Kreditrisikomodelle. Mit Kalibrierung der Input-Parameter. Working Paper Series by the University of Applied Sciences of bfi Vienna.

Größe: px
Ab Seite anzeigen:

Download "Kreditrisikomodelle. Mit Kalibrierung der Input-Parameter. Working Paper Series by the University of Applied Sciences of bfi Vienna."

Transkript

1 Number 3 / 2004 Working Paper Series by the University of Applied Sciences of bfi Vienna Kreditrisikomodelle Mit Kalibrierung der Input-Parameter Version 1.01, July 2004 Robert Schwarz University of Applied Sciences of bfi Vienna Sponsored by the Austrian Research Promotion Agency under the programme

2 IMPRESSUM: Fachhochschule des bfi Wien Gesellschaft m.b.h. Wohlmutstraße 22, A-1020 Wien, Tel. ++43/1/

3 Inhalt Abstract 4 1. Einleitung 5 2. CreditMetrics 7 3. CreditRisk KMV CreditPortfolioView Kalibrierung Parameter CreditMetrics und CreditRisk Literatur 23 Working Papers und Studien der Fachhochschule des bfi Wien 24 3

4 Abstract The New Basel Capital Accord (Basel II) allows banks to assess the regulatory capital related to credit risk. This paper reviews the most important models. First, the credit migration approach, as proposed by J.P. Morgan with CreditMetrics, is based on the probability of migration from one rating-class to another, including default, within a given time horizon. Second, the actuarial approach, as proposed by Credit Suisse Finaniccal Procucts (CSFP). In this model the defaults follow an exogenous Poisson process. Third, the model by KMV is based on the asset-value model by Merton (1974). In this model the default occurs when the asset of the firms falls below some critical level. Fourth CreditPortfolioView by McKinsey is a model where default probabilities are conditional on macro-variables. Finally this paper shows that the input-parameter of the models CreditMetrics and CreditRisk+ can be calibrated to produce similar results. Durch die neuen Baseler Eigenkapitalvorschriften (Basel II) werden die Banken in Zukunft die Möglichkeit haben, das mit Eigenkapital zu unterlegende Kreditrisiko mit internen Kreditrisikomodellen selber zu berechnen. Diese Arbeit untersucht die praxisrelevantesten Modelle. Als erstes wird das Modell von J.P. Morgan mit dem Namen CreditMetrics behandelt, das auf der Berechnung von Migrationswahrscheinlichkeiten (Wahrscheinlichkeiten von Ratingänderungen innerhalb eines bestimmten Zeitraums) inkl. Ausfall basiert. Beim zweiten Modell handelt es sich um CreditRisk+ von Credit Suisse Financial Products (CSFP), das den Ausfall analog zur Schadenversicherung exogen durch einen Poisson-Prozess modelliert. Drittens wird das KMV-Modell vorgestellt, das auf dem Asset-Value- Modell von Merton (1974) beruht. Bei diesem Modell tritt der Ausfall ein, wenn der Firmenwert unter eine bestimmte Schwelle fällt. Bei CreditPortfolioView von McKinsey als viertem Modell werden die Ausfallsraten mittels logistischer Regression, deren Regressoren makro-ökonomische Variablen sind, geschätzt. Am Schluss dieser Arbeit wird gezeigt, dass die Input-Parameter der beiden Benchmarkmodelle CreditMetrics und CreditRisk+ so kalibriert werden können, dass sie ähnliche Ergebnisse liefern. 4

5 1. Einleitung Mit den neuen Baseler Eigenkapitalvorschriften (Basel II) haben die Banken die Möglichkeit, interne Kreditrisikomodelle zu verwenden. Die Kreditrisikomodelle sind nicht nur zur Berechnung des regulatorischen Eigenkapitals 1 notwendig, sondern spielen auch für das Risikomanagement einer Bank eine zentrale Rolle. Es ist möglich, mit Hilfe dieser Modelle die Bonität der Kunden und in Folge deren Rentabilität für die Bank zu ermitteln und eine risikoadäquatere Preisgestaltung zu erstellen. Im Vergleich zum Marktrisiko ergeben sich allerdings einige Probleme bei der Modellierung des Kreditrisikos: - Für die Schätzung der Parameter des Kreditrisikos ist kein oder nur ungenügendes historisches Datenmaterial vorhanden. - Die Verlustverteilung eines Kreditportfolios ist nicht normalverteilt, sondern die Verteilung ist schief, 2 d.h. in seltenen Fällen können sehr hohe Verluste auftreten, was die statistische Modellierung ebenfalls erschwert. - Das Backtesting 3 ist komplizierter, weil die Haltedauer meist länger als ein Jahr beträgt und das Konfidenzniveau 4 zur Ermittlung der maximalen Verlusthöhe sehr hoch ist. Je höher das Konfidenzniveau ist, umso größer ist die Gefahr, dass die verschiedenen Modelle unterschiedliche Ergebnisse liefern, da die Randverteilungen von den verschiedenen Modellen unterschiedlich parametrisiert werden. Diese Arbeit stellt die vier wichtigsten Modelle kurz vor, die in den letzten Jahren von der Praxis entwickelt worden sind. Grundsätzlich gibt es zwei Hauptkategorien von Kreditrisikomodellen. Eine Kategorie beinhaltet die Default-Modelle (DM), die nur zwischen Ausfall und Nicht-Ausfall unterscheiden. Deren wichtigster Exponent ist CreditRisk+ 5 von Credit Suisse Financial Products. Beim versicherungs- 1 Die Banken sind verpflichtet, ihre Kredite mit Eigenkapital zu unterlegen. Die Höhe des regulatorischen Eigenkapitals hängt u.a. von der Kundenbonität und den Sicherheiten ab; vgl. Cech (2004) 2 Bei einer schiefen oder unsymmetrischen Verteilung liegt der Hauptanteil einer Verteilung auf der linken Seite (linkssteil) oder rechten Seite (rechtssteil) 3 Unter Backtesting versteht man die Überprüfung ex post der Modellprognose mit den tatsächlichen Daten und analysiert die Abweichungen 4 Bei Basel II muss der Credit Value at Risk mit einem Konfidenzniveau von 99,9 % mit Eigenkapital unterlegt werden 5 Vgl. CreditRisk Technical Document 5

6 mathematischen Ansatz von CreditRisk+ wird die Ausfallswahrscheinlichkeit analog zur Schadeneintrittswahrscheinlichkeit in der Sachversicherung durch einen Poisson- Prozess modelliert. Die zweite Klasse sind die Mark-to-Market-Modelle (MTM), die nicht nur die Ausfälle, sondern auch die Veränderung der Bonität der Schuldner berücksichtigen. Der wichtigste Vertreter dieser Kategorie ist das Kreditrisikomodell CreditMetrics 6 von J.P. Morgan. Zusätzlich zu den zwei bereits genannten Modellen werden noch das KMV-Modell und CreditPortfolioView 7 von McKinsey kurz vorgestellt. KMV hat das Asset-Value- Modell von Merton 8 zur Grundlage. Es tritt ein Ausfall ein, wenn der Firmenwert unterhalb einer bestimmten Schwelle fällt. Beim ökonometrischen Ansatz des Modells CreditPortfolioView hängt die Ausfallswahrscheinlichkeit von verschiedenen makroökonomischen Variablen wie Arbeitslosigkeit, langfristige Zinsen und BIP- Wachstum ab. Es hat sich gezeigt, dass die Modelle zum Teil deutlich unterschiedliche Ergebnisse liefern. 9 Deshalb wird es in Zukunft notwendig sein, eine genaue Analyse über Ausmaß und Ursachen der Unterschiede durchzuführen, um die verschiedenen Modelle zur Ermittlung der regulatorischen Eigenkapitalunterlegung einsetzen zu können. Der Hauptgrund für die unterschiedlichen Ergebnisse liegt an den verwendeten Input-Parametern der Modelle und deren Schätzung. Im letzten Teil dieser Arbeit wird gezeigt, wie man die Parameter der beiden Benchmarkmodelle CreditMetrics und CreditRisk+ kalibrieren kann, damit sie ähnliche Ergebnisse liefern. 6 Vgl. CreditMetrics Technical Document 7 Vgl. Credit Portfolio View, Approach Document and User s Manual 8 Vgl. Merton (1974) 9 Vgl. Crouhy, Galai, Mark (2000) 6

7 2. CreditMetrics Das von J.P. Morgan entwickelte Kreditrisikomodell CreditMetrics 10 basiert auf der Änderung der Kreditqualität eines Kreditnehmers: - Upgrade: die Bonität des Schuldners verbessert sich - Downgrade: die Bonität des Schuldners verschlechtert sich - Default: der Schuldner fällt aus Zu diesem Zweck verwendet man die Migrationsmatrix. Diese Matrix zeigt die Wahrscheinlichkeit, dass ein Schuldner nach einer bestimmten Zeit (meistens ein Jahr) in der gleichen Ratingklasse verbleibt oder ein anderes Rating (inkl. Default) erhält. Die Tabelle 1 zeigt, dass ein Kreditnehmer mit aktuellem Rating BBB in einem Jahr mit einer Wahrscheinlichkeit von 86,93% weiterhin in der Ratingklasse BBB verbleibt und mit einer Wahrscheinlichkeit von 5,95% ein Rating A erhält. Aktuelles Rating in einem Jahr Rating AAA AA A BBB BB B CCC Default AAA AA A BBB BB B CCC 90,81 8,33 0,68 0,06 0, ,70 90,65 7,79 0,64 0,06 0,14 0,02 0 0,09 2,27 91,05 5,52 0,74 0,26 0,01 0,06 0,02 0,33 5,95 86,93 5,30 1,17 1,12 0,18 0,03 0,14 0,67 7,73 80,53 8,84 1,00 1,06 0 0,11 0,24 0,43 6,48 83,46 4,07 5,20 0,22 0 0,22 1,30 2,38 11,24 64,86 19,79 Tabelle 1: Migrationsmatrix: Wahrscheinlichkeit einer Ratingänderung innerhalb eines Jahres, Quelle: Standard & Poors (1996) Die Migrationsbewegungen sind stochastisch nicht unabhängig, d.h. die gleichzeitige Migration zweier Schuldner ist nicht einfach das Produkt der entsprechenden Wahrscheinlichkeiten in der Matrix. CreditMetrics verwendet für die Modellierung der gemeinsamen Migrationsbewegung die positiv korrelierten Asset-Renditen der Schuldner. Bei börsennotierten Unternehmen wird die Korrelation der Aktienkurse 10 Vgl. Crouhy,Galai, Mark: S

8 verwendet, wobei in diesem Fall nur die Korrelation der Marktwerte des Eigenkapitals und nicht der gesamten Unternehmensaktiva ins Modell einfließen. Die standardnormalverteilten und korrelierten Asset-Renditen werden durch eine Simulation mit Hilfe der Cholesky-Zerlegung 11 erzeugt und in Sektoren unterteilt, die den jeweiligen Migrationswahrscheinlichkeiten entsprechen. Abb. 1: Einteilung der Rendite eines BB-Unternehmens entsprechend der Migrationswahrscheinlichkeit Anschließend werden aufgrund der simulierten Asset-Renditen alle Kredite neu bewertet. Zu diesem Zweck werden die Barwerte der Kredite durch Abdiskontierung der zukünftigen Cash-Flows mit den Forward Rates der einzelnen Ratingklassen ermittelt: 12 BW = C N t t= t ( 1+ f ( t, t1, k)) 1 t mit f ) t ( t, t1, k als Forward Zero-Rate ab dem Zeitpunkt t 1 11 Die Cholesky-Zerlegung (auch Cholesky Faktorisierung) ist ein Verfahren zur Erzeugung von korrelierten Zufallszahlen 12 Das Zinsänderungsrisiko wird nicht berücksichtigt 8

9 Aktuelles Forward Zero-Rates Rating 1 Jahr 2 Jahre 3 Jahre 4 Jahre AAA 3,6 4,17 4,73 5,12 AA 3,65 4,22 4,78 5,17 A 3,72 4,32 4,93 5,32 BBB 4,10 4,67 5,25 5,63 BB 5,55 6,02 6,78 7,27 B 6,05 7,02 8,03 8,52 CCC 15,05 15,02 14,03 13,52 Tabelle 2: Forward Zero-Rates der einzelnen Ratingklassen; Quelle: CreditMetrics Der Barwert des Kredits eines Schuldners mit Rating BBB, einem jährlichen Zinssatz von 6% und Restlaufzeit von 5 Jahren beträgt daher: BW BBB = 6 1, , , , = ,53 Aus der Tabelle 2 ist ersichtlich, dass für Kunden mit guter (schlechter) Bonität eine steigende (fallende) Zinskurve gilt. Das kann man intuitiv damit erklären, dass bei Schuldnern mit guter Bonität bei langfristigen Krediten die Gefahr der Herabstufung besteht, während bei Kreditnehmern mit schlechter Bonität die Chance einer späteren Heraufstufung vorhanden ist. Aus den Barwerten aller Kredite kann die Verlustverteilung des Kreditportfolios generiert werden. CreditMetrics geht im Falle eines Ausfalls von einer stochastischen Wiedergewinnungsrate 13 aus, wobei eine Betaverteilung 14 unterstellt wird. Der Mittelwert und die Standardabweichung der Betaverteilung, abhängig von den Sicherheiten und dem Rang des Kredits, sind in Tabelle 3 ersichtlich: 13 Die Wiedergewinnungsrate (recovery rate) ist der Teil der Kreditsumme, der bei Ausfall getilgt wird 14 Die Betaverteilung modelliert die Streuung von Stichproben zu verschiedenen Vorgängen in diesem Beispiel wird die Wiedergewinnungsrate in Abhängigkeit vom Rang des Kredits modelliert 9

10 Seniority class Mittelwert (%) Standardabweichung (%) (Rang des Kredits) Senior secured 53,8 26,86 Senior unsecured 51,13 25,45 Senior subordinated 38,52 23,81 Subordinated 32,74 20,18 Junior subordinated 17,09 10,90 Tabelle 3: Quelle: Carty and Lieberman (1996) Die Monte-Carlo Simulationen 15 der Renditen und die sich daraus ergebenden Ratingänderungen werden mehrmals wiederholt, um eine geeignete Approximationsgüte der ermittelten Portfoliowerte zu erhalten. Aus der simulierten Verteilung kann der Credit Value at Risk 16 (CVaR) zum gewünschten Konfidenzniveau ermittelt werden. Wie oben bereits angeführt, wird bei CreditMetrics für die Renditekorrelation die Aktienkurskorrelation verwendet, d.h. es werden für jeden Kreditnehmer die Korrelationen mit allen anderen Schuldnern im Kreditportfolio berechnet. Bei einer paarweisen Korrelation müssten bei einem Portfolio von 1000 Kreditnehmern (= / 2) Korrelationen ermittelt werden. Deshalb wird die Anzahl der Korrelationen durch die Zuordnung der Kreditnehmer zu verschiedenen Sektoren (Branchen bzw. Ländern) reduziert. 17 Anschließend wird durch die Gewichtung der Schuldner in den einzelnen Sektoren der Einfluss der Aktienindizes der Sektoren auf die Rendite der Schuldner bestimmt. Die Rendite eines Schuldners i ergibt sich: r i = w X w2 X + wn X n wˆ ε i Die Gewichtungsfaktoren w n werden durch die Zuordnung des Schuldners zur Branche bzw. zum Land festgelegt und die Faktoren X n stellen das systematische 15 Eine Monte-Carlo Simulation ist ein Verfahren zur Erzeugung von zufälligen Ereignissen. Ein Anwendungsgebiet ist die Simulation von Aktienkursen, um Derivate bewerten zu können. 16 Der Credit Value at Risk ist der Verlust eines Kreditportfolios, der zu einem bestimmten Konfidenzniveau innerhalb einer bestimmten Zeitspanne (meist ein Jahr) nicht überschritten wird 17 Siehe CreditMetrics Technical Document S

11 Risiko (Branchen- bzw. Länderindizes) dar. Die Gewichtung ŵ ist der Anteil des unsystematischen Risikos ε i an der Renditeentwicklung des Schuldners. Es ist notwendig, sehr viele Simulationen der Renditen durchzuführen, um den Standardfehler der simulierten Werte zu reduzieren. Deshalb hat CreditMetrics gegenüber Modellen, die die Verlustverteilung in eine geschlossene Form bringen den Nachteil, dass das Modell viel Computerrechenzeit beansprucht. Die Durchführung von derartigen Simulationen ist auch ein Mitgrund dafür, dass die Banken heute zu den größten Abnehmern von Hochleistungsrechnern gehören. 11

12 3. CreditRisk+ Das Modell CreditRisk+ 18 von CSFP (Credit Suisse Financial Products) modelliert im Gegensatz zu CreditMetrics nur das Ausfallsrisiko, d.h. Ratingänderungen werden nicht berücksichtigt. Ein weiterer Unterschied ist, dass bei CreditRisk+ eine konstante Wiedergewinnungsrate angenommen wird. Die Ausfallswahrscheinlichkeiten werden analog zu Schadeneintrittswahrscheinlichkeiten in der Sachversicherung durch eine Poisson-Verteilung 19 beschrieben. Die Wahrscheinlichkeit, dass es zu n Ausfällen kommt, berechnet sich damit: mit µ n e µ P( n Ausfälle ) = für n = 0,1,2,..., n! µ = durchschnittliche Anzahl Ausfälle pro Jahr µ = P A, wobei P A die Ausfallswahrscheinlichkeit von Schuldner A ist A Es werden folgende Annahmen getroffen: - die Ausfallswahrscheinlichkeit eines Kredits in einer Periode ist gering und ist unabhängig von der Ausfallswahrscheinlichkeit in einer anderen Periode - die in einer Periode aufgetretene Anzahl Ausfälle sind unabhängig von der Anzahl Ausfälle in einer anderen Periode Die Poissonverteilung hat die Eigenschaft, dass sie durch einen Parameter spezifiziert werden kann, d.h. die durchschnittliche Anzahl Ausfälle pro Jahr ist eine Zufallsvariable mit Mittelwert µ und Standardabweichung µ. Die Poissonverteilung vernachlässigt die Tatsache, dass ein Kreditnehmer nur einmal ausfallen kann. Bei einer angenommenen durchschnittlichen Anzahl von µ =3 Ausfällen ist die Wahrscheinlichkeit für keinen Ausfall: 0 3 e P (0 Ausfälle) = 0! 3 = 0,05 = 5% und die Wahrscheinlichkeit für genau 3 Ausfälle: 18 Vgl. Crouhy,Galai, Mark: S Die Poisson-Verteilung wird meist zur Modellierung von zufälligen seltenen Ereignissen verwendet 12

13 3 3 3 e P (3 Ausfälle) = = 0,224 = 22,4% 3! Die Korrelation der Ausfälle berücksichtigt CreditRisk+ dahingehend, dass die durchschnittliche Ausfallsrate µ der Poissonverteilung ebenfalls eine Zufallsvariable ist, deren Realisation vom ex ante nicht bekannten Konjunkturzyklus abhängt. CreditRisk+ nimmt an, dass die Variable µ mit der Standardabweichung σ Gammaverteilung 20 aufweist. Die gemeinsame Konjunkturabhängigkeit ergibt letztlich eine stochastische Abhängigkeit der Ausfallsereignisse. Die poissonverteilten Ausfälle in Kombination mit der gammaverteilten durchschnittlichen Ausfallsrate ergeben eine negative Binomialverteilung 21 der Ausfälle im Sektor k: mit P( n Ausfälle) = (1 p ) 2 2 α k = µ k / σ k 2 2 p = σ /( σ + µ ) k k k k k α n + α k 1 p n k n k für n = 0,1,2,..., eine Die durchschnittliche Ausfallsrate im Sektor k ist µ k mit der Standardabweichung σ k, wobei die Ausfallsverteilungen der einzelnen Sektoren voneinander unabhängig sind. Ein Schuldner kann anteilsmäßig mehreren Sektoren zugeordnet werden. In der Regel variieren die Kreditbeträge in einem Portfolio. Deshalb ist es notwendig, alle Verluste bei Ausfall (Loss Given Default = LGD) mit dem gerundeten ganzzahligen Vielfachen einer zu wählenden Einheit L in einem Sektor darzustellen: Schuldner LGD Einheit (L) = LGD pro Einheit ν k im Sektor k , , ,35 5 Tabelle 4: Einteilung der LGD s in Klassen 20 Die Gammaverteilung wird für die Untersuchung von Zufallsvariablen mit einer schiefen (linkssteil und rechtsschief) Verteilung verwendet (zb. Warteschlangenanalysen). Sie hat den Vorteil, dass sie durch die beiden Parameter Mittelwert und Standardabweichung vollständig beschrieben werden kann 21 Vgl. Technical Document, S

14 Diese Einteilung setzt voraus, dass der Verlust bei Ausfall eine ex ante bekannte und nichtstochastische Größe ist, im Gegensatz zu CreditMetrics, wo eine stochastische Wiedergewinnungsrate angenommen wird. Die Ausfälle innerhalb eines Sektors sind ebenfalls poissonverteilt, da die Ausfälle im gesamten Portfolio nur dann poissonverteilt sind, wenn die Ausfälle in den einzelnen Sektoren poissonverteilt sind (Satz von Raikow) 22. Anschließend wird mit Hilfe der wahrscheinlichkeitserzeugenden Funktion 23, die für den Sektor k folgendes Aussehen hat: n G k ( z) = P( loss = nl) z = P( n Ausfälle) n= 0 n= 0 z nv k die Wahrscheinlichkeit für den Verlust von n Einheiten L dargestellt. CreditRisk+ hat den großen Vorteil, dass die Verlustverteilung eines Kreditportfolios analytisch hergeleitet werden kann und deshalb im Vergleich zu CreditMetrics wesentlich weniger Computerrechenzeit beansprucht. 22 Vgl. Rau-Bredow, Vgl. Fisz (1980) 14

15 4. KMV KMV 24 modelliert die Ausfälle aufgrund des Asset-Value-Modells von Merton (1974) 25. Beim Merton-Ansatz kauft die Bank eine Put-Option auf den Firmenwert des Unternehmens und eliminiert damit das Kreditrisiko. Wenn der Firmenwert am Ende der Laufzeit geringer ist als der Kredit (man spricht auch von Überschuldung oder negativem Eigenkapital), dann wird der Verlust aus dem Kreditgeschäft durch den Gewinn mit der Put-Option kompensiert. Die Prämie des Puts kann mit Hilfe der Black/Scholes-Formel ermittelt werden. Der Merton-Ansatz basiert allerdings auf sehr restriktiven Annahmen: - Ausfall vor Laufzeitende ist ausgeschlossen - Konstanter risikoloser Zinssatz - Firmenwert folgt einer geometrischen Brownsche Bewegung ( Random Walk ) 26 - Einfache Kapitalstruktur des Unternehmens (nur eine Klasse von Fremdkapital) Beim Merton-Ansatz tritt der Ausfall bereits ein, wenn der Firmenwert unter den Wert der Verbindlichkeiten fällt. Dies würde allerdings zu einer Überschätzung der Ausfallswahrscheinlichkeit führen. KMV hat empirisch ermittelt, dass die Ausfallsbarriere (default point) dann erreicht wird, wenn der Firmenwert zwischen den gesamten Verbindlichkeiten und den kurzfristigen Verbindlichkeiten liegt. Nach der Berechnung der Ausfallsschwellen für alle Schuldner werden die Unternehmen mit der annähernd gleichen Differenz zwischen aktuellem Firmenwert und Ausfallsbarriere (DD distance do default) in einer Klasse zusammengefasst, und das Modell wird so kalibriert, dass die Ausfallswahrscheinlichkeit mit der empirisch beobachteten Ausfallswahrscheinlichkeit übereinstimmt. 24 Vgl. Crouhy,Galai, Mark: S Vgl. Merton, Firmenwert folgt einem stochastischen Prozess; der Name Brownsche Bewegung kommt vom Botaniker Brown, der die zufällige Bewegung von Teilchen auf der Wasseroberfläche aufgrund von Molekularbewegungen entdeckte 15

16 5. CreditPortfolioView Das Modell CreditPortfolioView 27 von McKinsey ist ein Multi-Faktor-Modell 28, das die Ausfallswahrscheinlichkeit aufgrund von makroökonomischen Variablen ermittelt. Diese makro-ökonomischen Inputs können das BIP-Wachstum, die Höhe der langfristigen Zinsen, Wechselkurse, Sparquote usw. sein. Dieses Modell basiert auf der Tatsache, dass bei einem wirtschaftlichen Abschwung die Ausfallswahrscheinlichkeit steigt und vice versa. Dieser Zusammenhang wird mit Hilfe der Logit-Funktion 29 modelliert: P 1 = 1+ e j, t Y j, t P j, t ist die bedingte Ausfallswahrscheinlichkeit in der Periode t im Land/in der Industrie j und kann Werte zwischen 0 (kein Ausfallsrisiko) und 1 (sicherer Ausfall) annehmen. Die Wirtschaftslage wird mit Hilfe eines multi-faktoriellen Modells dargestellt: Y j, t = β j,0 + β j,1 X j,1, t + β j,2 X j,2, t β j, m X j, m, t + v j, t mit Y j, t...wirtschaftslage Land/Industrie j zur Periode t X j 1, t, = ( j 1 t X,,, X j 2, t X,,,..., j, m t )...makroökonomische Variablen β = β, β,..., β )...geschätzte Koeffizienten j ( j, 0 j,1 j, m v j, t... i.i.d Störterm 30 CreditPortfolioView schätzt die konjunkturelle Lage endogen mit einer multiplen Regression, während bei CreditRisk+ die Wirtschaftslage eine exogene stochastische Größe ist. 27 Vgl. Crouhy,Galai, Mark: S Ein Multi-Faktor-Modell ist ein Regressionsmodell, das aus mehreren erklärenden Variablen (Faktoren besteht) 29 Bei der Logit-Funktion liegt die Zielvariable zwischen 0 und 1 30 unabhängig und identisch verteilter Störterm 16

17 6. Vergleichsanalyse von CreditMetrics und CreditRisk+ In diesem Abschnitt werden die beiden Modelle CreditMetrics und CreditRisk+ an Hand eines hypothetischen Kreditportfolios verglichen. Damit ein aussagekräftiger Vergleich möglich ist, werden folgende Annahmen getroffen: - Analog zur CreditRisk+ wird bei CreditMetrics nur zwischen Ausfall und Nicht- Ausfall unterschieden (keine Ratingänderungen) - es wird eine konstante Wiedergewinnungsrate angenommen Beide Modelle messen zwar dasselbe Risiko (Kreditrisiko), wobei sie allerdings verschiedene Restriktionen und Verteilungsannahmen verwenden. Trotzdem ist es möglich, die Parameter beider Modelle so zu kalibrieren, dass die Abweichungen in den Ergebnissen minimiert werden. Zu diesem Zweck werden die Renditekorrelationen (CreditMetrics) und die Volatilität der durchschnittlichen Ausfälle pro Jahr in einem Sektor (CreditRisk+) so gewählt, dass in beiden Modellen die selbe Ausfallskorrelation r besteht. 31 Berechnung Ausfallskorrelation in CreditMetrics: Die Korrelation zweier Zufallsvariablen X und Y beträgt: r = Cov( X, Y ) Var( X ) Var( Y ) = E( X, Y ) E( X ) E( Y ) Var( X ) Var( Y ) Die beiden Zufallsvariablen X und Y sind binomialverteilt, d.h. sie können nur die Werte 1 (Ausfall) mit der Wahrscheinlichkeit p und 0 (kein Ausfall) mit der Wahrscheinlichkeit 1 - p annehmen. Die Mittelwerte und Varianzen binomialverteilter Zufallsvariablen bei gleicher Ausfallswahrscheinlichkeit p werden berechnet: Mittelwert: E ( X ) = E( Y ) = p Varianz: Var( X ) = Var( Y ) = p(1 p) 31 Siehe Wahrenburg, Niethen 17

18 E( X, Y ) ist die Wahrscheinlichkeit, dass X und Y den Wert 1 (gemeinsame Ausfallswahrscheinlichkeit) annehmen: E ( X, Y ) = P( X = 1, Y = 1) = PD XY Durch Einsetzen in die Korrelationsformel ergibt sich: r = PDXY p p(1 p) 2 Die gemeinsame Ausfallswahrscheinlichkeit in CreditMetrics wird durch die Renditekorrelationen bestimmt, d.h. je höher die Renditekorrelation ist, umso größer ist die Wahrscheinlichkeit von gemeinsamen Ausfällen. Die gemeinsame Ausfallswahrscheinlichkeit wird durch die bivariate Normalverteilungsfunktion 32 beschrieben: 1 1 Φ ( p ) Φ ( py ) X PDXY = Φ( Φ ( p X ), Φ ( py ), ρ XY ) = 2 2π 1 ρ XY exp x 2 2ρ 2(1 xy + XY 2 ρ XY ) y 2 dxdy mit p x, p y ρ xy Φ() Φ -1 () Ausfallswahrscheinlichkeit Unternehmen X,Y Renditekorrelationen Unternehmen X,Y Wahrscheinlichkeit einer standardnormalverteilten Zufallsvariable Quantile der Standardnormalverteilung 32 Die bivariate Normalverteilungsfunktion beschreibt die gemeinsame Dichtefunktion zweier normalverteilter Zufallsvariablen 18

19 Abb. 2: Bivariate Normalverteilungsfunktion beide Kredite fallen aus: je größer die Renditekorrelation ist, umso mehr Wahrscheinlichkeitsmasse befindet sich über dieser Fläche Berechnung Ausfallskorrelation in CreditRisk+: Da sich alle Kreditnehmer im gleichen Sektor mit der gleichen Ausfallswahrscheinlichkeit befinden, wird die Ausfallskorrelation in CreditRisk+ berechnet: 33 r = σ p p 2 σ = r p mit p Ausfallswahrscheinlichkeit σ Volatilität der gammaverteilten durchschnittlichen Ausfallsrate Es ist also möglich, den Parameter Renditekorrelation ρ x,y in CreditMetrics und den Parameter Volatilität σ der Ausfallsrate in CreditRisk+ so zu kalibrieren, dass in beiden Modellen dieselbe Ausfallskorrelation r berechnet wird. Ein Problem ist die Wahl des richtigen Zeitraums für die Schätzung der Renditekorrelation bzw. Volatilität. Da sich die Parameter ständig ändern, ist die Bestimmung der historischen 33 Vgl. Technisches Dokument, Seite 57 19

20 Zeitreihe von entscheidender Bedeutung. Die statistische Theorie besagt nur, dass im Schnitt die Schätzung bei einem längeren Beobachtungsintervall besser wird. Es gibt allerdings keine Regel für die Bestimmung des richtigen Zeitraums. Ebenfalls ist zu berücksichtigen, dass bereits eine kleine Änderung der Inputparameter einen signifikanten Einfluss auf das Ergebnis hat. Die Analyse der unterschiedlichen Modellergebnisse muss auf der Ebene der Subportfolios stattfinden: Das Modell CreditMetrics ist für ein Kreditportfolio mit einem hohen Anteil börsennotierter Unternehmen geeignet, während CreditRisk+ für ein Privatkundenportfolio interessant ist. Für den Modellvergleich wird ein hypothetisches Kreditportfolio mit homogenen Krediten verwendet, d.h. alle Kredite haben eine identische Ausfallswahrscheinlichkeit von 2,28% und alle Kreditnehmer befinden sich im selben Sektor. Mit den o.a. Parametern und einer Renditekorrelation von 0,5 ergibt sich eine gemeinsame Ausfallswahrscheinlichkeit von zwei Unternehmern in CreditMetrics von: PD XY = Φ( Φ 1 (0,0228); Φ 1 (0,0228); 0,5) 0,00405 Daraus ergibt sich die Ausfallskorrelation mit: r = 2 0, ,0228 = 0,1652 0,0228 (1 0,0228) Damit die Ausfallskorrelation r in beiden Modellen identisch ist, errechnet sich die Volatilität der Ausfallsraten in CreditRisk+ als: σ = 0,1652 0,0228 = 0,

21 Somit ergeben sich die Parameter α und β der gammaverteilten Ausfallsraten für 100 Kreditnehmer 34 : mit µ σ = α β = 2,28 2 = α β = 37,69 α = 0,138 β = 16, 518 µ σ = µ 100 = 2,28 2 = σ = 37,69 Die Tabelle 5 zeigt die Auswirkungen der Renditekorrelation in CreditMetrics auf die gemeinsame Ausfallswahrscheinlichkeit und Ausfallskorrelation. Die letzte Spalte zeigt die Volatilität der Ausfallsrate in CreditRisk+, damit in beiden Modellen die Ausfallskorrelation identisch ist. Renditekorrelation Gemeinsame Ausfallswahrscheinlichkeit Ausfallskorrelation Volatilität der Ausfallsrate 0,1 0,0008 0,0126 0,0169 0,5 0,0042 0,1652 0,0614 0,8 0,0101 0,43 0,099 Tabelle 5: Analyse der Parameter abhängig von der Renditekorrelation in CreditMetrics In der folgenden Tabelle werden die Ergebnisse der beiden Modelle gegenübergestellt, wobei CreditMetrics mit einer Renditekorrelation von 0,5 und CreditRisk+ mit einer Ausfallsvolatilität von 0,0615 rechnen, d.h. bei beiden Modellen wird eine Ausfallskorrelation von 0,1652 impliziert. Es wird die Anzahl der Ausfälle zu einem Konfidenzniveau von 99% berechnet, d.h. mit 99%iger Wahrscheinlichkeit ist die Anzahl der Ausfälle nicht größer als der ermittelte Wert. 34 Siehe CreditRisk+ Technical Document, S

22 Anzahl Kredite im Portfolio Anzahl Ausfälle CreditRisk Tabelle 6: Vergleich der Ergebnisse CreditRisk+ und CreditMetrics Anzahl Ausfälle CreditMetrics Man kann deutlich sehen, dass die beiden Modelle beinahe identische Ergebnisse liefern. Ein Teil der Differenzen kann auf die statistischen Abweichungen der Monte- Carlo Simulationen zurückgeführt werden. In der Tabelle 7 werden die Auswirkungen der Renditekorrelationen in CreditMetrics bzw. der Volatilität der Ausfallsraten in CreditRisk+ auf den CVaR des Kreditportfolios mit 100 Krediten bei einer Ausfallswahrscheinlichkeit von 2,28% gezeigt: Renditekorrelation Anzahl Ausfälle CreditMetrics Volatilität der Ausfallsrate Tabelle 7: Anzahl Ausfälle abhängig von der Renditekorrelation Anzahl Ausfälle CreditRisk+ 0,1 13 0, ,5 33 0, ,8 52 0, Abschließend kann festgestellt werden, dass die Parameter der beiden Modelle so kalibriert werden können, dass sie beinahe identische Resultate erzeugen, obwohl zwei verschiedene mathematische Ansätze verwendet werden. Die richtige Schätzung der Inputparameter ist von entscheidender Bedeutung für die Berechnung der CVaR-Werte. 22

23 7. Literatur Bluhm, C., Overbeck, L., Wagner, C. (2002): An Introduction to Credit Risk Modeling, Chapman&Hall/CRC Cech, C. (2004): Die IRB-Formel Zur Berechnung der Mindesteigenmittel für Kreditrisiko; FH des BFI Wien CreditMetrics Technical Document (1997), J.P. Morgan. Download: CreditPortfolioView - Approach Document and User s Manual (1998), McKinsey CreditRisk + - Technical Document (1997), Credit Suisse Financial Products. Download: Crouhy, M., Galai, D., Mark, R. (2000) : A comparative analysis of current credit risk models. In: Journal of Banking & Finance, Vol.24: S Crouhy, M., Galai, D., Mark, R. (2001) : Risk Management, McGraw-Hill Duffie, D., Singleton K.J. (2003): Credit Risk, Princeton Series in Finance Finger, C.C. (1999): Conditional Approaches for CreditMetrics Portfolio Distributions, in: CreditMetrics Monitor: S Fisz, M. (1980): Wahrscheinlichkeitsrechnung und mathematische Statistik, Berlin Gordy, M.B. (1998): A Comparative Anatomy of Credit Risk Models, in: Journal of Banking and Finance, Vol. 24, S Gordy, M.B. ( ): Credit Risk Modeling (Technical Papers ), Risk Books Merton, R. (1974): On the Pricing of Corporate Debt: The Risk Structure of Interest Rates, in: The Journal of Finance, Vol. 29, S Rau-Bredow, H. (2002): Kreditrisikomodelle und Diversifikation; Universität Würzburg Schwaiger, W., Vernydub, A.: Vergleich von Kreditrisikomodellen anhand des ATX- Portfolios; Technische Universität Wien Wahrenburg, M., Niethen, S. (2000): Vergleichende Analyse alternativer Kreditrisikomodelle. In: Kredit und Kapital Heft 2: S

Commercial Banking. Kreditportfoliosteuerung

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

Mehr

Vorlesung 7: Value-at-Risk für Kreditrisiken

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

Mehr

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko

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

Mehr

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008 Kreditrisiko bei Swiss Life Carl-Heinz Meyer, 13.06.2008 Agenda 1. Was versteht man unter Kreditrisiko? 2. Ein Beisiel zur Einführung. 3. Einige kleine Modelle. 4. Das grosse kollektive Modell. 5. Risikoberechnung

Mehr

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Commercial Banking Kreditgeschäft Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Bedingte Marginale Ausfallwahrscheinlichkeit (BMAW t ) (Saunders: MMR ) prob (Ausfall in Periode t kein Ausfall

Mehr

Risikomanagement und Statistik. Raimund Kovacevic

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

Mehr

- 2-2. a) Definieren Sie kurz Risiko und Risikomanagement?

- 2-2. a) Definieren Sie kurz Risiko und Risikomanagement? Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Seminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 1999/2000 Zuständiger Mitarbeiter:

Mehr

Credit Risk I. Einführung in die Kreditrisikomodellierung. Georg Pfundstein Betreuer: Rupert Hughes-Brandl. 02. Juli 2010

Credit Risk I. Einführung in die Kreditrisikomodellierung. Georg Pfundstein Betreuer: Rupert Hughes-Brandl. 02. Juli 2010 Credit Risk I Einführung in die Kreditrisikomodellierung. Georg Pfundstein Betreuer: Rupert Hughes-Brandl 02. Juli 2010 Georg Pfundstein Credit Risk I 02. Juli 2010 1 / 40 Inhaltsverzeichnis 1 Grundlagen

Mehr

Gemeinsame Ausfallswahrscheinlichkeiten von österreichischen Klein- und Mittelunternehmen

Gemeinsame Ausfallswahrscheinlichkeiten von österreichischen Klein- und Mittelunternehmen Gemeinsame Ausfallswahrscheinlichkeiten von österreichischen Klein- und Mittelunternehmen Studie Version 1.01, November 2004 Prof. (FH) Dipl.-Vw. Jeckle Michael Fachhochschule des bfi Wien Mag. Schwarz

Mehr

Adressenausfallrisiken. Von Marina Schalles und Julia Bradtke

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

Mehr

Credit Metrics: Eine Einführung

Credit Metrics: Eine Einführung Credit Metrics: Eine Einführung Volkert Paulsen July 23, 2009 Abstract Credit Metrics ist ein Kredit Risko Modell, daß den Verlust quantifiziert, der durch eine Bonitätsveränderung von Schuldnern verursacht

Mehr

Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko. Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko

Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko. Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko Vortrag von Igor Grinberg, Kai Hartmanshenn und Stephan Pueschel am 30.01.2002 Gliederung

Mehr

Value at Risk Einführung

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

Mehr

Vergleichende Analyse alternativer Kreditrisikomodelle

Vergleichende Analyse alternativer Kreditrisikomodelle Vergleichende Analyse alternativer Kreditrisiomodelle 1 Vergleichende Analyse alternativer Kreditrisiomodelle Veröffentlicht in: Kredit und Kapital Heft 2, 2000, 235-257 Mar Wahrenburg 1 und Susanne Niethen

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

Credit Risk+: Eine Einführung

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

Mehr

Aggregation von Kredit- und Marktrisiko

Aggregation von Kredit- und Marktrisiko Number 15 Working Paper Series by the University of Applied Sciences of bfi Vienna Aggregation von Kredit- und Marktrisiko Mai 2005 Christian Cech Fachhochschule des bfi Wien Michael Jeckle Fachhochschule

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

Working Paper Series: Finance & Accounting, Johann Wolfgang Goethe-Universität Frankfurt a. M., No. 49

Working Paper Series: Finance & Accounting, Johann Wolfgang Goethe-Universität Frankfurt a. M., No. 49 econstor www.econstor.eu Der Open-Access-Publiationsserver der ZBW Leibniz-Informationszentrum Wirtschaft The Open Access Publication Server of the ZBW Leibniz Information Centre for Economics Wahrenburg,

Mehr

Generalthema: Kreditrisikomanagement. Thema 4: CreditRisk+ Gliederung

Generalthema: Kreditrisikomanagement. Thema 4: CreditRisk+ Gliederung Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Zuständiger Mitarbeiter: Dipl.-Kfm. Stefan Krohnsnest

Mehr

6522: Capital Markets and Risk Management

6522: Capital Markets and Risk Management (Bitte in Blockschrift) Name... Vorname... Matrikelnummer... Punkte Aufgabe 1:... Aufgabe 2:... Aufgabe 3:... Aufgabe 4:... Aufgabe 5:... Aufgabe 6:... Total :... UNIVERSITÄT BASEL Dr. Patrick Wegmann

Mehr

Kreditrisikomodelle und Kreditderivate

Kreditrisikomodelle und Kreditderivate Annemarie Gaal, Manfred Plank 1 Einleitung In den letzten Jahren zeigte sich immer deutlicher, daß die Basler Eigenkapitalvereinbarung von 1988 1 ) in vielen Fällen keine adäquate Eigenkapitalallokation

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

Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz. 31. Mai 2007 Dimitri Senik

Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz. 31. Mai 2007 Dimitri Senik Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz Dimitri Senik Agenda Risikomanagement bei Fonds: neue regulatorische Vorschriften Risikomessung gemäss KKV-EBK Risikomanagement

Mehr

von Thorsten Wingenroth 358 Seiten, Uhlenbruch Verlag, 2004 EUR 98,- inkl. MwSt. und Versand ISBN 3-933207-42-8

von Thorsten Wingenroth 358 Seiten, Uhlenbruch Verlag, 2004 EUR 98,- inkl. MwSt. und Versand ISBN 3-933207-42-8 Reihe Portfoliomanagement, Band 17: RISIKOMANAGEMENT FÜR CORPORATE BONDS Modellierung von Spreadrisiken im Investment-Grade- Bereich von Thorsten Wingenroth 358 Seiten, Uhlenbruch Verlag, 2004 EUR 98,-

Mehr

Abschlussklausur der Vorlesung Bank I, II:

Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 23 Name: Matrikelnummer: Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Hinweise: o Bitte schreiben Sie Ihren Namen und Ihre Matrikelnummer auf die Klausur

Mehr

Portfolio-Optimierung und Capital Asset Pricing

Portfolio-Optimierung und Capital Asset Pricing Portfolio-Optimierung und Capital Asset Pricing Prof. Dr. Nikolaus Hautsch Institut für Statistik und Ökonometrie Humboldt-Universität zu Berlin CASE, CFS, QPL Econ Boot Camp, SFB 649, Berlin, 8. Januar

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

Inhalte Kurs Finanz- und Risikosteuerung

Inhalte Kurs Finanz- und Risikosteuerung Inhalte Kurs Finanz- und Risikosteuerung Studieninhalte (DS = Doppelstunde á 90 Minuten) Grundlagen der Bankensteuerung Finanzmathematische Grundlagen 12 DS Dynamische Verfahren der Investitionsrechnung

Mehr

Berücksichtigung von Korrelationen im Kreditportfolio

Berücksichtigung von Korrelationen im Kreditportfolio Georg-August-Universität Göttingen Institut für Wirtschaftsinformatik Professor Dr. Matthias Schumann Platz der Göttinger Sieben 5 37073 Göttingen Telefon: + 49 551 39-44 33 + 49 551 39-44 4 Telefax: +

Mehr

Untersuchungen zum Thema Tracking Error

Untersuchungen zum Thema Tracking Error Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors

Mehr

G 59071. TM bewertet. Im Kundengeschäft hingegen

G 59071. TM bewertet. Im Kundengeschäft hingegen G 59071 n vielen Fällen wird die Kreditrisikomessung mit unterschiedlichen Portfoliomodellen für das Eigen- und das Kundengeschäft durchgeführt. Das durch geringe Stückzahlen und hohe Volumina charakterisierte

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

Arnd Wiedemann. Risikotriade Zins-, Kredit- und operationelle Risiken. 2., überarbeitete Auflage

Arnd Wiedemann. Risikotriade Zins-, Kredit- und operationelle Risiken. 2., überarbeitete Auflage Arnd Wiedemann Risikotriade Zins-, Kredit- und operationelle Risiken 2., überarbeitete Auflage . XI 1 Einleitung: Risikomessung als Fundament der Rendite-/Risikosteuerung 1 2 Zinsrisiko 3 2.1 Barwertrisiko

Mehr

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,

Mehr

Gliederung. 1. Prolog 1. 2. Zinsinstrumente* 19

Gliederung. 1. Prolog 1. 2. Zinsinstrumente* 19 VIII Z I N S E N, A N L E I H E N, KREDITE Gliederung 1. Prolog 1 1.1 Inhalt und Aufbau 1 1.1.1 Erste Orientierung J 1.1.2 Zur dritten Auflage 4 1.1.3 Course-Outline 6 IAA Didaktik 9 1.2 Literatur und

Mehr

Credit Risk I. Einführung in die Kreditrisikomodellierung. Georg Pfundstein. Ludwig-Maximilians-Universität München. 31. August 2010.

Credit Risk I. Einführung in die Kreditrisikomodellierung. Georg Pfundstein. Ludwig-Maximilians-Universität München. 31. August 2010. Credit Risk I Einführung in die Kreditrisikomodellierung. Georg Pfundstein Ludwig-Maximilians-Universität München 31. August 2010 Abstract Portfoliomanagement und die damit einhergehende Risikomessung

Mehr

Zwei einfache Kennzahlen für große Engagements

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

Mehr

DIPLOM. Abschlussklausur der Vorlesung Bank I, II:

DIPLOM. Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 9 Name: Matrikelnummer: DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Seite 2 von 9 DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement

Mehr

Basel II und Konsequenzen für Land- und Forstwirte

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

Mehr

Pricing der Ausfallrisikoprämien auf der Basis von Credit Spreads Andreas Beck / Peter Jacob

Pricing der Ausfallrisikoprämien auf der Basis von Credit Spreads Andreas Beck / Peter Jacob 6/2000 Bank 3 Risikomanagement 34 Pricing der Ausfallrisikoprämien auf der Basis von Credit Spreads Andreas Beck / Peter Jacob Im Interbankengeschäft werden Credit Spreads bei der Kalkulation von Ausfallrisikoprämien

Mehr

Zinsen, Anleihen, Kredite

Zinsen, Anleihen, Kredite Zinsen, Anleihen, Kredite Von Dr. Klaus Spremann o. Professor für Betriebswirtschaftslehre an der Universität St. Gallen und Direktor am Schweizerischen Institut für Banken und Finanzen und Dr. Pascal

Mehr

Multivariate Statistik

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

Mehr

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

Rating: Bedeutung und Auswirkungen

Rating: Bedeutung und Auswirkungen Rating: Bedeutung und Auswirkungen Ohne Rating kein Kredit und ohne Kredit kein Wachstum Basel II/Basel III und MaRisk schreiben den Banken Rating als Instrument der Risikomessung verbindlich vor. Es handelt

Mehr

Herausforderungen der Kreditrisikomodellierung

Herausforderungen der Kreditrisikomodellierung Ursula Theiler Herausforderungen der Kreditrisikomodellierung erschienen in: Zeitschrift für das gesamte Kreditwesen, Heft 9 2000, S. 468-473. Verfasserin: Dr. Ursula-A. Theiler, Risk Training Carl-Zeiss-Str.

Mehr

R 2 RISIKEN DES RISIKOMANAGEMENTS

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

Mehr

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

Informationen zur Vorlesung. Praxisorientierte Banksteuerung. Dr. Tobias Schlüter. Univ.-Prof. Dr. Thomas Hartmann-Wendels Dipl.

Informationen zur Vorlesung. Praxisorientierte Banksteuerung. Dr. Tobias Schlüter. Univ.-Prof. Dr. Thomas Hartmann-Wendels Dipl. Informationen zur Vorlesung Praxisorientierte Banksteuerung Univ.-Prof. Dr. Thomas Hartmann-Wendels Dipl.-Math David Fritz Seminar für allgemeine BWL und Universität zu Köln Allgemeine Informationen (Stand

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

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

Strukturelle Ausfallmodelle: Lehren aus Einzelschuldnerdaten 1

Strukturelle Ausfallmodelle: Lehren aus Einzelschuldnerdaten 1 Nikola Tarashev +41 61 280 9213 nikola.tarashev@bis.org Strukturelle Ausfallmodelle: Lehren aus Einzelschuldnerdaten 1 Strukturelle Kreditrisikomodelle bilden durchschnittliche Ausfallquoten innerhalb

Mehr

Basel II - Die Bedeutung von Sicherheiten

Basel II - Die Bedeutung von Sicherheiten Basel II - Die Bedeutung von Sicherheiten Fast jeder Unternehmer und Kreditkunde verbindet Basel II mit dem Stichwort Rating. Dabei geraten die Sicherheiten und ihre Bedeutung - vor allem für die Kreditkonditionen

Mehr

Kreditrisikomanagement in Banken unter besonderer Berücksichtigung ausgewählter Kreditrisikomodelle

Kreditrisikomanagement in Banken unter besonderer Berücksichtigung ausgewählter Kreditrisikomodelle Technische Universität Ilmenau Fakultät für Wirtschaftswissenschaften Institut für Betriebswirtschaftslehre Fachgebiet Finanzwirtschaft/Investition Prof. Dr. R. Trost Kreditrisikomanagement in Banken unter

Mehr

Klausur zur Vorlesung Financial Engineering und Structured Finance

Klausur zur Vorlesung Financial Engineering und Structured Finance Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz- und Bankwirtschaft Klausur zur Vorlesung Financial Engineering und Structured Finance Prof. Dr. Marco Wilkens 7. Februar

Mehr

LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank I, II am 11.02.2004. Teil I: Aufgaben zu Bank I. Aufgabe 1 (Risikoanreiz und Bankgeschäfte; 30P)

LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank I, II am 11.02.2004. Teil I: Aufgaben zu Bank I. Aufgabe 1 (Risikoanreiz und Bankgeschäfte; 30P) Universität Hohenheim Institut für Betriebswirtschaftslehre Lehrstuhl für Bankwirtschaft und Finanzdienstleistungen Matthias Johannsen Stuttgart, 11.02.2004 LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank

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

Quantilsschätzung als Werkzeug zur VaR-Berechnung

Quantilsschätzung als Werkzeug zur VaR-Berechnung Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird

Mehr

Als Mathematiker im Kreditrisikocontrolling

Als Mathematiker im Kreditrisikocontrolling Kevin Jakob / Credit Portfolio Risk Measurement & Methodology, BayernLB Als Mathematiker im Kreditrisikocontrolling 4. Mai 2015, Augsburg Gliederung 1. Persönlicher Werdegang / BayernLB 2. Themengebiete

Mehr

Seminar: Warum wir falsch liegen und trotzdem weiter machen!

Seminar: Warum wir falsch liegen und trotzdem weiter machen! Seminar: Warum wir falsch liegen und trotzdem weiter machen! 22. April 2010 Aktuelle in Banken und Versicherungen Allgemeines Alle Vorträge beinhalten aktuell angewandte Theorien und Methoden und sind

Mehr

Generalthema: Zinsrisikomanagement und der Jahresabschluß von Kreditinstituten Thema 5: Ansätze zur Bewertung von Zinsoptionen

Generalthema: Zinsrisikomanagement und der Jahresabschluß von Kreditinstituten Thema 5: Ansätze zur Bewertung von Zinsoptionen Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Seminar zur BBL und ABWL Wintersemester 2003/2004 Zuständiger Mitarbeiter: Dipl.-Kfm. Christian Wolff Generalthema:

Mehr

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang

Mehr

Risikoaggregation und allokation

Risikoaggregation und allokation 2. Weiterbildungstag der DGVFM Risikoaggregation und allokation Einführung in das Thema Prof. Dr. Claudia Cottin, FH Bielefeld Dr. Stefan Nörtemann, msg life Hannover, 21. Mai 2015 2. Weiterbildungstag

Mehr

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1 1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen

Mehr

Internationale Finanzierung 6. Bewertung von Aktien

Internationale Finanzierung 6. Bewertung von Aktien Übersicht Kapitel 6: 6.1. Einführung 6.2. Aktienbewertung mittels Kennzahlen aus Rechnungswesen 6.3. Aktienbewertung unter Berücksichtigung der Wachstumschancen 6.4. Aktienbewertung mittels Dividenden

Mehr

Kapitel 4: Binäre Regression

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

Mehr

Innovative Steuerung mit den AuDiT - CreditDynamix Risikomodellen

Innovative Steuerung mit den AuDiT - CreditDynamix Risikomodellen Innovative Steuerung mit den AuDiT - CreditDynamix Risikomodellen Agenda 1. Allgemeine Übersicht 2. Methodische Umsetzung 3. Contact Details 2 2 Umgang mit Risiken im täglichen Management l Geschäfts-

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

Kreditrisiko (CreditMetrics)

Kreditrisiko (CreditMetrics) Nr. 1 Kreditrisiko (CreditMetrics) Thomas Heidorn Februar 1999 ISSN 1436-9753 Autor: Prof. Dr. Thomas Heidorn Bankbetriebslehre, insb. Risikomanagement und Derivate Hochschule für Bankwirtschaft, Frankfurt

Mehr

Prüfung 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. 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:

Mehr

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

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

Mehr

Kurzbeschreibung. Eingaben zur Berechnung. Das Optionspreismodell. Mit dem Eurex-OptionMaster können Sie

Kurzbeschreibung. Eingaben zur Berechnung. Das Optionspreismodell. Mit dem Eurex-OptionMaster können Sie Kurzbeschreibung Mit dem Eurex-OptionMaster können Sie - theoretische Optionspreise - Optionskennzahlen ( Griechen ) und - implizite Volatilitäten von Optionen berechnen und die errechneten Preise bei

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

Binäre abhängige Variablen

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

Mehr

Überblick. Überblick

Überblick. Überblick Agenda Überblick Risikomessung anhand zweier Aktienpositionen Exkurs: Risikominimale Investmentstrategie im Zwei-Aktien Aktien-Fall Risikoberechnung Karsten Hackler, Juli 008 Agenda 3 Überblick 4 Überblick

Mehr

Dynamik von Optionen

Dynamik von Optionen Dynamik von Optionen Plan Der Optionspreis und seine Einflussfaktoren Wert des Calls / Puts bei unterschiedlichen Marktbedingungen Änderung des Optionspreises bei Änderung eines oder mehrerer Einflussfaktoren

Mehr

Matrikel-Nr.: Fachrichtung: Sem.-Zahl: Seminarschein soll ausgestellt werden über ABWL Integrationsseminar BBL

Matrikel-Nr.: Fachrichtung: Sem.-Zahl: Seminarschein soll ausgestellt werden über ABWL Integrationsseminar BBL Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 2002/2003 Zuständiger

Mehr

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

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

Mehr

Klassische Risikomodelle

Klassische Risikomodelle Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes

Mehr

Risikogerechter Verfahrenszinssatz für Förderungskredite

Risikogerechter Verfahrenszinssatz für Förderungskredite Risikogerechter Verfahrenszinssatz für Förderungskredite Allgemeines Die Richtlinien für die wesentlichen Bundesförderungsaktionen wurden neu gefasst und mit Beginn des Jahres 2007 in Kraft gesetzt. Die

Mehr

ZERTIFIKATE spielend beherrschen

ZERTIFIKATE spielend beherrschen UDI ZAGST / MICHAEL HUBER RUDI ZAGST / MICHAEL HUBER ZERTIFIKATE ZERTIFIKATE spielend beherrschen spielend beherrschen Der Performance-Kick Der Performance-Kick für Ihr für Portfolio Ihr Portfolio inanzbuch

Mehr

Hochschule Esslingen. Modulbeschreibung TBB Internationale Technische Betriebswirtschaft. Inhaltsverzeichnis. Kanalstr. 33 73728 Esslingen

Hochschule Esslingen. Modulbeschreibung TBB Internationale Technische Betriebswirtschaft. Inhaltsverzeichnis. Kanalstr. 33 73728 Esslingen Kanalstr. 33 73728 Esslingen Inhaltsverzeichnis Seite 1 von 6 TBB602 MD International Business 2 Int.Marketing/-Finance & Case Studies Int.Business 3 International Conmmercial Law 5 Erläuterungen 6 Modul

Mehr

Credit Metrics. Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc.

Credit Metrics. Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc. Wurde bei J.P.Morgan entwickelt. Credit Metrics Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc. (1997)) Basiert auf ein Bonität-Einstufungssystem

Mehr

RISIKOPRÄMIEN AUF MARKTBASIS

RISIKOPRÄMIEN AUF MARKTBASIS BANK-FORUM Juni 2 No 2 RISIKOPRÄMIEN AUF MARKTBASIS Risikogerechte Preisgestaltung im Kreditgeschäft Über Kreditrisikomessung wird viel diskutiert, seltener über die Konsequenzen in der Preisgestaltung

Mehr

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8 1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen

Mehr

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

Seminar "Quantitatives Risikomanagement"

Seminar Quantitatives Risikomanagement Seminar "Quantitatives Risikomanagement" Kreditrisikomanagement I Tina Ruess Mathematisches Institut der Universität zu Köln Wintersemester 2009 Betreuung: Prof. Schmidli, J. Eisenberg Contents i Chapter

Mehr

Kreditrisikomodelle State of the Art

Kreditrisikomodelle State of the Art Georg-August-Universität Göttingen Institut für Wirtschaftsinformatik Professor Dr. Matthias Schumann Platz der Göttinger Sieben 5 37073 Göttingen Telefon: + 49 551 39-44 33 + 49 551 39-44 42 Telefax:

Mehr

Bachelorarbeit. Backtesting von Kreditrisikomodellen. von Ulf Cormann

Bachelorarbeit. Backtesting von Kreditrisikomodellen. von Ulf Cormann Bachelorarbeit Backtesting von Kreditrisikomodellen von Ulf Cormann Universität Siegen Fachbereich Mathematik August 2005 BETREUER UND GUTACHTER: Priv. Doz. Dr. Paulsen, Universität Siegen Priv. Doz.

Mehr

Strategien zum Hedging des Credit Valuation Adjustment

Strategien zum Hedging des Credit Valuation Adjustment Strategien zum Hedging des Credit Valuation Adjustment Raffaela Handwerk Inhalt Einleitung... 1 CVA als Formel... 1 Ziele des CVA-Hedgings... 2 Sensitivitäten des CVA... 3 Hedging-Möglichkeiten... 4 Alternativen

Mehr

Evaluation von Risikomodellen

Evaluation von Risikomodellen Evaluation von Risikomodellen Über die Pflicht zum echten Mehrwert Erstellt für: DKF 2015, München 5. Mai 2015 Agenda 1 Vorstellung 2 Motivation 3 Das ideale VaR-Modell 4 Testverfahren 5 Implikationen

Mehr

Makroökonomische Stresstests in Banken

Makroökonomische Stresstests in Banken 12 Auswirkungen von Stress-Ereignissen auf die Eigenkapitalanforderungen Makroökonomische Stresstests in Banken Mit Stresstests können Banken prüfen, wie sich Risiken im Extremfall auf ihr Kreditportfolio

Mehr

Risiko und Symmetrie. Prof. Dr. Andrea Wirth

Risiko und Symmetrie. Prof. Dr. Andrea Wirth Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie

Mehr

Die Ökonomie von Glücksspielen

Die Ökonomie von Glücksspielen Die Ökonomie von Glücksspielen Teil II: Risiko, Unsicherheit, EVF-Model Dr. Ingo Fiedler 09.04.2013 Organisatorisches Keine Verschiebung der Veranstaltung Eventuell: Beginn bereits um 16Uhr? Erinnerung:

Mehr

Risikomanagement: Hintergrund und Ziele

Risikomanagement: Hintergrund und Ziele Risikomanagement: Hintergrund und Ziele Beispiel 1 Anfangskapital V 0 = 100 Spiel: man verliert oder gewinnt 50 mit Wahrsch. jeweils 1/2. Kapital nach dem Spiel V 1 = { 150 mit Wahrsch. 1/2 50 mit Wahrsch.

Mehr

Risikomanagement: Hintergrund und Ziele

Risikomanagement: Hintergrund und Ziele Risikomanagement: Hintergrund und Ziele Beispiel 1 Anfangskapital V 0 = 100 Spiel: man verliert oder gewinnt 50 mit Wahrsch. jeweils 1/2. Kapital nach dem Spiel V 1 = { 150 mit Wahrsch. 1/2 50 mit Wahrsch.

Mehr

Ist die öffentliche Finanzierung günstiger? Michael Klein Zürich, 10. September 2013

Ist die öffentliche Finanzierung günstiger? Michael Klein Zürich, 10. September 2013 Ist die öffentliche Finanzierung günstiger? Michael Klein Zürich, 10. September 2013 Private und Öffentliche Finanzierungskosten Finanzierung für Regierungen ist häufig billiger (niedrigerer Zins) als

Mehr

Kugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten

Kugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es

Mehr

Messung von Konzentrationsrisiken

Messung von Konzentrationsrisiken Messung von Konzentrationsrisiken von Dominik Zeillinger 1 Motivation und Übersicht 2 Konzentration und Gleichverteilung 3 Conditional Value at Risk Ansatz 4 Definitionen und Rechenregeln 4.1 Definition

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