Quasi-Monte-Carlo-Verfahren zur Bewertung von Finanzderivaten

Größe: px
Ab Seite anzeigen:

Download "Quasi-Monte-Carlo-Verfahren zur Bewertung von Finanzderivaten"

Transkript

1 Quasi-Monte-Carlo-Verfahren zur Bewertung von Finanzderivaten Bachelorarbeit eingereicht bei Prof. Dr. Thomas Gerstner Fachbereich Informatik und Mathematik Institut für Mathematik Goethe Universität Frankfurt am Main von: Benny Xiang Li An den Hohlgärten Niederdorfelden Matrikelnummer: Studienrichtung: Mathematik Niederdorfelden, 14. Juni 2011

2

3 Inhaltsverzeichnis Abbildungsverzeichnis Danksagung Ehrenwörtliche Erklärung III V V 1 Einleitung Aufbau der Arbeit Grundlagen Marktannahmen Optionstypen Pfadunabhängige Optionen Pfadabhängige Optionen Options-Bewertungsmethodik Risikoneutraler Ansatz Black-Scholes-Ansatz Stochastik und ihre numerische Behandlung Quasi-Monte-Carlo-Verfahren Niederdiskrepanz-Folgen Halton-Folge Faure-Folge Sobol-Folge Theoretische Eigenschaft Diskrepanz Fehlerschranken Praktische Eigenschaft I

4 II INHALTSVERZEICHNIS Integral-Approximation Vergleich Konvergenzverhalten Randomisierte Quasi-Monte-Carlo-Verfahren Randomisierungsansatz von Tuffin Erwartungswert und Varianz Fehler des Schätzers Numerische Ergebnisse Implementierung Bewertung von Optionen Europäische Optionen Asiatische Optionen diskret geometrisch Asiatische Optionen kontinuierlich geometrisch Zusammenfassung und Ausblick 57 A Anhang: Programmcodes 59 A.1 Niederdiskrepanz-Folgen-Generatoren A.2 Black-Scholes-Formel A.3 Integral Approximation A.4 Europäische Optionen A.5 Asiatische Optionen diskret geometrisch A.6 Asiatische Optionen kontinuierlich geometrisch Literaturverzeichnis 79

5 Abbildungsverzeichnis 3.1 Halton-2d Halton-100d Faure-2d Faure-100d Sobol-2d Sobol-100d Integral Konvergenzverhalten Integral Lineare Regressionsanalyse Euro-Call Euler-Maruyama-Ansatz Konvergenzverhalten Euro-Call Euler-Maruyama-Ansatz Lineare Regressionsanalyse Euro-Call Itô-Ansatz Konvergenzverhalten Euro-Call Itô-Ansatz Lineare Regressionsanalyse Asia-Call diskret Euler-Maruyama-Ansatz Konvergenzverhalten Asia-Call diskret Euler-Maruyama-Ansatz Lineare Regressionsanalyse Asia-Call diskret Itô-Ansatz Konvergenzverhalten Asia-Call diskret Itô-Ansatz Lineare Regressionsanalyse Asia-Call kontinuierlich Euler-Maruyama-Ansatz Konvergenzverhalten Asia-Call kontinuierlich Euler-Maruyama-Ansatz Lineare Regressionsanalyse Asia-Call kontinuierlich Itô-Ansatz Konvergenzverhalten Asia-Call kontinuierlich Itô-Ansatz Lineare Regressionsanalyse III

6

7 Danksagung Sehr bedanken möchte ich mich an dieser Stelle bei Prof. Dr. Thomas Gerstner, der mich beispielhaft betreute und mir auf der Suche nach Lösungswegen immer Rede und Antwort stand. Auch möchte ich mich bei Stefan Heinz bedanken, der bezüglich dieses Themas ein ausgezeichneter Diskussionspartner war und ebenso wie Matthias Gärtner beim Korrekturlesen eine große Hilfe darstellte. Ehrenwörtliche Erklärung Hiermit erkläre ich, dass ich die vorliege Arbeit selbständig abgefaßt und keine anderen Hilfsmittel als die angegebenen benutzt habe. Ich erkläre ferner, dass diejenigen Stellen der Arbeit, die anderen Werken wörtlich oder dem Sinn nach entnommen sind, in jedem einzelnen Fall unter Angabe der Quellen kenntlich gemacht sind. Niederdorfelden, 14. Juni 2011

8

9 Kapitel 1 Einleitung Finanzderivate haben sich seit der Entwicklung des arbitragefreien Bewertungsmodells, und im Jahre 1973 durch Fischer Black und Myron Scholes sowie unabhängig davon Robert Merton zu einem wichtigen Bestandteil der modernen Finanzmärkte entwickelt. Bereits im Jahre 1630 wurden in den Niederlanden Optionen auf Tulpen ausgegeben, mit denen sich die Tulpenhändler gegen schwanke Preise absichern wollten. Allerdings eröffnete erst im Jahre 1973 der erste amtlich geregelte Derivatehandel Board Option Exchange in Chicago, 1990 entstand in Frankfurt die Deutsche Terminbörse. Im Wesentlichen gibt es drei Klassen von Finanzderivaten Optionen: Eine Option ist ein Vertrag, der dem Halter das Recht, aber nicht die Pflicht gibt, eine bestimmte Transaktion am oder bis zum Verfallstag zu einem bestimmten Preis, dem Ausübungspreis, zu tätigen. Forwards und Futures: Ein Forward ist ein Vertrag, eine Vereinbarung zwischen zwei Institutionen oder Personen, einen Basiswert untereinander am Verfallstag zu einem bestimmten Preis zu kaufen oder zu verkaufen. Der Unterschied zur Option ist, dass der Basiswert bei einem Forward geliefert und bezahlt werden muss. Ein Future ist im Wesentlichen ein standardisierter Forward, mit dem gehandelt werden kann. Der Unterschied zum Forward ist, dass der Future-Wert täglich berechnet und von den Vertragsparteien ausgeglichen wird. Swaps: Ein Swap ist ein Vertrag, zu festgelegten Zeitpunkten gewisse finanzielle Transaktionen zu tätigen, die durch eine vorgegebene Formel bestimmt werden. Beispiele sind Zinsswaps, die Vereinbarungen zwischen zwei Parteien darstellen, 1

10 2 KAPITEL 1. EINLEITUNG Zinszahlungen für einen bestimmten Betrag innerhalb eines bestimmten Zeitraumes zu leisten. Bisher gibt es nur für wenige Derivatetypen analytische Lösungen oder Approximations- Formeln, aus diesem Grund muss auf numerische Verfahren zur Approximation des Preises zurückgegriffen werden. An solche Approximationsverfahren ergeben sich aus der Praxis folge Anforderungen 1. Konvergenz: Der Berechnungsaufwand sollte möglichst gering sein und bei einem Einsatz relativ genaue Ergebnisse innerhalb kurzer Zeit liefern. 2. Approximationsfehler: Eine Abschätzung des Approximationsfehlers ist wichtig, damit das Risiko der Verwung des Approximationswerts in weiteren Berechnungen quantifiziert werden kann. 3. Flexibilität: In der Praxis werden ständig neue Derivatetypen entwickelt. Ein flexibles Bewertungsverfahren reduziert den Aufwand und ermöglicht schneller auf Änderungen zu reagieren. Zur Approximation der Preise von Finanzderivaten existieren verschiedene Ansätze, z.b. gitterbasierte Verfahren die Binomialbaum-Methode, Finitedifferenzen-Verfahren usw. In der vorliegen Arbeit beschäftige ich mich mit einem simulationsbasierten Verfahren, das Monte-Carlo- bzw Quasi-Monte-Carlo-Verfahren. Der Grund für die Wahl von simulationsbasierten Verfahren ist deren Flexibilität bezüglich immer komplexer werder Finanzinstrumente, und deren einfache Implementierung. Ein Problem des Monte-Carlo-Verfahrens ist die geringe Konvergenzgeschwindigkeit von O(1/ N). Mit Varianzreduktionsmaßnahmen wird die Konvergenzgeschwindigkeit des Monte-Carlo-Verfahrens um einen konstanten Faktor verbessert. Zwei gute Methoden sind Antithetic Variates und Control Variates, auf die ich in dieser Arbeit nicht eingehen werde. Für diese Methoden verweise ich den Leser auf P. Glassermann Monte Carlo Methods in Financial Engineering. Erweiterung zum Monte-Carlo-Verfahren ist die Quasi-Monte-Carlo-Verfahren. Das Quasi- Monte-Carlo Verfahren arbeitet nach dem Schema des Monte-Carlo Verfahrens, verwet dabei aber deterministische Niederdiskrepanz-Folgen anstelle von Pseudo-Zufallsfolgen zur Simulation der Basiswerte. Durch die gleichmäßigere Verteilung der Folgenglieder im Wertebereich erreicht das Quasi-Monte-Carlo Verfahren ein asymptotisch besseres Konvergenzverhalten als das Monte-Carlo-Verfahren, die in dieser Arbeit genauer betrachtet wird.

11 1.1. AUFBAU DER ARBEIT Aufbau der Arbeit Die vorliege Arbeit folgt in ihrem Aufbau den bereits dargestellten Punkten Im Kapitel 2 werden die allgemeinen Grundlagen und Prinzipien, wie Marktannahmen, Optionstypen und die arbitragefreie Options Bewertungsmethodik des verbreiteten Black-Scholes-Modells vorgestellt. Das Black-Scholes-Modell ist für deterministische Portfolios eine modellspezifische stochastische Differentialgleichung und ihre Lösung ist ein stochastisches Optimierungsproblem. Zur lösung des stochastischen Optimierungsproblems wird die Stochastik und ihre numerische Behandlung zum Schluss des Kapitels eingeführt. Kapitel 3 beschäftigt sich ausschließlich mit dem Quasi-Monte-Carlo-Verfahren. In einem ersten Schritt werden die Niederdiskrepanz-Folgen vorgestellt, darauf aufbau werden die theoretische Grundlagen und die Eigenschaften des Quasi- Monte-Carlo-Verfahrens diskutiert. Zum Abschluss des Kapitels werden das Quasi- Monte-Carlo-Verfahren für die Approximation des Werts eines Integrals als praktische Anwung vorgestellt, und die Ergebnisse mit dem klassischen Monte- Carlo-Verfahren hinsichtlich Fehler und Konvergenzverhalten verglichen. In Kapitel 4 werden die numerischen Ergebnisse vorgestellt. In einem ersten Schritt werden die Implementierung des Quasi-Monte-Carlo-Verfahrens vorgestellt, daraufhin werden mit dem Verfahren Pfadunabhängige und Pfadabhängige Optionen bewertet und Fehler und Konvergenzverhalten des Verfahrens diskutiert. Die Arbeit schließt in Kapitel 5 mit einer Zusammenfassung der dargestellten Verfahren und einem Ausblick auf mögliche Erweiterungen.

12

13 Kapitel 2 Grundlagen In diesem Kapitel werden die allgemeinen Grundlagen und Prinzipien eingeführt, die später in dieser Arbeit von Bedeutung sind. 2.1 Marktannahmen Auf dem Markt gibt es keine Reibungsverluste, Transaktionskosten, Steuern usw. Auf dem Markt gibt es keine Arbitrage 1 -Möglichkeiten. Marktteilnehmer bevorzugen bei gleichen Kosten und Risiken immer die Strategie mit dem größten Gewinn. Marktteilnehmer können beliebige Stückzahlen von Finanzinstrumenten kaufen und verkaufen, der Preis des Instruments wird dadurch nicht beeinflusst. Der Preis eines Instruments ist unabhängig von der Bonität der Handelspartner. Aktien sind in beliebigen Mengen handelbar, kontinuierliches Handeln ist möglich. Der Optionshandel ist zu jedem Zeitpunkt t [0, T ] möglich. 2.2 Optionstypen Im wesentlichen gibt es zwei Klassen von Optionstypen, Pfadunabhängige Optionen und Pfadabhängige Optionen. 1 Arbitrage: Ein Handelsgeschäft bei dem Preisdifferenzen für ertrags- und risikoidentische Anlagen ausgenutzt werden, um einen risikolosen Gewinn ohne Kapitaleinsatz zu erwirtschaften. 5

14 6 KAPITEL 2. GRUNDLAGEN Pfadunabhängige Optionen Definition 2.1 (Europäische Optionen) Eine Europäische Option ist ein Vertrag, der einen Basiswert S T am Verfallstag T zum Ausübungspreis K getätigt werden kann. Die Auszahlungsfunktion eines Europäischen Calls zum Zeitpunkt T lautet C T = (S T K) +. Die Auszahlungsfunktion eines Europäischen Puts zum Zeitpunkt T lautet P T = (K S T ) +. Definition 2.2 (Binäre Optionen) Eine Binäre Option ist ein Vertrag, der wertlos wird, wenn der Kurs des Basiswerts S T zum Verfallstag T eine festgelegte Schranke K über- oder unterschreitet. Im Gegensatz zur Europäischen Optionen ist die Höhe des Auszahlungsbetrags B unabhängig vom Kurs des Basiswerts. Die Auszahlungsfunktion eines Binären Calls zum Zeitpunkt T lautet B falls S T > K C T = 0 sonst. Die Auszahlungsfunktion eines binären Puts zum Zeitpunkt T lautet B falls S T < K P T = 0 sonst. Definition 2.3 (Chooser Optionen) Eine Chooser Option ist ein Vertrag, der den Käufer zum Verfallstag T wählt lässt, ob er einen Europäischen Call C T oder einen Europäischen Put P T erhalten möchte. Die Auszahlungsfunktion einer Choose Option zum Zeitpunkt T lautet V T = max{c T, P T } Pfadabhängige Optionen Definition 2.4 (Asiatische Optionen mit diskretem geometrischen Mittel) Eine Asiatische Option ist ein Vertrag, dessen Wert von dem Durchschnitts-Kurs des Basiswerts abhängt. Die Auszahlungsfunktion eines Asiatischen Calls für M Mittelungszeit-

15 2.2. OPTIONSTYPEN 7 punkte mit diskretem geometrischen Mittel zum Zeitpunkt T lautet ( M ) 1 M C T = S ti i=1 K Die Auszahlungsfunktion eines Asiatischen Puts für M Mittelungszeitpunkte mit diskretem geometrischen Mittel zum Zeitpunkt T lautet P T = K ( M i=1 S ti ) 1 M Definition 2.5 (Asiatische Optionen mit kontinuierlichem geometrischen Mittel) Eine Asiatische Option ist ein Vertrag, dessen Wert von dem Durchschnitts Kurs des Basiswerts abhängt. Wenn die Zahl der Mittelungszeitpunkte sehr groß wird, können stattdessen auch entspreche kontinuierliche Mittel betrachtet werden. Die Auszahlungsfunktion eines Asiatischen Calls für das kontinuierliche geometrische Mittel zum Zeitpunkt T lautet C T = ( ( 1 exp T T 0 ) + ln(s τ ) dτ K). Die Auszahlungsfunktion eines Asiatischen Puts für das kontinuierliche geometrische Mittel zum Zeitpunkt T lautet P T = ( ( 1 K exp T T 0 ln(s τ ) dτ)) +. Definition 2.6 (Amerikanische Optionen) Eine Amerikanische Option ist ein Vertrag, der für einen Zeitraum 0 t T gilt einen Basiswert S t bis spätestens zum Verfallstag T zum Ausübungspreis K getätigt werden kann. Die Auszahlungsfunktion eines Amerikanischen Calls zum Zeitpunkt t lautet C t = max 0 t T (S t K) +. Die Auszahlungsfunktion eines Amerikanischen Puts zum Zeitpunkt t lautet P t = max 0 t T (K S t) +.

16 8 KAPITEL 2. GRUNDLAGEN 2.3 Options-Bewertungsmethodik Risikoneutraler Ansatz Den Risikoneutralen Ansatz haben Cox, Ross und Rubinstein entwickelt. Sie beobachten den Optionspreis nicht direkt von den Risikopräferenzen der einzelnen Marktteilnehmer, sondern von einem Modell, der von Aktie und risikolosen Bonds abhängt. Definition 2.7 (Äquivalentes Martingalmaß) Das äquivalente Martingalmaß P zu der Wahrscheinlichkeitsverteilung P von S t ist dasjenige Wahrscheinlichkeitsmaß unter dem der diskontierte Prozess e rt S t ein Martingal ist e r t E [S t+ t ] = S t für alle t, t > 0, wobei E den Erwartungswert und r die risikolose Zinsrate. Das heißt der künftige Gewinn der Aktie ist der risikoneutrale Zins. Satz 2.1 (Martingal-Ansatz für Europäische Optionen) Der faire Wert einer Option ohne vorzeitiges Ausübungsrecht ist der diskontierte Erwartungswert der Auszahlung unter dem äquivalenten Martingalmaß gegeben durch V (S 0 ) = e rt E [V (S T )], wobei V (S T ) den Wert der Option zum Verfallstag T bezeichnet. Beweis: Siehe Harrison, Pliska Selbstfinanzierung, Girsanov-Theorem. Satz 2.2 (Martingal-Ansatz für Amerikanische Optionen) Der faire Wert einer Option mit vorzeitigem Ausübungsrecht ist ein optimale-stoppzeit-problem der diskontierte Erwartungswert der Auszahlung unter dem äquivalenten Martingalmaß gegeben durch V (S 0 ) = max 0 t T e rt E [V (S t )], wobei V (S t ) den Wert der Option zum Zeitpunkt t [0, T ] bezeichnet. Beweis: Siehe Harrison, Pliska Selbstfinanzierung, Girsanov-Theorem.

17 2.3. OPTIONS-BEWERTUNGSMETHODIK Black-Scholes-Ansatz Mit Hilfe der Black-Scholes-Formel lassen sich einige Optionspreise berechnen, wie von Europäischen Optionen, Binären Optionen, Asiatischen Optionen mit diskretem geometrischen Mittel, Asiatischen Optionen mit kontinuierlichem geometrischen Mittel usw. Satz 2.3 (Black-Scholes-Formel für Europäische Call) C 0 = S 0 Φ(d 1 ) Ke rt Φ(d 2 ) wobei Φ(x) = 1 2π x e s2 /2 ds, x R, d 1 = ln(s 0/K) + (r + σ 2 /2)T σ T d 2 = d 1 σ T. Satz 2.4 (Black-Scholes-Formel Asiatische Call diskret geometrisch) V S,0 = S 0 AΦ (d + σ ) T 1 Ke rt Φ(d), wobei Φ(x) = 1 2π x e s2 /2 ds, x R, ( ) A = exp r(t T 2 ) σ2 (T 2 T 1 ), 2 d = ln(s 0/K) + (r σ 2 /2)T 2 σ, T 1 M(M 1)(4M + 1) T 1 = T t, 6M 2 (M 1) T 2 = T t. 2 Satz 2.5 (Black-Scholes-Formel Asiatische Call kontinuierlich geometrisch) ( V S,0 = S 0 e 1 2 (r+σ2/6)t Φ d + σ ) T/3 Ke rt Φ(d)

18 10 KAPITEL 2. GRUNDLAGEN wobei Φ(x) = 1 2π x e s2 /2 ds, x R, d = ln(s 0/K) (r σ2 /2)T σ T/3. Definition 2.8 (Black-Scholes-Modell) Black und Scholes modellieren die Kursentwicklung S t einer Aktie durch eine stochastische Differentialgleichung ds t = µdt + σdw t wobei S t : Kurs der Aktie S zum Zeitpunkt t µ : Drift dt : Zeitdifferential σ : Volatilität dw t : Standard-Wiener-Prozess. 2.4 Stochastik und ihre numerische Behandlung Um die Black-Scholes stochastische Differentialgleichung zu lösen, wird die Stochastik und ihre numerische Behandlung benötigt. Definition 2.9 (Stochastischer Prozess) Sei (Ω, Σ, P ) ein Wahscheilichkeitsraum, mit Ereignismenge Ω, Ereignisalgebra Σ und Wahrscheinlichkeitsmaß P auf Σ. Sei (Z, Z) ein weiterer mit einer Sigma-Algebra versehner Raum und T eine Indexmenge. Ein stochastischer Prozess ist eine Familie von Zufallsvariablen X t : Ω Z für alle t T, wobei die Abbildung X t Z-messbar sein muss. Definition 2.10 (Wiener-Prozess) Ein Wiener-Prozess ist ein zeitstetiger stochastischer Prozess, der normalverteilte unabhängige Zuwächse hat und die folgen Eigenschaften W 0 = 0 fast sicher

19 2.4. STOCHASTIK UND IHRE NUMERISCHE BEHANDLUNG 11 W t ist stetig fast sicher W t W s t s Φ(0, 1) = Φ(0, t s) wobei Φ(0, 1) eine normalverteilte Zufallszahl mit Mittelwert 0 und Varianz 1 ist. Definition 2.11 (Euler-Maruyama-Verfahren) Sei (W t ) t 0 ein Wiener-Prozess und a, b : R [0, T ] R zwei Funktionen mit folgem stochastischem Anfangswertproblem ds t = a(t, S t )dt + b(t, S t )dw t, S t0 = A. Diese wird als Integralgleichung S t = S t0 + t t a(u, S u ) du + b(u, S u ) dw u, t t t0, t 0 t 0 interpretiert, wobei das zweite Integral ein Ito-Integral ist. Die stochastische Differentialgleichung wird diskretisiert, Ŝ ti+1 = Ŝt i + a(t i, Ŝt i )h + b(t i, Ŝt i ) W i, i=0,...,n 1, wobei h = T/N die Schrittweite zu N N auf dem Gitter t i = i h, i=0,...,n 1, ist und W i+1 = W ti+1 W ti, i=0,...,n 1. Das wichtigste theoretische Resultat der Näherung Ŝt, bezüglich des exakten Wertes S t des Euler-Maruyama-Verfahrens, wird durch die Konvergenz des Verfahrens erfasst. Definition 2.12 (Starke und schwache Konvergenz) Ein numerisches Verfahren zur Lösung einer stochastischen Differentialgleichung konvergiert stark mit der Ordnung α > 0, falls für alle p N ] 1 max E [ Ŝtn S tn p p n K 1 h α gilt mit einer von der Schrittweite h unabhängigen Konstante K 1 > 0. Das Verfahren konvergiert schwach mit der Ordnung β > 0, falls für alle Polynome P max n E[P (Ŝt n )] E[P (S tn )] K 2 h β gilt mit einer von der Schrittweite h unabhängigen Konstanten K 2 > 0.

20 12 KAPITEL 2. GRUNDLAGEN Satz 2.6 (Konvergenz des Euler-Maruyama-Verfahrens) Gilt für die Funktionen a(t, S) und b(t, S) mit Konstanten K 1, K 2, K 3, K 4 > 0 1. a(t, x) + a(t, y) + b(t, x) + b(t, y) K 1 x y, 2. a(t, x) + b(t, x) K 2 (1 + x ), 3. a(s, x) a(t, x) + b(s, x) b(t, x) K 3 (1 + x ) s t 1/2, 4. a, b C (2+ɛ) für ein ɛ > 0 (mehr als 2-mal differenzierbar), dann existiert eine eindeutige Lösung der stochastischen Differentialgleichung und das Euler-Maruyama-Verfahren konvergiert stark mit der Ordnung 1/2 und schwach mit der Ordnung 1. Beweis: Siehe P. Kloeden Numerical Solution of Stochastic Differential Equations. Satz 2.7 (Itô-Lemma) Sei S t ein Itô-Prozess, a und b zwei Funktionen mit ds t = a(t, S t )dt + b(t, S t )dw t und V (t, S t ) eine Funktion mit stetigen Ableitungen V, V t S t ein Itô-Prozess mit dv t = ( V t + a(t, S t) V S t (b(t, S t)) 2 2 V S 2 t und 2 V. Dann ist V (t, S St 2 t ) ) dt + b(t, S t ) V S t dw t Beweis: Taylor-Entwicklung von V (t, S t ) in t und S t ersetzen ds t = adt + bdw t und erhalten dv = V V dt + ds t V ds 2 t S t 2 St 2 t dv = V V dt + (adt + bdw t ) V (a 2 dt 2 + 2abdtdW t S t 2 St 2 t + b 2 dwt 2 ) Für dt 0 können dt 2 und dtdw t vernachlässigt werden und dwt 2 strebt nach dt, denn dwt 2 E[dWt 2 ] = dt. Nach Zusammenfassen der übrigen Terme, ist das Lemma bewiesen.

21 2.4. STOCHASTIK UND IHRE NUMERISCHE BEHANDLUNG 13 Bemerkung: Im Black-Scholes-Modell ist a(s, t) = µs t und b(s, t) = σs t. Satz 2.8 (Itô-Formel) Die Lösung der Black-Scholes-SDE ist gegeben durch S t = S 0 e (µ 1 2 σ2 )t+σw t. Diskretisierung Ŝ ti+1 = Ŝt i e (µ 1 2 σ2 )h+σ h W i, wobei h = T/N die Schrittweite zu N N auf dem Gitter t i = i h, i=0,...,n 1, ist und W i+1 = W ti+1 W ti, i=0,...,n 1. ( S Beweis: Setze V (t, S t ) = ln t S 0 ), dann ist d ln ( St S 0 ) = 0 + = (S t µ 1St + 12 ( S2t σ 2 1 ) ) dt + S St 2 t σ 1St dw t ) (µ σ2 dt + σdw t. 2 Daraus folgt ln ( St S 0 ) = ) (µ σ2 t + σw t 2 S t = S 0 e (µ 1 2 σ2 )t+σw t, wegen lim t 0 S t = S 0 folgt die Behauptung. Bemerkung: Der logarithmische Zuwachs ln ( µ σ2 2 ( ) S t S 0 ) t und Varianz σ 2 t, und somit ist S t lognormalverteilt. Es gilt E[e σwt ] = e σ2 t 2, folglich ist der Erwartungswert von S t E[S t ] = S 0 e µt ist normalverteilt mit Mittelwert und die Varianz von S t V ar[s t ] = E[S 2 t ] (E[S t ]) 2

22 14 KAPITEL 2. GRUNDLAGEN = S 2 0 e (2µ+σ2 )t (S 0 e µt ) 2 = S 0 e 2µt (e σ2t 1).

23 Kapitel 3 Quasi-Monte-Carlo-Verfahren Das Monte-Carlo-Verfahren kann für Approximation des Wertes eines Integrals verwet werden. Sei Ω ein zusammenhänges Gebiet aus R d. Die Mote-Carlo-Approximation ist definiert als I(f) = Ω f(u) du V ol(ω) 1 N N f(x i ), also erfolgt zunächst die Auswertung der zu integrieren Funktion f an zufällig gewählten Stellen x i für i=1,...,n im Integrationsbereich, und das arithmetische Mittel der Funktionswerte f(x i ) approximiert den Wert des Integrals. Nach dem Gesetz der großen Zahlen konvergiert das arithmetische Mittel der Funktionswerte mit zunehmer Anzahl von Auswertungen gegen den wahren Wert des Integrals. Das Monte-Carlo- Verfahren benutzt bei der Approximation die Pseudo-Zufallsfolgen. Das Wesentliche ist die Zufälligkeit des Integrationsbereichs. Ein Nachteil ist das langsames Konvergenzverhalten. Um dieses Verhalten zu verbessern, bietet sich das Quasi-Monte-Carlo- Verfahren an. Das Quasi-Monte-Carlo-Verfahren verwen statt Pseudo-Zufallsfolgen Niederdiskrepanz-Folgen zur Bestimmung der Auswertungsstellen. Die Glieder dieser Folgen sollen den Integrationsbereich gleichmäßiger ausfüllen und dadurch eine schnellere Konvergenz des Verfahrens erzielen. 15 i=1

24 16 KAPITEL 3. QUASI-MONTE-CARLO-VERFAHREN 3.1 Niederdiskrepanz-Folgen Halton-Folge Die Halton-Folge ist eine der am leichtesten zu berechnen Niederdiskrepanz-Folgen. Zur Berechnung des j-ten Elements des i-ten Glieds x (j) i wird die Zahl i in einer Basis p j dargestellt mit i = n k p k j. k=0 Die benutzten Basen sind die ersten d Primzahlen (d ist Dimension der x i für i=1,...,n). Aus der Entwicklung von i bezüglich p j erhält man x (j) i durch die radikal-inverse Transformation x (j) i = n k p k 1 j. k=0 Abbildung 3.1 Halton-2d 1 Halton Folge (N = 1000) 1 Halton Folge (N = 10000) p2 = p2 = p1 = p1 = 2 In Abbildung 3.1 zeigt die linke Grafik die ersten 1000 und die rechte Grafik die ersten Punkte aus der 1. und 2. Komponente einer 2-dimensionalen Halton-Folge. Die Halton-Folge verwet für jede Dimension unterschiedliche Basen, da andernfalls einzelne Komponenten in jedem Glied gleich wären und bestimmte Teile des Integrationsbereichs nicht abgedecken würden. Die kleinsten möglichen Basen werden benutzt, um ein sehr uniformes Verhalten auch bei wenigen Folgengliedern zu erreichen, je grösser die beteiligten Basen sind, desto mehr Folgenglieder werden benötigt, um dem Raum

25 3.1. NIEDERDISKREPANZ-FOLGEN 17 zu füllen. Benutzt man die Basen p 1 < p 2 <... < p N, dann werden p 1 p 2 p N Folgenglieder benötigt, um den Raum in den Dimensionen zu füllen, sodass kein größerer Bereich leer bleibt. Für d = 10 werden Beispielsweise ( ) = Folgen benötigt. Mit steiger Dimension, wächst die Basen stark auf, so tritt eine gleichmässige Verteilung erst für eine sehr grosse Anzahl von Folgen auf. In Abbildung 3.2 wird das Verhalten illustriert. Abbildung 3.2 Halton-100d 1 Halton Folge (N = 1000) 1 Halton Folge (N = 10000) p2 = p2 = p1 = p1 = 523 In Abbildung 3.2 zeigt die linke Grafik die ersten 1000 und die rechte Grafik die ersten Punkte aus der 99. und 100. Komponente einer 100-dimensionalen Halton-Folge. Hier erkennt man, dass großen Bereiche leer bleiben. Um dieses Verhalten zu verbessern, wird die Faure-Folge vorgestellt Faure-Folge Die Faure-Folge beruht wie die Halton-Folge auf der Entwicklung der Folgennummer i in einer Basis p i = n k p k. k=0 Faure-Folgen verwen für alle Komponenten ein einheitliches p, die kleinste Primzahl mit p d. Die einzelnen Zahlen n k werden für jede Dimension j in Ziffern α (j) k wie folgt

26 18 KAPITEL 3. QUASI-MONTE-CARLO-VERFAHREN geordnet α (j) k = [ m k ( ] m )n k (j 1) m k k mod p. Nach Umformung der Ziffern berechnen sich die Folgekomponenten x (j) i Halton-Folge durch Spiegelung der α (j) k am Dezimalpunkt wie bei der x (j) i = k=0 α (j) k p k 1. Abbildung 3.3 Faure-2d 1 Faure Folge (N = 1000) 1 Faure Folge (N = 10000) p2 = p2 = p1 = p1 = 2 In Abbildung 3.3 zeigt die linke Grafik die ersten 1000 und die rechte Grafik die ersten Punkte der 1. und 2. Komponente einer 2-dimensionalen Faure-Folge. Im Unterschied zu Halton-Folge füllt die Faure-Folge den d-dimensionalen Einheitswürfel in einheitlichen Zyklen der Länge p. Bei gleicher Dimension ist p deutlich kleiner als die größte Basis in der Halton-Folge. Diese wirkt sich auf die Uniformität in höheren Dimension aus. Das Verhalten wird in Abbildung 3.4 illustriert.

27 3.1. NIEDERDISKREPANZ-FOLGEN 19 Abbildung 3.4 Faure-100d 1 Faure Folge (N = 1000) 1 Faure Folge (N = 10000) p100 = p100 = p99 = p99 = 101 In Abbildung 3.4 zeigt die linke Grafik die ersten 1000 und die rechte Grafik die ersten Punkte aus der 99. und 100. Komponente einer 100-dimensionalen Faure-Folge. Hier erkennt man, dass für wenig Simulationen immer noch großen Bereiche leer bleiben. Um dieses Verhalten zu verbessern, wird die Sobol-Folge vorgestellt Sobol-Folge Die Sobol-Folge ist eine der am schwierigsten zu generieren Folgen. Zuerst generiert man für jede Komponente j ein primitives Polynom über F 2 der Form P j (x) = x d j + α (j) 1 x d j 1 + α (j) 2 x d j α (j) d j 1 x + 1. Die berechneten α (j) k verwet man anschliess zur Generierung von Mengen ungerader natürlicher Zahlen M (j) = {m (j) 1,..., m (j) log 2 N }. Hierbei ist 0 < m (j) i < 2 i und N bezeichnet die Anzahl der zu generieren Glieder. Für i d j wählt man zur Generierung die d kleinsten ungeraden ganzen Zahlen aus. Für d j > i erhält man m (j) i m (j) i aus den α (j) k durch die rekursive Formel = 2α (j) 1 m (j) i 1 22 α (j) 2 m (j) i 2 2d j 1 α (j) d j 1 m(j) i d+1 2d j m (j) i d j m (j) i d j.

28 20 KAPITEL 3. QUASI-MONTE-CARLO-VERFAHREN Der Operator bezeichnet das bitweise exklusive Oder (XOR). Beispielsweise ist = Durch Umwandlung der m j i in binäre Brüche erhält man sogenannte Direction-Numbers v j i v (j) i = m(j) i für i = 1, 2,..., log 2 i 2 N. Zur Generierung der einzelnen Folgenglieder x k geht man für jede Komponente x (j) k folgt vor x (j) k 1 = n i 2 i 1. i=0 Man bestimmt nun in einer Binärdarstellung von k 1 die Position l der am weitesten rechts liegen 0-Ziffer. Anschließ wird die zu l und j zugehörige Direction-Number binär dargestellt durch Die Ergebniskomponente x (j) k v (j) l = o k 2 k 1. k=0 wie erhält man durch XOR aus den Ziffern von x (j) k 1 und v(j) l x (j) k = (n i o i )2 i 1. i=0 Abbildung 3.5 Sobol-2d 1 Sobol Folge (N = 1000) 1 Sobol Folge (N = 10000) p2 = p2 = p1 = p1 = 2

29 3.2. THEORETISCHE EIGENSCHAFT 21 In Abbildung 3.5 zeigt die linke Grafik die ersten 1000 und die rechte Grafik die ersten Punkte aus der 1. und 2. Komponente einer 2-dimensionalen Sobol-Folge. Die Sobol-Folge verwet unabhängig von der Dimension die einheitliche Basis 2. Durch die geringere Länge des Zyklus sollten sich Probleme bei der gleichmäßigen Ausfüllung des Raumes nicht so stark bemerkbar machen wie bei den anderen Folgen. Abbildung 3.6 Sobol-100d 1 Sobol Folge (N = 1000) 1 Sobol Folge (N = 10000) p100 = p100 = p99 = p99 = 2 In Abbildung 3.6 zeigt die linke Grafik die ersten 1000 und die rechte Grafik die ersten Punkte aus der 99. und 100. Komponente einer 100-dimensionalen Sobol-Folge. Hier erkennt man, dass die Sobol-Folgen auch bei wenigen Simulationen eine gute gleichmäßige Auffüllung des Raumes aufweißt. 3.2 Theoretische Eigenschaft Die wesentliche Forderung an die verweten Folgen ist die gleichmäßige Verteilung der Folgenglieder. Definition 3.1 Sei X d = (x 1,..., x N ) eine liche Folge von Punkten, wobei jedes x i für i=1,...,n ein Punkt aus [0, 1] d ist. Die Quasi-Monte-Carlo-Approximation mit Integrationsbereich [0, 1] d ist definiert als [0,1] d f(u) du 1 N N f(x i ). i=1

Finanzmathematik. Absichern und Bewerten von Optionen. Arnold Janssen / Klaus Janßen

Finanzmathematik. Absichern und Bewerten von Optionen. Arnold Janssen / Klaus Janßen Finanzmathematik Absichern und Bewerten von Optionen Arnold Janssen / Klaus Janßen Universität Düsseldorf 27.09.2012 Rohstoffe, Devisen, Aktien, Kredite,... haben Preise, die im Laufe der Zeit zufällig

Mehr

Optionspreisbestimmung nach Cox-Ross-Rubinstein

Optionspreisbestimmung nach Cox-Ross-Rubinstein Optionspreisbestimmung nach Cox-Ross-Rubinstein Michael Beer 8. Mai 000 Inhaltsverzeichnis Einführung und Problembeschreibung. Was sind Optionen?.............................. Modellspezifikation..............................3

Mehr

Amerikanischen Optionen

Amerikanischen Optionen Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.

Mehr

Das Black-Scholes Marktmodell

Das Black-Scholes Marktmodell Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt

Mehr

Derivatebewertung im Binomialmodell

Derivatebewertung im Binomialmodell Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und

Mehr

Bewertung von Forwards, Futures und Optionen

Bewertung von Forwards, Futures und Optionen Bewertung von Forwards, Futures und Optionen Olaf Leidinger 24. Juni 2009 Olaf Leidinger Futures und Optionen 2 24. Juni 2009 1 / 19 Überblick 1 Kurze Wiederholung Anleihen, Terminkontrakte 2 Ein einfaches

Mehr

Optionsbewertung. Christof Heuer und Fabian Lenz. 2. Februar 2009

Optionsbewertung. Christof Heuer und Fabian Lenz. 2. Februar 2009 nach Black-Scholes mit sprüngen 2. Februar 2009 nach Black-Scholes mit sprüngen Inhaltsverzeichnis 1 Einleitung Optionsarten Modellannahmen 2 Aktienmodell Beispiele für e ohne Sprung 3 nach Black-Scholes

Mehr

Bewertung von europäischen und amerikanischen Optionen

Bewertung von europäischen und amerikanischen Optionen Bewertung von europäischen und amerikanischen en 1. Vortrag - Einführung Technische Universität Berlin Institut für Mathematik 8. November 2007 Inhaltsverzeichnis 1 Definitionen amerikanische / europäische

Mehr

III Stochastische Analysis und Finanzmathematik

III Stochastische Analysis und Finanzmathematik III Stochastische Analysis und Finanzmathematik Ziel dieses Kapitels ist es, eine Einführung in die stochastischen Grundlagen von Finanzmärkten zu geben. Es werden zunächst Modelle in diskreter Zeit behandelt,

Mehr

Blatt 1. 1 Einführung. Programmierpraktikum Computational Finance. WS 2014/ 2015 Prof. Dr. Thomas Gerstner Marco Noll

Blatt 1. 1 Einführung. Programmierpraktikum Computational Finance. WS 2014/ 2015 Prof. Dr. Thomas Gerstner Marco Noll Programmierpraktikum Computational Finance WS 2014/ 2015 Prof. Dr. Thomas Gerstner Marco Noll Programmierpraktikum Computational Finance Blatt 1 1 Einführung Finanzderivate sind Wertpapiere, deren Wert

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Dünngitter-Binomialbäume zur Bewertung von Multiasset-Optionen

Dünngitter-Binomialbäume zur Bewertung von Multiasset-Optionen Diplomarbeit Dünngitter-Binomialbäume zur Bewertung von Multiasset-Optionen Angefertigt am Institut für Numerische Simulation Vorgelegt der Mathematisch-Naturwissenschaftlichen Fakultät der Rheinischen

Mehr

Monte Carlo Simulationen

Monte Carlo Simulationen Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und

Mehr

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/ Finanzmathematik - Wintersemester 2007/08 http://code.google.com/p/mitgetexed/ Stand: 4. November 2007 Inhaltsverzeichnis 1 Motivation und erste Begriffe 2 2 Endliche Finanzmärkte 4 3 Das Cox-Ross-Rubinstein-Modell

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie

Mehr

Computational Finance

Computational Finance Computational Finance : Simulationsbasierte Optionsbewertung Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude

Mehr

Die Black-Scholes-Gleichung

Die Black-Scholes-Gleichung Die Black-Scholes-Gleichung Franziska Merk 22.06.2012 Outline Optionen 1 Optionen 2 3 Optionen Eine Kaufoption ist ein Recht, eine Aktie zu einem heute (t=0) festgelegten Preis E an einem zukünftigen Zeitpunkt

Mehr

Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung

Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Ausarbeitung zum Vortrag im Seminar Stochastische Dynamische Optimierung vom 18.01.2008 Datum : 18.01.2008 Verfasser: Martin Schymalla

Mehr

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Walter Sanddorf-Köhle Foliensatz Nr. 3 1 / 46 Ein Einperiodenmodell Beispiel 5 Betrachtet wird nun ein Wertpapiermarkt mit

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Seminar Finanzmathematik

Seminar 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

Mehr

Finanz- und Risikomanagement II

Finanz- und Risikomanagement II Finanz- und Risikomanagement II Fakultät Grundlagen März 2009 Fakultät Grundlagen Finanz- und Risikomanagement II Einperiodenmodell Marktmodell Bewertung von Derivaten Binomialbaum Bewertungen im Abhängigkeiten

Mehr

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Walter Sanddorf-Köhle Foliensatz Nr. 8 1 / 40 Erweiterungen des Binomialmodells Dividendenzahlungen Sei S der Wert einer Aktie

Mehr

Hedging mit Monte Carlo Algorithmen

Hedging mit Monte Carlo Algorithmen Hedging mit Monte Carlo Algorithmen Diplomarbeit von Thomas Höllbacher Fakultät für Mathematik, Physik und Informatik Mathematisches Institut Datum: 30. Oktober 2011 Aufgabenstellung und Betreuung: Prof.

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

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

Notationen. Burkhard Weiss Futures & Optionen Folie 2

Notationen. Burkhard Weiss Futures & Optionen Folie 2 Optionspreismodelle Notationen S t : X: T: t: S T : r: C: P: c: p: s: aktueller Aktienkurs Ausübungspreis (Rest-)laufzeit der Option Bewertungszeitpunkt Aktienkurs bei Verfall risikofreier Zinssatz Preis

Mehr

76 10. WEITERE ASPEKTE

76 10. WEITERE ASPEKTE 76 10. WEITERE ASPEKTE 10. Weitere Aspekte 10.1. Aktien mit Dividendenzahlungen Betrachten wir das Black Scholes-Modell. Falls die Aktie nun Dividenden bezahlt, wird der Wert der Aktie um den Wert der

Mehr

Finanznumerik (Computational Finance)

Finanznumerik (Computational Finance) Finanznumerik (Computational Finance) Vorlesungsskript Goethe-Universität Frankfurt Sommersemester 2010 Thomas Gerstner 8. Oktober 2011 2 Inhaltsverzeichnis 1 Einleitung 7 2 Finanzderivate 9 2.1 Verzinsung....................................

Mehr

Bewertung von Barrier Optionen mit der Finite-Differenzen-Methode

Bewertung von Barrier Optionen mit der Finite-Differenzen-Methode Bewertung von Barrier Optionen mit der Finite-Differenzen-Methode Diplomarbeit vorgelegt von Ming Liao Universität Bielefeld Fakultät für Wirtschaftswissenschaften 9. Juni 2011 Themensteller: Prof. Dr.

Mehr

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Francesca Biagini Mathematisches Institut, LMU biagini@math.lmu.de Münchner Wissenschaftstage im Jahr der Mathematik 21. Oktober 28

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

DIE DIFFERENTIALGLEICHUNG ZUR BESTIMMUNG DES PREISES VON WäHRUNGSOPTIONEN

DIE DIFFERENTIALGLEICHUNG ZUR BESTIMMUNG DES PREISES VON WäHRUNGSOPTIONEN DIE DIFFERENTIALGLEICHUNG ZUR BESTIMMUNG DES PREISES VON WäHRUNGSOPTIONEN von HANS-JüRG BüTTLER In der vorliegenden Notiz werden zuerst Kennziffern des Wechselkurses, die für die lognormale Verteilung

Mehr

In Kapitel 1 haben wir folgende Formel zur risiko-neutralen Bewertung von Optionen eingeführt:

In Kapitel 1 haben wir folgende Formel zur risiko-neutralen Bewertung von Optionen eingeführt: Seydel: Skript Numerische Finanzmathematik, Kap. 3 (Version 211) 47 ºÅÓÒØ ¹ ÖÐÓ¹Å Ø Ó Ò In Kapitel 1 haben wir folgende Formel zur risiko-neutralen Bewertung von Optionen eingeführt: V (S, ) = e rt E Q

Mehr

Optionspreistheorie von Black & Scholes

Optionspreistheorie von Black & Scholes Optionspreistheorie von Black & Scholes Vortrag zum Seminar Econophysics Maximilian Eichberger 20. November 2007 Zusammenfassung Nach einer kurzen Erläuterung zu den Grundbegriffen und -prinzipien des

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

Interdisziplinäres Vertiefungsfach Geld und Finanzierung. Vertiefungskurs I: Optionspreise und Derivate. Klaus Pötzelberger

Interdisziplinäres Vertiefungsfach Geld und Finanzierung. Vertiefungskurs I: Optionspreise und Derivate. Klaus Pötzelberger Interdisziplinäres Vertiefungsfach Geld und Finanzierung Vertiefungskurs I: Optionspreise und Derivate Klaus Pötzelberger Institut für Statistik und Mathematik Option Slide 1 Klaus Pötzelberger Optionspreis

Mehr

Algorithmen und Software für moderne Finanzmathematik. Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern

Algorithmen und Software für moderne Finanzmathematik. Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern Algorithmen und Software für moderne Finanzmathematik Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern Gliederung: Was ist Finanzmathematik? Wie wird man reich? Portfolio-Optimierung

Mehr

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx

Mehr

Optionen. Vertiefungsstudium Finanzwirtschaft SS 2001 Prof. Dr. Mark Wahrenburg

Optionen. Vertiefungsstudium Finanzwirtschaft SS 2001 Prof. Dr. Mark Wahrenburg Optionen Vertiefungsstudium Finanzwirtschaft SS 2001 Prof. Dr. Mark Wahrenburg 1 Übersicht Der Optionsvertrag Pay Offs / Financial Engineering Wertgrenzen Put-Call-Paritätsbedingung Bewertung von Optionen

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

DIPLOMARBEIT. Vergleich numerischer Berechnungsmethoden für Optionswerte und Handelsstrategien

DIPLOMARBEIT. Vergleich numerischer Berechnungsmethoden für Optionswerte und Handelsstrategien UNIVERSITÄT BAYREUTH FAKULTÄT FÜR MATHEMATIK UND PHYSIK Lehrstuhl für Mathematik V DIPLOMARBEIT Vergleich numerischer Berechnungsmethoden für Optionswerte und Handelsstrategien eingereicht von: Martin

Mehr

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären.

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. Einleitung Das Ein-Perioden-Modell ist das einfachste Modell, um die Idee der Preisgebung von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. naive Idee der Optionspreisbestimmung: Erwartungswertprinzip

Mehr

Modellbildung und Simulation

Modellbildung und Simulation Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das

Mehr

Optionspreisberechnung (naive Idee)

Optionspreisberechnung (naive Idee) Wiener-Prozess Itô-Formel Stochastische Differenzialgleichung Stochastische Prozesse Itô-Integration Binomialmodell Optionspreisberechnung (naive Idee) Preisberechnung einer Call-Option Put-Call-Parität

Mehr

Einfache Derivate. Stefan Raminger. 4. Dezember 2007. 2 Arten von Derivaten 3 2.1 Forward... 3 2.2 Future... 4 2.3 Optionen... 5

Einfache Derivate. Stefan Raminger. 4. Dezember 2007. 2 Arten von Derivaten 3 2.1 Forward... 3 2.2 Future... 4 2.3 Optionen... 5 Einfache Derivate Stefan Raminger 4. Dezember 2007 Inhaltsverzeichnis 1 Begriffsbestimmungen 1 2 Arten von Derivaten 3 2.1 Forward..................................... 3 2.2 Future......................................

Mehr

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536 fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung

Mehr

Internationale Finanzierung 7. Optionen

Internationale Finanzierung 7. Optionen Übersicht Kapitel 7: 7.1. Einführung 7.2. Der Wert einer Option 7.3. Regeln für Optionspreise auf einem arbitragefreien Markt 7.3.1. Regeln für Calls 7.3.2. Regeln für Puts 7.3.3. Die Put Call Parität

Mehr

Bewertung von Finanzderivaten

Bewertung von Finanzderivaten Bewertung von Finanzderivaten am Beispiel von LIBOR Zinsmodellen Christian Fries 31.10.2003 www.christian-fries.de/finmath (Version 1.1 - Revision 2 (31.10.2003) - First Version 24.07.2003) 1 Modellierung

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Interdisziplinäres Vertiefungsfach Geld und Finanzierung Vertiefungskurs I: Optionspreise und Derivate

Interdisziplinäres Vertiefungsfach Geld und Finanzierung Vertiefungskurs I: Optionspreise und Derivate Interdisziplinäres Vertiefungsfach Geld und Finanzierung Vertiefungskurs I: Optionspreise und Derivate Klaus Pötzelberger Institut für Statistik und Mathematik Wirtschaftsuniversität Wien Inhaltsverzeichnis

Mehr

Fotios Filis. Monte-Carlo-Simulation

Fotios Filis. Monte-Carlo-Simulation Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse

Mehr

Finanzmanagement 5. Optionen

Finanzmanagement 5. Optionen Übersicht Kapitel 5: 5.1. Einführung 5.2. Der Wert einer Option 5.3. Regeln für Optionspreise auf einem arbitragefreien Markt 5.3.1. Regeln für Calls 5.3.2. Regeln für Puts 5.3.3. Die Put Call Parität

Mehr

Inhaltsverzeichnis: Aufgaben zur Vorlesung Finanz- und Risikomanagement Seite 1 von 35 Prof. Dr. Gabriele Gühring, Fakultät Grundlagen

Inhaltsverzeichnis: Aufgaben zur Vorlesung Finanz- und Risikomanagement Seite 1 von 35 Prof. Dr. Gabriele Gühring, Fakultät Grundlagen Inhaltsverzeichnis: Übungsaufgaben zu Finanz- und Risikomanagement... 3 Aufgabe... 3 Aufgabe... 3 Aufgabe 3... 3 Aufgabe 4... 3 Aufgabe 5... 4 Aufgabe 6... 4 Aufgabe 7... 4 Aufgabe 8... 4 Aufgabe 9...

Mehr

3. Modelle in stetiger Zeit, Black Scholes

3. Modelle in stetiger Zeit, Black Scholes 3. Modelle in stetiger Zeit, Black Scholes Nach einführenden Bemerkungen werden kurz die Brownsche Bewegung und Martingale in stetiger Zeit besprochen. Dann folgen die Entwicklung des stochastischen Integrals

Mehr

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

Fondsgebundene Lebensversicherungsverträge mit garantierten Auszahlungen

Fondsgebundene Lebensversicherungsverträge mit garantierten Auszahlungen Günther Sieghartsleitner Fondsgebundene Lebensversicherungsverträge mit garantierten Auszahlungen Diplomarbeit Technische Mathematik Studienzweig Operations Research, Statistik, Finanz- und Versicherungsmathematik

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Hochschule Rhein-Main. Sommersemester 2015

Hochschule Rhein-Main. Sommersemester 2015 Vorlesung Hochschule Rhein-Main Sommersemester 2015 Dr. Roland Stamm 22. Juni 2015 Erinnerung Eine Option ist das Recht (aber nicht die Verpflichtung) ein Produkt S in der Zukunft zu einem heute festgelegten

Mehr

Optionskennzahlen. 1 Man beachte, daß die mittels dieser Verhältnisse berechneten Veränderungen nur für kleine Veränderungen rich-

Optionskennzahlen. 1 Man beachte, daß die mittels dieser Verhältnisse berechneten Veränderungen nur für kleine Veränderungen rich- Optionskennzahlen 1 Einführung Die Abhängigkeit des Optionspreises von den verschiedenen Parametern wird analysiert, indem diese marginal 1 verändert und ins Verhältnis zu der daraus resultierenden Veränderung

Mehr

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

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

Mehr

Vorbemerkungen zur Optionsscheinbewertung

Vorbemerkungen zur Optionsscheinbewertung Vorbeerkungen zur Optionsscheinbewertung Matthias Groncki 24. Septeber 2009 Einleitung Wir wollen uns it den Grundlagen der Optionsscheinbewertung beschäftigen. Dazu stellen wir als erstes einige Vorraussetzungen

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Numerische Methoden der Finanzmathematik

Numerische Methoden der Finanzmathematik Numerische Methoden der Finanzmathematik Lars Grüne Mathematisches Institut Fakultät für Mathematik und Physik Universität Bayreuth 95440 Bayreuth lars.gruene@uni-bayreuth.de www.math.uni-bayreuth.de/

Mehr

11.3 Komplexe Potenzreihen und weitere komplexe Funktionen

11.3 Komplexe Potenzreihen und weitere komplexe Funktionen .3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt

Mehr

Lenstras Algorithmus für Faktorisierung

Lenstras Algorithmus für Faktorisierung Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode 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)

Mehr

Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer

Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer 1 Einleitung Im Rahmen des SST wird teilweise vereinfachend angenommen, dass der Zusammenhang zwischen der Veränderung des risikotragenden

Mehr

DIPLOMARBEIT. Konstruktion B Spline basierter monotoner Mehrgitterverfahren zur Bewertung Amerikanischer Optionen

DIPLOMARBEIT. Konstruktion B Spline basierter monotoner Mehrgitterverfahren zur Bewertung Amerikanischer Optionen DIPLOMARBEIT Konstruktion B Spline basierter monotoner Mehrgitterverfahren zur Bewertung Amerikanischer Optionen Angefertigt am Institut für Angewandte Mathematik Vorgelegt der Mathematisch Naturwissenschaftlichen

Mehr

Test 1 (zu den Kapiteln 1 bis 6)

Test 1 (zu den Kapiteln 1 bis 6) Test 1 1 Test 1 (zu den Kapiteln 1 bis 6) Bearbeitungszeit: 90 Minuten Aufgabe T1.1: Bekanntmachung EUR 1.000.000.000,- Anleihe mit variablem Zinssatz der Fix AG von 2003/2013, Serie 111 Zinsperiode: 12.10.2006

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Einführung in die Informatik I

Einführung in die Informatik I Einführung in die Informatik I Algorithmen und deren Programmierung Prof. Dr. Nikolaus Wulff Definition Algorithmus Ein Algorithmus ist eine präzise formulierte Handlungsanweisung zur Lösung einer gleichartigen

Mehr

Analytische und numerische Lösung der Black-Scholes-Gleichung für europäische und amerikanische Basket-Optionen

Analytische und numerische Lösung der Black-Scholes-Gleichung für europäische und amerikanische Basket-Optionen Technische Universität Berlin Fakultät für Mathematik und Naturwissenschaften Analytische und numerische Lösung der Black-Scholes-Gleichung für europäische und amerikanische Basket-Optionen Diplomarbeit

Mehr

Bewertung von Optionen auf CO2- Zertifikate mittels des Verfahrens von Black-Scholes

Bewertung von Optionen auf CO2- Zertifikate mittels des Verfahrens von Black-Scholes www.markedskraft.com Bewertung von Optionen auf CO2- Zertifikate mittels des Verfahrens von Black-Scholes Diplomarbeit von Florian Frank Arendal Postboks 62 NO-4801 Arendal Norway Tel +47 37 00 97 00 Fax

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Monte Carlo Simulation (Grundlagen)

Monte 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

Mehr

Numerik für nichtlineare Black-Scholes-Gleichungen

Numerik für nichtlineare Black-Scholes-Gleichungen Fakultät für Mathematik, Physik und Informatik Mathematisches Institut Numerik für nichtlineare Black-Scholes-Gleichungen Bachelorarbeit von Markus Schäfer Aufgabenstellung und Betreuung: Prof. Dr. Lars

Mehr

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 16 Crash Course Optionen: Pricing & Hedging in diskreter Zeit Literatur Kapitel 16 * Uszczapowski: Kapitel 2, 3, 6 * Pliska: Kapitel 1.4 * Lamberton & Lapeyre:

Mehr

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011

Mehr

Die Monte-Carlo-Methode für Amerikanische Optionen

Die Monte-Carlo-Methode für Amerikanische Optionen Fakultät für Mathematik, Physik und Informatik Mathematisches Institut Die Monte-Carlo-Methode für Amerikanische Optionen Bachelorarbeit von Christian Weber Aufgabenstellung und Betreuung: Prof. Dr. Lars

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 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.

Mehr

Numerische Methoden der Finanzmathematik

Numerische Methoden der Finanzmathematik Numerische Methoden der Finanzmathematik Lars Grüne Mathematisches Institut Fakultät für Mathematik und Physik Universität Bayreuth 95440 Bayreuth lars.gruene@uni-bayreuth.de www.math.uni-bayreuth.de/

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. 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,

Mehr

Bewertung von exotischen Optionen im CRR Modell

Bewertung von exotischen Optionen im CRR Modell Bewertung von exotischen Optionen im CRR Modell Bachelorarbeit von Stefanie Tiemann 11. 08. 2010 Betreuer: Privatdozent Dr. Volkert Paulsen Institut für mathematische Statistik Fachbereich Mathematik und

Mehr

Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen

Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Michael Schaeer 3.04.03 Abstract This seminar is about convex functions and several imortant ineualities. At the beginning the term

Mehr

Finanzmathematik... was ist das?

Finanzmathematik... was ist das? Finanzmathematik... was ist das? The core of the subject matter of mathematical finance concerns questions of pricing of financial derivatives such as options and hedging covering oneself against all eventualities.

Mehr

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,

Mehr

SoSe 2004 Mareen Hofmann, Sonja Lange

SoSe 2004 Mareen Hofmann, Sonja Lange Einführung in die Finanzmathematik Grundlagen SoSe 2004 Mareen Hofmann, Sonja Lange Inhaltsverzeichnis 1 Einleitung 2 2 Finanzmärkte und Instrumente 2 2.1 Finanzmärkte............................. 2 2.2

Mehr

Effiziente numerische Optionsbewertung in Lévy-Modellen mittels H-Matrix-Approximation

Effiziente numerische Optionsbewertung in Lévy-Modellen mittels H-Matrix-Approximation Diplomarbeit Effiziente numerische Optionsbewertung in Lévy-Modellen mittels H-Matrix-Approximation angefertigt am Institut für Numerische Simulation vorgelegt der Mathematisch-Naturwissenschaftlichen

Mehr

Kostenmaße. F3 03/04 p.188/395

Kostenmaße. F3 03/04 p.188/395 Kostenmaße Bei der TM nur ein Kostenmaß: Ein Schritt (Konfigurationsübergang) kostet eine Zeiteinheit; eine Bandzelle kostet eine Platzeinheit. Bei der RAM zwei Kostenmaße: uniformes Kostenmaß: (wie oben);

Mehr

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

CAS-Ansicht Computer Algebra System & Cas spezifische Befehle

CAS-Ansicht Computer Algebra System & Cas spezifische Befehle CAS-Ansicht Computer Algebra System & Cas spezifische Befehle GeoGebra Workshop Handout 10 1 1. Einführung in die GeoGebra CAS-Ansicht Die CAS-Ansicht ermöglicht die Verwendung eines CAS (Computer Algebra

Mehr

Irrfahrten. Und ihre Bedeutung in der Finanzmathematik

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

Mehr

Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel

Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel Seminarbeitrag Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel Sven Wiesinger 8. Juni 2004 1. Einleitung Historisches. Bei dem Versuch, eine Theorie der Spekulation zu entwickeln,

Mehr