Momente der Ordnung k = 1, 2, / 72
16 Schiefe Die Schiefe existiert für α = 2, β = 0. SK= 0. Die Dichtefunktion ist symmetrisch für β = 0 rechtssteil (linksschief) für β < 0 linkssteil (rechtsschief) für β > 0 16 / 72
17 Kurtosis Die Kurtosis existiert für α = 2, β = 0 (Normalverteilung). κ = 3. Allgemein gilt: im Zentrum und an den Rändern der Dichtefunktion der stabilen Paretoverteilung ist für α < 2 und β = 0 mehr Wahrscheinlichkeitsmasse als unter der Dichte der Normalverteilung (mit dem entsprechenden Skalierungsfaktor). 17 / 72
18 5.4.2 Generalized-Error-Distribution [GED-Verteilung] Modell: CMM r t = µ + ε t, ε t Independent White Noise Standardisierte Renditen: v t = r t µ σ, E (v t) = 0, und Var (v t ) = 1. Damit kann man das CMM auch wie folgt notieren: r t = µ + v t σ. Für die v t wird nun angenommen, dass sie i.i.d. Standard-GED verteilt sind. 18 / 72
19 Dichtefunktion f (x) = ν exp { ( ) 1 x ν } 2 λ λ ν Γ ( ), 1 ν < x < +, 0 < ν < +, mit Spezialfälle λ [ ( ) / ( )] ν Γ Γ ν ν für ν = 1 : Standard-Laplace-Verteilung für ν = 2 : Standardnormalverteilung für ν + : Standard-Gleichverteilung 19 / 72
20 Verteilungsfunktion F (x) = x f (u) d u nicht elementar darstellbar Schiefe SK = 0 Kurtosis κ = Γ ( ) 5 Γ ν ( ) 1 Γ ν ( ) 3 2 ν 20 / 72
21 Erwartungswert von X α-quantil E ( X ) = λ2 1 ν Γ(2/ν) Γ(1/ν) x α = F 1 (α) nicht elementar darstellbar 21 / 72
22 1.00 SP = 0.8 SP = 1.0 SP = 2.0 SP = unendlich Dichten der GED-Verteilung für ν = 0.8, 1.0, 2.0, + 22 / 72
23 Log-Likelihood-Funktion [für CMM] ln L(µ, σ 2, ν) = T [ ( ) ] 1 ln λ (1 + 1/ν) ln 2 ln Γ + ln ν ν T 2 ln σ2 1 T (r t µ) 2 σλ t=1 ν 23 / 72
24 5.4.3 Standard-t-Verteilung Dichtefunktion f (x) = 1 Γ (ϕ 2)π ( ϕ+1 2 Γ ( ϕ 2 ) ) (1 + x 2 ϕ 2 ) (ϕ+1) 2, < x < +, 2 < ϕ <, Verteilungsfunktion F (x) = x f (u) d u nicht elementar darstellbar 24 / 72
25 Schiefe SK = 0, für ϕ > 3 Kurtosis κ = ϕ 4, für ϕ > 4 α-quantil x α = F 1 (α) nicht elementar darstellbar 25 / 72
26 0.84 DF= 2.5 DF= 4.5 DF= Dichten der t-verteilung für ϕ = 2.5, 4.5, / 72
27 Log-Likelihood-Funktion [für CMM] ln L(µ, σ 2, ϕ) = T 2 ln [(ϕ 2)π] T 2 ln σ2 ( ) ϕ + 1 ( ϕ ) +T ln Γ T ln Γ 2 2 (ϕ + 1) 2 T t=1 ln (1 + (r t µ) 2 ) σ 2 (ϕ 2) 27 / 72
28 5.4.4 Verallgemeinerte t-verteilung Dichtefunktion f (x; ν, ψ) = ν 2dB(1/ν, ψ) ) (ψ+1/ν) (1 + x ν d ν, x IR, mit: Γ(ψ)Γ(1/ν) ψ > 1, ν > 0, ψν > 2, d = Γ(3/ν)Γ(ψ 2/ν), B(1/ν, ψ) = Γ(1/ν)Γ(ψ) Γ(1/ν + ψ). 28 / 72
29 Spezialfälle 1. ν = 2 und ψ = 1 2 ϕ : Standard-t-Verteilung mit ϕ Freiheitsgraden, 2. ν > 0 und ψ = : Standard-GED-Verteilung, 3. ν = 1 und ψ = : Standard-Laplace-Verteilung, 4. ν = 2 und ψ = : Standardnormalverteilung, 5. ν = und ψ = : Standard-Gleichverteilung. Als sechsten Spezialfall kann man die Cauchy-Verteilung anführen, wenn man auch die Parameterkonstellation (ψ, ν) = (1/2, 2) zulässt und für Γ(ψ)Γ(1/ν) d = Γ(3/ν)Γ(ψ 2/ν) ansetzt. 29 / 72
30 Verteilungsfunktion F (x) = x f (u) d u nicht elementar darstellbar Schiefe SK = 0, für ψν > 3 Kurtosis κ = d 4 B(5/ν, ψ 4/ν), für ψν > 4 B(1/ν, ψ) α-quantil x α = F 1 (α) nicht elementar darstellbar 30 / 72
31 0.5 nu = 2.0, psi = 2.5 Kurtosis = nu = 2.0, psi = 10.0 Kurtosis = nu = 1.0, psi = 5.0 nu = 10.0, psi = Kurtosis = Kurtosis = Dichten der verallgemeinerten t-verteilung (gestrichelte Line: Dichte der Standardnormalverteilung) 31 / 72
32 Log-Likelihood-Funktion [für CMM] ln L(µ, σ 2, ν, ψ) = T ln ν T ln [2dB(1/ν, ψ)] T 2 ln σ2 ( ψ + 1 ) T ( ln 1 + ν t=1 r t µ ν) σ 2 d mit: Γ(ψ)Γ(1/ν) d = Γ(3/ν)Γ(ψ 2/ν), Γ(1/ν)Γ(ψ) B(1/ν, ψ) = Γ(1/ν + ψ). 32 / 72
33 5.4.5 Schiefe verallgemeinerte t-verteilung Dichtefunktion ( νb 1 + 2dB(1/ν, ψ) f (x) = ( νb 1 + 2dB(1/ν, ψ) ) (ψ+1/ν) bx + a ν (1 λ) ν d ν ) (ψ+1/ν) bx + a ν (1 + λ) ν d ν für für x a/b x > a/b, mit: ψ > 1, ν > 0, ψν > 2, 1 < λ < 1 und a = 2λd B(2/ν, ψ 1/ν) B(1/ν, ψ) b 2 = 1 + 3λ 2 a 2 33 / 72
34 Spezialfälle Für λ = 0 erhält man die symmetrische verallgemeinerte t-verteilung und damit auch die in ihr enthaltenen Spezialfälle. Für 1 < λ < 0 ergeben sich die entsprechenden linksschiefen Versionen der angegebenen Spezialfälle. Und entsprechend für 0 < λ < 1 die rechtsschiefen Versionen. Dies gilt für alle angesprochenen Verteilungsmodelle bis auf die Gleichverteilung, denn auch für λ 0 konvergiert die Dichte der verallgemeinerten t-verteilung für ν und ψ punktweise gegen die Dichte einer Gleichverteilung. 34 / 72
35 Verteilungsfunktion F (x) = x f (u) d u nicht elementar darstellbar m 1 = 2λd B(2/ν, ψ 1/ν) B(1/ν, ψ) a m 2 = 1 + 3λ 2 m 3 = 4λ(1 + λ 2 )d m 4 = (1 + 10λ 2 + 5λ 4 )d 3 B(4/ν, ψ 3/ν), ψν > 3, B(1/ν, ψ) 4 B(5/ν, ψ 4/ν), ψν > 4. B(1/ν, ψ) 35 / 72
36 Schiefe SK = m 3 3m 1 m 2 + 2m 3 1 b 3, für ψν > 3 Kurtosis κ = m 4 4m 1 m 3 + 6m 2 1 m 2 3m 4 1 b 4, für ψν > 4 α-quantil x α = F 1 (α) nicht elementar darstellbar 36 / 72
37 0.56 nu = 2.0, psi = 2.5, lambda = -0.5 Schiefe = , Kurtosis = nu = 2.0, psi = 10.0, lambda = 0.5 Schiefe = , Kurtosis = nu = 1.0, psi = 5.0, lambda = -0.5 nu = 10.0, psi = 10.0, lambda = Schiefe = , Kurtosis = Schiefe = , Kurtosis = Dichten der schiefen verallgemeinerten t-verteilung (gestrichelte Line: Dichte der Standardnormalverteilung) 37 / 72
38 Log-Likelihood-Funktion [für CMM] ln L(µ, σ 2, ν, ψ, λ) = T [ln ν + ln b ln 2 ln d ln B(1/ν, ψ)] T 2 ln σ2 ( ψ + 1 ν ) T t=1 [ I t ln (1 + b(r t µ)/σ + a ν (1 λ) ν d ν +(1 I t ) ln (1 + b(r t µ)/σ + a ν )] (1 + λ) ν d ν ) mit: 1 für I t = 0 für r t µ σ r t µ σ a b > a b 38 / 72
39 3.4.6 Ein empirisches Beispiel Deutscher Aktienindex DAX [30] Beobachtungszeitraum: Stetige Tagesschlusskursrenditen [in %] r t = 100 [ln P t ln P t 1 ] Modell: CMM r t = µ + ε t, ε t iid mit E (r t ) = 0 und Var (r t ) = σ 2 = µ + v t σ, v t iid mit E (v t ) = 0 und Var (v t ) = / 72
40 Verteilungsmodelle 1 Normalverteilung Spezialfall der schiefen verallgemeinerten t Verteilung mit ν = 2, ψ = und λ = 0 2 GED Verteilung Spezialfall der schiefen verallgemeinerten t Verteilung mit ψ = und λ = 0 3 t Verteilung Spezialfall der schiefen verallgemeinerten t Verteilung mit ν = 2 und λ = 0 4 Verallgemeinerte t Verteilung Spezialfall der schiefen verallgemeinerten t Verteilung mit λ = 0 5 schiefe verallgemeinerte t Verteilung 40 / 72
41 Modellevaluation Residuen ε t = r t µ mit E (ε t ) = 0 und ε t = σ 2 Standardisierte Residuen v t = r t µ σ U-Transformierte u t = vt Z-Transformierte mit v t iid mit E (v t ) = 0 und Var (v t ) = 1 f (x) dx mit u t iid U(0, 1). z t = Φ 1 (u t ) mit z t iid N(0, 1) 41 / 72
42 Normal GED Student t Gen. t Sk. Gen. t µ (1.790) (5.022) (4.127) (4.235) (1.923) σ (91.852) (36.454) (17.479) (19.477) (19.933) ν (44.200) (12.923) (12.982) ψ (16.153) (4.623) (4.568) λ ( 2.910) LogLike SC Mean(ẑ) StDev(ẑ) Skewness(ẑ) (0.000) (0.002) (0.019) (0.017) (0.801) Kurtosis(ẑ) (0.000) (0.000) (0.524) (0.833) (0.915) JB(ẑ) (0.000) (0.000) (0.052) (0.055) (0.963) KS(ẑ) t-values in parentheses; : p-values in parentheses; JB: Jarque-Bera test. KS: Kolmogorov-Smirnov test at significance level α = 0.05 tabulated critical value / 72
43 1 Überprüfen Sie im CMM [GED] die folgenden Hypothesen zum Konfidenzniveau α = 0.05: H 0 : ν = 2 vs H 1 : ν 2 H 0 : ν = 1 vs H 1 : ν 1 2 Überprüfen Sie im CMM [Gen. t] die Nullhypothese H 0 : ν = 2 vs H 1 : ν 2 mit Hilfe eines LR-Tests (α = 0.05). 3 Überprüfen Sie im CMM [SK Gen. t] die Nullhypothese H 0 : λ = 0 vs H 1 : λ 0 zum Signifikanzniveau α = Schlussfolgerung! 43 / 72
44 4 Welches Modell würden Sie nach dem Schwarz-Kriterium auswählen? 5 Überprüfen Sie für die Z-Transformierten und zwar für alle Modelle die folgenden Hypothesen (α = 0.05): H 0 : SK = 0 vs H 1 : SK 0 H 0 : κ 3 = 0 vs H 1 : κ 3 0 H 0 : die Z-Transformierten sind normalverteilt 6 Welches Modell würden Sie auf Grund der durchgeführten Tests auswählen? 44 / 72
45 Neben den formalen Tests werden mit grafischen Hilfsmitteln die konkurrienden Modelle miteinander verglichen. Für die jeweiligen Modelle wurden die folgenden Grafiken erstellt: Histogramm für die U-Transformierten, P-P-Plot für die U-Transformierten, Kerndichteschätzer für die Z-Transformierten. Kommentieren Sie die Grafiken! 45 / 72
46 Histogram U-Transformed (Normal) 2.0 DAX 1.5 Relative Frequency Bins 46 / 72
47 P-P Plot (Normal) percent confidence interval DAX 0.75 u(k) k/(t+1) 47 / 72
48 Kerndichte vs. Normalvert Kerndichte Normal z-transformierte (Normal) f(x) x 48 / 72
49 2.0 Histogram U-Transformed (GED) DAX 1.5 Relative Frequency Bins 49 / 72
50 percent confidence interval P-P Plot (GED) DAX 0.75 u(k) k/(t+1) 50 / 72
51 0.40 Kerndichte Normal 0.35 Kerndichte vs. Normalvert. z-transformierte (GED) f(x) x 51 / 72
52 2.0 Histogram U-Transformed (Student t) DAX 1.5 Relative Frequency Bins 52 / 72
53 percent confidence interval P-P Plot (Student t) DAX 0.75 u(k) k/(t+1) 53 / 72
54 0.45 Kerndichte Normal 0.40 Kerndichte vs. Normalvert. z-transformierte (Student t) f(x) x 54 / 72
55 2.0 Histogram U-Transformed (Gen. t) DAX 1.5 Relative Frequency Bins 55 / 72
56 percent confidence interval P-P Plot (Gen. t) DAX 0.75 u(k) k/(t+1) 56 / 72
57 0.40 Kerndichte Normal 0.35 Kerndichte vs. Normalvert. z-transformierte (Gen. t) f(x) x 57 / 72
58 2.0 Histogram U-Transformed (Skewed Gen. t) DAX 1.5 Relative Frequency Bins 58 / 72
59 percent confidence interval P-P Plot (Skewed Gen. t) DAX 0.75 u(k) k/(t+1) 59 / 72
60 0.40 Kerndichte Normal 0.35 Kerndichte vs. Normalvert. z-transformierte (Skewed Gen. t) f(x) x 60 / 72
61 1%-Quantile der Standard-Verteilungen Verteilung µ σ 2 ν ψ λ 1%-Quantil Normal GED t Gen. t SK. Gen. t Aufgabe. Berechnen Sie für das von Ihnen ausgewählte Modell den Value at Risk, wenn der Wert des Handelsportfolios am (T ) 1,000, EUR beträgt, für eine Haltedauer von einem Tag und für eine Haltedauer von 10 Tagen ( 10-Approximation). 61 / 72
62 Die verschiedenen Methoden im Vergleich Portfolio: Wert am : DAX 1,000, EUR Modell VaR[h = 1, α = 0.99] 10VaR[h = 1, α = 0.99] CMM (Normal,T=250) 17, EUR 54, EUR Historische Simulation 20, EUR 64, EUR CMM (SK Gen. t) 38, EUR 123, EUR 62 / 72
63 Literatur zum 5. Kapitel Bachelier, L. (1900), Theory of speculation, wiederabgedruckt in: Cootner,P. (Hrsg.) (1964), The random character of stock market prices, Cambridge, MA: M.I.T. Press. Baillie, R. und P. McMahon (1989), The foreign exchange market theory and econometric evidence, Cambridge: Cambridge University Press. Berkowitz, J., (2001), Testing density forecasts, with applications to risk mangement. Journal of Business & Economic Statistics 19, Boothe,P. and D. Glassman, (1987), The statistical distribution of exchange rates, Journal of International Economics 22, / 72
64 Literatur zum 5. Kapitel Bünning, H. und G. Trenkler (1994), Nichtparametrische statistische Methoden, Berlin: Walter de Gruyter. Diebold, F.X. (1988), Empirical modeling of exchange rate dynamics, Berlin: Springer Verlag. Diebold, F.X., T.A. Gunther und A.S. Tay (1998), Evaluating density forecasts with applications to financial risk management. International Economic Review 39, Embrechts, P., C. Klüppelberg und T. Mikosch (2000), Modelling extremal events, Berlin: Springer Verlag. Epanechnikov, V. (1969), Nonparametric estimates of a multivariate probability density, Theory of Probability and its Applications, 14, S Fama, E.F. (1965), The behaviour of stock market prices, Journal of Business, 38, S / 72
65 Literatur zum 5. Kapitel Friedman, B. und D.I. Laibson (1989), Economic implications of extraordinary movements in stock prices, Brookings Papers on Economic Activity, 2, S Franke, J., W. Härdle und C. Haffner (2000), Einführung in die Statistik der Finanzmärkte, Berlin: Springer Verlag. Friedman, B. und D.I. Laibson (1989), Economic implications of extraordinary movements in stock prices, Brookings Papers on Economic Activity, 2, S Gnedenko, B.V. & A.N. Kolmogorov (1954), Limit distributions for sum of independent random variables, Reading, MA: Addison-Welsey Publishing Company. Granger, C.W.J. und O. Morgenstern (1970), Spectral analysis of New York stock market prices, Kyklos, 16, S / 72
66 Literatur zum 5. Kapitel Granger, C.W.J. und O. Morgenstern (1970), Predictability of stock market prices, Lexington, MA: Heath Lexington Books. Hansen, B.E. (1994), Autoregressive conditional density estimation. International Economic Review 35, Härdle, W. und M. Müller (1993), Nichtparametrische Glättungsmethoden in der alltäglichen statistischen Praxis, Allgemeines Statistisches Archiv, 77, S Hill, B.M. (1975), A simple general approach to inference about the tail of a distribution, Annals of Statistics, 3, S / 72
67 Literatur zum 5. Kapitel Jarque, C.M. und A.K. Bera, (1980), Efficient tests for normality, homoskedasticity and serial independence of regression residuals, Economics Letters 6, Jarque, C.M. und A.K. Bera, (1987), A test for normality of observations and regression residuals, International Statistical Review 55, Jondeau, E., S. Poon und M. Rockinger, (2007), Financial modeling under non-gaussian distributions, London: Springer Limited. Johnson, N.L., Kotz, S., Balakrishnan, N., (1995), Continuous Univariate Distributions, Volume 2, 2nd edition, New Yorck: Wiley & Sons. J.P. Morgan/Reuters (1996), RiskMetrics TM - Technical document, New York: J.P Morgan. 67 / 72
68 Literatur zum 5. Kapitel Kendall, M.G. (1953), The analysis of economic time series - Part I:prices, Journal of the Royal Statistical Society, 96, S Küchler, U., K. Neumann, M. Sørensen und A. Streller (1994), Stock returns and hyperbolic distributions, mimeo, SfB 373, Humboldt Universität Berlin. Lilliefors, H.W., (1967), On the Kolmogorov-Smirnov test for normality with mean and variance unknown, Journal of the American Statistical Association 62, Loretan, M. und P.C.B Phillips (1994), Testing the covariance stationarity of heavy-tailed time series: An overview of the theory with applications to several financial datasets, Journal of Empirical Finance, 1, S / 72
69 Literatur zum 5. Kapitel Mandelbrot, B. (1963), The variation of certain speculative prices, Journal of Business, 36, S Marron, J.S. und D. Nolan (1988), Canonical kernels for density estimation, Statistics and Probability Letters, 7, S McFarland, J.W., R.R. Pettit und S.K. Sung (1982), The distribution of foreign exchange price changes: trading effects and risk measurement, Journal of Finance, 37, S McNeil A.J., R. Frey und P. Embrechts (2005), Quantitative risk management, Princeton: Princeton University Press. Mills, T.C. (1999), The econometric modelling of financial time series, Cambridge: Cambridge University Press. 69 / 72
70 Literatur zum 5. Kapitel Mittelhammer, R.C., G.G. Judge und D.J. Miller (2000), Econometric Foundations, Cambridge: Cambridge University Press. Nelson, D.B. (1991), Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59, Patel, J.K., C.H. Kapadia und D.B. Owen (1976), Handbook of statistical distributions, New York: Marcel Dekker. Peiró, A. (1999), Skewness in financial returns. Journal of Banking and Finance, 23, Rosenblatt, M., (1952), Remarks on a multivariate transformation, Annals of Mathematical Statistics 23, Ruppert D. (2004), Statistics and finance, New York: Springer Verlag. 70 / 72
71 Literatur zum 5. Kapitel Sanddorf-Köhle, W. (1996), Prozesse mit autoregressiver bedingter Heteroskedastie Empirische Ergebnisse für Wechselkurszeitreihen, Münster: Lit-Verlag. Sanddorf-Köhle, W. (2000), Die Verteilung von Aktienrenditen, mimeo. Sanddorf-Köhle, W. (2002), On the use of the Jarque-Bera test in the presence of GARCH innovations, mimeo. Schlittgen, R., D. Hammann und K. Leipinat (1982), Zur Verteilung von Wechselkursänderungen, Allgemeines Statistisches Archiv, 2, S Schlittgen, R. und B.H.J Streitberg (1994), Zeitreihenanalyse, 5. Auflage, München: Oldenbourg Verlag. Schmid F. und M. Trede (2005), Finanzmarktstatistik, Berlin: Springer-Verlag. 71 / 72
72 Literatur zum 5. Kapitel Spanos, A. (1999), Probability theory and statistical inference, Cambridge: Cambridge University Press. Westerfield, J.M. (1977), An examination of foreign exchange risk under fixed and floating rate regimes, Journal of International Economics, 7, S / 72
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
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
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrB 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
MehrForschungsstatistik 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
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
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
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
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
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
MehrARCH- und GARCH-Modelle
ARCH- und GARCH-Modelle Thomas Simon Analyse und Modellierung komplexer Systeme 04.11.2009 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle 04.11.2009 1 / 27 Ausgangssituation
MehrAufgabenset 1 (abzugeben 16.03.2012 an LK@wacc.de)
Aufgabenset 1 (abzugeben 16.03.2012 an LK@wacc.de) Aufgabe 1 Betrachten Sie die Cashflows der Abbildung 1 (Auf- und Abwärtsbewegungen finden mit gleicher Wahrscheinlichkeit statt). 1 Nehmen Sie an, dass
MehrComputational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
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
Mehreinfache Rendite 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110
Übungsbeispiele 1/6 1) Vervollständigen Sie folgende Tabelle: Nr. Aktie A Aktie B Schlusskurs in Schlusskurs in 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110 Arithmetisches Mittel Standardabweichung
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
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
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
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
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
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
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
MehrCoupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler
Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder
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)
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 3A Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit den Berechnungsfunktionen LG10(?) und SQRT(?) in "Transformieren", "Berechnen" können logarithmierte Werte sowie die Quadratwurzel
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)
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrÜbungsaufgaben Tilgungsrechnung
1 Zusatzmaterialien zu Finanz- und Wirtschaftsmathematik im Unterricht, Band 1 Übungsaufgaben Tilgungsrechnung Überarbeitungsstand: 1.März 2016 Die grundlegenden Ideen der folgenden Aufgaben beruhen auf
MehrMeldefristen sind Ausschlussfristen!
für beide Prüfungsabschnitte vom 05.01.2016-25.01.2016 bzw. gesonderte Fristen für einzelne Prüfungen. PRÜFUNGSZEITRAUM WINTERSEMESTER 2015/16 für den 1. und 2. Prüfungsabschnitt vom 04.01.-25.01.2016
MehrEvaluation der Normalverteilungsannahme
Evaluation der Normalverteilungsannahme. Überprüfung der Normalverteilungsannahme im SPSS P. Wilhelm; HS SPSS bietet verschiedene Möglichkeiten, um Verteilungsannahmen zu überprüfen. Angefordert werden
MehrValue 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
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrProjektmanagement für Ingenieure
Springer Vieweg PLUS Zusatzinformationen zu Medien von Springer Vieweg Projektmanagement für Ingenieure Ein praxisnahes Lehrbuch für den systematischen Projekterfolg 2013 2. Auflage Kapitel 9 Lösungen
MehrEckpfeiler der neuen Regelung:
Zertifikate-Emittenten weisen im Produktinformationsblatt (PIB) bereits seit einigen Jahren Performance-Szenarien aus. Während die konkrete Bestimmung dieser Szenarien bislang den Emittenten überlassen
MehrDIPLOMVORPRÜFUNG 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
MehrBetreuer: Lars Grüne. Dornbirn, 12. März 2015
Betreuer: Lars Grüne Universität Bayreuth Dornbirn, 12. März 2015 Motivation Hedging im diskretisierten Black-Scholes-Modell: Portfolio (solid), Bank (dashed) 110 120 130 140 150 160 170 Portfolio (solid),
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrLineare 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
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
MehrÜbung zu Forwards, Futures & Optionen
Übung zu Forwards, Futures & Optionen Vertiefungsstudium Finanzwirtschaft Dr. Eric Nowak SS 2001 Finanzwirtschaft Wahrenburg 15.05.01 1 Aufgabe 1: Forward auf Zerobond Wesentliche Eckpunkte des Forwardgeschäfts:
MehrStatistik im Versicherungs- und Finanzwesen
Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statistik im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 2014 1. Auflage Übungsaufgaben zu Kapitel
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
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
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
MehrÜberblick 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
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrRisikoeinstellungen 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
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
MehrBundesverband Flachglas Großhandel Isolierglasherstellung Veredlung e.v. U g -Werte-Tabellen nach DIN EN 673. Flachglasbranche.
Bundesverband Flachglas Großhandel Isolierglasherstellung Veredlung e.v. U g -Werte-Tabellen nach DIN EN 673 Ug-Werte für die Flachglasbranche Einleitung Die vorliegende Broschüre enthält die Werte für
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrSolvency 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
MehrKaplan-Meier-Schätzer
Kaplan-Meier-Schätzer Ausgangssituation Zwei naive Ansätze zur Schätzung der Survivalfunktion Unverzerrte Schätzung der Survivalfunktion Der Kaplan-Meier-Schätzer Standardfehler und Konfidenzintervall
MehrKlausur Mathematik 2
Mathematik für Ökonomen WS 2014/15 Campus Duisburg PD Dr. V. Krätschmer, Fakultät für Mathematik Klausur Mathematik 2 17.02.2015, 12:30-14:30 Uhr (120 Minuten) Erlaubte Hilfsmittel: Nur reine Schreib-
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrGrundlagen 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
MehrMonte Carlo Simulation (Grundlagen)
Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen
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
MehrMedia Teil III. Begriffe, Definitionen, Übungen
Media Teil III. Begriffe, Definitionen, Übungen Kapitel 1 (Intermedia- Vergleich: Affinität) 1 Affinitätsbewertung als Mittel des Intermedia-Vergleichs Um die Streugenauigkeit eines Werbeträgers zu bestimmen,
MehrKosten-Leistungsrechnung Rechenweg Optimales Produktionsprogramm
Um was geht es? Gegeben sei ein Produktionsprogramm mit beispielsweise 5 Aufträgen, die nacheinander auf vier unterschiedlichen Maschinen durchgeführt werden sollen: Auftrag 1 Auftrag 2 Auftrag 3 Auftrag
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrStatistik für Studenten der Sportwissenschaften SS 2008
Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
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,
MehrDie Größe von Flächen vergleichen
Vertiefen 1 Die Größe von Flächen vergleichen zu Aufgabe 1 Schulbuch, Seite 182 1 Wer hat am meisten Platz? Ordne die Figuren nach ihrem Flächeninhalt. Begründe deine Reihenfolge. 1 2 3 4 zu Aufgabe 2
MehrAufgaben Brealey/Myers [2003], Kapitel 20
Folie 0 Quiz: 1, 2, 3, 4, 5, 8, 9, 11, 12, 13, 14 Practice Questions: 2, 3, 4, 5, 6, 8, 9, 11, 13, 14, 15, 17, 18, 21 Challenge Questions: 2 Folie 1 Lösungshinweis zu Quiz 4: Put-Call Parität: Fälligkeit
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
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
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
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
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung
MehrAbitur 2013 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2013 Mathematik GK Stochastik Aufgabe C1 Wissenschaftler der israelischen Ben-Gurion-Universität sind der Frage nachgegangen, ob die Attraktivität eines
MehrDIPLOMPRÜFUNG Examen Bankbetriebslehre (PO99-120 Min.) Universitätsprofessor Dr. Klaus Schäfer Sommersemester 2006
TU Bergakademie Freiberg Fakultät für Wirtschaftswissenschaften Matrikel-Nr.: Name (optional): Studienrichtung: Fakultät: Semesterzahl: DIPLOMPRÜFUNG Prüfungsfach: Prüfer: Examen Bankbetriebslehre (PO99-120
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
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.
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrTransaktionsempfehlungen im ebase Online nutzen
Transaktionsempfehlungen im ebase Online nutzen Anleitung ebase Inhalt 1. Einführung und Voraussetzungen 2. Transaktionsempfehlung für einen Kunden erstellen 3. Möglichkeiten des Kunden 4. Verwaltung von
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
Mehr6. Aktien. Aktien sind Wertpapiere, in denen das Anteilsrecht an einer Aktiengesellschaft verbrieft ist. Rechtsgrundlage: Aktiengesetz
6. Aktien Aktien sind Wertpapiere, in denen das Anteilsrecht an einer Aktiengesellschaft verbrieft ist. Rechtsgrundlage: Aktiengesetz Kennziffern für Aktien Kennzahlen für Aktien Ertragskennzahlen Risikokennzahlen
MehrXing- Gruppentreffen 07.09.2010. Einführung von SPC. Einführung von SPC
Xing- Gruppentreffen 07.09.2010 Einführung von SPC Einführung von SPC Hintergründe Einführung von SPC In einem der letzten Meetings wurde über die Bürde SPC gesprochen SPC wurde als Überwachung durch den
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag 8. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe Hedging Amerikanischer Optionen Wir sind in einem arbitragefreien
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrOSEK Deadline-Analyse
OSEK Deadline-Analyse GmbH Erlangen Jürgen Scherg 8. Juni 2001 Ein Programmtest muß unter verschiedenen Gesichtspunkten durchgeführt werden. verschiedene Testmethoden sind notwendig. Blackbox : Es wird
MehrHauptprüfung Fachhochschulreife 2015. Baden-Württemberg
Baden-Württemberg: Fachhochschulreie 2015 www.mathe-augaben.com Hauptprüung Fachhochschulreie 2015 Baden-Württemberg Augabe 1 Analysis Hilsmittel: graikähiger Taschenrechner Beruskolleg Alexander Schwarz
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrÜbersicht. 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
MehrTeil 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..............................
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
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)
MehrRegelmäßigkeit (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
MehrWirtschaftswissenschaftliche Fakultät der Universität Zürich
Wirtschaftswissenschaftliche Fakultät der Universität Zürich Studienordnung Nebenfach-Masterstudium in Wirtschaftswissenschaften an der Universität Zürich (Studienordnung für Nebenfachstudierende, die
MehrUli Greßler. Qualitätsmanagement. Überwachung der Produkt- und Prozessqualität. Arbeitsheft. 2. Auflage. Bestellnummer 04796
Uli Greßler Qualitätsmanagement Überwachung der Produt- und Prozessqualität Arbeitsheft 2. Auflage Bestellnummer 04796 Haben Sie Anregungen oder Kritipunte zu diesem Produt? Dann senden Sie eine E-Mail
MehrHistogramm und Wahrscheinlichkeitsnetz 1/16
Histogramm und Wahrscheinlichkeitsnetz 1/16 Ziel: Ziel der Aufgabe Ziel ist es, die Grafiken Histogramm und Wahrscheinlichkeitsnetz und die Funktionalitäten (z.b. C-Wert-Funktion) von qs-stat ME kennen
MehrAdditional Cycle Index (ACIX) Thomas Theuerzeit
Additional Cycle Index (ACIX) Thomas Theuerzeit Der nachfolgende Artikel über den ACIX stammt vom Entwickler des Indikators Thomas Theuerzeit. Weitere Informationen über Projekte von Thomas Theuerzeit
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik 008 Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe 1: ( VP) x Gegeben ist die Funktion f mit f(x). x Bilden Sie die Ableitung von f und fassen Sie diese so weit wie
MehrMean Time Between Failures (MTBF)
Mean Time Between Failures (MTBF) Hintergrundinformation zur MTBF Was steht hier? Die Mean Time Between Failure (MTBF) ist ein statistischer Mittelwert für den störungsfreien Betrieb eines elektronischen
Mehr