Semiparametrisches Kredit Scoring

Größe: px
Ab Seite anzeigen:

Download "Semiparametrisches Kredit Scoring"

Transkript

1 Semiparametrisches Kredit Scoring Marlene Müller Fraunhofer Institut für Techno- und Wirtschaftsmathematik (ITWM) Kaiserslautern Bernd Rönz, Wolfgang Härdle Center for Applied Statistics and Economics (CASE) Humboldt-Universität zu Berlin

2 Übersicht Ausfallwahrscheinlichkeiten Problem und Datenbeschreibung Logistisches Kredit Scoring Semiparametrisches Kredit Scoring Test des semiparametrischen Modells Missklassifikation und Performance-Kurven Folie 1

3 Kredit Rating/Scoring neue Bedeutung durch Basel II: Eigenkapitalunterlegung von Kreditrisiken angepaßt an individuelles Kreditrisiko Möglichkeiten für Banken: Ratings und Ausfallwahrscheinlichkeiten externer Ratingagenturen interne Ratings (IRB-Ansatz) bessere Anpassung an eigenes Kreditportfolio Kernproblem: Schätzung von Ausfallwahrscheinlichkeiten (PDs) Referenz: The New Basel Capital Accord ( Basel II ) Folie 2

4 Aus Ausfallwahrscheinlichkeiten... werden bestimmt Ratingklassen AAA, AA+, AA,..., BB,..., D entsprechen z.b. PDs 0.01%, 0.02%, 0.03%,..., 1.17%,..., 100% erwarteter Verlust EL = PD EAD LGD Folie 3

5 Methoden zur Bestimmung von PDs Diskriminanzanalyse/Klassifikationsmethoden Bestimmung von Scores kategorielle Regressionsmodelle (Logit/Probit, Panel, geordnete Kategorien) Bestimmung von Scores + Ausfallwahrscheinlichkeiten Merton-Ansatz (Aktie des Unternehmens wird als Option auf Firmenwert betrachtet) Ausfallwahrscheinlichkeit durch distance to default Jarrow, Lando, Turnbull (Übergangswahrscheinlichkeiten) Folie 4

6 Kategorielle Regressionsmethoden Modell und Prognose für P (Y = 1 X) = E(Y X) Logit-Modelle (Logistische Diskriminanzanalyse) Modifikationen Probit-Modell (andere Linkfunktion) Panelmodelle Stichprobenselektionskorrektur (Heckman-Schätzer) Folie 5

7 Datenbeispiele Stichprobe für Autokredite Ja Nein (in %) Y Kreditausfall Bisherige Kredite OK Beschäftigt Min Max Mittel St.Abw. Kreditdauer (Monate) Kreditbetrag (DM) Alter (in Jahren) Referenzen: Fahrmeir & Hamerle (1984), Fahrmeir & Tutz (1995) Folie 6

8 Französische Bankdaten Abhängige Variable Y (Kreditstatus, 0= Nicht-Ausfall, 1= Ausfall ) Metrische Variablen X2 bis X9. Kategorielle Variablen X10 bis X24. Schätz- Validierungsstichprobe stichprobe 0 ( Nicht-Ausfälle ) 5808 (94%) 1891 (94.6%) 1 ( Ausfälle ) 372 ( 6%) 107 ( 5.4%) total Tabelle 1. Zusammenfassung. Folie 7

9 Deskriptive Analyse X2 X3 Density Density X X X X5 Density Density X X Abbildung 1. Kerndichteschätzungen, Variablen X2 bis X5. Folie 8

10 X6 X7 Density 1.5 Density X X X X9 Density Density X X Abbildung 2. Kerndichteschätzungen, Variablen X6 bis X9. Folie 9

11 Scatterplots X Y X X4 X5 X2 X3 X4 Abbildung 3. Scatter-Kontur-Plots, Variablen X2 bis X5. (Beobachtungen zu Y=1 in schwarz.) Folie 10

12 Y X X X4 X5 X2 X3 X4 Abbildung 4. Kontur-Kontur-Plots, Variablen X2 bis X5. (Beobachtungen zu Y=1 in schwarz.) Folie 11

13 Y X X X8 X9 X6 X7 X8 Abbildung 5. Scatter-Plots, Variablen X6 bis X9. (Beobachtungen zu Y=1 in schwarz.) Folie 12

14 Y X X X8 X9 X6 X7 X8 Abbildung 6. Scatter-Kontur-Plots, Variablen X6 bis X9. (Beobachtungen zu Y=1 in schwarz.) Folie 13

15 Logistisches Kredit Scoring Logit-Modell (logistische Diskriminanzanalyse) P (Y = 1 X) = F 24 j=2 βj X j + β 0, F ( ) = e X j bezeichnet jte Variable, falls Xj metrisch (j {2,..., 9}) Vektor von Dummies, falls Xj kategoriell (j {10,..., 24}) Folie 14

16 Logit-Modell binäre abhängige Variable 1 falls Y = v(x) u > 0 Y = 0 sonst Y = latente Variable, (negativer) Kredit-Score v( ) = Indexfunktion, die Beziehung zwischen X und Y modelliert, z.b. EY = v(x) = 24 j=2 β j X j + β 0 u F Fehlerterm. Folie 15

17 Variable Koeffizient St.Abw. t-wert Variable Koeffizient St.Abw. t-wert X0 (const.) X19# X X19# X X19# X X19# X X19# X X19# X X19# X X19# X X19# X10# X20# X11# X20# X12# X20# X13# X21# X14# X21# X15# X22# X15# X22# X15# X22# X15# X22# X15# X22# X16# X22# X16# X22# X16# X22# X16# X22# X16# X22# X17# X23# X17# X23# X17# X24# X17# X17# X18# X18# X18# X18# df 6118 X18# Log-Lik X18# Devianz Folie 16

18 Performance (Lorenzkurven) berechne Scores, z.b. S = X 5 oder S = 24 j=2 β j X j + β 0 plotte 1 F (s) = P (S > s) ( Ausfall klassifiziert) vs. 1 F 1 (s) = P (S > s Y = 1) ( Ausfall klassifiziert und tatsächlich Ausfall ) Folie 17

19 1-F(s Y=1) 100% optimal curve Lorenz curve Percentage of Defaults 1-F(s) 100% Percentage of Applicants (ordered from bad to good) Folie 18

20 Performance Logit-Modell, AR= F(s Y=1) 1-F(s) Abbildung 7. Performance-Kurve für Logit-Modell (rot) und optimale Kurve (blau). Folie 19

21 AR = 0.076, +X2 AR = 0.168, -X3 AR = 0.043, -X4 AR = 0.023, +X5 1-F1 1-F1 1-F1 1-F1 1-F 1-F 1-F 1-F AR = 0.024, +X6 AR = 0.052, -X7 AR = 0.165, -X8 AR = 0.107, -X9 1-F1 1-F1 1-F1 1-F1 1-F 1-F 1-F 1-F Abbildung 8. Lorenzkurven für alle Variablen Folie 20

22 AR = 0.043, -X4 AR = 0.023, +X5 AR = 0.052, -X7 1-F1 1-F1 1-F1 1-F T = 0.063, -X4 1-F T = 0.050, +X5 1-F T = 0.065, -X7 f0, f f0, f1 f0, f X X X Abbildung 9. Lorenzkurven, Dichten (bed. auf Y ) für ausgewählte Variablen. Folie 21

23 Wie hängt Y (genauer: log( p )) von einer 1 p Variablen ab? Variable X y t Abbildung 10. Marginale Abhängigkeit, Variable X5. Dickere Punkte entsprechen mehr Beobachtungen. Folie 22

24 Variable X2 Variable X3 y y t t Variable X4 Variable X5 Variable X y y y t t t Abbildung 11. Marginale Abhängigkeiten, Variablen X2 bis X5, X7. Folie 23

25 Semiparametrisches Kredit Scoring Partiell lineares Logit-Modell P (Y = 1 X, T ) = F {β X + m(t )} wobei F ( ) bekannte (Link-)Funktion, hier wie zuvor F ( ) = 1 1+e m( ) unbekannte glatte Funktion β unbekannter Parametervektor Folie 24

26 Maximum Likelihood im GLM E(Y X) = µ = G{X β}, V ar(y X) = σ 2 V (µ) Maximierung der (Log-)Likelihoodfunktion l(y, µ) = i l i (Y i, µ i ) = i Y i log(µ i ) + (1 Y i ) log(1 µ i ) bzw. Minimierung der Devianz Dev(Y, µ) = 2 max µ l(y, µ) 2l(Y, µ) Algorithmus: iteratively reweighted least squares Referenz: McCullagh & Nelder (1989) Folie 25

27 Semiparametrisches Maximum Likelihood GPLM ( generalized partial linear model ) E(Y X, T ) = µ = G{X β + m(t )}, V ar(y X, T ) = σ 2 V (µ) Kombination von klassischem und geglättetem (Log-)Likelihood für β: iteratively reweighted least squares +modifizierte Designmatrix für m( ): Nadaraya-Watson (oder anderer) Glätter Folie 26

28 Schätzung im GPLM E(Y X, T ) = G ( X β + m(t ) ) β kann bei bekanntem m geschätzt werden (parametrische Methode, gewichtete KQS), m kann bei bekanntem β geschätzt werden (nichtparametrische Methode, Nadaraya-Watson-Typ) Schätzverfahren Profile Likelihood, (verallgemeinerter) Speckman-Schätzer Backfitting, modified Backfitting Referenzen: Severini & Staniswalis (1994), Speckman (1988), Hastie & Tibshirani (1990) Folie 27

29 Algorithmus (verallgemeinerter Speckman-Schätzer) parametrischer Teil β new = ( X W X ) 1 X W z, nichtparametrischer Teil m new = S(z X β) mit S = Smoothermatrix, X = (I S)X, z = (I S)z = X β W 1 v. X Design, I Identitätsmatrix, v = (l i ), W = diag(l i ) Folie 28

30 Schätzmatrix Das Updaten des Index X β + m kann durch eine lineare Schätzmatrix ausgedrückt werden: X β new + m new = Rz mit R = X { X W X } 1 X W(I S) + S. Folie 29

31 χ 2 Test wenn (bei Konvergenz) η = Rz = R( η W 1 v), η = X β + m Dev (y, µ) (z η) W 1 (z η) Approximative Freiheitsgrade df err ( µ) = n tr ( 2R R WRW 1) oder df err ( µ) = n tr (R) Referenz: Hastie & Tibshirani (1990) Folie 30

32 Anwendung nichtparametrische Einbeziehung von Variable T = X5 P (Y = 1 X 5, X 5 ) = F βj X j + m 5 (X 5 ) j 5 nichtparametrische Einbeziehung von T = (X4,X5) P (Y = 1 X 4, 5, (X 4, X 5 )) = F βj X j + m 45 (X 4, X 5 ) j 4,5 Folie 31

33 Nichtparametrisch in X2, Logit X2 X3 X4 X5 X7 X4,X5 X4,X5 Konstante X X X X X X X X Tabelle 2. Parametrische Koeffizienten für Variablen X2 bis X9. (Fettgedruckte Werte sind zu 5% signifikant.) Folie 32

34 P (Y = 1 X) = F 24 βj X j + m 5 (X 5 ) j=2,j 5 Variable X5 y, mlin(t), m(t) t Abbildung 12. Marginale Abhängigkeit, Variable X5. Dickere Punkte entsprechen mehr Beobachtungen. Parametrisches (rot) und GPLM- Logit-Modell (grün). Folie 33

35 Variable X2 Variable X3 y, mlin(t), m(t) y, mlin(t), m(t) t t Variable X4 Variable X5 Variable X7 y, mlin(t), m(t) y, mlin(t), m(t) y, mlin(t), m(t) t t t Abbildung 13. Marginale Abhängigkeiten, Variablen X2 bis X5, X7. Parametrisches (rot) und GPLM-Logit-Modell (grün). Folie 34

36 Variable X Abbildung 14. Bivariate nichtparametrische Schätzung für Variablen X4, X5. Folie 35

37 Test des Semiparametrischen Modells Nichtparametrisch in X2, Logit X2 X3 X4 X5 X7 X4,X5 X4,X5 Devianz df α AIC Pseudo-R % 14.9% 14.8% 15.0% 15.1% 15.1% 15.6% 15.6% Tabelle 3. Statistische Charakteristika der parametrischen und semiparametrischen Logit-Fits. Folie 36

38 Missklassifikation und Performance-Kurven Nichtparametrisch in X2, Schranke s Logit X2 X3 X4 X5 X7 X4,X5 X4,X Nicht-Ausfall Ausfall Nicht-Ausfall Ausfall Nicht-Ausfall Ausfall Tabelle 4. Missklassifikationen: Y = Ausfall obwohl F (Ŝ) s bzw. Y = Nicht-Ausfall obwohl F (Ŝ) > s. Validierungsstichprobe. Folie 37

39 Performance Variable X5, AR= F(s Y=1) 1-F(s) Abbildung 15. Performance-Kurven, parametrisches Logit- (rot) und semiparametrisches Logit-Modell (grün) mit nichtparametrischer Variable X5. Folie 38

40 Performance Variable X2, AR=0.538 Performance Variable X3, AR= F(s Y=1) 1-F(s Y=1) 1-F(s) 1-F(s) Performance Variable X4, AR=0.527 Performance Variable X5, AR=0.556 Performance Variable X7, AR= F(s Y=1) 1-F(s Y=1) 1-F(s Y=1) 1-F(s) 1-F(s) 1-F(s) Abbildung 16. Performance-Kurven für nichtparametrische Variablen X2 bis X5, X7 (separat). Folie 39

41 Performance Variable X5, AR=0.556 Performance Variablen X4, X5, AR= F(s Y=1) 1-F(s Y=1) 1-F(s) 1-F(s) Abbildung 17. Performance-Kurven für nichtparametrische Variablen X5 (links) und X4, X5 (rechts). Folie 40

42 Zusammenfassung nichtparametrische Komponenten im Modell bieten Vorteile nichtparametrischer Diskriminanzanalyse in Kombination mit leichter Intepretierbarkeit, Schätzung von Ausfallwahrscheinlichkeiten können explorativ zu Bestimmung von Transformationen von Variablen eingesetzt werden können explorativ zu Bestimmung von Interaktionen zwischen Variablen eingesetzt werden erlauben Sepzifikationstests auf Gültigkeit der parametrischen Definition von Transformationen Folie 41

43 Ausblick Kombination von semiparametrischen Modellen mit Panelansätzen/GEE, geordnete Kategorien optimale Bestimmung der Glättungsparameter Kombination mit existierenden Verfahren für additive Modelle (gemeinsame Implementierung) Folie 42

Generalisierte Additive Modelle im Credit Rating: Eine Fallstudie zum Vergleich verschiedener Verfahren

Generalisierte Additive Modelle im Credit Rating: Eine Fallstudie zum Vergleich verschiedener Verfahren Generalisierte Additive Modelle im Credit Rating: Eine Fallstudie zum Vergleich verschiedener Verfahren Marlene Müller Beuth Hochschule für Technik Berlin, Fachbereich II Luxemburger Str. 10, D 13353 Berlin

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

Berichte aus der Statistik. Jens Kahlenberg. Storno und Profitabilität in der Privathaftpflichtversicherung

Berichte aus der Statistik. Jens Kahlenberg. Storno und Profitabilität in der Privathaftpflichtversicherung Berichte aus der Statistik Jens Kahlenberg Storno und Profitabilität in der Privathaftpflichtversicherung Eine Analyse unter Verwendung von univariaten und bivariaten verallgemeinerten linearen Modellen

Mehr

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions

Mehr

Rating. { 0 = kein Ausfall des Kreditnehmers i

Rating. { 0 = kein Ausfall des Kreditnehmers i Jörg Lemm Vorlesung Finanzmathematik, WS 06/07 Universität Münster 25.1.2007, 1.2.2007, 8.2.2007 Rating Ratingverfahren versuchen, die Wahrscheinlichkeit dafür zu schätzen, dass ein Kreditnehmer seinen

Mehr

Multinomiale logistische Regression

Multinomiale logistische Regression Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable

Mehr

Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs

Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs 1. Klagenfurter KMU Tagung Tanja Schuschnig Alexander Brauneis Institut für Finanzmanagement 25.09.2009

Mehr

Fortgeschrittene Statistik Logistische Regression

Fortgeschrittene Statistik Logistische Regression Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E

Mehr

Fallbeispiel: Kreditscoring

Fallbeispiel: Kreditscoring Fallbeispiel: Kreditscoring Stefan Lang 14. Juni 2005 SS 2005 Datensatzbeschreibung (1) Ziel Untersuchung der Bonität eines Kunden in Abhängigkeit von erklärenden Variablen Zielvariable Bonität des Kunden:

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

Kategoriale abhängige Variablen:

Kategoriale abhängige Variablen: Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

Aktuelles aus der Financial Times Deutschland

Aktuelles aus der Financial Times Deutschland verfahren Seminar: Warum wir falsch liegen und trotzdem weitermachen - Aktuelle Themen in Banken und Versicherungen Oliver Kühnle Ludwig-Maximilians-Universität München - Institut für Statistik 9. Juli

Mehr

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell

Mehr

Nichtparametrische statistische Verfahren

Nichtparametrische statistische Verfahren Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.

Mehr

Adressenausfallrisiken. Von Marina Schalles und Julia Bradtke

Adressenausfallrisiken. Von Marina Schalles und Julia Bradtke Adressenausfallrisiken Von Marina Schalles und Julia Bradtke Adressenausfallrisiko Gliederung Adressenausfallrisiko Basel II EU 10 KWG/ Solvabilitätsverordnung Adressenausfallrisiko Gliederung Rating Kreditrisikomodelle

Mehr

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:

Mehr

Fallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen

Fallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen Fallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen Stefan Lang 12 Oktober 2005 WS 05/06 Datensatzbeschreibung (1) Daten Versicherungsdaten für Belgien ca 160000 Beobachtungen Ziel Analyse der Risikostruktur

Mehr

Parametrische Statistik

Parametrische Statistik Statistik und ihre Anwendungen Parametrische Statistik Verteilungen, maximum likelihood und GLM in R Bearbeitet von Carsten F. Dormann 1. Auflage 2013. Taschenbuch. xxii, 350 S. Paperback ISBN 978 3 642

Mehr

Kreditrisikomodell von Jarrow-Lando-Turnbull im Einsatz

Kreditrisikomodell von Jarrow-Lando-Turnbull im Einsatz Kreditrisikomodell von Jarrow-Lando-Turnbull im Einsatz Dr. Michael Leitschkis Generali Deutschland Holding AG Konzern-Aktuariat Personenversicherung München, den 13.10.2009 Agenda Einführung und Motivation

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Jan Jescow Stoehr Gliederung 1. Einführung / Grundlagen 1.1 Ziel 1.2 CreditRisk+ und CreditMetrics 2. Kreditportfolio 2.1 Konstruktion

Mehr

Risikomanagement und Statistik. Raimund Kovacevic

Risikomanagement und Statistik. Raimund Kovacevic Risikomanagement und Statistik Raimund Kovacevic Dieses Werk ist Urheberrechtlich geschützt. Jede Vervielfältigung ohne Einverständnis des Autors ist verboten. Risiko hazard, a chance of bad consequences,

Mehr

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten

Mehr

Statistisches Gutachten zur Erstellung des Mietspiegels der Stadt Germering

Statistisches Gutachten zur Erstellung des Mietspiegels der Stadt Germering Statistisches Gutachten zur Erstellung des Mietspiegels der Stadt Germering Stand: 01.03.2008 Helmut Küchenhoff und Andrea Ossig Statistisches Beratungslabor des Instituts für Statistik der Ludwig-Maximilians-Universität

Mehr

Analyse von Tabellen und kategorialen Daten

Analyse von Tabellen und kategorialen Daten Hans-Jürgen Andreß Jacques A. Hagenaars Steffen Kühnel Analyse von Tabellen und kategorialen Daten Log-lineare Modelle, latente Klassenanalyse, logistische Regression und GSK-Ansatz Mit 32 Abbildungen

Mehr

Name (in Druckbuchstaben): Matrikelnummer: Unterschrift:

Name (in Druckbuchstaben): Matrikelnummer: Unterschrift: 20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie

Mehr

Commercial Banking. Kreditgeschäft. Gestaltung der Vertragsbeziehung: Sicherheiten, Kündigungsrechte, Relationship Banking,...

Commercial Banking. Kreditgeschäft. Gestaltung der Vertragsbeziehung: Sicherheiten, Kündigungsrechte, Relationship Banking,... Commercial Banking Kreditgeschäft Themen Rating, Ausfallrisiko erwarteter Verlust, unerwarteter Verlust, Pricing, Risikoabgeltung versus Kreditrationierung Gestaltung der Vertragsbeziehung: Sicherheiten,

Mehr

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen

Mehr

6.0 Logistische Regression. 6 Logistische Regression. 6.1 Das binäre Modell. 6 Logistische Regression

6.0 Logistische Regression. 6 Logistische Regression. 6.1 Das binäre Modell. 6 Logistische Regression 6.0 Logistische Regression 6.1 Das binäre Modell 6.1 Das binäre Modell Sei x der Vektor der Einflussgrößen mit einem Eins-Element, um die Regressionskonstante zu modellieren. Angenommen, es gilt das Regressionsmodell:

Mehr

Kap. 9: Regression mit einer binären abhängigen Variablen

Kap. 9: Regression mit einer binären abhängigen Variablen Kap. 9: Regression mit einer binären abhängigen Variablen Motivation Lineares Wahrscheinlichkeitsmodell Probit- und Logit-Regression Maximum Likelihood Empirisches Beispiel: Analyse der HMDA-Daten Ausblick:

Mehr

Basel II: Logistische Regression als das Herz einer Rating-Maschine

Basel II: Logistische Regression als das Herz einer Rating-Maschine Foto: MEV Kreditrisikomessung ist keine Geheimwissenschaft Hermann Schulte-Mattler/Ulrich Daun Auf der Grundlage der Revision der Baseler Eigenkapitalvereinbarung (Basel II) werden Kreditinstitute alle

Mehr

Mindestkonditionen im Kreditgeschäft! Rating und risikoadjustiertes Pricing! Individueller Ansatz! Effiziente Kreditprozesse

Mindestkonditionen im Kreditgeschäft! Rating und risikoadjustiertes Pricing! Individueller Ansatz! Effiziente Kreditprozesse Kreditgeschäft Mindestkonditionen im Kreditgeschäft Rating und risikoadjustiertes Pricing Individueller Ansatz Effiziente Kreditprozesse Orientierung an der Erfüllung der Kriterien im Rahmen von Basel

Mehr

Klausur Sommersemester 2010

Klausur Sommersemester 2010 Klausur Sommersemester 2010 Lehrstuhl: Wirtschaftspolitik Prüfungsfach: Empirische Wirtschaftsforschung Prüfer: Prof. Dr. K. Kraft Datum: 04.08.2010 Hilfsmittel: Nicht-programmierbarer Taschenrechner Klausurdauer:

Mehr

6. Statistische Schätzung von ARIMA Modellen

6. Statistische Schätzung von ARIMA Modellen 6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:

Mehr

Einführung in die Logistische Regression. Fortbildung zur 19.Informationstagung Tumordokumentation

Einführung in die Logistische Regression. Fortbildung zur 19.Informationstagung Tumordokumentation Einführung in die Logistische Regression Fortbildung zur 9.Informationstagung Tumordokumentation Bernd Schicke, Tumorzentrum Berlin FB Bayreuth, 29.März 20 Gliederung Einleitung Schätzen von Maßzahlen

Mehr

4 Binäre Regressionsmodelle, Folien 2

4 Binäre Regressionsmodelle, Folien 2 4 Binäre Regressionsmodelle, Folien 2 Ludwig Bothmann (basierend auf Unterlagen von Nora Fenske) Statistik III für Nebenfachstudierende WS 2014/2015 4.5 Hypothesentests Lineare Hypothesen Betrachtet werden

Mehr

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression Institut für Soziologie Methoden 2 Regressionsanalyse I: Einfache lineare Regression Programm Anwendungsbereich Vorgehensweise Interpretation Annahmen Zusammenfassung Übungsaufgabe Literatur # 2 Anwendungsbereich

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter SPSS-Ausdruck zur logistischen Regression Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer

Mehr

Teil II. Nichtlineare Optimierung

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

Mehr

2.Tutorium Generalisierte Regression

2.Tutorium Generalisierte Regression 2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte

Mehr

Algorithms for Regression and Classification

Algorithms for Regression and Classification Fakultät für Informatik Effiziente Algorithmen und Komplexitätstheorie Algorithms for Regression and Classification Robust Regression and Genetic Association Studies Robin Nunkesser Fakultät für Informatik

Mehr

Prüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. E-Mail-Adresse. Unterschrift

Prüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. E-Mail-Adresse. Unterschrift Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil Name, Vorname Matrikelnr. Studiengang E-Mail-Adresse Unterschrift

Mehr

Analyse von Querschnittsdaten. Regression mit Dummy-Variablen

Analyse von Querschnittsdaten. Regression mit Dummy-Variablen Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05

Mehr

Die Anwendung des Logit Modells auf die Daten der Challenger-Katastrophe

Die Anwendung des Logit Modells auf die Daten der Challenger-Katastrophe Die Anwendung des Logit Modells auf die Daten der Challenger-Katastrophe Bachelorarbeit Stefanie Nentwig Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf, im November 2006 Betreuung:

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 12. Mai 2015 c Roland Rau Survival Analysis 1 / 24 Hausaufgabe 1 Schreiben Sie die Log-Likelihood Gleichung

Mehr

Thema: Bootstrap-Methoden für die Regressionsanalyse. Bachelorarbeit. im Fachgebiet Wirtschaftsinformatik am Lehrstuhl für Quantitative Methoden

Thema: Bootstrap-Methoden für die Regressionsanalyse. Bachelorarbeit. im Fachgebiet Wirtschaftsinformatik am Lehrstuhl für Quantitative Methoden Westfälische Wilhelms-Universität Münster Thema: Bootstrap-Methoden für die Regressionsanalyse Bachelorarbeit im Fachgebiet Wirtschaftsinformatik am Lehrstuhl für Quantitative Methoden Themensteller: Prof.

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

Generalisierte lineare Modelle. Statistik 3 im Nebenfach. Binäre Regressionsmodelle. 4.1 Binäre Regression

Generalisierte lineare Modelle. Statistik 3 im Nebenfach. Binäre Regressionsmodelle. 4.1 Binäre Regression Generalisierte lineare Modelle Statistik 3 im Nebenfach Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München WS 2010/2011 basierend auf Fahrmeir, Kneib & Lang (2007) 4 Generalisierte

Mehr

Binäre Auswahlmodelle (Logit, Probit,...)

Binäre Auswahlmodelle (Logit, Probit,...) Binäre Auswahlmodelle (Logit, Probit,...) 27. November 204 In diesem Kapitel führen wir eine Klasse von Modellen für binäre Auswahlprobleme ein, deren wichtigste Vertreter das Logit- und das Probit-Modell

Mehr

Neue Kreditwürdigkeitsprüfung

Neue Kreditwürdigkeitsprüfung Bankinternes Rating 5.2 Kreditwürdigkeitsprüfung Seite 7 Neue Kreditwürdigkeitsprüfung Inhalt Bankinternes Rating-Verfahren Bankinterne Rating-Systeme Internes Rating nach Basel II Anforderungen an das

Mehr

Zielsetzung. Problematik

Zielsetzung. Problematik Kreditrisiko-Modellierung für Versicherungsunternehmen Tamer Yilmaz 21. November 2007 Zielsetzung Die Ermittlung der Eigenkapitalhinterlegung für das Kreditrisiko, die auf das Versicherungsunternehmen

Mehr

Christian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG

Christian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorworte V 1 Korrelation 1 1.1 Einführung 1 1.2 Erste Voraussetzung: Das Skalenniveau

Mehr

Unsupervised Kernel Regression

Unsupervised Kernel Regression 9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung

Mehr

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes

Mehr

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert

Mehr

Weiterbildungskurs Stochastik

Weiterbildungskurs Stochastik Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen

Mehr

Statistik Einführung // Lineare Regression 9 p.2/72

Statistik Einführung // Lineare Regression 9 p.2/72 Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression

Mehr

Erhebungszweck Die Erhebung zur Kreditqualität dient der Analyse und frühzeitigen Erkennung von Kreditrisiken.

Erhebungszweck Die Erhebung zur Kreditqualität dient der Analyse und frühzeitigen Erkennung von Kreditrisiken. Seite 1/6 Erhebung zur Kreditqualität Erläuterungen Erhebungszweck Die Erhebung zur Kreditqualität dient der Analyse und frühzeitigen Erkennung von Kreditrisiken. I. Allgemeines Erhebungskreis Meldepflichtig

Mehr

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften

Mehr

Deduktive und induktive Aspekte statistischer Methoden

Deduktive und induktive Aspekte statistischer Methoden Deduktive und induktive Aspekte statistischer Methoden Wissenschaftshistorische und -philosophische Grundlagen Felix Günther Institut für Statistik Ludwig-Maximilians-Universität München Prof. Seising

Mehr

Basel II und Konsequenzen für Land- und Forstwirte

Basel II und Konsequenzen für Land- und Forstwirte Basel II und Konsequenzen für Land- und Forstwirte Herbstseminar 2005 Zukunftsperspektiven der Land- und Forstwirtschaft / Neue Bewirtschaftungsformen / Finanzierungsfragen Montag, 21.11.2005 Dr. Christian

Mehr

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder

Mehr

R 2 RISIKEN DES RISIKOMANAGEMENTS

R 2 RISIKEN DES RISIKOMANAGEMENTS R 2 RISIKEN DES RISIKOMANAGEMENTS Wolfgang Bühler Lehrstuhl Finanzierung Universität Mannheim Universität Hamburg Fachbereich Wirtschaftswissenschaften 20. Januar 2003 TODESFALLRISIKEN 09. Oktober 02 08.

Mehr

Übungen zur Vorlesung. Statistik 2. a) Welche Grundannahmen der linearen Regression sind in Modell (1) verletzt?

Übungen zur Vorlesung. Statistik 2. a) Welche Grundannahmen der linearen Regression sind in Modell (1) verletzt? Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Blatt 7 Dipl.-Math. oec. D. Engel Übungen zur Vorlesung Statistik 2 Aufgabe 25 (keine Abgabe) Angenommen die Zielvariable

Mehr

Anhörung über die neuen Basel III Eigenmittelvorschriften: FINMA-RS 2008/19 Kreditrisiken Banken

Anhörung über die neuen Basel III Eigenmittelvorschriften: FINMA-RS 2008/19 Kreditrisiken Banken Anhörung über die neuen Basel III Eigenmittelvorschriften: FINMA-RS 2008/19 Kreditrisiken Banken 4.2 Ihre Ratings können in der Folge für die Unterlegung von Kredit- und Marktrisiken in der Positionsklasse

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

Technische Universität München. Zentrum Mathematik

Technische Universität München. Zentrum Mathematik Technische Universität München Zentrum Mathematik Modellwahl bei der KFZ Haftpflicht-Versicherung mit Hilfe von GLMs Diplomarbeit von Ivonne Siegelin Themenstellerin: Prof. Dr. C. Czado, Dr. G. Sussmann

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

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

Mehr

Stichprobenauslegung. für stetige und binäre Datentypen

Stichprobenauslegung. für stetige und binäre Datentypen Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung

Mehr

Probleme der risikoadjustierten Qualitätsbestimmung am Beispiel der Koronarchirurgie

Probleme der risikoadjustierten Qualitätsbestimmung am Beispiel der Koronarchirurgie Probleme der risikoadjustierten Qualitätsbestimmung am Beispiel der Koronarchirurgie Kathrin Leske Probleme der risikoadjustierten Qualitätsbestimmung am Beispiel der Koronarchirurgie Bibliografische

Mehr

Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken

Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Seminararbeit von Marleen Laakmann 2. Mai 2010 Einleitung Zur Messung und Steuerung von Kreditrisiken gibt es eine Reihe von Methoden und

Mehr

Titel anhand der der Präsentation. nicht fett geschrieben

Titel anhand der der Präsentation. nicht fett geschrieben Schätzung von Vollzeitäquivalenten Titel anhand der der Präsentation AHV-Lohndaten wenn nötig Jann Potteratmit und Monique Untertitel Graf Bundesamt für Statistik, Statistische Methoden METH nicht fett

Mehr

Inhaltsverzeichnis. Fragestellungen und Methoden 11. Vorwort 15. Kapitel 1 Einführung 17. Kapitel 2 Statistische Grundbegriffe 23

Inhaltsverzeichnis. Fragestellungen und Methoden 11. Vorwort 15. Kapitel 1 Einführung 17. Kapitel 2 Statistische Grundbegriffe 23 Fragestellungen und Methoden 11 Vorwort 15 Kapitel 1 Einführung 17 1.1 KonzeptiondesBuchs... 18 1.2 AufbaudesBuchs... 19 1.3 Programmversionen von PASW bzw. SPSS..... 20 1.4 WiekanndiesesBuchverwendetwerden?...

Mehr

Zwei einfache Kennzahlen für große Engagements

Zwei einfache Kennzahlen für große Engagements Klecksen nicht klotzen Zwei einfache Risikokennzahlen für große Engagements Dominik Zeillinger, Hypo Tirol Bank Die meisten Banken besitzen Engagements, die wesentlich größer sind als der Durchschnitt

Mehr

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3 I Einführung in STATISTICA 1 1 Erste Schritte in STATISTICA 3 2 Datenhaltung in STATISTICA 11 2.1 Die unterschiedlichen Dateitypen in STATISTICA....... 11 2.2 Import von Daten......... 12 2.3 Export von

Mehr

Partial Credit Model und Tutz Model

Partial Credit Model und Tutz Model November 22, 2011 Item Response Theory - Partial Credit Model Einleitung IRT-Einteilung Datenstruktur PCM - Herleitung Parameterschätzung Goodness of Fit Beispiel Sequential Models for Ordered Responses

Mehr

Modellierung und Bewertung von Kreditrisiken

Modellierung und Bewertung von Kreditrisiken Peter Grundke Modellierung und Bewertung von Kreditrisiken Mit einem Geleitwort von Prof. Dr. Thomas Hartmann-Wendels Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

Erhebung zur Kreditqualität

Erhebung zur Kreditqualität Erhebung zur Kreditqualität ERLÄUTERUNGEN I. MERKMALE DER ERHEBUNG ERHEBUNGSZWECK Die Erhebung zur Kreditqualität dient der Analyse und frühzeitigen Erkennung von Kreditrisiken. ERHEBUNGSGEGENSTAND Angaben

Mehr

Kreditrisiko und Ausfallwahrscheinlichkeit mittels Logit/Probit-Modellen. Seminararbeit

Kreditrisiko und Ausfallwahrscheinlichkeit mittels Logit/Probit-Modellen. Seminararbeit Gunther Lerchbaumer Martin Seitinger Kreditrisiko und Ausfallwahrscheinlichkeit mittels Logit/Probit-Modellen Seminararbeit SBWL Alternative Investments Seminar aus Finanzwirtschaft LV-Nr. 328.260 an der

Mehr

Finanzwirtschat Ⅶ. Basel II und Rating. Meihua Peng Zhuo Zhang

Finanzwirtschat Ⅶ. Basel II und Rating. Meihua Peng Zhuo Zhang Finanzwirtschat Ⅶ Basel II und Rating Meihua Peng Zhuo Zhang Gliederung Geschichte und Entwicklung Inhalt von Basel II - Die Ziele von Basel II - Die drei Säulen Rating - Begriff eines Ratings - Externes

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 05. Mai 2015 c Roland Rau Survival Analysis 1 / 18 Zensierung & Trunkierung: Nicht vollständig beobachtete

Mehr

1 Gemischte Lineare Modelle

1 Gemischte Lineare Modelle 1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst

Mehr

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25 Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen

Mehr

Basel II: Herausforderung für das Controlling

Basel II: Herausforderung für das Controlling Basel II: Herausforderung für das Controlling 1. Trierer Forum Rechnungswesen und Controlling, 22. September 2006 Gliederung 1. 2. 3. 4. Einleitung Grundzüge der neuen Richtlinien nach Basel II Bedeutung

Mehr

Interne und externe Modellvalidität

Interne und externe Modellvalidität Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer

Mehr

Checkliste: Mindestanforderungen für den IRB-Ansatz - Stand: 17.06.2004

Checkliste: Mindestanforderungen für den IRB-Ansatz - Stand: 17.06.2004 Checkliste: Mindestanforderungen für den IRB-Ansatz - Stand: 17.06.2004 Präambel: Durch die Mindestanforderungen soll sichergestellt werden, dass die Ratingverfahren, die Risikomessverfahren und die entsprechenden

Mehr

Lineare Modelle in R: Einweg-Varianzanalyse

Lineare Modelle in R: Einweg-Varianzanalyse Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der

Mehr

Vorlesung 7: Value-at-Risk für Kreditrisiken

Vorlesung 7: Value-at-Risk für Kreditrisiken Vorlesung 7: Value-at-Risk für Kreditrisiken 17. April 2015 Dr. Patrick Wegmann Universität Basel WWZ, Department of Finance patrick.wegmann@unibas.ch www.wwz.unibas.ch/finance Die Verlustverteilung im

Mehr

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam. Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging

Mehr

Credit Risk+: Eine Einführung

Credit Risk+: Eine Einführung Credit Risk+: Eine Einführung Volkert Paulsen December 9, 2004 Abstract Credit Risk+ ist neben Credit Metrics ein verbreitetes Kreditrisikomodell, dessen Ursprung in der klassischen Risikotheorie liegt.

Mehr

Bonitätsrisiko und Unternehmensanleihen

Bonitätsrisiko und Unternehmensanleihen Bonitätsrisiko und Unternehmensanleihen Burkhard Erke Montag, März 31, 2008 Die Folien orientieren sich an (a) Unterrichtsmaterialien von Backus (NYU) und (b) Neuere Entwicklungen am Markt für Unternehmensanleihen,

Mehr

8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)

8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) 8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer

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

Wie Sie Ihr Scoring auf Herz und Nieren prüfen... und was passieren kann, wenn Sie es nicht tun

Wie Sie Ihr Scoring auf Herz und Nieren prüfen... und was passieren kann, wenn Sie es nicht tun Wie Sie Ihr Scoring auf Herz und Nieren prüfen... und was passieren kann, wenn Sie es nicht tun mayato White Paper von Nils-Henrik Wolf Seite 1 mayato GmbH. Alle Rechte vorbehalten. Wie Sie Ihr Scoring

Mehr

Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze

Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze Lehrstuhl für Statistik und empirische irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im ach Ökonometrie im S 20/2 Lösungsskizze Aufgabe (.5 Punkte) Sie verfügen über einen Datensatz, der Informationen

Mehr