Semiparametrisches Kredit Scoring
|
|
- Alwin Kolbe
- vor 8 Jahren
- Abrufe
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 Marlene Müller Beuth Hochschule für Technik Berlin, Fachbereich II Luxemburger Str. 10, D 13353 Berlin
Mehrε 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
MehrFortgeschrittene 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
MehrKapitel 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,...,
MehrName (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
MehrBerichte 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
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrDie 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
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrZwei einfache Kennzahlen für große Engagements
Klecksen nicht klotzen Zwei einfache Risikokennzahlen für große Engagements Dominik Zeillinger, Hypo Tirol Bank Die meisten Banken besitzen Engagements, die wesentlich größer sind als der Durchschnitt
MehrModellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung
Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes
MehrStichprobenauslegung. 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
MehrNichtparametrische statistische Verfahren
Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrRatingklasse 3.9 Rang 75
BilanzBranchenrating Bericht: Musterbranche (Oenace-2008, 3-Steller, Gruppe: Mustergruppe) Der vorliegende Bericht wurde auf Basis einer Kooperation zwischen der KSV1870 Information GmbH und der KMU Forschung
MehrAllgemeine 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.
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
MehrZielsetzung. Problematik
Kreditrisiko-Modellierung für Versicherungsunternehmen Tamer Yilmaz 21. November 2007 Zielsetzung Die Ermittlung der Eigenkapitalhinterlegung für das Kreditrisiko, die auf das Versicherungsunternehmen
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
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
MehrHäufigkeitstabellen. 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
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrAnalyse 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
MehrAnalyse 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
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrFallstudie: 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
Mehr2.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
MehrFallbeispiel: 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:
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrSenkung des technischen Zinssatzes und des Umwandlungssatzes
Senkung des technischen Zinssatzes und des Umwandlungssatzes Was ist ein Umwandlungssatz? Die PKE führt für jede versicherte Person ein individuelles Konto. Diesem werden die Beiträge, allfällige Einlagen
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
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
MehrBaKRS - BRIC and Konsortium Rating Service. Entwicklung des Systems: Igelmann/Bernard Cornfeld Technische Umsetzung: skydevment und Tr0nYx
BaKRS - BRIC and Konsortium Rating Service Entwicklung des Systems: Igelmann/Bernard Cornfeld Technische Umsetzung: skydevment und Tr0nYx 1 Inhaltsverzeichnis 1 Bestandteile des Ratings 3 2 Anleihen 3
MehrWeitere 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
MehrEtwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen.
Explorative Datenanalyse Erstmal die Grafiken: Aufreisskraft und Temperatur 3 1-1 N = 1 15 17 Temperatur Diagramm 3 1 95% CI -1 N = 1 15 17 Temperatur Etwas positive Tendenz ist beim Wechsel der Temperatur
MehrFinanzwirtschat Ⅶ. Basel II und Rating. Meihua Peng Zhuo Zhang
Finanzwirtschat Ⅶ Basel II und Rating Meihua Peng Zhuo Zhang Gliederung Geschichte und Entwicklung Inhalt von Basel II - Die Ziele von Basel II - Die drei Säulen Rating - Begriff eines Ratings - Externes
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrGemischte Modelle. Fabian Scheipl, Sonja Greven. SoSe 2011. Institut für Statistik Ludwig-Maximilians-Universität München
Gemischte Modelle Fabian Scheipl, Sonja Greven Institut für Statistik Ludwig-Maximilians-Universität München SoSe 2011 Inhalt Amsterdam-Daten: LMM Amsterdam-Daten: GLMM Blutdruck-Daten Amsterdam-Daten:
MehrFassade. Objektbasiertes Strukturmuster. C. Restorff & M. Rohlfing
Fassade Objektbasiertes Strukturmuster C. Restorff & M. Rohlfing Übersicht Motivation Anwendbarkeit Struktur Teilnehmer Interaktion Konsequenz Implementierung Beispiel Bekannte Verwendung Verwandte Muster
MehrWeiterbildungsbedarfe im demografischen Wandel
Weiterbildungsbedarfe im demografischen Wandel Ergebnisse der WEPAN-Befragungen bei niedersächsischen Betrieben 2007 bis 2011 Dr. Wolfgang Müskens, CvO Univ. Oldenburg Wiss. Leitung: Prof. Dr. Anke Hanft
MehrPrüfung KMU-Finanzexperte Modul 6 Risk Management Teil 2: Financial RM Prüfungsexperten: Markus Ackermann Sandro Schmid 29.
Prüfung KMU-Finanzexperte Modul 6 Risk Management Teil 2: Financial RM Prüfungsexperten: Markus Ackermann Sandro Schmid 29. Januar 2008 Prüfungsmodus Prüfungsdauer schriftliche Klausur 60 Minuten Punktemaximum:
MehrRegionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren
Institut für Arbeitsmarkt- und Berufsforschung Folie 1 Regionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren Katharina Hampel Marcus Kunz Norbert Schanne Antje Weyh Dr.
MehrSurvival 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
MehrBonitätsrisiko 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,
MehrLernende Suchmaschinen
Lernende Suchmaschinen Qingchui Zhu PG 520 - Intelligence Service (WiSe 07 / SoSe 08) Verzeichnis 1 Einleitung Problemstellung und Zielsetzung 2 Was ist eine lernende Suchmaschine? Begriffsdefinition 3
Mehr----------------------------------------------------------------------------------------------------------------------------------------
0 Seite 0 von 20 03.02.2015 1 Ergebnisse der BSO Studie: Trends und Innovationen im Business Performance Management (BPM) bessere Steuerung des Geschäfts durch BPM. Bei dieser BSO Studie wurden 175 CEOs,
MehrAlgorithms 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
MehrVersuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
MehrStatistik II. Statistik II, SS 2001, Seite 1 von 5
Statistik II, SS 2001, Seite 1 von 5 Statistik II Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer
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
MehrKreditrisikomodell 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
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
MehrChristian 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
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrChangePoint-Analysen - ein Überblick
ChangePoint-Analysen - ein Überblick Gliederung Motivation Anwendungsgebiete Chow Test Quandt-Andrews Test Fluktuations-Tests Binary Segmentation Recursive circular and binary segmentation algorithm Bayesscher
MehrMindestkonditionen 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
MehrTitel 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
Mehr1.5 Umsatzsteuervoranmeldung
1.5 Umsatzsteuervoranmeldung In diesem Abschnitt werden die Arbeitschritte zum Erstellen des MwSt Abrechnungsschemas erläutert. Es wird gezeigt, wie die Werte für die monatliche Umsatzsteuervoranmeldung
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrSurvival of the Fittest Wie statistische Modelle an Daten angepasst werden
Tag der Mathematik 2009 Survival of the Fittest Wie statistische Modelle an Daten angepasst werden Thomas Kneib Fakultät für Mathematik und Naturwissenschaften Carl von Ossietzky Universität Oldenburg
MehrPraktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben
Technische Universität Kaiserslautern Prof Dr Sven O Krumke Dr Sabine Büttner MSc Marco Natale Praktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben Aufgabe 1 (Konvertieren
MehrHochschule Rhein-Main. Sommersemester 2015
Vorlesung Hochschule Rhein-Main Sommersemester 2015 Dr. Roland Stamm 29. Juni 2015 Erinnerung Bewertung eines Bonds mit Kupon k, Nominal N, Laufzeit t n: n Π(t) = N k δ(t i 1, t i ) P (t, t i ) + N P (t,
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
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
MehrFelix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009
Cohen s Kappa Felix-Nicolai Müller Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Felix-Nicolai Müller Cohen s Kappa 24.11.2009 1 / 21 Inhaltsverzeichnis 1 2 3 4
MehrHerzlich willkommen! Unternehmensrating - Hintergründe und Auswirkungen Markus Glogowski Firmenkundenbetreuer VR Bank Kaufbeuren Tel.
Herzlich willkommen! Unternehmensrating - Hintergründe und Auswirkungen billiges Geld für gute Kreditkunden Rating Bonität ansteigende Pleitewelle Kreditklemme Kreditausfälle Themen: Was ist Rating? Warum
MehrParametrische 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
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
MehrInhaltsverzeichnis. 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?...
MehrErhebungszweck 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
MehrGrundlagen der Informatik
Mag. Christian Gürtler Programmierung Grundlagen der Informatik 2011 Inhaltsverzeichnis I. Allgemeines 3 1. Zahlensysteme 4 1.1. ganze Zahlen...................................... 4 1.1.1. Umrechnungen.................................
MehrGeneboost Best.- Nr. 2004011. 1. Aufbau Der Stromverstärker ist in ein Isoliergehäuse eingebaut. Er wird vom Netz (230 V/50 Hz, ohne Erdung) gespeist.
Geneboost Best.- Nr. 2004011 1. Aufbau Der Stromverstärker ist in ein Isoliergehäuse eingebaut. Er wird vom Netz (230 V/50 Hz, ohne Erdung) gespeist. An den BNC-Ausgangsbuchsen lässt sich mit einem störungsfreien
Mehrin vielen technischen und wissenschaftlichen Anwendungen erforderlich: hohe Präzision große Dynamik möglich durch Verwendung von Gleitkommazahlen
Gleitkommazahlen in vielen technischen und wissenschaftlichen Anwendungen erforderlich: hohe Präzision große Dynamik möglich durch Verwendung von Gleitkommazahlen allgemeine Gleitkommazahl zur Basis r
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
MehrOracle 9i Real Application Clusters
Oracle 9i Real Application Clusters Seite 2-1 Agenda Einführung Verfügbarkeit / Skalierbarkeit Clusterarchitekturen Oracle Real Application Clusters Architektur Requirements Installation und Konfiguration
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrSubpostfächer und Vertretungen für Unternehmen
SCHRITT-FÜR-SCHRITT Seite 1 von 7 Subpostfächer und Vertretungen für Unternehmen Organisationsstruktur 1:1 abbilden Individuelle Postfächer für Abteilungen und/oder Mitarbeiter Unterschiedliche Berechtigungen
MehrBanken und Börsen, Kurs 41520 (Inhaltlicher Bezug: KE 1)
1 Lösungshinweise zur Einsendearbeit 1: SS 2012 Banken und Börsen, Kurs 41520 (Inhaltlicher Bezug: KE 1) Fristentransformation 50 Punkte Die Bank B gibt im Zeitpunkt t = 0 einen Kredit mit einer Laufzeit
MehrAnlage zur Konditionenübersicht für Endkreditnehmer
Unternehmen stehen wirtschaftlich sehr unterschiedlich da; ebenso gibt es vielfältige Besicherungsmöglichkeiten für einen Kredit. Risikogerechte Zinsen berücksichtigen dies und erleichtern somit vielen
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
MehrVerwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen
Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Katharina Witowski (DYNAmore GmbH) Peter Reithofer (4a engineering GmbH) Übersicht Problemstellung Parameteridentifikation
MehrCopyright 2014 Delta Software Technology GmbH. All Rights reserved.
Karlsruhe, 21. Mai 2014 Softwareentwicklung - Modellgetrieben und trotzdem agil Daniela Schilling Delta Software Technology GmbH The Perfect Way to Better Software Modellgetriebene Entwicklung Garant für
MehrAutomatische 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
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrCorporate Actions in epoca
in epoca Einführung Die können in Bezug auf die Buchhaltung zu den komplexesten und anspruchsvollsten Transaktionen gehören. Sie können den Transfer eines Teils oder des ganzen Buchwerts einer Position
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
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
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrLernziele: Ausgleichstechniken für binäre Bäume verstehen und einsetzen können.
6. Bäume Lernziele 6. Bäume Lernziele: Definition und Eigenschaften binärer Bäume kennen, Traversierungsalgorithmen für binäre Bäume implementieren können, die Bedeutung von Suchbäumen für die effiziente
MehrAufabe 7: Baum-Welch Algorithmus
Effiziente Algorithmen VU Ausarbeitung Aufabe 7: Baum-Welch Algorithmus Florian Fest, Matr. Nr.0125496 baskit@generationfun.at Claudia Hermann, Matr. Nr.0125532 e0125532@stud4.tuwien.ac.at Matteo Savio,
Mehr