Mathematische Behandlung des Risikos in der Portfolio-Optimierung

Größe: px
Ab Seite anzeigen:

Download "Mathematische Behandlung des Risikos in der Portfolio-Optimierung"

Transkript

1 Mathematische Behandlung des Risikos in der Portfolio-Optimierung Seminararbeit von Michael Manger FAKULTÄT FÜR MATHEMATIK UND PHYSIK MATHEMATISCHES INSTITUT Datum: 5. März 2008 Betreuung: Prof. Dr. L. Grüne

2 Inhaltsverzeichnis Abbildungsverzeichnis I 1 Einleitung 3 2 Ein-Schritt-Optimierung Risiko Bewertung von Portfolios Optimale Anlagestrategien Probleme und Kritik Dynamische-Portfolio-Optimierung Binomialmodell Optimale Steuerung des Portfolios Endkosten L(x) laufende Kosten l(x,u) laufene Kosten und Endkosten Transaktionskosten Zusammenfassung Ausblick Literaturverzeichnis 23 I

3 II INHALTSVERZEICHNIS

4 Abbildungsverzeichnis 2.1 Korrelation Bild Effizienz Kapitalmarktlinie Modellstruktur ein Zeitschritt Endkostenfunktion L(x) laufende Kosten Steuerung in Abhängigkeit von b laufende Kosten und Endkosten Transaktionskosten

5 2 ABBILDUNGSVERZEICHNIS

6 Kapitel 1 Einleitung In dieser Arbeit wird gezeigt, wie man ein optimales Portfolio, bestehend aus N risikobehafteten Anlagen, berechnet. Dabei wird zuerst die Einschritt-Optimierung beschrieben, die in der Literatur erstmals in den 60 er Jahren als Mean-Variance-Theorie auftauchte. Bevor darauf eingegangen werden kann, muss jedoch geklärt werden, aufgrund welcher Daten wir ein Modell erstellen und wie dieses aussieht. Für jede der N Aktien haben wir uns eine erwartete Rendite µ und ein Risiko σ berechnet. Ein naiver Ansatz berechet diese aus dem Erwartungswert der vergangen Renditen und deren Standardabweichung, was in [1] beschrieben wird. Kompliziertere Schätzverfahren können in dieser Arbeit nicht betrachtet werden. Die Verteilung unseres optimalen Portfolios auf die einzelnen Aktien wird mit den Variablen x i, (i = 1,..., N) beschrieben, die den Anteil der i-ten Aktie am Gesamtportfolio angibt. Ein Investor kann viele Ziele haben. In letzter Zeit hört man immer häufiger von Fonds, die in dividendenstarke Aktien anlegen. Deren Investmentziel ist die Maximierung der Dividendenrendite. Genauso sollte kein Investor das Kurs-Gewinn-Verhältnis (KGV) völlig außer Acht lassen. Ein sehr hohes KGV kann eine Übertreibung aufzeigen und deutet auf hohe Risiken hin. Ein niedriges KGV kann jedoch auf ein Nachholpotential einer Aktie hindeuten und somit zusätzliche Renditechancen versprechen. Investoren, die das KGV als Anlagegrund verwenden, wählen daher Titel mit minimalem KGV. Ein ständiges umschichten kann den Ertrag eines Portfolios aufgrund hoher Transaktionskosten negativ beeinflussen. Daher kann es das Ziel eines Anlegers sein, möglichst wenige Umschichtungen vornehmen zu müssen und ein längerfristig bestehendes Portfolio auszustellen. Er strebt also nach einem minimalen Depotumsatz. Alle diese Kriterien sind allerdings nur künstliche Entscheidungshilfen. Denn sämtliche Ziele eines Investor lassen sich durch zwei übergeordnete Ziele zusammenfassen: Er möchte so viel Ertrag wie möglich und dabei das geringst mögliche Risiko eingehen. 3

7 4 Kapitel 1: Einleitung Aus den letzten beiden Zielen wird nun ein mathematisches Modell erstellt. Die Maximierung der Ertrags bedeute eine Maximierung der erwarteten Rendite des Portfolios, d. h. N max E[x] = x T µ = x i µ i (1.1) Als Maß für das Risiko wird (analog zu Vorlesung [4]) die Standardabwichung σ oder - in diesem Fall - die Varianz des Porfolios herangezogen. Analog zu [1] lässt sich das Risiko eines Portfolios wie folgt modellieren: i=1 σ 2 = VAR[R P ] = E[(RP t µ P ) 2 ] = T t=1 = T t=1 = T (R P µ P ) 2 T P [ N x i (Ri t µ i)] 2 i=1 T N N t=1 i=1 j=1 = x T Σx (Ri x t µ i)(rj t µ j) i x T j wobei Σ die Kovarianzmatrix der Anlagerenditen R i ist. Die zum Risiko gehörende Zielfunktion lautet also: min x T Σx (1.2) Um die Modellierung zu vervollständigen, fehlen noch zwei Nebenbedingungen, die zum einen garantieren, dass das gesamte Kapital K angelegt wird, und zum zweiten darauf achten, dass keine Aktie leerverkauft (Definition in Vortrag von Matrin Schimalla) wird: N x i = 1 (1.3) i=1 0 x i 1 i {1,.., N} (1.4) Fassen wir die Grundüberlegungnen nochmals in einem Bicriteriellen Optimierungsproblem zusammen: Problem 1.1 max min s.t. z 1 (x) = N x i µ i i=1 z 2 (x) = N N x i = 1 i=1 i=1 j=1 N x i Σ ij x j maximiere Ertrag minimiere Risiko Kaptial wird voll investiert 0 x i 1 i {1,.., N} keine Leerverkäufe (P)

8 Kapitel 2 Ein-Schritt-Optimierung Im folgenden Kapitel wird versucht, obiges Problem statisch, d. h. ohne die Möglichkeit späterer Umschichtungen, zu lösen. Eine Orientierung dazu boten [2] und [3]. Zuerst wird dabei noch einmal näher auf den Begriff Risiko eines Portfolios eingegangen. Anschließend werden Kriterien für eine optimale Lösung des Problems gesucht. Da beide Zielfunktionen (1.1) und (1.2) stark konkurrieren, wird es so gut wie nie Portfolios geben, die beide Zielfunktionen optimieren. Diesem Problem widmet sich der zweite Abschnitt des Kapitels, in dem festgestellt wird, dass es im Allgemeinen unendlich viele optimale Portfolios gibt. Im letzten Abschnitt wird gezeigt, wie man aus diesen Portfolios mit Hilfe eines risikolosen Bonds und dessen Zinssatz r ein eindeutiges optimales Portfolio bekommt. 2.1 Risiko Wie oben beschrieben wird das Risiko mit x T Σx bewertet. Analog zur obigen Herleitung der Varianz des Portfolios kann man diese auch darstellen als: VAR[R P ] = N x 2 i VAR[R i ] + i=1 } {{ } Varianzanteil N x i COV[R i, R j ] x j i,j=1 i j } {{ } Kovarianzanteil Zusätzlich zur Summe der Risiken der einzelnen Anlagen kommen also noch stochastische Abhängigkeiten, die sich bei negativem Kovarianzwert günstig und bei positivem Kovarianzwert ungünstig im Sinne der Zielfunktion (1.2) auswirken. Will man das Risiko seines Portfolios senken, so fügt man ihm also eine Anlage hinzu, deren Kovarianzteil zu den bisherigen Anlagen des Portfolios negativ ist. Welche dieser Anlagen hinzugefügt wird, lässt sich jedoch nicht nur aufgrund der Kovarianz aussagen. Der Betrag der Kovarianz hängt nicht nur vom Gleich- oder Gegenlauf der Renditen ab, sondern auch von deren Größe. Aus einem 5

9 6 Kapitel 2: Ein-Schritt-Optimierung großen Kovarianzwert lässt sich daher nicht auf einen großer Gleichlauf schließen. Als Maß für die Abhängigkeit der Kursverläufe führen wir daher die Korrelation ρ ein: Definition 2.1 Der Korrelationskoeffizient ρ zweier Aktien berechnet sich durch ρ 12 = 1 T ( ) ( ) R t 1 µ 1 R t 2 µ 2 COV[R 1, R 2 ] = T σ 1 σ 2 VAR[R1 ] VAR[R 2 ] Wobei t=1 µ k = Erwartungswert der Aktie K (k = 1, 2) σ k = Risiko der Aktie K (k = 1, 2) R t k =Rendite der Aktie k (k = 1, 2) im Zeitschritt t Der Wert der Korrelation zweier Renditen liegt zwischen 1 (bei komplettem Gegenlauf der zwei Aktien) und +1 (bei komplettem Gleichlauf der Aktien). Daraus ergeben sich folgende drei Szenarien, deren ausführliche Herleitungen mit Beweisen in [2] stehen. 1. ρ 12 = 1 Im Falle maximaler negativer Korrelation ist eine risikolose Anlage bei x 1 = σ 2 σ 1 + σ 2 möglich. Ist x 1 größer diesem Wert, so ist das Portfolio im µ-σ-diagramm auf der Strecke von Anlagemöglichkeit 1 und der risikolosen Anlagekombination. Ist x 1 kleiner als im risikolosen Fall, so befindet sich das Portfolio im Diagramm auf der Strecke von Anlagemöglichkeit 2 und der risikolosen Möglichkeit. 2. ρ 12 = 1 Jedes Portfolio befindet sich auf der Strecke zwischen den beiden Anlagemöglichkeiten. Die zugehörige Geradengleichung lautet: ( ) ( ) ( ) σp σ2 σ1 σ = + x 2 1 µ 1 µ2 µ P µ 2 Bei maximaler positiver Korrelation lässt sich das Risiko der risikoärmsten Anlagemöglichkeit durch kein Portfolio unterbieten < ρ 12 < 1 In diesem Fall läßt sich das Risiko unter das der risikoärmsten Anlage senken, ein risikoloses Portfolio wie im ersten Fall ( ist jedoch ) nicht ( ) möglich. µ und σ der Portfolios µ1 µ2 liegt links der Verbindungsgerade von und im µ-σ-diagramm σ 1 σ 2

10 2.1. RISIKO 7 Die folgende Abbildung zeigt die drei Fälle im µ-σ-diagramm. Abbildung 2.1: µ-σ-diagramm bei zwei Anlagemöglichkeiten und unterschiedlichen Korrelationen Beispiel 2.2 Im Folgenden betrachten wir das Beispiel zweier Aktien, die vollständig negativ korreliert sind. So steigt die Aktie des Freibadbetreibers Schwimmbad aufgrund der erhöhten Besucherzahl bei schönem Wetter und fällt bei schlechtem Wetter wegen Besuchermangel. Gegenläufig verhält sich die Aktie eines Regenschirmherstellers, der sein Produkt nur bei schlechtem Wetter absetzt. Aufgrund dieser Situation konnte man in der Vergangenheit folgende Kursverläufe feststellen: t Schwimmbad Regenschirm t Schwimmbad Regenschirm ( ) Mit Hilfe der in [1] bschriebenen Methoden lässt sich aus den Kursen µ = und ( ) σ = bestimmen. Aufgrund der negativen Korrelation (ρ = 1) lässt sich mit der oben angegebenen Formel aus den zwei Aktien ein risikoloses Portfolio angeben: x 1 = σ 2 σ 1 + σ 2 =

11 8 Kapitel 2: Ein-Schritt-Optimierung Bei 1000e anzulegendes Kapital würde sich dann folgender Kursverlauf des Portfolios ergeben: t Portfolio t Portfolio Das Portfolio steigt also schwankungsfrei (bis auf Rundungsungenauigkeiten) in jedem Zeitschritt mit dem Faktor Bewertung von Portfolios Da die beiden Ziele - Maximierung des Ertrags und Minimierung des Risikos - meist miteinander konkurrieren, wird man im allgemeinen kein Portfolio finden, das beide Kriterien gleichzeitig optimal erfüllt. Daher müssen Kriterien gefunden werden, unter denen das Problem als gelöst angesehen wird, d. h. wann wir ein Portfolio als optimal - oder besser effizient - ansehen. Solange man ein Portfolio noch in eine Zielfunktionsrichtung verbesser kann, ohne dass sich der andere Zielfunktionswert verschlechtert, ist es sicher nicht effizient. Erst wenn keine Verbesserung einer der beiden Zielfunktionen mehr möglich ist ohne die zweie Zielfunktion zu verschlechtern, sind wir effizient. Aus [1] stammt dazu folgende Definition: Definition 2.3 Ein Portfolio P ist effizient, wenn die folgenden beiden Bedingungen zutreffen: Jedes andere Portfolio Q mit mindestens gleich großer erwarteter Rendite wie P (d. h. µ q µ p ) besitzt ein größeres Risiko als P (d. h. σ q > σ p ) Jedes andere Portfolio Q mit höchstens gleich großem Risiko (d. h. σ q σ p ) besitzt eine kleinere erwarteter Rendite als P (d. h. µ q < µ p ) Die zwei extremsten effizienten Portfolios sind dabei das ertragsmaximale und das risikominimale Portfolio (auch Minimum-Variance-Portfolio genannt). Eine höhere Rendite als die der renditestärksten Aktie kann dabei nicht erwartet werden. Löst man das Problem (P) nur mit der zweiten Zielfunktion, so bekommt man das Portfolio mit dem geringsten Risiko. Jedoch sind auch alle Portfolios auf der Effizienzlinie zwischen den beiden Extremwerten effizient.

12 2.3. OPTIMALE ANLAGESTRATEGIEN 9 Abbildung 2.2: µ-σ-diagramm bei N Anlagen: Jede Kombination im Regenschirm ist durch ein Portfolio erreichbar, doch nur Portfolios auf der Effizienzlinie sind effizient In der Abbildung sieht man, dass die möglichen Portfolios, die man aus N Anlagemöglichkeiten kombinieren kann, eine regenschirmartige Fläche im µ-σ-diagramm bilden. Auf der Effizienzlinie befinden sich dabei die effizienten Portfolios. 2.3 Optimale Anlagestrategien Ein Anleger kann allerdings nicht alle Portfolios auf der Effizienzlinie nachbilden, sondern muss sich für ein Portfolio entscheiden. Dies kann mit Hilfe einer Nutzenfunktion geschehen. Nutzenfunktionen sollten streng monoton wachsen - um ein Anwachsen des Vermögens zu belohnen - und konkav sein - um die Risikoaversion zu beschreiben. Üblicherweise benutzt man die logarithmische Nutzenfunktion U(K) = log(k) oder die quadratische Nutzenfunktion U(K) = K bk 2, wobei K das Kapital und b ein Parameter der Risikoaversion ist. Bei der quadratischen Funktion muss noch K 1 gefordert werden, damit nur der steigende Teil der Funktion betrachtet wird. 2b Da die Nutzentheorie schon im 1. Seminarvortrag behandelt wurde, wird hier nicht weiter darauf eingeganden. Für interessierte Leser werden die Ausführungen in [3] konkretisiert und fortgesetzt. Zur Bestimmung eines eindeutigen optimalen Portfolios kann jedoch auch eine risikoloser Bond hinzugezogen werden. Daher betrachten wir nun ein Portfolio Q bestehend aus dem risikobehafteten Portfolio P (mit erwarteter Rendite µ P und Risiko σ P ) und dem risikolosen Bond B mit Zinssatz r. Mit α wird der Anteil bezeichnet, den der Bond B am Gesamtportfolio Q hat. Aufgrund dieser Daten lässt sich die erwartete Rendite des Portfolios Q

13 10 Kapitel 2: Ein-Schritt-Optimierung berechnen: µ Q = αr + (1 α)e[r P ] = αr + (1 α)µ P = µ P + α(r µ P ) Da der Bond B kein Risiko hat, und daher sowohl VAR[r] = 0 und COV[r, ] = 0 gilt, lässt sich die Varianz von Q wie folgt berechnen: σq 2 = Var[αr + (1 α)r P ] = α 2 Var[r] + 2α(1 α)cov[r, R] + (1 α) 2 σp 2 = (1 α) 2 σp 2 µ Q und σ Q liegen also auf der folgenden Gerade: ( σq µ Q ) = ( σp µ P ) ( ) σp α µ P r (2.1) Hat sich ein Investor entschieden, welches Risiko σ Q er einzugehen bereit ist, so lässt sich α schreiben als: α(σ Q ) = 1 σ Q σ P Setzt man dies nun in die Renditegleichung ein, so erhält man µ Q = µ P + α(r µ P ) = µ P + (1 σ Q σ P )(r µ P ) = µ P + (r µ P ) σ Q σ P (r µ P ) = r + µ P r σ P σ Q Das optimale Portfolio P maximiert somit µ P r σ P. Der Anleger kann sich nun - je nach Risikoaversion - einen Punkt auf der sogenannten ( ) Kapitalmarktlinie ( ) aussuchen, die im µ-σ- 0 σp Diagramm auf der Verbindungsgeraden von und liegt. Kann der Anleger auch r µ P einen Kredit mit Zinssatz r aufnehmen (α (, 1]), so ist jeder Punkt auf der Halbgeraden im 1. Quadranten erreichbar.

14 2.4. PROBLEME UND KRITIK 11 Abbildung 2.3: Im optimalen Portfolio P tangiert die Kapitalmarktlinie die Effizienzlinie 2.4 Probleme und Kritik Das größte Problem wurde durch einen kurzen Verweis auf [1] schon in der Einleitung umgangen: Wie bekomme ich gute Schätzungen für µ und Σ. Die erste, häufigste und einfachste Herangehensweise ist die Betrachtung der Vergangenheit mit Hilfe von Zeitreihenanalysen. Man erwartet in Zukunft die gleichen Renditen und das gleiche Risiko, wie es in der Vergangenheit beobachtet wurde. Als alleinige Berechnungsgöße sollten vergangene Kurse jedoch nicht dienen, zumal man bei der hier besprochenen Theorie nicht umschichtet, sobald man merkt, dass man falsch gelegen hat. Eine Hinzunahme weiterer Kenngrößen wie das in der Einleitung erwähnte Kurs-Gewinn-Verhältnis kann Hinweise darauf geben, ob man sich beispielsweise in eine Spekulationsblase bewegt. Mit einem im Sektorvergleich überhöhten KGV kann, auch bei guten Vergangenheitsdaten, auf einen weniger steilen Kursverlauf geschlossen werden. Auch die Ableitungen der vergangenen Renditeverläufe µ σ und können zur Konkretisierung der Daten hinzugezogen werden. Auch eine Betrachtung der Zukunft durch das t t Verhalten der Kurse von Optionen und Futures kann zur Prognose der Renditen verwendet werden. In der dynamischen Portfoliooptimierung kann man zusätzlich dynamische Schätzer verwenden, die versuchen, die Dynamik der Größen nachzubilden. In den seltensten Fällen sind die Ergebnisse erkennbar besser als bei der naiven Zeitreihenanalyse, was man schon daran sieht, dass nur wenige aktiv gemanagte Fonds ihren Leitindex überbieten. Desweiteren ist es fraglich, ob die Renditen normalverteilt sind, wie beim oben besprochenen Modell angenommen wird. Es kann sein, dass es wenige große negative Einzelrenditen gibt (z. B. Crashs) und dafür viele kleine positive Einzelrenditen. Eine wichtige Eigenschaft der Normalverteilung - die Symmetrie - ist daher fraglich. Ein weiterer Kritikpunkt ist, dass die Kovarianzmatrix die ganze Zeit als konstant ange-

15 12 Kapitel 2: Ein-Schritt-Optimierung nommen wird. Leider ist es so, dass bei Crashs (d. h. in volatilen Märkten) Korrelationen zunehmen, also gerade dann, wenn Diversifikation helfen soll. Da man im oben beschriebenen Modell nicht umschichtet, kann man auf veränderte Begebenheiten nicht reagieren und gegensteuern. Diese Beschränkung wird im nächsten Kapitel aufgelöst und es wird versucht, eine optimale Steuerungsstrategie für das risikobehaftete Portfolio numerisch herzuleiten.

16 Kapitel 3 Dynamische-Portfolio-Optimierung Aufbauend auf der Vorlesung Stochastische Dynamische Optimierung [4] wird in diesem Kapitel versucht, eine optimale Steuerungsstrategie für das Portfolio bestehend aus zwei risikobehafteten Anlagemöglichkeiten zu finden. Dies geschieht mit Hilfe der in der Vorlesung vorgestellen numerischen Methoden. 3.1 Binomialmodell Zuerst muss das zeitdiskrete stochastische System modelliert werden. Dazu betrachten wir den Ansatz aus der Vorlesung. In jedem Zeitschritt steigt der Kurs der Aktie mit Wahrscheinlichkeit 1 um einen Faktor h > 1 und sinkt mit Wahrscheinlihkeit 1 um einen Faktor 2 2 l < 1. Falls der Erwartungswert µ und die Varianz σ 2 der stetigen Renditen vorliegt, lassen sich h und l mittels der Formel aus Aufgabe 1 des 2. Übungsblattes aus µ und σ berechnen. Gehen µ und σ aus diskreten Renditen hervor, so lautet die Formel h = µ + σ und l = µ σ. Allerdings haben wir bei zwei Aktien zwei voneinander abhängige Zufallsvariablen Zt i : Ω {h i, l i }(i = 1, 2). Die Wahrscheinlichkeiten P Z i t ({h i }) = P Z i t ({l i }) = 1 bleiben zwar 2 weiterhin unverändert, allerdings ist die Wahrscheinlichkeit für den Gleich- bzw. Gegenlauf der zwei Aktien unbekannt. Die Wahrscheinlichkeiten P Z 1 t Zt 2({h 1, h 2 }) und P Z 1 t Zt 2({l 1, l 2 }), die den Gleichlauf der zwei Aktien beschreiben, sind jeweils gleich. Selbiges gilt für die Wahrscheinlichkeiten eines Gegenlaufs der Aktie, d. h. P Z 1 t Zt 2({h1, l2}) = P Zt 1 ({l 1, h Z2 t 2 }). Mit Hilfe der bekannten Korrelation ρ 12 lässt sich die Wahrscheinlichkeit für einen Gleichlauf zweier Aktien wie folgt berechnen: 13

17 14 Kapitel 3: Dynamische-Portfolio-Optimierung ρ 12 = = COV[R 1,R 2 ] VAR[R1 ] VAR[R 2 ] E[(R 1 µ 1 )(R 2 µ 2 )] E[(R 1 µ 1 ) 2 ] E[(R 2 µ 2 ) 2 ] 4P (R 1 (ω i ) µ 1 )(R 2 (ω 4 ) µ 2 )P (ω i ) i=1 = s s 2P 2P (R 1 (ω i ) µ 1 )P (ω i ) (R 2 (ω i ) µ 2 )P (ω i ) i=1 i=1 = (h 1 µ 1 )(h 2 µ 2 )P (h 1 h 2 )+(h 1 µ 1 )(l 2 µ 2 )P (h 1 l 2 )+(l 1 µ 1 )(h 2 µ 2 )P (l 1 h 2 )+(l 1 µ 1 )(l 2 µ 2 )P (l 1 l 2 ) (h1 µ 1 ) (l 1 µ 1 ) 2 1 (h2 µ 2 2 ) (l 2 µ 2 ) (#) = [( h 1 l 1 )( h 2 l 2 )+( l 1 h )( l2 h 2 2 )]2P (h 1 h 2 )+[( h 1 l 1 )( l 2 h 2 )+( l 1 h 1 )( h 2 l 2 )](1 2P (h h 2 )) q q ( h 1 l 1 ) 2 2 +( l 1 h 1 ) 2 2 ( h 2 l 2 ) 2 2 +( l 2 h 2 ) = [(h 1 l 1 )(h 2 l 2 )+(l 1 h 1 )(l 2 h 2 )]2P (h 1 h 2 )+[(h 1 l 1 )(l 2 h 2 )+(l 1 h 1 )(h 2 l 2 )](1 2P (h 1 h 2 )) (h 1 l 1 ) 2 +(l 1 h 1 ) 2 (h 2 l 2 ) 2 +(l 2 h 2 ) 2 = [2(h 1h 2 h 1 l 2 l 1 h 2 +l 1 l 2 ) 2(h 1 l 2 h 1 h 2 l 1 l 2 +l 1 h 2 )]2P (h 1 h 2 )+2(h 1 l 2 h 1 h 2 l 1 l 2 +l 1 h 2 ) 2(h 1 l 1 )(h 2 l 2 ) = 4P (h 1h 2 )(h 1 h 2 h 1 l 2 l 1 h 2 +l 1 l 2 ) (h 1 h 2 h 1 l 2 l 1 h 2 +l 1 l 2 ) (h 1 h 2 h 1 l 2 l 1 h 2 +l 1 l 2 ) = 4p hh 1 wobei P (h 1 h 2 ) eine Abkürzung für P Z 1 t Z 2 t ({h 1, h 2 }) bezeichnet, und an der Stelle (#) verwendet wurde, dass µ i = h i+t i 2 P (h 1 h 2 ) + P (h 1 l 2 ) + P (l 1 h 2 ) + P (l 1 l 2 ) = 2P (h 1 h 2 ) + 2P (h 1 l 2 ) = 1 Somit sind die Wahrscheinlicheiten P Z 1 t Z 2 t ({h 1, h 2 }) = P Z 1 t Z 2 t ({l 1, l 2 }) = ρ und P Z 1 t Z 2 t ({h 1, l 2 }) = P Z 1 t Z 2 t ({l 1, h 2 }) = 1 2 ρ = 1 ρ 12 4

18 3.2. OPTIMALE STEUERUNG DES PORTFOLIOS 15 Abbildung 3.1: Aus zwei unabhängigen Binärbäumen wird durch hinzufügen der Korrelation ein Quartärbaum Mit Hilfe dieser Zufallszahlen definieren wir folgenden stochastischen Prozess: ( ) x 1 (z 1 u + z 2 (1 u)) f(x, u, z) = z 1 u z 1 u+z 2 (1 u) Hiebei ist x 1 das Gesamtkapital K x 2 der Anteil der ersten Anlage am Gesamtkapital u die Steuerung, die den Anteil der ersten Anlage am Gesamtkapital neu festlegt. ( ) z1 z = die oben beschriebene Zufallsvariable z Optimale Steuerung des Portfolios Um eine optimale Steuerung für das Portfolio berechnen zu können, muss man das folgende stochastische dynamische Optimierungsproblem lösen: Problem 3.1 Gegeben: stochastisches Kontrollsystem mit Lösung X t = X t (x 0, u) laufende Ertragsfunktion l : R n U R

19 16 Kapitel 3: Dynamische-Portfolio-Optimierung Diskontfaktor β (0, 1] End-Ertragsfunktion L : R n R Zeithorizont {0, 1,..., T } Das auf dem Zeithorizont zu lösende Optimierungsproblem lautet: maximiere J T (x 0, u) := E { T 1 } β t l(x t, u t ) + β T L(X T ) Die optimale Wertefunktion V T : R n R ist definiert durch t=0 V T (x 0 ) := sup u U x0 J T (x 0, u) Da das hier behandelte Problem auf endlichem Zeithorizont gelöst wird, kann der Diskontfaktor als β = 1 gewählt werden. Im folgenden wird durch Anpassen der Endkosten L(x) und der laufenden Kosten l(x, u) auf numerischen Weg eine optimale Steuerungsstrategie gesucht. Dabei wird die erste Steuerung mit der Effizienzkurve der statischen Portfoliooptimierung verglichen. Zuletzt wird durch Hinzufügen von Transaktionskosten realitätsnahe Steuerung betrieben. Beispiel 3.2 Die in den folgenden Kapitel getroffenen Schlussfolgerungen beziehen sich auf eine Auswertung eines Beispiels. Die Daten hierfür sind: h 1 = 1.3 l 1 = 0.9 h 2 = 1.1 l 1 = 0.95 ρ 12 = Damit ist die erste Anlage sowohl die risikoreichere als auch die ertragsreichere Anlage. Die Portfolios sind Effizient nach Definition 2.3 wenn der Anteil von x 2 mindestens 23,73% des Gesamtporfolios ausmacht. Im Punkt x 2 = 0.237, dem Min-Variance-Portfolio, beträgt die Rendite 4,28 %. Im ertragsmaximalen Portfolio (x 2 = 1) ist die erwartete Rendite 10%. Alle Portfolios mit x 2 [0.237, 1.0] sind in diesem Beispiel effizient. Im Folgenden wird versucht, durch Anpassen der Funktionen l(x, u) für die laufenden Kosten und L(x) für die Endkosten eine optimale Steuerung zu berechnen. Dabei werden unterschiedliche Ansätze vorgestellt und am Ende bewertet. Der Zeithorizont ist dabei stets T = 10 und der Diskontfaktor wird auf β = 1 gesetzt.

20 3.2. OPTIMALE STEUERUNG DES PORTFOLIOS Endkosten L(x) Ähnlich wie die Nutzenfunktion beim Ein-Schritt-Optimierungsverfahren und analog zur Vorlesung [4] stellt die Endkostenfunktion die Risikoaversion dar. Dazu sollte die Funktion, die das Endkaptial x 1 T bewertet streng monoton wachsend und konkav sein. Als Beispiel wurden hier L(x) = ln(x 1 ), L(x) = x 1 0.4x 2 1 und L(x) = 1 x 1 gewählt. Der Ansatz - das Risiko in den Endkosten zu bestrafen - ist durchaus sinnvoll, da die Risikoaversion stärker ins Gewicht fällt, je näher man dem Endzeitpunkt kommt. Dieser Ansatz entspricht auch den allgemeinen Ratschlägen zur Altervorsorge, bei denen auf lange Frist (30 Jahre) eine risikoreichere und erstragsversprechende Anlage empfohlen wird, während kurz vor Erreichen des Zielalters eine konservativere Anlagenmischung empfohlen wird. (a) L(x) = ln(x 1 ) (b) L(x) = x 1 0.4x 2 1 (c) L(x) = 1 x 1 Abbildung 3.2: Feeback mit l(x, u) = 0, Transaktionskosten = 0 und l 1 = 0.8 Da wir aktuell noch keine Transaktionskosten betrachten, hängt die optimale Steuerung nicht von x 2 ab. Daher ist das Feeback in den Bildern auch nur in Abhängigkeit von x 1 dargestellt. Unter den Beispieldaten mit l 1 = 0.9 wurde im Fall L(x) = ln(x 1 ) konstant mit u = 1.0 gesteuert. Man hat also keinen Unterschied zur Steuerung L(x) = x 1 - die immer voll in die ertragreichere Anlage investiert - gesehen. Mit l 1 = 0.8 wurde sowohl die Varianz der ersten Anlage weiter erhöht, als auch der Erwartungswert etwas abgesenkt. Diese Änderung bescherte die Gelegenheit, das Verhalten der Steuerung im Innern des Steuerbereichs U = [0, 1] bei unterschiedlichen Endkosten zu sehen. Dabei zeigen die Funktionen L(x) = ln(x 1 ) und L(x) = 1 x 1 ein ähnlich konstantes Verhalten. Sie schwanken im numerisch vernachlässigbaren Bereich um einen konstanten Wert. Wird beim Optimierer die Toleranz für numerische Fehler herabgesetzt, so wird auch die Amplitute der Schwankungen kleiner. Bei der quadratischen Endkostenfunktion hingegen sieht man eine - im Gesamtkapital - streng monoton fallende Steuerung. Wird L(x) = x 1 x 2 1 gewählt (wichtig: α 1, 2 hier: α = 0.4), so ist die Steuerung streng monoton fallend in x 1, d. h. je mehr Kapital zur

21 18 Kapitel 3: Dynamische-Portfolio-Optimierung Verfügung steht, desto weniger risikoreich wird gesteuert laufende Kosten l(x,u) In diesem Abschnitt wählen wir stets L(x) = x 1 und betrachten das Verhalten der optimalen Steuerung bei Hinzuname von laufenden Kosten. Um das Risiko über die Zeit hinweg gering zu halten, kann man mittels laufender Kosten einen Strafterm für das eingegangene Risiko ansetzten. Abhängig von einem Parameter b, der den Grad der Risikoaversion darstellt, kann man l(x, u) setzten als l(x, u) = b x 1 (u, 1 u ) ( ) u Σ 1 u Die Lösung durch Anwenden dieser Kosten ist eine von x unabhängige Steuerung. (3.1) Abbildung 3.3: Steuerung abhängig vom Gesamtkapital mit b = 10 Die Steuerung ist jedoch nicht linear im Faktor b. Bei obigem Beispiel 3.2 ist die optimale Steuerung in Abhängigkeit von b wie folgt: b Steuerung b Steuerung Die risikominimale Steuerung ist hier in der dynamischen Optimierung mit u = 0.23 genau wie x 1 im statischen Min-Variance-Portfolio. Grafisch sieht die Steuerung in Abhängigkeit 1 von b (in diesem Beispiel) einer + minimales Risiko - Funktion ähnlich. Diese Annahme x muss jedoch erst durch weitere Beispiele geprüft werden.

22 3.2. OPTIMALE STEUERUNG DES PORTFOLIOS 19 Abbildung 3.4: Steuerung abhängig vom Paramter b laufene Kosten und Endkosten Nun kombinieren wir die beiden Kostenfunktionen, indem wir l(x, u) 0 und L(x) x 1 setzen. Da die Steuerung mit l(x, u) = b x 1 (u, 1 u ) ( ) u Σ genau wie mit L(x) = 1 u ln(x 1 ) und L(x) = 1 bis auf numerische Fehler konstant in x x 1 ist, wäre zu erwarten, dass eine Kombination der beiden wieder eine konstante Steuerung ergibt. Dies ist jedoch nicht der Fall. In jedem der drei Fälle ist die Steuerung streng monoton fallend in x 1, d. h. je mehr Geld ein (a) L(x) = ln(x 1 ) (b) L(x) = x 1 0.4x 2 1 (c) L(x) = 1 x 1 Abbildung 3.5: Feeback mit l(x, u) = x 1 (u, 1 u ) ( ) u Σ, Transaktionskosten = 0 1 u Anleger zur Verfügung hat, umso weniger legt er in die risikoreiche Anlage an. Dabei kann man aber nur in den Fällen L(x) = ln(x 1 ) und L(x) = 1 x 1 sagen, dass auch das Risiko mit wachsendem Vermögen abnimmt. Bei der quadratischen Kostenfunktion L(x) = x 1 0.4x 2 1

23 20 Kapitel 3: Dynamische-Portfolio-Optimierung nimmt das Risiko ab einem gewissen Vermögen sogar wieder zu und die Steuerung wird ineffektiv Transaktionskosten Um eine realistische Steuerung zu berechnen, dürfen Transaktionskosten nicht außer Acht gelassen werden. Durch die Hinzunahme von Transaktionskosten wird erstmalig eine von x 2 - d. h. dem Verhältnis der beiden Aktien im Portfolio - abhängige Steuerung erwartet. Die Transaktionskosten werden hierbei als 1% des Umsatzes angenommen. Mathematisch gesehen verändert sich daher der stochastische Prozess in ( ) x 1 (z 1 u + z 2 (1 u)) 2 T K x 1 u x 2 f(x, u, z) = z 1 u z 1 u+z 2 (1 u) wobei T K der Kostenanteil am Umsatz einer Anlage ist. Dieser muss mit 2 multipliziert werden, da die Kosten sowohl beim Verkauf der einen wie auch beim Ankauf der anderen Anlage anfallen. Wir betrachten hier exemplarisch L(x) = ln(x 1 ), da die Beobachtungen mit anderen Endkosten nicht auf eine Abhängigkeit von der Endkostenfunktion hindeuten. In der (a) L(x) = ln(x 1 ) (b) L(x) = x 1 0.4x 2 1 (c) L(x) = 1 x 1 Abbildung 3.6: Feeback mit Transaktionskosten = 0.02x 1 u x 2 ersten Grafik sieht man deutlich, dass aus den konstanten Steuerungen aus bei l(x, u) = 0 durch Hinzufügen von Transaktionskosten eine abschnittsweise definierte Funktion wird. Sei u die Steuerung, die in ohne Berücksichtigung von Transaktionskosten berechnet wurde, und sei δ > 0 eine reelle Zahl, dann verläuft die optimale Steuerung u T K im System mit Transaktionskosten in etwa entlang folgender Funktion: u δ für x 2 < u δ u T K = x 2 für u δ x 2 u + δ u + δ für x 2 > u + δ

24 3.2. OPTIMALE STEUERUNG DES PORTFOLIOS 21 Auch die zweite Grafik (mit l(x, u) = x 1 (u, 1 u ) ( ) u Σ ) bestätigt diese Annahme, 1 u da die in dargestellte Steuerung hier von einem δ-schlauch zentriert umgeben wird. Die dritte Grafik zeigt diese Steuerung in allen drei Dimensionen Zusammenfassung In der obigen Ausführung wurden viele Kombinationsmöglichkeiten vorgestellt. Eine gute Möglichkeit, die statische Mean-Variance-Theorie nachzustellen, bietet dabei das Zielfunktional sup E u U x0 { T 1 t=0 b x 1 t (u ( ) } ) ut t, 1 u t Σ + x 1 T 1 u t das in vorgestellt wurde. Hier wäre es gut, eine Linearität von b herzustellen, indem man die Kosten durch einen Skalierungsfaktor ergänzt. Mit b = 0 risikolos und b = 1 stark risikobehaftet könnte man dann für jedes Problem einen Risikoaversionsgrad zwichen 0 und 1 wählen. Dafür muss jedoch beachtet werden, dass das Feedback nicht immer gleich von b abhängt, sondern die einzelnen Problemdaten mit eingehen müssen. Ein weiteres sinnvolles Zielfunktional, das aber nicht so gut vergleichbar mit der statischen Optimierung ist, ist sup u U x0 E {N(x T )} Hier stellt N eine konkave, streng monoton steigende Nutzenfunktion dar, wie sie schon in erwähnt wurden. Allerdings muss hierbei darauf geachtet werden, dass gerade bei längeren Zeiträumen das Risiko nicht zu schwach ins Gewicht fällt. Viele hier nicht vorgeführte Beispiele ergaben bei L(X) = ln(x) eine ertragsmaximierende Steuerung u = 1 als Optimalsteuerung. Außerdem sollte darauf geachtet werden, dass im Fall ohne Berücksichtigung von Transaktionskosten stets eine effiziente Steuerung gewählt wird. Dies wird z. B. von der quadratischen Nutzenfunktion nicht garantiert. Die Kombination der beiden Zielfunktionale, bei der man in den laufenden Kosten das Risiko und in den Endkosten eine Nutzenfunktion modelliert, ist schwerer zu bewerten. Durch ihre Abhängigkeit von x 1 ergibt sich das erste Problem, denn in den Beispielen wurde das Gesamtkapital, das mehrere tausend Euro betragen kann, auf das Intervall [0,1] skaliert. Die optimale Steuerung ist risikoreicher je weniger Geld ein Anleger zur Verfügung hat. Doch wie ordnet man einen bestimmten Betrag ein; was ist wenig Geld, was viel? Außerdem ist es fragwürdig, ob die Risikobereitschaft eines Anlegers automatisch von seinem Gesamtkapital abhängen soll. Viel besser wäre es, jeder könne seinen Grad der Risikoaversion komplett selbst bestimmen. Ein zweiter Punkt ist, dass man hier zwei Konzepte vermischt. Denn so-

Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung

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

Mehr

Teil II. Nichtlineare Optimierung

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

Mehr

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

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

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

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

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

34 5. FINANZMATHEMATIK

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

Mehr

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, SS 2008 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit

Mehr

Die Duration von Standard-Anleihen. - Berechnungsverfahren und Einflussgrößen -

Die Duration von Standard-Anleihen. - Berechnungsverfahren und Einflussgrößen - Die Duration von Standard-Anleihen - Berechnungsverfahren und Einflussgrößen - Gliederung Einleitendes Herleitung einer Berechnungsvorschrift Berechnungsvorschriften für Standardfälle Einflussgrößen und

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

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

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

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

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

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

Linearer Zusammenhang von Datenreihen

Linearer Zusammenhang von Datenreihen Linearer Zusammenhang von Datenreihen Vielen Problemen liegen (möglicherweise) lineare Zusammenhänge zugrunde: Mein Internetanbieter verlangt eine Grundgebühr und rechnet minutenweise ab Ich bestelle ein

Mehr

Portfolioselektionstheorie grafisch und intuitiv mit GeoGebra

Portfolioselektionstheorie grafisch und intuitiv mit GeoGebra Portfolioselektionstheorie grafisch und intuitiv mit GeoGebra LUCIA DEL CHICCA, MARKUS HOHENWARTER, LINZ In diesem Beitrag beschäftigen wir uns mit einem Optimierungsproblem aus der Finanzwelt: gegeben

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

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

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

Datenanalyse mit Python. Dr. Wolfram Schroers

Datenanalyse mit Python. Dr. Wolfram Schroers <Wolfram.Schroers - at - Field-theory.org> Datenanalyse mit Python Dr. Wolfram Schroers Problem Beobachtungen Modell (Annahmen, Vereinfachungen) Vorhersagen Vergleich Python: Stärken und Schwächen Anwendung:

Mehr

9. VTAD Frühjahrskonferenz. Frankfurt, 23. März 2013

9. VTAD Frühjahrskonferenz. Frankfurt, 23. März 2013 9. VTAD Frühjahrskonferenz Frankfurt, 23. März 2013 9. VTAD Frühjahrskonferenz Frankfurt, 23. März 2013 Portfoliomanagement für Privatanleger Ein Vorgehensmodell Benjamin Bruch Benjamin Bruch 26 Jahre,

Mehr

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

Irrfahrten. Und ihre Bedeutung in der Finanzmathematik

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

Mehr

Klausur Mikroökonomie I Diplom SS 06 Lösungen

Klausur Mikroökonomie I Diplom SS 06 Lösungen Universität Lüneburg Prüfer: Prof. Dr. Thomas Wein Fakultät II Prof. Dr. Joachim Wagner Institut für Volkswirtschaftslehre Datum: 17.7.2006 Klausur Mikroökonomie I Diplom SS 06 Lösungen 1. Eine neue Erfindung

Mehr

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 15 Mean-Variance-Ansatz Literatur Kapitel 15 * Uszczapowski: Kapitel 1 * Pliska: Kapitel 2.4 Der Mean Variance Ansatz im Ein-Perioden-Modell wird vorgestellt.

Mehr

Mit welcher Strategie hast Du am Glücksrad Erfolg?

Mit welcher Strategie hast Du am Glücksrad Erfolg? Mit welcher Strategie hast Du am Glücksrad Erfolg? Kinderuni, Workshop an der TU Wien 24. Juli 2009, 10:30 11:30 Uhr Univ.-Prof. Dr. Uwe Schmock Forschungsgruppe Finanz- und Versicherungsmathematik Institut

Mehr

Bewertung von Forwards, Futures und Optionen

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

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

DIE FILES DÜRFEN NUR FÜR DEN EIGENEN GEBRAUCH BENUTZT WERDEN. DAS COPYRIGHT LIEGT BEIM JEWEILIGEN AUTOR.

DIE FILES DÜRFEN NUR FÜR DEN EIGENEN GEBRAUCH BENUTZT WERDEN. DAS COPYRIGHT LIEGT BEIM JEWEILIGEN AUTOR. Weitere Files findest du auf www.semestra.ch/files DIE FILES DÜRFEN NUR FÜR DEN EIGENEN GEBRAUCH BENUTZT WERDEN. DAS COPYRIGHT LIEGT BEIM JEWEILIGEN AUTOR. Valuation Übung 4 Moderne Portfoliotheorie Gruppe

Mehr

Bearbeiten Sie alle sechs Aufgaben A1-A6 und eine der zwei Aufgaben B1-B2!

Bearbeiten Sie alle sechs Aufgaben A1-A6 und eine der zwei Aufgaben B1-B2! Bachelor-Kursprüfung International Finance Schwerpunktmodule Finanzmärkte und Außenwirtschaft 6 Kreditpunkte, Bearbeitungsdauer: 90 Minuten WS 2014/15, 04.02.2015 Prof. Dr. Lutz Arnold Bitte gut leserlich

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

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

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

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

Mehr

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

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

$ % + 0 sonst. " p für X =1 $

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

Mehr

Der Cost-Average Effekt

Der Cost-Average Effekt Der Cost-Average Effekt Einleitung Wie sollte ich mein Geld am besten investieren? Diese Frage ist von immerwährender Relevanz, und im Zuge des demographischen Wandels auch für Aspekte wie die private

Mehr

Was kosten Garantien?

Was kosten Garantien? Alternative Zinsgarantien in der Lebensversicherung, Köln, 1. Juni 2012 Was kosten Garantien? Prof. Dr. Ralf Korn Technische Universität Kaiserslautern, Fachbereich Mathematik EI-QFM und Fraunhofer ITWM

Mehr

Vorlesung. Informationsökonomik und die Theorie der Firma

Vorlesung. Informationsökonomik und die Theorie der Firma Vorlesung Informationsökonomik und die Theorie der Firma Ulrich Schwalbe Universität Hohenheim 5. Vorlesung 28.11.2007 Ulrich Schwalbe (Universität Hohenheim) Informationsökonomik 5. Vorlesung 28.11.2007

Mehr

Computational Intelligence und Data Mining

Computational Intelligence und Data Mining Computational Intelligence und Data Mining Portfoliooptimierung unter Nebenbedingungen Prof. Dr. Thomas Bartz-Beielstein thomas.bartz-beielstein@fh-koeln.de, Tel. 02261/8196-6391 Prof. Dr. Wolfgang Konen

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

Bearbeiten Sie alle sechs Aufgaben A1-A6 und eine der zwei Aufgaben B1-B2!

Bearbeiten Sie alle sechs Aufgaben A1-A6 und eine der zwei Aufgaben B1-B2! Bachelor-Kursprüfung International Finance Schwerpunktmodule Finanzmärkte und Außenwirtschaft 6 Kreditpunkte, Bearbeitungsdauer: 90 Minuten SS 2015, 22.07.2015 Prof. Dr. Lutz Arnold Bitte gut leserlich

Mehr

Finanzierung und Investition

Finanzierung und Investition Kruschwitz/Husmann (2012) Finanzierung und Investition 1/26 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München 7. Auflage, Kapitel 5 Kruschwitz/Husmann (2012) Finanzierung

Mehr

Systematik und ökonomische Relevanz traditioneller Performancemaße

Systematik und ökonomische Relevanz traditioneller Performancemaße Systematik und ökonomische Relevanz traditioneller Performancemaße Vortrag an der Universität Hamburg am 18. Juni 2001 PD Dr. Marco Wilkens IFBG der Georg-August-Universität Göttingen 1 Gliederung 1. Einleitung

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

[AEGIS COMPONENT SYSTEM]

[AEGIS COMPONENT SYSTEM] [AEGIS COMPONENT SYSTEM] Das AECOS-Programm ist ein schneller und einfacher Weg für Investoren, ein Portfolio zu entwickeln, das genau auf sie zugeschnitten ist. Hier sind einige allgemeine Hinweise, wie

Mehr

Vorbemerkungen zur Optionsscheinbewertung

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

Mehr

Fragenkatalog zur finanziellen Risikobereitschaft für. Angela Schmidt

Fragenkatalog zur finanziellen Risikobereitschaft für. Angela Schmidt Fragenkatalog zur finanziellen Risikobereitschaft für Angela Schmidt 1) Wie schätzen Sie Ihre finanzielle Risikobereitschaft im Vergleich zu anderen Menschen ein? 1. Extrem niedrige Risikobereitschaft.

Mehr

Numerische Mathematik I 4. Nichtlineare Gleichungen und Gleichungssysteme 4.1 Wo treten nichtlineare Gleichungen auf?

Numerische Mathematik I 4. Nichtlineare Gleichungen und Gleichungssysteme 4.1 Wo treten nichtlineare Gleichungen auf? Numerische Mathematik I 4. Nichtlineare Gleichungen und Gleichungssysteme 4.1 Wo treten nichtlineare Gleichungen auf? Andreas Rieder UNIVERSITÄT KARLSRUHE (TH) Institut für Wissenschaftliches Rechnen und

Mehr

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei

Mehr

Professionell handeln mit. CFDs. Instrumente und Strategien für das Trading. FinanzBuch Verlag

Professionell handeln mit. CFDs. Instrumente und Strategien für das Trading. FinanzBuch Verlag Professionell handeln mit CFDs Instrumente und Strategien für das Trading FinanzBuch Verlag Inhaltsverzeichnis Vorwort... 9 Grundlagen und Allgemeines zu CFDs... 13 Der CFD-Handel im Überblick... 13 Historie

Mehr

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

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

Mehr

Innovation zweite Säule

Innovation zweite Säule Innovation zweite Säule BVG - Apéro Wertschwankungsreserven und Anlagestrategie Wie sollen sich Pensionskassen verhalten? Dr. Alfred Bühler, Partner PPCmetrics AG Zürich, 6. Oktober 2008 Chancen und Risiken

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

Bericht zur Prüfung im Oktober 2004 über Finanzmathematik (Grundwissen)

Bericht zur Prüfung im Oktober 2004 über Finanzmathematik (Grundwissen) Bericht zur Prüfung im Oktober 2004 über Finanzmathematik (Grundwissen) Peter Albrecht (Mannheim) Die Prüfung des Jahres 2004 im Bereich Finanzmathematik (Grundwissen) wurde am 09. Oktober 2004 mit diesmal

Mehr

Umsetzung von DEA in Excel

Umsetzung von DEA in Excel Umsetzung von DEA in Excel Thorsten Poddig Armin Varmaz 30. November 2005 1 Vorbemerkungen In diesem Dokument, das als Begleitmaterial zum in der Zeitschrift,,Controlling, Heft 10, 2005 veröffentlichten

Mehr

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

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

Mehr

Prüfung: Vorlesung Finanzierungstheorie und Wertpapiermanagement

Prüfung: Vorlesung Finanzierungstheorie und Wertpapiermanagement Prüfung: Vorlesung Finanzierungstheorie und Wertpapiermanagement Die Prüfung zur Vorlesung Finanzierungstheorie und Wertpapiermanagement umfasst 20 Multiple Choice Fragen, wofür insgesamt 90 Minuten zur

Mehr

Einfache Statistiken in Excel

Einfache Statistiken in Excel Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum

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

DSW-IVA-Studie zur privaten Altersvorsorge: Mit Sicherheit zu wenig

DSW-IVA-Studie zur privaten Altersvorsorge: Mit Sicherheit zu wenig Achtung: Sperrfrist 18.2.2010, 11.00 Uhr DSW-IVA-Studie zur privaten Altersvorsorge: Mit Sicherheit zu wenig Es gilt das gesprochene Wort (Redetext zur Folienpräsentation: Dr. Andreas Beck) (Folie 1):

Mehr

ALM in der betrieblichen Altersversorgung

ALM in der betrieblichen Altersversorgung ALM in der betrieblichen Altersversorgung Projekte AP2 KP 2. staatlicher schwedischer Rentenfond Rentenversicherung für genossenschaftliche Betriebe 1 Ziel des ALM Finde (statische) Handelsstrategie, um

Mehr

Grundlagen der Volkswirtschaftslehre Übungsblatt 11

Grundlagen der Volkswirtschaftslehre Übungsblatt 11 Grundlagen der Volkswirtschaftslehre Übungsblatt 11 Robert Poppe robert.poppe@uni-mannheim.de Universität Mannheim 25. November 2010 Überblick 1 Produktion und Wachstum 2 Kreditmarkt 3 Risikoeinstellung

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

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

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

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

Die Black-Scholes-Gleichung

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

Mehr

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik Probeklausur März 2014 Teil-1-Aufgaben Beurteilung Jede Aufgabe in Teil 1 wird mit 0 oder 1 Punkt bewertet, jede Teilaufgabe in

Mehr

Moritz Adelmeyer Elke Warmuth. Finanzmathematik für Einsteiger

Moritz Adelmeyer Elke Warmuth. Finanzmathematik für Einsteiger Moritz Adelmeyer Elke Warmuth Finanzmathematik für Einsteiger Aus dem Programm Mathematik für Einsteiger Algebra für Einsteiger von Jörg Bewersdorff Aigorithmik für Einsteiger von Armin P. Barth Diskrete

Mehr

Das St. Petersburg Paradox

Das St. Petersburg Paradox Das St. Petersburg Paradox Johannes Dewender 28. Juni 2006 Inhaltsverzeichnis 1 Das Spiel 2 2 Das Paradox 3 3 Lösungsvorschläge 4 3.1 Erwartungsnutzen............................... 4 3.2 Risikoaversion..................................

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

Die zufällige Irrfahrt einer Aktie

Die zufällige Irrfahrt einer Aktie Die zufällige Irrfahrt einer Aktie Teilnehmer: Daniela Garske (Herder-Oberschule) Joseph Jung (Pamina-Schulzentrum Herxheim) Martin Laudien (Herder-Oberschule) Kaina Schäfer (Herder-Oberschule) Anja Seegert

Mehr

Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler

Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Wintersemester 2005/06 20.2.2006 Prof. Dr. Jörg Rambau Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Bitte lesbar ausfüllen, Zutreffendes ankreuzen Herr Frau Name, Vorname:

Mehr

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik

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

Mehr

16 Risiko und Versicherungsmärkte

16 Risiko und Versicherungsmärkte 16 Risiko und Versicherungsmärkte Entscheidungen bei Unsicherheit sind Entscheidungen, die mehrere mögliche Auswirkungen haben. Kauf eines Lotterieloses Kauf einer Aktie Mitnahme eines Regenschirms Abschluss

Mehr

Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Finanzierung. Klausur "Finanzmanagement" 14. März 2002

Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Finanzierung. Klausur Finanzmanagement 14. März 2002 1 Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Finanzierung Klausur "Finanzmanagement" 14. März 2002 Bearbeitungshinweise: - Die Gesamtbearbeitungsdauer beträgt 60 Minuten. - Schildern Sie ihren

Mehr

Unsere Anlagelösungen. Individuelle und preiswerte Angebote für Ihren Vermögensaufbau

Unsere Anlagelösungen. Individuelle und preiswerte Angebote für Ihren Vermögensaufbau Unsere Anlagelösungen Individuelle und preiswerte Angebote für Ihren Vermögensaufbau Wir begleiten Sie zu Ihren Anlagezielen. Mit passenden Lösungen, preiswerten Dienstleistungen und fundierter Beratung

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

Portfoliotheorie. Von Sebastian Harder

Portfoliotheorie. Von Sebastian Harder Portfoliotheorie Von Sebastian Harder Inhalt - Begriffserläuterung - Allgemeines zur Portfoliotheorie - Volatilität - Diversifikation - Kovarianz - Betafaktor - Korrelationskoeffizient - Betafaktor und

Mehr

Quantitative BWL 2. Teil: Finanzwirtschaft

Quantitative BWL 2. Teil: Finanzwirtschaft Quantitative BWL 2. Teil: Finanzwirtschaft Mag. Tomáš Sedliačik Lehrstuhl für Finanzdienstleistungen Universität Wien 1 Themenübersicht 1. Portfoliotheorie und Portfoliomodelle i. Grundbegriffe: Rendite,

Mehr

Unsere Anlagelösungen. Individuelle und preiswerte Angebote für Ihren Vermögensaufbau

Unsere Anlagelösungen. Individuelle und preiswerte Angebote für Ihren Vermögensaufbau Unsere Anlagelösungen Individuelle und preiswerte Angebote für Ihren Vermögensaufbau Wir begleiten Sie zu Ihren Anlagezielen. Mit passenden Lösungen, preiswerten Dienstleistungen und fundierter Beratung

Mehr

Amerikanischen Optionen

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

Mehr

I-CPPI Premium-Qualität durch die richtige Balance zwischen Renditechancen und Sicherheit

I-CPPI Premium-Qualität durch die richtige Balance zwischen Renditechancen und Sicherheit I-CPPI Premium-Qualität durch die richtige Balance zwischen Renditechancen und Sicherheit *Die DWS/DB Gruppe ist nach verwaltetem Fondsvermögen der größte deutsche Anbieter von Publikumsfonds. Quelle:

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

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Francesca BIAGINI, München, Daniel ROST, München Money out of nothing? - Prinziien und Grundlagen der Finanzmathematik Die Finanzmathematik hat als jüngste mathematische Diszilin in den letzten 15 Jahren

Mehr

Vergleich verschiedener Optimierungsansätze

Vergleich verschiedener Optimierungsansätze Vergleich verschiedener Optimierungsansätze Inhaltsverzeichnis 1 Einleitung... 2 2 Welchen Nutzen schafft munio?... 3 3 Analysen... 3 3.1 Schritt 1: Optimierung anhand von Indizes... 3 3.2 Schritt 2: Manuell

Mehr

Aufgabenblatt 4: Der Trade-off zwischen Bankenwettbewerb und Bankenstabilität

Aufgabenblatt 4: Der Trade-off zwischen Bankenwettbewerb und Bankenstabilität Aufgabenblatt 4: Der Trade-off zwischen Bankenwettbewerb und Bankenstabilität Prof. Dr. Isabel Schnabel The Economics of Banking Johannes Gutenberg-Universität Mainz Wintersemester 2009/2010 1 Aufgabe

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

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013

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

Mehr

17. Penalty- und Barriere-Methoden

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

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

Name: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A

Name: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A Name: Klasse: Datum: Teil B Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A 1. Gegeben ist die Exponentialfunktion y=f x = 0,5 x ; x R. (9P) a) Geben Sie die folgenden Eigenschaften dieser Funktion an! Wertebereich,

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

Das Privatkundengeschäft der Zukunft

Das Privatkundengeschäft der Zukunft Fakultät für Betriebswirtschaft Munich School of Management Das Privatkundengeschäft der Zukunft Aktuelle Forschungsergebnisse Einflüsse der Regulierung Handlungsimplikationen Fakultätstag 16. November

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

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

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