Kreditrisiko und Ausfallwahrscheinlichkeit mittels Logit/Probit-Modellen. Seminararbeit

Größe: px
Ab Seite anzeigen:

Download "Kreditrisiko und Ausfallwahrscheinlichkeit mittels Logit/Probit-Modellen. Seminararbeit"

Transkript

1 Gunther Lerchbaumer Martin Seitinger Kreditrisiko und Ausfallwahrscheinlichkeit mittels Logit/Probit-Modellen Seminararbeit SBWL Alternative Investments Seminar aus Finanzwirtschaft LV-Nr an der Karl-Franzens-Universität Graz eingereicht bei: O.Univ.-Prof. Mag. Dr. Edwin Fischer Institut für Finanzwirtschaft Graz, 25. November 2014

2 Ehrenwörtliche Erklärung Ich erkläre ehrenwörtlich, dass ich die vorliegende Arbeit selbstständig und ohne fremde Hilfe verfasst, andere als die angegebenen Quellen nicht benutzt und die den Quellen wörtlich oder inhaltlich entnommenen Stellen als solche kenntlich gemacht habe. Die Arbeit wurde bisher in gleicher oder ähnlicher Form keiner anderen inländischen oder ausländischen Prüfungsbehörde vorgelegt und auch noch nicht veröffentlicht. Die vorliegende Fassung entspricht der eingereichten elektronischen Version. 25. November 2014 Gunther Lerchbaumer Martin Seitinger

3 Inhaltsverzeichnis Inhaltsverzeichnis... I Tabellen- und Abbildungsverzeichnis... II Abkürzungsverzeichnis... III 1 Einleitung Kreditrisiko und Ausfallwahrscheinlichkeit Kreditrisikomanagement Bedeutung der Kreditrisikomessung Darstellung des Kreditrisikos Verfahren zur Messung des Kreditrisikos Verwendung von Logit- und Probit-Modellen zur Messung von Kreditrisiken Binäre Logit- und Probit-Modelle Geordnete Logit- und Probit-Modelle Verwendung von Dummy-Variablen Spezifikationstests Gütemaße Erweiterungen der Modelle Multivariate Modelle Simultane Modelle Paneldatenmodelle Vorteile und Nachteile von Logit- und Probit-Modellen Resümee Literaturverzeichnis I

4 Tabellen- und Abbildungsverzeichnis Abbildung1: Zerlegung des Kreditrisikos... 8 Tabelle 1: Ergebnisse des binären Probit-Modells Tabelle 2: Marginale Effekte des binären Probit-Modells Tabelle 3: Trefferquoten II

5 Abkürzungsverzeichnis d e E() EAD EL F() f() i k LGD P() PD RC s UL x Y Z β ε π σ 2 Dummy-Variable Eulersche Zahl = 2,71828 Erwartungswert Exposure at Default erwarteter Verlust Kumulative Verteilungsfunktion des jeweiligen Modells Dichtefunktion des jeweiligen Modells Beobachteter Kredit Index einer Variablen in den Vektoren x und β Loss Given Default Wahrscheinlichkeitsfunktion Ausfallwahrscheinlichkeit Wiedereinbringungsrate Schwellenwert unerwarteter Verlust Vektor der erklärenden Variablen Variable für Kreditausfall latente Variable Koeffizientenvektor Fehlerterm der Residuen Kreiszahl Pi = Varianz Partielles Differential III

6 1 Einleitung Diese Arbeit entstand im Rahmen des Seminars Alternative Investments und beschäftigt sich mit Kreditrisiken und Ausfallwahrscheinlichkeiten, die im Speziellen durch Logit- und Probit-Modelle berechnet werden können. Gerade in Zeiten der viel titulierten Finanzmarktund Bankenkrisen ist die Beschäftigung mit den Risiken, denen Banken ausgesetzt sind, wichtiger denn je. Das Kreditrisiko kann durchaus als Hauptrisiko von Banken angesehen werden und ist nicht zuletzt deswegen mitunter ein Grund für die derzeitige Krise. Allerdings muss betont werden, dass lange davor bereits Schritte in die Wege geleitet wurden, um das Kreditrisiko zu minimieren. Die Messung und das Management von Kreditrisiken kommt spätestens seit der Einführung der Basler Verordnungen eine immer höhere Wichtigkeit zu. Schließlich wird durch das Konsulationspapier die Hinterlegung von Eigenkapital für Kreditinstitute geregelt und verschärft. Das erste Basler Abkommen wurde bereits 1988 verabschiedet, Basel II trat 2004 in Kraft und die aktuellste Regelung, Basel III, das dieses Jahr beschlossen wurde, übt noch stärkeren Druck auf die Kreditinstitute aus, die Risiken möglichst niedrig zu halten. Um das Kreditrisiko zu steuern, ist es unabdingbar die Prognosen der Ausfallwahrscheinlichkeiten zu kennen. Ein geeignetes Mittel, um diese zu eruieren sind statistisch-ökonometrische Verfahren, denen die Logit- und Probit-Modelle zuzurechnen sind. Ziel der Arbeit ist nicht nur das Kreditrisiko und damit zusammenhängende Ausfallwahrscheinlichkeiten zu erläutern, sondern auch durch die Vorstellung der Logit- und Probit-Modelle konkrete Verfahren zur Ermittlung der Ausfallwahrscheinlichkeiten vorzustellen. Diese sollen anhand anschaulicher Ausführungen verdeutlicht werden, um etwaige Vorund Nachteile des Modells möglichst realitätsnah zu demonstrieren. Um diese Aufgabenstellung optimal zu lösen, ist die Arbeit folgendermaßen gegliedert: Zuerst werden das Kreditrisiko und die Ausfallwahrscheinlichkeit erläutert und wichtige Begriffe beschrieben. Hierbei liegt das Augenmerk vor allem auf dem Kreditmanagement, der Wichtigkeit der Messung des Kreditrisikos sowie auf der Darstellung und Messung des Kreditrisikos. In einem weiteren Schritt werden mathematische Modelle zur Beschreibung von Risiken vorgestellt, bei denen der Fokus auf verschiedenen Logit- und Probit-Modellen liegt. Außerdem wird auf Spezifikationstests und Gütermaße eingegangen. Den Abschluss der Arbeit bildet ein Resümee, in dem die wichtigsten Erkenntnisse zusammengefasst werden. 1

7 2 Kreditrisiko und Ausfallwahrscheinlichkeit Im Folgenden wird auf das Kreditrisikomanagement eingegangen sowie die Bedeutung des Kreditrisikos hervorgehoben und ebendieses grafisch und formal dargestellt. Diese Aspekte sind die wichtigsten Grundlagen des Kreditrisikos. 2.1 Kreditrisikomanagement Das Kreditrisikomanagement bildet einen Teilbereich des allgemeinen Risikomanagements. Demzufolge ist die Beurteilung des Kreditrisikos eine wichtige Grundlage für ein erfolgreiches Risikomanagement. Im Bankenbereich setzt sich das Risikomanagement aus Identifikation, Aggregation, Planung und Steuerung sowie Überwachung und Messung der Risiken des Geschäftsprozesses zusammen. Das Risikomanagement stellt einen Prozess dar, dessen Ziel darin besteht, die Transparenz der Risiken zu erhöhen und diese in weiterer Folge zu steuern. Während des gesamten Prozesses findet üblicherweise gleichzeitig ein Kontrollprozess statt. Für die Identifizierung der Risiken ist es allgemein gebräuchlich, diese zu kategorisieren. Dabei wird zumeist zwischen Kreditrisiko, Marktrisiko, operationalem Risiko, strategischem Risiko sowie Liquiditätsrisiko unterschieden, wobei in weiterer Folge der Fokus ausschließlich auf dem Kreditrisiko liegen soll. 1 Das ursprüngliche Kreditrisiko besteht im Adressenausfallrisiko und meint die Möglichkeit, dass der Kreditnehmer seinen Verpflichtungen gemäß Vertrags nicht nachkommt. Die Faktoren dieser potentiellen Gefahrenquelle können entweder dem Bereich der Volksoder Betriebswirtschaftslehre entspringen. Im Idealfall ist der Ausfall nur vorübergehend, das heißt, die Zins- und Tilgungsleistungen werden ausgesetzt oder unter Umständen abgeändert. Fällt hingegen der Kunde endgültig aus, muss zwischen einem Totalverlust, bei dem der Ausfallzeitpunkt wichtig ist und dem offenen Forderungssaldo entspricht, und einem anteiligen Verlust differenziert werden. Werden Sicherheiten gestellt, so mindert dies die mögliche Verlusthöhe und damit einhergehend auch das Gesamtrisiko. Dem Kredit- beziehungsweise Adressenausfallrisiko wird oft unterstellt, ein Risiko darzustellen, dass uneingeschränkt aus Verlustmöglichkeiten bestehe. Allerdings entspricht dies nicht der Wahrheit, denn innerhalb eines Kreditgeschäfts müssen Erwartungswerte, die die Ausfallwahrscheinlichkeit angeben, für die Höhe der Forderungen zum potentiellen Ausfallzeitpunkt sowie für 1 Vgl. OeNB/FMA (2004), S. 56f. 2

8 den Verwertungserlös gebildet werden, um nicht nur mit den Risikokosten die Kundenkonditionen zu berechnen, sondern auch mit den Erträgen aus den Risikoprämien eine angemessene Risikovorsorge (zum Beispiel Rückstellungen) zu wählen. Es ist sofort ersichtlich, dass die realen Verluste höher oder niedriger als die erwarteten sein können, wodurch es in der Folge zu zahlungs- und bilanzwirksamen positiven wie negativen Unterschieden kommen kann. Außerdem ist es möglich, dass die Risikoprämien schwanken, weil sie Teil des Diskontierungszinssatzes sind. 2 Aus dem Adressausfallrisiko ist überdies hinaus noch ein weiterer Bestandteil des Kreditrisikos ablesbar, denn mit dem Steigen des Adressenausfallrisikos innerhalb der Zinsbindungsfrist, ohne Eintreten eines Ausfall, steigt die Risikoprämie, mit Hilfe derer die restlichen Zahlungen diskontiert werden müssen, um den Barwert zu eruieren, während der Zahlungsstrom aus Zins- und Tilgungsleistungen (aufgrund der Zinsbindungsfrist) gleich bleibt. Daraus resultiert ein Sinken des Barwertes des Kredites. Ein solches Risiko wird als Bonitätsmigrations- oder Wertänderungsrisiko bezeichnet, mit dem Informations- oder Verhaltensrisiken einhergehen, da auch dieses aus falschen Einschätzungen bezüglich der ursprünglichen Risikoquellen folgen kann. Letztendlich muss einerseits festgestellt werden, dass zwischen systematischen und unsystematischen Risikokomponenten differenziert werden muss und andererseits gilt es zu beachten, dass im Regelfall mit dem Betreiben eines Kreditgeschäfts in der Realität Markt- und Liquiditätsrisiken zusammenhängen. Allerdings ist ein theoretisch zwingendes Abhängigkeitsverhältnis nur teilweise existent, was das Berücksichtigen in unabhängigen Modellen im Sinne einer angemessenen Risikoquantifizierung und -steuerung bedarf (eine integrative Betrachtung ist nicht vonnöten) Bedeutung der Kreditrisikomessung Das Kreditrisiko stellt für Banken allgemein das größte Risiko dar. 4 Es existiert eine Vielzahl an statistischer Verfahren, mit deren Hilfe die Risikosteuerung dargestellt und präzisiert werden kann, denn [w]er seine Risiken kennt, kennt auch seine Chancen und hat nicht nur ein 2 Vgl. Zurek (2009), S. 24f. 3 Vgl. Zurek (2009), S. 24ff. 4 Vgl. Kroon (2009), S. 1. 3

9 wert-, sondern auch ein wirkungsvolles Instrumentarium zur Hand, sein Unternehmen nachhaltig und ertragsorientiert zu steuern. 5 Im Wesentlichen besteht die Aufgabe der Kreditrisikomessung darin, das zukünftige Ausfallverhalten von Kreditnehmern zu analysieren. Der Begriff Ausfall beschreibt prinzipiell ein Szenario, indem ein Kreditnehmer seinen Zahlungsverpflichtungen nur zu einem gewissen Teil oder gar nicht nachkommt. Dabei gibt es unterschiedliche Definitionen, ab wann ein Zahlungsverzug als Ausfall definiert wird. 6 Jedenfalls muss rechtlich gesehen, seit der Einführung von Basel II, ein Kredit, der mehr als 90 Tage überfällig ist, als notleidender Kredit eingestuft werden, was eine Wertberichtigung bewirkt. 7 Dies wiederum führt zu einem erhöhten Eigenmittelbedarf für Kreditinstitute. Natürlich können selbst mit den besten Verfahren Ausfälle nicht mit Sicherheit vorhergesagt werden, wodurch sich das Risiko des Kreditgeschäfts eben genau auf diese Unsicherheit bezieht. Ansonsten bestünde die Möglichkeit, dass Kreditnehmer, bei denen es zu einem Ausfall kommt, einfach keinen Kredit mehr erhalten könnten und Kredite, die zu keinem Ausfall oder Zahlungsverzug führen, zu besonders günstigen Konditionen vergeben werden würden. Deshalb wird an dieser Stelle versucht, mithilfe von Wahrscheinlichkeitsrechnung und Statistik das zukünftige Ausfallverhalten zu beziffern, wobei die Ausfallwahrscheinlichkeiten den wichtigsten Baustein für die Risikokennzahlen eines Kreditinstituts darstellen. Da für ein Kreditinstitut oft nicht der einzelne Kreditnehmer alleine bewertet werden muss, wird oft das Kreditportfolio des gesamten Kreditinstituts betrachtet. 8 Ein sehr häufiger Vorwurf gegenüber der Art und Weise, in der früher Kredite vergeben wurden, ist die Willkürlichkeit und unzureichende Prüfung der Bilanzen oder Haushaltsrechnungen. Dies hat sich jedoch grundlegend geändert: Die Überprüfung des Risikos ist gesteigert und verstärkt worden, ebenso sind die Kreditrisikoabteilungen ausgeweitet worden und ihnen wurde eine zentrale Aufmerksamkeit zuteil. Mit dieser Entwicklung ging der Einzug mathematischer Modelle und statistischer Methoden in die Begutachtung des Kreditrisikos einher. Eine Messung des Kreditrisikos anhand mathematischer und statischer Verfahren hilft den regulatorischen Anforderungen gerecht zu werden, da mathematische 5 Henking/Bluhm/Fahrmeier (2006), S Vgl Henking/Bluhm/Fahrmeier (2006), S. 1f. 7 Vgl. Basel Committee on Banking Supervision (2005), S. 21 (online). 8 Vgl Henking/Bluhm/Fahrmeier (2006), S. 2. 4

10 und statistische Berechnungen für diese Zwecke geeignet und dadurch für die Banken von maßgeblichem Vorteil sind Darstellung des Kreditrisikos Für die Charakterisierung des Terminus Kreditrisiko ist festzuhalten, dass der Gebrauch in unterschiedlichen Größenordnungen Verwendung findet. Dabei gilt es, zwischen Definitionen im engeren und im weiteren Sinne zu unterscheiden. Im engeren Sinne ist das reine Ausfallrisiko (default risk) gemeint, was die Gefahr spezifiziert, dass der Kreditnehmer entweder einen Teil oder den gesamten Zahlungsverpflichtungen nicht nachkommen kann. Unter Kreditrisiko im weiteren Sinne wird das sogenannte Migrationsrisiko verstanden. Dahinter steckt das Risiko einer Bewegung des Schuldners zu einer Bonitätsverschlechterung, was wiederum zu einer Erhöhung des Ausfallrisikos führt. Die Besonderheit der beiden Definitionen wird unter Betrachtung der Zeitkomponente besonders deutlich. Während sich das Ausfallrisiko auf einen festgelegten, fixen Zeitpunkt bezieht und die Kreditlaufzeit als gleichbleibend angesehen wird, berücksichtigt das Migrationsrisiko die Gefahr einer Verschlechterung der Bonität während der Laufzeit, also einer Erhöhung des Ausfallrisikos. In weiterer Folge wird nur auf das Ausfallrisiko eingegangen, welches sich rein auf die Quantifizierung von Ausfallwahrscheinlichkeiten beschränkt. 10 Mögliche Risikoquellen für das Ausfallrisiko stellen beispielsweise eine Insolvenz des Kreditnehmers, Zahlungsverhinderung aufgrund einer politisch oder wirtschaftlich instabilen Situation, Nichterfüllung von Zahlungszielen sowie Wertberichtigungen von Kreditsicherheiten dar. Grundsätzlich gibt es eine Vielzahl unterschiedlicher Ansatzpunkte für die Messung und Bewertung von Ausfallwahrscheinlichkeiten. Dabei haben sich in den letzten Jahren zwar einige Verfahren verstärkt hervorgetan, allerdings konnte sich keine einheitliche Vorgehensweise durchsetzen. Häufig handelt es sich um Verfahren, die auf Basis von statistisch-ökonometrischen Modellen im Bereich der Kreditwürdigkeitsprüfung verwendet werden. Die benötigten Daten werden dafür im Unternehmensbereich zumeist über das externe Rechnungswesen gewonnen. Dies führt dazu, dass eine Aktualisierung der Ausfallwahrscheinlichkeit nur nach Veröffentlichung neuer Daten erfolgen kann. Somit kann die Überprüfung nur jährlich oder maximal je Quartal neu berechnet werden. Dadurch bleiben 9 Vgl Henking/Bluhm/Fahrmeier (2006), S. 2f. 10 Vgl. Albrecht (2005), S

11 die berechneten Daten immer hinter der Marktdynamik zurück, was vor allem für die Berechnung von gehandelten Anleihen als problematisch zu betrachten ist Verfahren zur Messung des Kreditrisikos Das Ziel von Verfahren zur Kreditrisikomessung ist es, die Wahrscheinlichkeit von Ausfällen unsicherer Zahlungen zu ermitteln. Dabei sollen präzise etwaige Risiken identifiziert und quantifiziert werden. Die Ergebnisse müssen leicht interpretier- und übermittelbar sein, um das Kreditrisiko bestmöglich steuern zu können. Im Großen und Ganzen wird versucht, Krisenprognosen über mögliche Ausfälle oder Teilausfälle zu erstellen. Für eine gute und brauchbare Prognose wird die Bewertung des erwarteten Verlusts (Expected Loss) in regelmäßigen Abständen durchgeführt. Die Berechnung von Ausfallbeträgen erfolgt anhand des Basismodells über die Wahrscheinlichkeiten der verschiedenen Ausfallmöglichkeiten. 12 In weiterer Folge soll für die Ausfallwahrscheinlichkeit die Konzentration auf dem Basismodell des Ausfallrisikos eines statischen Modells liegen, da nur dieses im Rahmen dieser Arbeit von Bedeutung ist. So wird zur Spezifizierung des Risikos ein Individualkredit betrachtet. Das Risiko wird durch eine Verlustvariable L 0 beschrieben, was der Ausfallhöhe beziehungsweise dem erwarteten Verlust am Ende einer festgesetzten Periode entspricht. Die Verlustvariable kann folgendermaßen ermittelt werden: 13 L = EAD LGD PD Hierbei beschreibt EAD (Exposure at Default) die Höhe der ausständigen Forderung zum Zeitpunkt des Ausfalls, also den ausfallbedrohten Betrag. Der Terminus LGD (Loss Given Default) beschreibt die erwartete Verlustquote für den Fall, dass es zu einem Ausfall kommt. Also beschreibt es die Höhe der Forderung, die als nichteinbringbar eingestuft wird. Teilweise wird anstelle des LGD auch die Wiedereinbringungsrate (Recovery Rate, RC) verwendet, was als RC = 1 LGD definiert wird. Diese Quoten sind abhängig von der hinterlegten Besicherung und von der Vorrangigkeit der Bedienung des Gläubigers im Insolvenz- 11 Vgl. Albrecht (2005), S. 28f. 12 Vgl. Oehler/Unserl (2002), S Vgl. Albrecht (2005), S

12 verfahren. Allerdings ist der Rang, der die Reihenfolge, in welcher der Gläubiger am Unternehmensvermögen partizipiert, regelt, kritisch zu betrachten, da beispielsweise bei Anleihen im Insolvenzfall diese Reihung außer Kraft gesetzt werden kann. 14 Des Weiteren beschreibt PD die Ausfallwahrscheinlichkeit des Kredits. Was über eine zweiwertige Zufallsvariable beschrieben wird. 1 Ausfall tritt ein PD = { 0 kein Ausfall Unter der Annahme der stochastischen Unabhängigkeit der einzelnen Bestandteile bestimmt sich die erwartete Ausfallhöhe durch: 15 E(L) = E(EAD) E(LGD) PD Hierbei beschreibt das Ausfallrisikomodell den ausfallbedrohten Betrag, die Wiedereinbringungsquote beziehungsweise die Verlustquote und die Ausfallwahrscheinlichkeit. Oftmals ist es für Kreditinstitute wichtig, nicht den einzelnen Kredit zu bewerten, sondern ein Kreditportfolio. So ist die Wahrscheinlichkeitsverteilung des Portfolioverlustes der Ursprung der Kreditportfoliosteuerung. Um die Kreditrisiken aus Portfolios zu prüfen, müssen zusätzlich noch die Korrelationen der Grundgrößen berücksichtigt werden. 16 Eine weitere Komponente des Kreditrisikos betrifft den unerwarteten Verlust (Unexpected Loss, UL). Dieser wird durch die durchschnittliche Schwankung des erwarteten Verlusts quantifiziert, wodurch er symmetrisch mittels der Standardabweichung beziehungsweise der Varianz berechnet werden kann. 17 Dadurch gilt der unerwartete Verlust als Maßzahl, die angibt, wie weit der realisierte Verlust vom erwarteten Verlust abweicht. Daraus folgt, dass der erwartete Verlust als Schätzer für den Verlust umso besser ist, je kleiner der unerwartete Verlust ist. 18 Da es sich bei der Ausfallwahrscheinlichkeit um eine zweiverteilte Zufallsvariable handelt, kann die Varianz durch PD(1 PD) bestimmt werden. 19 Formal kann der unerwartete Verlust also durch die Formel UL = EAD LGD PD(1 PD) 14 Vgl. Albrecht (2005), S. 28f. 15 Vgl. Albrecht (2005), S. 27f. 16 Vgl. Albrecht (2005), S Vgl. Oehler/Unser ( S. 207f. 18 Vgl. Henking/Bluhm/Fahrmeier (2006), S Vgl. Henking/Bluhm/Fahrmeier (2006), S. 77f. 7

13 berechnet werden. Durch den unerwarteten Verlust hat man neben dem erwarteten Verlust einen zusätzlichen Zahlenwert für die Bewertung der zukünftigen unsicheren Zahlungen. Um den unerwarteten Verlust eines Portfolios berechnen zu können, müssten auch hier wieder die Korrelationen der einzelnen Bestandteile mit berücksichtigt werden oder die Annahme getroffen werden, dass die einzelnen Ausfälle stochastisch unabhängig voneinander sind, damit die Additivität der Varianzen gegeben ist. 20 Die folgende Grafik zeigt die Darstellung der Verlustverteilung sowie die Zerlegung des Kreditrisikos: Abbildung1: Zerlegung des Kreditrisikos Quelle: Schmidt (2002), S. 10 (online). Aus der Verteilung heraus ist es möglich, auf die Eintrittswahrscheinlichkeit von Verlusten zu schließen. Es ist möglich, Informationen zur Struktur und Kennzahlen für das Risiko zu gewinnen sowie die Verlustwahrscheinlichkeiten zu eruieren. Die Abbildung veranschaulicht die Verlustverteilung anhand einer rechtsschiefen Verteilung, was impliziert, dass jeder Verlust, der unterhalb der Verteilung liegt, im Prinzip möglich ist. Je größer die Verlustwerte sind, desto flacher wird die Verlustverteilung im Diagramm. Das bedeutet, dass hohe Verluste in der Höhe des Betrags unwahrscheinlicher werden. Das Hauptaugenmerk soll aber auf den Verlustereignissen und Eintrittswahrscheinlichkeiten liegen. Die Information hierzu 20 Vgl. Henking/Bluhm/Fahrmeier (2006), S.24f. 8

14 liefert die Verlustverteilung, die auch als exakte Darstellung in der Form eines Histogramms, wie auch in der näherungsweisen glatten Form gezeigt werden kann. Für das Berechnen sollen allerdings graphische Darstellungen nicht herangezogen werden, sondern es gilt, auf dazugehörende aufbereitete Wahrscheinlichkeiten zurückzugreifen. 21 Der Punkt, der in der Grafik als Standardausfälle bezeichnet wird, entspricht genau dem erwarteten Verlust und die Standard-Ausfallüberschreitung ist gleichbedeutend mit dem unerwarteten Verlust. Die Restwahrscheinlichkeit gibt an, wie viel Prozent des Verlustes durch den erwarteten und unerwarteten Verlust abgedeckt werden. Sie ist vor allem für das Konzept des Value at Risk 22 relevant. Kreditinstitute müssen Kredite mit so viel Kapital hinterlegen, dass der Betrag hoch genug ist, damit das Gesamtrisiko abgedeckt ist. Dieser Betrag wird als ökonomisches Kapital bezeichnet. Das Gesamtrisiko setzt sich aus erwartetem und unerwartetem Verlust zusammen. Dabei wird die Restwahrscheinlichkeit nicht berücksichtigt. In der Grafik deckt das ökonomische Kapital somit den Bereich der Standardüberschreitungen, also bis zur Restwahrscheinlichkeit (Value at Risk) ab. 23 Der Betrag des erwarteten Verlustes (Standardausfall) wird durch passend gewählte Zinsmargen gedeckt. Der unerwartete Verlust (Standardausfallüberschreitungen) hingegen wird durch die Eigenkapitalauflage von Kreditinstituten abgedeckt. Die Restwahrscheinlichkeit bleibt hingegen unbesichert und stellt somit das größte Risiko dar. 24 Die Berechnung der Ausfallwahrscheinlichkeiten wird traditionell durch statistischökonometrische Verfahren bestimmt, zu denen das Logit- und Probit-Modell zählt. Ebenfalls häufig finden die Diskriminanzanalyse, Regressionsanalyse oder auch neuronale Netze Anwendung. Da sich diese Arbeit mit Logit- und Probit-Modellen beschäftigt, wird in weiterer Folge ausschließlich auf diese eingegangen Vgl. Henking/Bluhm/Fahrmeier (2006), S siehe dazu beispielsweise Hull (2012). 23 Vgl. Höse/Huschens (2008), S.14f. 24 Schmidt (2002), S. 20 (online). 25 Vgl. Albrecht (2005), S

15 3 Verwendung von Logit- und Probit-Modellen zur Messung von Kreditrisiken In den nachfolgenden Kapiteln werden Logit- und Probit-Modelle beschrieben, welche zur Messung von Kreditausfallwahrscheinlichkeiten verwendet werden können. Ein Kredit kann dabei drei Rückzahlungszustände annehmen beziehungsweise drei qualitative Ausprägungen besitzen: Er kann entweder ausfallen, teilweise zurückgezahlt, oder komplett zurückgezahlt werden. Wenn in dieser Hinsicht nur die Wahrscheinlichkeiten dafür gemessen werden sollen, ob der Kredit ganz ausfällt oder komplett zurückgezahlt wird, so wird für die Messung dieser Wahrscheinlichkeiten das binäre Logit- und Probit-Modell verwendet. Sollten hingegen die Wahrscheinlichkeiten aller drei möglichen Ausprägungen von Relevanz sein, dann wird dafür das geordnete Logit- und Probit-Modell verwendet. Die geordneten Modelle setzen allerdings voraus, dass die möglichen Ausprägungen einer natürlichen Ordnung folgen, wie es zum Beispiel bei der Rückzahlung eines Kredits der Fall ist. Danach wird auf die Verwendung von Dummy-Variablen, Spezifikationstests und Gütemaße im Rahmen der Modelle eingegangen. Zum Abschluss werden noch einige Abwandlungen der Logit und Probit Modelle vorgestellt und Vor-, sowie Nachteile, der Verwendung von Logit- und Probit-Modellen beschrieben Binäre Logit- und Probit-Modelle Grundlegend für die Verwendung der binären Logit- und Probit-Modelle für die Messung von Kreditausfallwahrscheinlichkeiten ist die Annahme, dass ein Kredit nur zwei mögliche Rückzahlungszustände besitzen kann. Er kann entweder gänzlich getilgt werden, oder die Rückzahlung kann komplett ausfallen. Aus diesen beiden Möglichkeiten kann anschließend die abhängige dichotome Variable Yi entnommen werden. Der Wert von Yi beträgt 0, wenn der Kredit i getilgt wird und 1, wenn der Kredit i ausfällt, wobei die Werte des Zustandes für Yi arbiträr bestimmt werden können. Bei beiden Modellen nimmt die abhängige Variable Y den Wert 1 an, wenn eine latente Variable Z den Schwellenwert s überschreitet und den Wert 0, wenn die latente Variable kleiner oder gleich dem Schwellenwert s ist. 27 Der Wert des Schwellenwertes s ist für alle i Kredite identisch und wird bei den binären Logit- und 26 Vgl. Kaiser/Szczesny (2000), S. 7ff. 27 Vgl. Kaiser/Szczesny (2000), S

16 Probit-Modellen arbiträr als s=0 festgelegt. 28 Des Weiteren wird noch angenommen, dass das Ausfallrisiko des Kredits von verschiedenen erklärenden Variablen abhängt (wie zum Beispiel Umsatz oder Eigenkapitalquote), die in einem Vektor xi zusammengefasst werden. Außerdem wird für die Berechnung noch ein unabhängiger Fehlerterm ε benötigt. Dieser Fehlerterm ε unterliegt bei dem Logit-Modell einer logistischen Verteilung und bei dem Probit-Modell einer Standard-Normalverteilung. 29 Für diesen Fehlerterm ε müssen auch Annahmen über die Varianz und den Erwartungswert der Schätzfehler der Regression getroffen werden, da ε im Unterschied zu manchen anderen Modellen nicht empirisch beobachtet werden kann. Im Zuge des Logit-Modells wird für die Schätzfehler eine Varianz σ 2 ε x von π²/3 und ein Erwartungswert E(ε x) von 0 angenommen. Für das Probit-Modell wird für die Varianz der Residuen σ 2 ε x=1 und für den Erwartungswert E(ε x)=0 festgelegt. 30 Die Restriktionen der Varianz des Schätzfehlers, des Erwartungswertes für den Schätzfehler und des Schwellenwertes s haben keinen Einfluss auf die Interpretierbarkeit der Logit- und Probit- Modelle. 31 Die latente Variable Zi setzt sich insgesamt aus dem Vektor xi, dem zu schätzenden Koeffizientenvektor βi und dem Fehlerterm εi zusammen. 32 Nachfolgend sind die Formeln für die latente Variable Zi und die Bedingungen für einen Ausfall des Kredits beziehungsweise die Tilgung desselben abgebildet. Z i = x i β i + ε i Y i = 1 wenn Z i > s Y i = 0 wenn Z i s In Folge sind die zugrundeliegenden Funktionen für die Wahrscheinlichkeit für den Eintritt eines Kreditausfalles des Kredites i, für das Logit- und das Probit-Modell angegeben. F(Zi) bezeichnet für das Logit-Modell die kumulative Verteilungsfunktion der logistischen Verteilung und für das Probit-Modell die kumulative Verteilungsfunktion der Standard-Normalverteilung. Die Berechnung des Koeffizientenvektors β, der in den beiden nachfolgenden Formeln für Zi verwendet wird, erfolgt hierbei mit Hilfe der Maximum-Likelihood-Methode. 28 Vgl. Best/Wolf (2012), S Vgl. Kaiser/Szczesny (2000), S Vgl. Best/Wolf (2012), S Vgl. Kaiser/Szczesny (2000), S Vgl. Kaiser/Szczesny (2000), S

17 Diese Methode versucht, über die Wahl der Werte von β, die Wahrscheinlichkeit, mit der der untersuchte Datensatz reproduziert wird, zu maximieren. 33 Logit P(Y i = 1 x i ) = F(Z i ) = Probit P(Y i = 1 x i ) = F(Z i ) = 1 2π ez i 1 + e Z = 1 i 1 + e Z i u 2 i e 2 Zusammenfassend sollte festgehalten werden, dass für die Verwendung von latenten Variablen zur Untersuchung der Problemstellung im Vorhinein für Logit- und Probit-Modelle einige Annahmen getroffen werden müssen. Als erstes muss der Schwellenwert s festgelegt werden, bei dessen Überschreitung ein Kreditausfall eintritt beziehungsweise bei dessen Unterschreitung eine Tilgung stattfindet. Danach muss eine Verteilungsannahme für den Fehlerterm ε getroffen werden, aufgrund derer sich entweder das Logit- oder das Probit-Modell ergibt. Als letztes müssen noch der Erwartungswert und die Varianz für ε festgelegt werden. 34 Zur besseren Veranschaulichung der Ergebnisinterpretation der Modelle wird diese anhand der nachfolgenden Tabelle durchgeführt, deren Werte aus Kaiser/Szczesny entnommen wurden. In der Tabelle sind von links nach rechts die Bezeichnung der Variable, der Wert des durch die Maximum-Likelihood-Methode geschätzten Koeffizienten, der Standardfehler und das empirische Signifikanzniveau abgebildet. Die Werte, die in der Tabelle abgebildet sind, beruhen dabei auf dem binären Probit-Modell. 35 Variable Koeffizient Std.-Fehler p-wert Eigenkapitalquote -2,8844 0,4011 0,000 Cash-Flow -0,4113 0,1735 0,018 Anlagendeckungsgrad -0,1253 0,0684 0,067 Tabelle 1: Ergebnisse des binären Probit-Modells Quelle: Vgl. Kaiser/Szczesny (2000), S. 10. Der Koeffizient der Eigenkapitalquote in der obigen Tabelle ist negativ und signifikant auf dem 1-Prozent-Niveau. Dies bedeutet, dass bei den untersuchten Kreditnehmern mit einer hohen Eigenkapitalquote eine geringere Ausfallwahrscheinlichkeit in Verbindung gebracht werden kann. Der Koeffizient der Cash-Flows ist negativ und auf dem 5-Prozent-Niveau Z i du 33 Vgl. Kaiser/Szczesny (2000), S Vgl. Best/Wolf (2012), S Vgl. Kaiser/Szczesny (2000), S. 9f. 12

18 signifikant. Somit haben Kreditnehmer, die einen höheren Cash-Flow aufweisen, auch eine geringere Ausfallwahrscheinlichkeit bei Krediten. Da der Koeffizient der Cash-Flows höher ist als jener der Eigenkapitalquote, ist dessen Auswirkung auf die Kreditwürdigkeit allerdings nicht so stark wie jener der Eigenkapitalquote. Die Auswirkung des Anlagendeckungsgrades auf die Kreditwürdigkeit ist sogar noch geringer. Die Ergebnisse des Probit-Modells dieser Tabelle geben allerdings keine Auskunft über die quantitativen Werte der Effekte der einzelnen Variablen, da diese bei den beiden Modellen erst separat berechnet werden müssen. 36 Möchte man die Auswirkung einer Erhöhung von einem Prozent einer Variablen k im Vektor xi auf die Wahrscheinlichkeit für Yi=1 herausfinden, so muss man dafür den zu k gehörigen Koeffizienten βk mit der Dichtefunktion f(zi) multiplizieren. Wobei f(zi), analog zu F(Zi), bei dem Logit-Modell die Dichtefunktion der logistischen Verteilung und bei dem Probit-Modell die Dichtefunktion der Standardnormalverteilung bezeichnet. 37 Logit P(y i = 1 x i ) x ik e Z i = f(z i )β k mit f(z i ) = (1 + e Z i )² Probit P(y i = 1 x i ) x ik mit f(z i ) = 1 2 Z i 2π e 2 = f(z i )β k Dieser marginale Effekt ist für den Kredit i von allen xik abhängig und somit hat jeder Kredit einen anderen marginalen Effekt. Genau aus diesem Grund gibt es verschiedene Herangehensweisen, um eine Aussage über das gesamte Modell treffen zu können. Eine Möglichkeit ist es, die marginalen Effekte für den Mittelwert oder den Median der erklärenden Variablen zu verwenden, um dadurch eine Aussage treffen zu können. Eine weitere Möglichkeit ist es, die marginalen Effekte sämtlicher Kredite im Modell zu berechnen und den arithmetischen Mittelwert aus diesen zur Erklärung heranzuziehen. 38 In der nachfolgenden Tabelle, die die marginalen Effekte abbildet, kann zum Beispiel abgelesen werden, dass eine Erhöhung der 36 Vgl. Kaiser/Szczesny (2000), S. 10f. 37 Vgl. Kaiser/Szczesny (2000), S Vgl. Schmidheiny (2014), S. 5f. 13

19 Eigenkapitalquote um einen Prozentpunkt die Wahrscheinlichkeit eines Kreditausfalls um 0,8708 Prozentpunkte reduziert. Variable Koeffizient Std.-Fehler p-wert Eigenkapitalquote -0,8708 0,0086 0,000 Cash-Flow -0,1242 0,0518 0,018 Anlagendeckungsgrad -0,0378 0,0206 0,067 Tabelle 2: Marginale Effekte des binären Probit-Modells Quelle: Vgl. Kaiser/Szczesny (2000), S. 12. Die beiden vorgestellten Modelle können neben der Untersuchung von Auswirkungen einzelner Variablen auf die Ausfallwahrscheinlichkeit bei Krediten auch dazu eingesetzt werden, um die Wahrscheinlichkeit, mit der ein einzelner Kreditnehmer mit gewissen Merkmalen ausfällt, festzustellen Geordnete Logit- und Probit-Modelle Bei den geordneten Logit- und Probit-Modellen, wird die Annahme, dass ein Kredit entweder ausfällt oder komplett zurückgezahlt wird, dahingehend erweitert, dass nun auch eine teilweise Rückzahlung erfolgen kann. Der Wert von Yi beträgt 0, wenn der Kredit i vollständig getilgt wird, 1, falls nur ein Teil davon getilgt wird, und 2, wenn der Kredit i vollständig ausfällt. Die Zuordnung der Werte von Yi kann, wie bei den binären Logit- und Probit-Modellen arbiträr erfolgen, solange diese eine natürliche Reihenfolge der Eintrittszustände aufweist. In Folge dieser Erweiterung müssen nun auch neue Schwellenwerte definiert werden. Yi beträgt 0, wenn der Wert der latenten Variable Zi unter s1 liegt, 1, wenn er die Gleichung s1 Zi < s2 erfüllt, und 2, wenn er über dem Schwellenwert s2 liegt. Die Schwellenwerte, die für die geordneten Modelle verwendet werden, werden im Rahmen der Schätzung von verschiedenen Programmen unterschiedlich geschätzt. 40 Ebenso wie bei dem binären Modell setzt sich die latente Variable Zi des geordneten Logit- und Probit-Modells durch einen linearen Zusammenhang zwischen dem Vektor der erklärenden Variablen xi, einem Koeffizientenvektor β und einem unabhängig verteilten 39 Vgl. Kaiser/Szczesny (2000), S Vgl. Kaiser/Szczesny (2000), S

20 Störterm εi zusammen. 41 In Folge sind die Bedingungen für einen Ausfall des Kredits sowie einer teilweisen und vollständigen Tilgung aufgelistet. Y i = 2 wenn Z i > s 2 Y i = 1 wenn s 1 Z i < s 2 Y i = 0 wenn Z i s 1 Die anschließende Interpretation der geschätzten Werte für den Koeffizientenvektor β erfolgt bei den geordneten Logit- und Probit-Modellen analog zu den binären Modellen. Ein negativer Koeffizient bedeutet somit, dass diese Variable einen negativen Einfluss auf die latente Variable Zi hat und somit die Wahrscheinlichkeit eines teilweisen beziehungsweise kompletten Ausfalls eines Kredits i verringert. Ein positiver Koeffizient wirkt somit in die entgegengesetzte Richtung und erhöht daher die Wahrscheinlichkeit eines Kreditausfalles. Wie auch bei den binären Modellen kann allein mit den Koeffizienten des Modells der Verteilungsfunktionen allerdings keine Aussage über die marginalen Effekte getroffen werden. Um die Wirkung der marginalen Effekte auf den Ausfall eines Kredits bestimmen zu können, muss man für das Logit-Modell wiederum die Dichtefunktionen der logistischen Verteilung und für das Probit-Modell die der Standard-Normalverteilung verwenden. 42 Die Formeln zur Berechnung der marginalen Effekte des geordneten Logit- und Probit-Modells sind nachfolgend abgebildet. Die Funktion f(x) beschreibt hierbei analog zum binären Logit- und Probit-Modell im Logit-Fall die Dichtefunktion der logistischen Verteilung und im Probit-Fall die Dichtefunktion der Standard-Normalverteilung. P(Y i = 2 x i ) = f(s 2 Z i ) β k x ik P(Y i = 1 x i ) = (f(s 1 Z i ) (s 2 Z i ))β k x ik P(Y i = 0 x i ) = f(s 1 Z i ) β k x ik Der Vorteil der geordneten Probit- und Logit-Modelle gegenüber den binären ist der, dass ein Kreditgeber mehr Informationen über die Eintrittswahrscheinlichkeit von unterschiedlich gewichteten Problemen erhält und somit das Risiko, das er eingeht, besser abschätzen 41 Vgl. Kaiser/Szczesny (2000), S Vgl. Kaiser/Szczesny (2000), S. 14ff. 15

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

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

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

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

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

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

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

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

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

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

Multinomiale logistische Regression

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

Mehr

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

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

Mehr

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

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

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

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

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

Mehr

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

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

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

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

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

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

Einfache ökonometrische Verfahren für die Kreditrisikomessung*

Einfache ökonometrische Verfahren für die Kreditrisikomessung* Einfache ökonometrische Verfahren für die Kreditrisikomessung* Ulrich Kaiser und Andrea Szczesny Zusammenfassung Dieser Beitrag stellt verschiedene ökonometrische Methoden zur Bewertung und Berechnung

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

Working Paper Series

Working Paper Series Working Paper Series Der Loss Given Default und die Behandlung erwarteter Verluste im Baseler IRB-Ansatz von Marc Gürtler und Dirk Heithecker No.: FW07V1/04 First Draft: 2004-08-06 This Version: 2004-08-06

Mehr

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

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

Mehr

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

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

- 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

2.Tutorium Generalisierte Regression

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

Mehr

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

Koeffizienten der Logitanalyse. Kurt Holm. Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at

Koeffizienten der Logitanalyse. Kurt Holm. Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at Koeffizienten der Logitanalyse Kurt Holm Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at 1 Kurt Holm Koeffizienten der Logitanalyse Eine häufig gestellte Frage lautet:

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

IFRS 9: Neue Regelungen für Finanzinstrumente

IFRS 9: Neue Regelungen für Finanzinstrumente IFRS 9: Neue Regelungen für Finanzinstrumente Rechnungslegung Versicherungen UpDate 2010 23. November 2010 / Thomas Smrekar Änderung des IAS 39 in Folge der Finanzmarktkrise - Vermeidung prozyklischer

Mehr

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die

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

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

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

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

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

Diskriminanzanalyse Beispiel

Diskriminanzanalyse Beispiel Diskriminanzanalyse Ziel bei der Diskriminanzanalyse ist die Analyse von Gruppenunterschieden, d. h. der Untersuchung von zwei oder mehr Gruppen hinsichtlich einer Vielzahl von Variablen. Diese Methode

Mehr

Semiparametrisches Kredit Scoring

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

Mehr

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18 3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen

Mehr

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

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

Mehr

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

Abschlussklausur (60 Minuten), 15. Juli 2014

Abschlussklausur (60 Minuten), 15. Juli 2014 Prof. Dr. Amelie Wuppermann Volkswirtschaftliche Fakultät Universität München Sommersemester 2014 Empirische Ökonomie 1 Abschlussklausur (60 Minuten), 15. Juli 2014 Bearbeitungshinweise Die Bearbeitungszeit

Mehr

IRBA Konversionsfaktoren- Entwicklung und Validierung der Schätzung

IRBA Konversionsfaktoren- Entwicklung und Validierung der Schätzung IRBA Konversionsfaktoren- Entwicklung und Validierung der Schätzung Raffaela Handwerk, Ronny Rehbein Inhalt Einleitung... 1 Bestimmung des Schätzers... 1 Segmentierung des Schätzers... 3 Validierung der

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

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

Mehr

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

Messsystemanalyse (MSA)

Messsystemanalyse (MSA) Messsystemanalyse (MSA) Inhaltsverzeichnis Ursachen & Auswirkungen von Messabweichungen Qualifikations- und Fähigkeitsnachweise Vorteile einer Fähigkeitsuntersuchung Anforderungen an das Messsystem Genauigkeit

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

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

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

Technischer Regulierungsstandard zur Behandlung von Kreditrisikoanpassungen

Technischer Regulierungsstandard zur Behandlung von Kreditrisikoanpassungen Technischer Regulierungsstandard zur Behandlung von Kreditrisikoanpassungen Michael Mertens Inhalt Einleitung... 1 Spezifische und allgemeine Kreditrisikoanpassungen... 1 Anwendungsbereiche... 3 Berücksichtigung

Mehr

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur.

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur. Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Analyse und modellhafte

Mehr

Basel II und Rating. Hochschule Magdeburg-Stendal (FH) Finanzwirtschaft. Christian Lust

Basel II und Rating. Hochschule Magdeburg-Stendal (FH) Finanzwirtschaft. Christian Lust Basel II und Rating Hochschule Magdeburg-Stendal (FH) Finanzwirtschaft Geschichtlicher Überblick Basel I Basel II -Ziele -Die drei Säulen Rating -Geschichte und Definition -Ratingprozess und systeme -Vor-

Mehr

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

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

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Generalthema: Kreditrisikomanagement. Thema 1: Kreditrisiko ökonomische und rechtliche Grundlagen

Generalthema: Kreditrisikomanagement. Thema 1: Kreditrisiko ökonomische und rechtliche Grundlagen Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Generalthema: Kreditrisikomanagement Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Zuständiger Mitarbeiter:

Mehr

Übungsblatt 13 - Probeklausur

Übungsblatt 13 - Probeklausur Aufgaben 1. Der Kapitalnehmer im Kapitalmarktmodell a. erhält in der Zukunft einen Zahlungsstrom. b. erhält heute eine Einzahlung. c. zahlt heute den Preis für einen zukünftigen Zahlungsstrom. d. bekommt

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

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen. Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes

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

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

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

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

Mehr

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

Kommentierter SPSS-Ausdruck zur logistischen Regression

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

Mehr

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

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

Mehr

Generalthema: Kreditrisikomanagement Thema 3: Bonitätsbeurteilung mit linearer Regressionsanalyse. Gliederung

Generalthema: Kreditrisikomanagement Thema 3: Bonitätsbeurteilung mit linearer Regressionsanalyse. 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

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

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

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

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

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

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

Entscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen

Entscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen Entscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen Referat von Guido RECKE Institut für Agrarökonomie der Georg-August-Universität Göttingen Platz der Göttinger Sieben

Mehr

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table(c:\\compaufg\\kredit. Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit

Mehr

Offenlegungsbericht nach 26a KWG in Verbindung mit 319 ff der Solvabilitätsverordnung (SolvV) der. Alpha Wertpapierhandels GmbH, Frankfurt am Main

Offenlegungsbericht nach 26a KWG in Verbindung mit 319 ff der Solvabilitätsverordnung (SolvV) der. Alpha Wertpapierhandels GmbH, Frankfurt am Main Offenlegungsbericht nach 26a KWG in Verbindung mit 319 ff der Solvabilitätsverordnung (SolvV) der Alpha Wertpapierhandels GmbH, Frankfurt am Main 1.) Einleitung Die Bankenaufsicht verlangt nach 26 des

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

Aufgabenblatt 10 zur Lehrveranstaltung Quantitative Methoden der Betriebswirtschaftslehre I Frühjahrssemester 2015

Aufgabenblatt 10 zur Lehrveranstaltung Quantitative Methoden der Betriebswirtschaftslehre I Frühjahrssemester 2015 Universität Bern Bern, den 27. April 2015 Professur für Quantitative Methoden der BWL Schützenmattstr. 14, 3012 Bern Prof. Dr. Norbert Trautmann, Oliver Strub E-Mail: oliver.strub@pqm.unibe.ch Fragestunde

Mehr

Generalthema: Organisationsformen des Kreditgeschäfts. Fragen Thema 7: Künftige Organisationsformen des Kreditgeschäfts

Generalthema: Organisationsformen des Kreditgeschäfts. Fragen Thema 7: Künftige Organisationsformen des Kreditgeschäfts Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur BBL und ABWL Wintersemester 2004/2005 Zuständiger Mitarbeiter: Dipl.-Kfm. Sandro Zarß Generalthema:

Mehr

Varianzanalyse ANOVA

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

Mehr

Wie kann man Risiko messen?

Wie kann man Risiko messen? Wie kann man Risiko messen? Karl Mosler Universität zu Köln Symposium DAGStat & BfR: Was bedroht unser Leben wirklich? Statistische Bewertung von Gesundheitsrisiken Berlin, 19. April 2013 Karl Mosler Universität

Mehr

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:

Mehr

Kredit-Rating. Interne Ratingverfahren der Banken und Sparkassen als Basis bonitätsabhängiger Bepreisung von Krediten

Kredit-Rating. Interne Ratingverfahren der Banken und Sparkassen als Basis bonitätsabhängiger Bepreisung von Krediten Kredit-Rating Interne Ratingverfahren der Banken und Sparkassen als Basis bonitätsabhängiger Bepreisung von Krediten Von der Wirtschaftswissenschaftlichen Fakultät der Universität Leipzig genehmigte DISSERTATION

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

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

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

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

Mehr

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

Einführung in die Statistik mir R

Einführung in die Statistik mir R Einführung in die Statistik mir R ww w. syn t egris.de Überblick GESCHÄFTSFÜHRUNG Andreas Baumgart, Business Processes and Service Gunar Hofmann, IT Solutions Sven-Uwe Weller, Design und Development Jens

Mehr

Befragung und empirische Einschätzung der Praxisrelevanz

Befragung und empirische Einschätzung der Praxisrelevanz Befragung und empirische Einschätzung der Praxisrelevanz eines Vorgehensmodells zur Auswahl von CRM-Systemen D I P L O M A R B E I T zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen

Mehr

9. StatistischeTests. 9.1 Konzeption

9. StatistischeTests. 9.1 Konzeption 9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen

Mehr

Neue Kreditwürdigkeitsprüfung

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

Mehr

4. Berücksichtigung von Fremdfinanzierung

4. Berücksichtigung von Fremdfinanzierung 4. Berücksichtigung von Fremdfinanzierung Fremdfinanzierte IPs Berücksichtigung von Zahlungsflüssen aus einem Kredit Nettomethode Kreditaufnahme Alternativverzinsung bei Fremdfinanzierung M2 Angabe Um

Mehr

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

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

Mehr

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall ) Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels

Mehr

Kalkulation verursachungsgerechter Standard- Risikokosten zur risikoadjustierten Bepreisung der privaten Unfallversicherung

Kalkulation verursachungsgerechter Standard- Risikokosten zur risikoadjustierten Bepreisung der privaten Unfallversicherung Thomas Hubert Reimer Kalkulation verursachungsgerechter Standard- Risikokosten zur risikoadjustierten Bepreisung der privaten Unfallversicherung Analyse der Eignung barwertiger Verfahren aus dem Retailkreditgeschäft

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Evaluation der Normalverteilungsannahme

Evaluation der Normalverteilungsannahme Evaluation der Normalverteilungsannahme. Überprüfung der Normalverteilungsannahme im SPSS P. Wilhelm; HS SPSS bietet verschiedene Möglichkeiten, um Verteilungsannahmen zu überprüfen. Angefordert werden

Mehr