Risikotheorie und -management

Größe: px
Ab Seite anzeigen:

Download "Risikotheorie und -management"

Transkript

1 Risikotheorie und -management Pichtfach Masterstudium der Finanz- und Versicherungsmathematik 3. Semester Erstellt nach der Vorlesung von Eranda Dragoti-Çela im Wintersemester 2009 Institut für Optimierung und Diskrete Mathematik Technische Universität Graz

2 Inhaltsverzeichnis 1 Risiko und Risikomanagement: Hintergrund und Ziele 5 2 Ermittlung der Gewinn-Verlust-Funktion Verlustoperatoren Der allgemeine Fall Finanzderivate Risikomaÿe Einige grundlegende Risikomaÿe Risikomaÿe basierend auf der Verlustverteilung Die Standardabweichung stdl := σ 2 F L Value at Risk V ar α L Conditional Value at Risk CV ar α L - oder Expected Shortfall ES Methoden zur Berechnung von VaR und CVaR Der empirische VaR bzw. CVaR Ein nicht-parametrisches Bootstrapping Verfahren zur Ermittlung von Kondenzintervallen der Schätzer Zusammenfassung des nicht-parametrischen Bootstrapping-Verfahrens zur Berechnung von Kondenzintervallen Eine approximative Lösung ohne Bootstrapping Historische Simulation Varianz-Kovarianz Methode Monte-Carlo Verfahren Extremwerttheorie Klassische Extremwerttheorie Grenzverteilungen von normierten und zentrierten Summen Grenzverteilungen von normierten und zentrierten Maxima Graphische Methoden zur Untersuchung des Verteilungsrandes Der Hill Schätzer Die POT Methode Peaks over Threshold Schätzer für den Tail und das Quantil der Exzess-Verteilung Wie wird eine hohe Schwelle u gewählt? Die empirische durchschnittliche Exzess-Funktion Schätzung der Parameter γ und β

3 5 Multivariate Verteilungen Grundlegende Eigenschaften von Zufallsvektoren Probleme bei der Modellierung der Abhängigkeit zwischen Finanzgröÿen mit Hilfe der multivariaten Normalverteilung Abhängigkeitsmaÿe Lineare Korrelation Rangkorrelation Tail-Abhängigkeit Multivariate elliptische Verteilungen Die multivariate Normalverteilung Varianz-gemischte Normalverteilungen Sphärische Verteilungen Elliptische Verteilungen Koherente Risikomaÿe Konvexe Risikomaÿe Elliptische Verteilungen und Portfoliooptimierung Einführung in Copulas Grundlegende Eigenschaften Co-Monotonie und Anti-Monotonie Kendall's Tau und Spearman's Rho Tail-Abhängigkeit Elliptische Copulas Weitere Eigenschaften von Copulas Archimedische Copulas Bivariate Archimedische Copulas Multivariate Archimedische Copulas Vorteile und Nachteile Archimedischer Copulas Simulation Archimedischer Copulas Simulation von Gauss'schen Copulas und t-copulas Simulation von Gumbel und Clayton Copulas Schätzung von Copulas Die Schätzer ˆθ für CR Ga, ν,r, CCl θ und Cθ Gu Schätzung von Gauss'schen Copulas und t-copulas Die wichtigsten Familien von Copulas im Überblick Kreditrisiko Modelle Ein einfaches Modell Modelle mit latenten Variablen Das univariate KMV Modell siehe auch Das multivariate KMV Modell: Berechnung von multivariaten Default Wahrscheinlichkeiten Credit Metrics CreditRisk + - Ein Poisson Mixture Modell Monte Carlo Methoden im Kreditrisiko-Management Grundlagen von Importance Sampling

4 7.2.2 Exponential tilting: Bestimmung der IS-Dichte für light tailed Variablen IS im Falle von Wahrscheinlichkeitsmaÿen

5 Kapitel 1 Risiko und Risikomanagement: Hintergrund und Ziele Begrisherkunft: Risicare: Gefahr laufen, wagen Resecum: Felsklippe Risiko: die aus der Unvorhersagbarkeit der Zukunft resultierende Möglichkeit eines Abweichens von Unternehmens-Zielen. Risikomanagement: Systematisches, aktives, zukunfts- und zielorientiertes Denken und Handeln im Umgang mit unternehmerischen Risiken. Gegenstand des RM: Sowohl Einzelrisiken als auch das Gesamtrisiko der Unternehmung Berücksichtigung von Risikointerdependenzen Integration des RM in die Unternehmenssteuerung Zentrale Fragen des strategischen RM: Welche sind die strategischen Risiken? Welche Risiken soll das Unternehmen selbst tragen? Welcher Instrumentemix sollen zur Steuerung der Risiken zum Einsatz kommen? Welches Risikodeckungspotential ist erforderlich? Welcher risikoadjustierte Erfolgsmaÿstab dient als Zielgröÿe der Unternehmenssteuerung? Beispiel Anfangskapital V 0 = 100. Spiel: man verliert oder gewinnt 50 mit einer Wahrscheinlichkeit von jeweils 1/2. { 150 mit Wahrsch. 1/2 Kapital nach dem Spiel V 1 = 50 mit Wahrsch. 1/2 5

6 Sei X := V 1 V 0 der Gewinn/Verlust. Die Verteilungsfunktion der Zufallsvariable X heiÿt Gewinn/Verlust Verteilung GVV. Die Verteilungsfunktion von L := V 0 V 1 heiÿt Verlustverteilung. L 0 Risiko! Viele Leute hätten lieber keinen Gewinn und keinen Verlust mit Sicherheit, als entweder Gewinn oder Verlust von 50 Einheiten mit Wahrscheinlichkeit von jeweils 1/2 Risikoaversion! Die Entscheidung, ob gespielt wird oder nicht, hängt von der Verlustverteilung ab. Diese ist aber in der Regel unbekannt! Denition Ein Risikomaÿ ρ ist eine Abbildung der Zufallsvariablen in die reellen Zahlen, die jeder Zufallsvariable L eine reelle Zahl ρl R zuordnet. Beispiel Mögliche Risikomaÿe sind: Standardabweichung Nachteil: symmetrisch; bestraft Verluste wie Gewinne gleichermaÿen Quantil der Verlustverteilung z.b. VaR, CVaR. Nachteil: i.a. keine konvexen Funktionen Warum Risikomanagement? Das Volumen des risikoreichen Handels im Globalen Markt steigt kontinuierlich: Global OTC Derivatives: Nominalwert in Trillionen von USD 1 Kontrakte interest rate derivatives ,3 285,7 213,2 164,5 142,3 99,8 credit default swaps 38,6 62,2 34,4 17,1 5,44 3,78 2,15 equity derivatives 8,7 10 7,2 5,6 4,2 3,4 2,5 Beispiele groÿer Verluste in den Finanzmärkten 2 Orange County 1994 Barings Bank 1995 LTCM 1998 Bankgesellschaft Berlin 2001 BAWAG 2006 Fannie May and Freddie Mac 2008 Lehman Brothers 2008 Hypo Real Estate 2008 Risikotypen: Für eine Organisation entsteht Risiko durch Ereignisse oder Handlungen, welche die Organisation daran hindern könnten ihre Verpichtungen zu erfüllen bzw. ihre Strategien durchzuführen. 1 Quelle: ISDA - International Swaps and Derivatives Association, Inc. 2 siehe zb. 6

7 Finanzielles Risiko: Marktrisiko Kreditrisiko Operationelles Risiko Liquiditätsrisiko, Rechtliches Risiko, Rufschädigungsrisiko Es wird versucht diese Risiken möglichst genau abzuschätzen; dazu wird idealerweise die GVV verwendet. Regulierung und Aufsicht: Gründung des Basler Ausschusses für Bankenaufsicht in Sicherheitskapital abhängig von der GVV. Basler Ausschuss: Vorschläge und Richtlinien über Anforderungen und Methoden zur Berechnung des Sicherheitskapitals. International akzeptierte Standards für die Berechnung des Volumens des Sicherheitskapitals, sowie darauf basierende gesetzliche Bestimmungen werden angestrebt. Kontrolle durch die Aufsichtsbehörde Basel I: Internationale Mindestkapitalanforderungen insbesondere bzgl. Kreditrisiko Novelle formuliert standardisierte Modelle für Marktrisiko mit einer Option für gröÿere Banken zur Verwendung von Value at Risk VaR Modellen Basel II: Mindestkapitalanforderungen bzgl. Kredit- und Marktrisiko sowie bzgl. operationelle Risiken, aufsichtliche Überprüfungsverfahren, Marktdisziplin ? BASEL III - Verbesserung und Weiterentwicklung von BASEL II im Hinblick auf die Umsetzbarkeit und operationelles Risiko. 3 Siehe 7

8 Kapitel 2 Ermittlung der Gewinn-Verlust-Funktion 2.1 Verlustoperatoren V t... Wert des PF zum Zeitpunkt t. t... Zeithorizont. Verlust: L [t,t+ t] := V t + t V t. Diskretisierung der Zeit: t n = n t, n = 0, 1, 2,... wobei V n = V n t. Beispiel Ein Aktienportfolio: L n+1 := L [tn,t n+1 ] = L [n t,n+1 t] = V n+1 V n Das Portfolio besteht aus α i Stück von Aktie A i, i = 1, 2,..., d. S n,i... Preis von Aktie A i zum Zeitpunkt t n. V n = d α i S n,i X n+1,i := ln S n+1,i ln S n,i Z n,i := ln S n,i Seien w n,i := α i S n,i /V n, i = 1, 2,..., d, die relativen Portfoliogewichte. 8

9 Es gilt: d L n+1 := V n+1 V n = α i S n+1,i = = d α i S n,i d α i expz n+1,i expz n,i = d α i S n,i [expz n+1,i Z n,i 1] = d d = V n w n,i [expx n+1,i 1] =: l n X n+1 [ ] expzn+1,i α i expz n,i 1 expz n,i d α i S n,i [expx n+1,i 1] Mit e x = 1 + x + ox x für x 1 erhält man die Linearisierung L n+1 = V n d w n,i X n+1,i =: ln X n Der allgemeine Fall V n = ft n, Z n ; Z n = Z n,1,..., Z n,d ist ein Vektor von Risikofaktoren. Veränderungen der Risikofaktoren: X n+1 = Z n+1 Z n L n+1 = ft n+1, Z n + X n+1 ft n, Z n =: l n X n+1 wobei l n x := ft n+1, Z n + x ft n, Z n der Verlustoperator ist. Der linearisierter Verlust ist dann L n+1 = f t t n, Z n t + d f zi t n, Z n X n+1,i wobei f t und f zi die partiellen Ableitungen von f sind. Damit ergibt sich der linearisierte Verlustoperator d ln x = f t t n, Z n t + f zi t n, Z n x i. 2.3 Finanzderivate... sind Finanzprodukte oder Kontrakte, die aus einem fundamentalen Basiswert zb. Aktienpreis, Aktienindex, Zinssatz, Rohstopreis abgeleitet werden. 9

10 Denition Eine Europäische Call Option ECO auf eine bestimmte Aktie S gibt dem Besitzer das Recht, aber nicht die Picht, die Aktie S an einem Tag T um einen Preis K zu kaufen. Die Option wird um einen bestimmten Preis am Tag 0 erworben. Der Wert der ECO zum Zeitpunkt t ist Ct = max{st K, 0}, wobei St der Preis der Aktie S zum Zeitpunkt t ist. Denition Eine Nullkuponanleihe mit Laufzeit T ist ein Kontrakt, der dem Besitzer eine Währungseinheit zum Zeitpunkt T bringt. Denition Ein Währungs-Forward ist ein Kontrakt zwischen zwei Parteien, der dem Käufer das Recht einräumt, eine bestimmte Menge V einer fremden Währung zu einem bestimmten Zeitpunkt T und zu einem bestimmten Wechselkurs ē vom Verkäufer zu erwerben. Beispiel Ein Anleihen-Portfolio: Sei Bt, T der Preis der Nullkuponanleihe zum Zeitpunkt t < T. Die kontinuierliche Rendite yield - yt, T = 1 T t ln Bt, T - wird interpretiert als der kontinuierliche Zinssatz, der zum Zeitpunkt t für den gesamtem Zeitraum [t, T ] vereinbart wurde. Für unterschiedliche Laufzeiten gibt es unterschiedliche Renditen. Die Renditenkurve yield curve zum xen Zeitpunkt t ist T yt, T. Das Portfolio besteht aus α i Stück der Nullkuponanleihe i mit Laufzeit T i und Preis Bt, T i, i = 1, 2,..., d. Der Wert des Portfolios ist V n = d α i Bt n, T i = d α i exp{ T i t n Z n,i } = ft n, Z n, wobei Z n,i := yt n, T i die Risikofaktoren sind. Sei X n+1,i = Z n+1,i Z n,i die Veränderung der Risikofaktoren, dann gilt: l [n] x = L n+1 = d α i Bt n, T i exp{z n,i t T i t n+1 x i } 1 d α i Bt n, T i Z n,i t T i t n+1 X n+1,i. Beispiel Ein Währungs-Forward-Portfolio: Die Partei, die die fremde Währung kauft, hält eine Long Position. Die Partei, die verkauft, hält eine Short Position. Eine Long Position über V Einheiten in einem Währungs-Forward entspricht einer Long Position über V Einheiten in einer fremden Nullkoponanleihe NCA und einer Short Position über ē V Einheiten in einer einheimischen Nullkuponanleihe. 10

11 Es wird folgende Annahme getroen: Der Euro-Investor hält eine Long Position in einem USD/EUR Forward über V USD. Sei B f t, T B d t, T der Preis einer USD- EUR-basierten NCA und et der Kassawechselkurs spot exchange rate für USD/EUR. Der Wert der Long Position des Währungs-Forwards zum Zeitpunkt T ist V T = V et ē. Die Short Position in der einheimischen NCA kann wie im Beispiel behandelt werden. Die Long Position in der fremden NCA: Risikofaktoren: Z n = ln et n, y f t n, T, wobei y f t n, T = 1 T t n ln B f t n, T. Wert der Long Position: V n = V exp{z n,1 T t n Z n,2 } = V exp{ln et n T t n 1 ln B f t n, T } T t n = V exp{ln et n + ln B f t n, T } = V exp{lnet n B f t n, T } = V et n B f t n, T. Der linearisierte Verlust: L n+1 = V nz n,2 t + X n+1,1 T t n X n+1,2 Beispiel Europäische Call Option ECO auf eine Aktie S mit Laufzeit T und Ausübungspreis Strikepreis K: Der Wert der Call Option zum Zeitpunkt T ist max{s T K, 0}. Der Preis der ECO zum Zeitpunkt t < T ist C = Ct, S, r, σ Black-Scholes Modell, wobei t die Zeit, S der Preis der Aktie zum Zeitpunkt t, r der Zinssatz und σ die Volatilität ist. Die Risikofaktoren sind: Der Wert des Porftolios ist und der linearisierte Verlust ist Z n = ln S n, r n, σ n X n+1 = ln S n+1 ln S n, r n+1 r n, σ n+1 σ n. V n = Ct n, S n, r n, σ n = f t n, expz n,1, Z n,2, Z n,3 L n+1 = C t t + C S S n X n+1,1 + C r X n+1,2 + C σ X n+1,3 mit den Greeks C t Theta, C S Delta, C r Rho und C σ Vega. 11

12 Kapitel 3 Risikomaÿe Verwendungszweck von Risikomanagement: Bestimmung der Mindestkapitalanforderungen: Kapital, das benötigt wird, um event. Verluste abzudecken. Als Management Tool: zur Bestimmung der Risiken, die unterschiedliche Einheiten einer Firma eingehen dürfen. 3.1 Einige grundlegende Risikomaÿe Gewichtete Summe der Aktiva Assetklassenspezische Gewichte ZB. Basel I 1998: Eigenkapital Cooke Ratio = risikogewichtete Summe der Aktiva 8% 0% für Forderungen gegenüber staatlichen Schuldnern OECD-Staaten 20% für Forderungen gegenüber Kreditinstituten Gewicht := 50% für grundpfandrechtlich gesicherte Realkredite 100% für alle sonstigen Risikoaktiva, d.h. alle Kredite an Unternehmen Nachteile: Kein Unterschied zwischen Long und Short Positionen, berücksichtigt keine Diversikationseekte. Sensitivität gegenüber Risikofaktoren Der Portfoliowert zum Zeitpunkt t n ist V n = ft n, Z n, wobei Z n ein Vektor von d Risikofaktoren ist. Die Sensitivitätskoezienten sind f zi = δf δz i t n, Z n, 1 i d, z.b.: The Greeks eines Portfolios. Nachteile: Aggregierung zum Risikomaÿ bei simultanen Veränderungen von mehreren Faktoren schwierig; bei mehreren Märkten ist die Aggregierung zum Risikomaÿ für das Gesamtportfolio schwierig. Szenario basierte Risikomaÿe Sei N die Anzahl möglicher Veränderungen der Risikofaktoren = Szenarien, X i der Vektor der Risikofaktorveränderungen, wenn Szenario i, 1 i N, eintritt. 12

13 χ = {X 1, X 2,..., X N } sei die Menge der Szenarien und l [n] der Verlustoperator des Portfolios. Jedem Szenario wird ein Gewicht w i, 1 i N, zugeordnet. Das Portfoliorisiko ist dann Ψ[χ, w] = max{w 1 l [n] X 1, w 2 l [n] X 2,..., w N l [n] X N } Beispiel SPAN Regeln verwendet von CME siehe Artzner et al., 1999: Das Portfolio besteht aus mehreren Einheiten eines Future-Kontrakts und mehreren Put bzw. Call Optionen desselben Kontrakts mit gleicher Laufzeit. Berechnung der SPAN Marge: Szenarien i, 1 i 14: Szenarien 1 bis 8 Szenarien 9 bis 14 Volatilität Preis der Future Volatilität Preis der Future 1 3 Range 1 3 Range 2 Range 2 Range 3 3 Range 3 3 Range Szenarien i, i = 15, 16, stellen extreme Bewegungen nach oben bzw. unten des Futurepreises dar. Die Gewichte sind { 1 1 i 14 w i = 0, i 16 Ein bestimmtes Modell zb. Black-Scholes wird verwendet um die Optionspreise in den entsprechenden Szenarien zu generieren. 3.2 Risikomaÿe basierend auf der Verlustverteilung Sei F L := F Ln+1 die Verteilung des Verlustes L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren geschätzt Die Standardabweichung stdl := σ 2 F L Sie wird vor allem in der Portfolio-Theorie verwendet. Nachteile: Die Standardabweichung existiert nur für Verteilungen mit EFL 2 <, d.h. sie ist nicht einsetzbar bei leptokurtischen fat tailed Verlustverteilungen Gewinne und Verluste beeinussen die Standardabweichung gleichermaÿen. Beispiel L 1 N0, 2, L 2 t 4 Student-Verteilung mit 4 Freiheitsgraden. Es gilt σ 2 L 1 = 2 und σ 2 L 2 = m m 2 = 2. Die Verlustwahrscheinlichkeit bei L 2 ist jedoch viel gröÿer als bei L 1. Hinweis: Plotte den logarithmischen Quotient ln[pl 2 > x/pl 1 > x]! 13

14 3.2.2 Value at Risk V ar α L Denition Sei L eine Verlustfunktion und α 0, 1 ein gegebenes Kondenzniveau. V ar α L ist die kleinste Zahl l, sodass PL > l 1 α gilt. V ar α L = inf{l R: PL > l 1 α} = inf{l R: 1 F L l 1 α} = inf{l R: F L l α} Ein Vorschlag von der BIS Bank of International Settlements für den VaR ist z.b.: V ar 0.99 L über einen Horizont von 10 Tagen als Maÿ für das Marktrisiko eines Portfolios. Denition Sei F : R R eine monoton steigende Funktion d.h. x y = F x F y. Die Funktion F : R R, y inf{x R: F x y} heiÿt verallgemeinerte inverse Funktion von F. Hier gilt inf =. Falls F streng monoton steigend ist, gilt F 1 = F. Beispiel Sei F : [0, + [0, 1] mit { 1/2 0 x < 1 F x = 1 1 x. Dann ist die verallgemeinerte inverse Funktion gegeben durch { F 1 y > 1 y = inf{x [0, ]: F x y} = 2 0 y 1 2. Denition Sei F : R R eine monoton steigende Funktion. q α F := inf{x R: F x α} heiÿt α-quantil von F. Für die Funktion L und ihre Verteilungsfunktion F gilt: Beispiel Sei L Nµ, σ 2. Es gilt V ar α L = q α F = F α. V ar α L = µ + σq α Φ = µ + σφ 1 α, wobei Φ die Verteilungsfunktion einer standardnormalverteilten Zufallsvariable ist, denn V ar α L = β PL V ar α L = PL µ + σφ 1 α = L µ P φ 1 α = PL φ 1 α = φφ 1 α = α. } {{ σ } =L N0,1 PL µ + σφ 1 α = PL V ar α L V ar α L = µ + σφ 1 α, da die Normalverteilung kontinuierlich ist. 14

15 Beispiel Ein Portfolio besteht aus d = 5 Stück einer Aktie A. Der heutige Preis von A ist S 0 = 100. Die täglichen Log-Renditen sind normalverteilt: X 1 = ln S1 S 0, X 2 = ln S2 S 1,... iid N0, Sei L 1 der 1-Tages PF-Verlust von heute auf morgen. a Berechnen Sie V ar 0.99 L 1. L n+1 = V n d w n,i expx n+1,i 1 X n+1,i = ln S n+1,i S n,i Für den VaR gilt L 1 = ds 0 expx 1 1 X 1 = ln S 1 S 0 V ar u L 1 = FL 1 u = l = F L1 l = u = P L 1 l P 500 expx 1 1 l = u P expx 1 1 l = u 500 P expx 1 1 l = u P X 1 ln 1 l = u X 1 N0, F X1 ln 1 l = u 1 u = F X1 ln1 l F 1 X 1 1 u = ln 1 l expf 1 X u = l l = exp F 1 X 1 u Es gilt F = 2.3 und somit FX = = Für u = 0.99 folgt insgesamt Z V ar 0.99 L b Berechnen Sie V ar 0.99 L 100 und V ar 0.99 L 100, wobei L 100 der 100-Tage PF-Verlust über einen Zeithorizont von 100 Tagen ausgehend von heute ist. L 100 ist die Linearisierung des obigen 100-Tage PF-Verlustes. L 100 = 500 exp X mit Es folgt somit X 100 = ln S 100 S 0 l = V ar 0.99 L 100 = 500 V ar 0.99 L S1 = ln S2 S100 = S 0 S 1 S i=0 ln S i+1 S i = 100 X i N0, 1. 1 exp F = exp 2.3 X 100 Für die Linearisierung gilt e x 1 + x für x 1, also L 100 = 500 X 100. V ar 0.99 L 100 = > 500!! Anfangskapital Hier ist die Risikofaktoränderung über 100 Tage nicht innitesimal klein, die Linearisierung versagt also. 15

16 3.2.3 Conditional Value at Risk CV ar α L - oder Expected Shortfall ES Ein Nachteil von VaR ist, dass er keine Auskunft darüber gibt, wie groÿ der Verlust sein könnte, falls L V ar α L. Denition Sei α ein vorgegebenes Kondenzniveau und L eine kontinuierliche Verlustfunktion mit Verteilungsfunktion F L. Es gilt insbesondere CV ar α L := ES α L = EL L V ar α L. CV ar α L = EL L V ar α L = ELI [q αl, L PL q α L = 1 1 α ELI [q αl, = 1 1 α wobei I A die Indikatorfunktion der Menge A ist, also I A x = + q αl ldf L l { 1 x A 0 x A. Sei F L die diskrete Verteilungsfunktion einer Verlustverteilung L und α ein vorgegebenes Kondenzniveau. Der verallgemeinerte CVaR wird im diskreten Fall folgendermaÿen deniert: GCV ar α L := 1 [ ELI[qαL, + q α L 1 α P L q α L ]. 1 α Lemma Sei α ein vorgegebenes Kondenzniveau und L eine kontinuierliche Verlustfunktion mit Verteilungsfunktion F L. Es gilt CV ar α L = 1 1 α 1 α V ar p Ldp. Beweis. Für den CVaR gilt CV ar α L = 1 1 α q ldf αl Ll. Setze y : [0, 1] R, α V ar α L = q α L und y : R [0, 1], l y l. Dann gilt V ar y ll = l. Man substituiert nun l = V ar p L = yp im Integral, was zu df L l = df L V ar p L = dp führt, da F L V ar p L = PL V ar p L = p gilt. Die Integrationsgrenzen ändern sich zu q α L α 1. Zusammen ergibt das CV ar α L = 1 1 α 1 α V ar p Ldp. Beispiel a Sei L Expλ. Bestimmen Sie CV ar α L. 16

17 CV ar α L = 1 1 α β λl exp{ λl}dl. Mit β = V ar α L = F 1 L α folgt α = F Lβ = 1 exp{ λβ} und somit Eingesetzt liefert das für λl = t β = ln1 α. λ CV ar α L = = 1 1 α βλ 1 + βλe βλ λ1 α t exp{ t} dt λ = 1 1 e t 1 + t λ 1 α βλ = CV ar α L = λ 1 1 ln1 α. b Die Verteilungsfunktion F L der Verlustfunktion L sei folgendermaÿen gegeben: F L x = γx 1/γ für x 0 und γ 0, 1. Bestimmen Sie CV ar α L. V ar α L = 1 1 α γ 1 γ CV ar α L = γ 1 1 α γ 1 γ 1 1. Beispiel Sei L N0, 1. Seien φ und Φ die Verteilungsdichte bzw. -funktion von L. Es gilt CV ar α L = φφ 1 α 1 α. Sei L Nµ, σ 2. Zeigen Sie, dass CV ar α L = µ + σ φφ 1 α 1 α CV ar α L = = 1 ldφl = 1 1 α V ar αl 1 1 exp 1 α 2π l2 2 1 α Φ 1 α Φ 1 α gilt. 1 l e l2 /2 dl 2π = φφ 1 α 1 α Beispiel Sei die Verteilungsfunktion von L die Student-t-Verteilung mit ν > 1 Freiheitsgraden. Die Dichtefunktion von L ist g ν x = Zeigen Sie, dass CV ar α L = gνt 1 ν ist. ν+1/2 Γν + 1/2 1 + x2. νπγν/2 ν α ν+t 1 1 α ν a 2 ν 1, wobei tν die Verteilungsfunktion von L 17

18 3.3 Methoden zur Berechnung von VaR und CVaR Gegeben ist folgendes Setting: Portfoliowert: V m = ft m, Z m Vektor von Risikofaktoren: Z m Verlustfunktion: L m+1 = l [m] X m+1 X m+1, der Vektor der Veränderungen der Risikofaktoren: X m+1 = Z m+1 Z m Beobachtungen historische Daten: Z m n+1,..., Z m. Wie können diese historischen Daten nun zur Berechnung von V arl m+1 bzw. CV arl m+1 verwendet werden? Der empirische VaR bzw. CVaR Sei x 1, x 2,..., x n eine Stichprobe der unabhängigen identischverteilten ZV X 1, X 2,..., X n mit Verteilungsfunktion F. Notation: Die ZV X 1, X 2,..., X n sind i.i.d. Die empirische Verteilungsfunktion ist F n x = 1 n n k=1 I [xk,+ x mit dem empirischen Quantil q α F n = inf{x R: F n x α} = F n α. Unter der Annahme x 1 > x 2 >... > x n gilt: q α F n = x [n1 α]+1, wobei [y] = sup{n N: n y} für jedes y R, denn es gilt q α F n = inf{x R: F n x α} = x max{k N: n k n α}+1 = x max{k N: 1 k n α}+1 = x max{k N: k 1 αn}+1 = x [n1 α]+1. ˆq α F := q α F n ist der empirische Schätzer des Quantils q α F. Lemma Sei F eine streng monoton steigende Funktion. Dann gilt lim ˆq αf = q α F, α 0, 1, n d.h. der Schätzer ˆq α F ist konsistent. Der empirische Schätzer des CVaR ist ĈVaR α F = [n1 α]+1 k=1 x k [n1 α]

19 3.3.2 Ein nicht-parametrisches Bootstrapping Verfahren zur Ermittlung von Kondenzintervallen der Schätzer Seien die ZV X 1, X 2,..., X n i.i.d. mit Verteilungsfunktion F und sei x 1, x 2,... x n eine Stichprobe daraus. Gesucht ist ein Schätzer eines von F abhängigen Parameters θ, z.b. θ = q α F, und das dazugehörige Kondenzintervall. Sei ˆθx 1,..., x n ein Schätzer von θ, zb. ˆθx 1,..., x n = x [n 1α]+1,n, wobei x 1,n >... > x n,n die sortierte Stichprobe ist. Das gesuchte Kondenzintervall ist ein Intervall a, b, a = ax 1,..., x n und b = bx 1,..., x n, sodass Pa < θ < b = p, für ein vorgegebenes Kondenzniveau p. Fall I: F ist bekannt. Durch Simulation von F werden N Stichproben N groÿ x i 1, xi 2,..., xi n, 1 i N, erzeugt. Sei θ i = ˆθ x i 1, xi 2,..., xi n, 1 i N. Die empirische Verteilungsfunktion von ˆθx 1, x 2,..., x n ist F ˆθ N x := 1 N N I [ θi, x F ˆθ für N. Das gesuchte Kondenzintervall ist q 1 p 2 denn für a := q 1 p F ˆθ 2 N und b := q 1+p F ˆθ 2 N gilt Pθ > b = p = 1 p 2 2 F ˆθ N, q 1+p F ˆθ N, 2 und Pθ < a = 1 p 2 Pθ < a θ > b = 1 p Pa < θ < b = p Fall II: F ist unbekannt. Zur Erinnerung: Die empirische Verteilungsfunktion von X i, 1 i n, ist F n x = 1 n I n [xi, x. Wenn n groÿ ist, dann gilt F n F. Wir können Stichproben aus F n nehmen, indem wir n Elemente aus {x 1, x 2,..., x n } mit Zurücklegen ziehen. Angenommen es werden N solche Stichproben gezogen: x i 1, x i 2,..., xn i, 1 i N. Es soll θ i = ˆθ x i 1, x i 2,..., x i n berechnet werden. Die empirische Verteilungsfunktion FN θ x = 1 N N I [θi, x approximiert die Verteilungsfunktion F ˆθ von ˆθX 1, X 2,..., X n für N. Für das Kondenzintervall a, b mit a = q 1 p/2 FN θ, b = q 1+p/2FN θ gilt a = θ [N1+p/2]+1,N b = θ [N1 p/2]+1,n, wobei θ 1,N θ 2,N... θ N,N durch Sortierung von θ 1, θ 2,..., θ N entsteht. 19

20 3.3.3 Zusammenfassung des nicht-parametrischen Bootstrapping-Verfahrens zur Berechnung von Kondenzintervallen Gegeben: Stichprobe x 1, x 2,..., x n der i.i.d. ZV. X 1, X 2,..., X n mit Verteilungsfunktion F und ein Schätzer ˆθx 1, x 2,..., x n eines unbekannten Parameters θf. Gesucht: Ein Kondenzintervall I p für θ mit vorgegebenem Kondenzniveau p. Bilde N neue Stichproben x i 1, x i 2,..., x i n, 1 i N, durch ziehen mit Zurücklegen aus {x 1, x 2,..., x n }. Berechne θi = ˆθ x i 1, x i 2,..., xn i. I p = θ[n1+p/2]+1,n [N1 p/2]+1,n, θ, wobei θ 1,N θ2,n... θ N,N durch Sortierung von θ1, θ 2,..., θ N entsteht Eine approximative Lösung ohne Bootstrapping Gegeben: Eine Stichprobe x 1, x 2,..., x n von ZV X i, 1 i n, i.i.d. mit unbekannter kontinuierlicher Verteilungsfunktion F. Gesucht: Ein Kondenzintervall a, b für q α F, a = ax 1, x 2,..., x n, b = bx 1, x 2,..., x n, sodass Pa < q α F < b = p und Pa q α F = Pb q α F = 1 p/2. Wir suchen i > j, i, j {1, 2,..., n}, und das kleinste p > p, sodass und P x i,n < q α F < x j,n = p P x i,n q α F 1 p/2 und P x j,n q α F 1 p/2 wobei x 1,n x 2,n... x n,n durch Sortierung von x 1, x 2,..., x n entsteht. Sei Y α = #{x k : x k > q α F }. Es gilt: Px j,n q α F = Px j,n < q α F = PY α j 1, P x i,n q α F = Px i,n > q α F = 1 PY α i 1 = PY α i Y α Bn, 1 α. Berechne Px j,n q α F und Px i,n q α F für unterschiedliche i und j solange, bis i, j {1, 2,..., n}, i > j, gefunden werden, die und erfüllen. Beispiel Für n = 10 und α = 0.8 berechne das Kondenzintervall für q 0.8 F mit Konvidenzniveau p Y 0.8 B10, 0.2 PY 0.8 = 0 = PY 0.8 = 1 = PY 0.8 = 2 = PY 0.8 = 10 =

21 Px 1,10 < q 0.8 F = PY = p = Px 4,10 > q 0.8 F = 1 PY = [x 4,10, x 1,10 ] und Px 4,10 q 0.8 F x 1, > Historische Simulation Seien x m n+1,..., x m historische Beobachtungen der Veränderungen der Risikofaktoren X m n+1,..., X m gegeben. Annahme: Die historischen Verluste sind i.i.d. Die historischen Verlustwerte l k = l [m] x m k+1, k = 1, 2,..., n, stellen eine Stichprobe der Verlustverteilung dar. Der empirische VaR ist demnach und der empirische CVaR V ar = q α ˆF L n = l [n1 α]+1,n ĈV ar = [n1 α]+1 l i,n [n1 α] + 1, wobei l 1,n l 2,n... l n,n durch die Sortierung von l i, 1 i n, entsteht. Der VaR und CVaR des aggregierten Verlustes über mehrere Tage, zb. 10 Tage, kann mit Hilfe der Verlustwerte geschätzt werden. Vorteile: l 10 k 10 = l [m] einfache Implementierung j=1 x m n+10k 1+j k = 1,..., [n/10] berücksichtigt die Abhängigkeitsstruktur zwischen den Komponenten des Vektors der Veränderungen der Risikofaktoren X m k = X m k,1,..., X m k,d Nachteile: es sind sehr viele historische Daten notwendig um zuverlässige Schätzer zu bekommen Schätzung impliziert, dass der geschätze Verlust nicht gröÿer als bereits historisch realisierte Verluste sein kann Varianz-Kovarianz Methode Die Grundidee hier ist die Verwendung der linearisierten Verlustfunktion L m+1 = l mx m+1 = V d w i X m+1,i = V w X m+1, 21

22 wobei V := V m, w i := w m,i, w = w 1,..., w d T, X m+1 = X m+1,1, X m+1,2,..., X m+1,d. Unter der Annahme X m+1 N d µ, Σ folgt V w X m+1 N V w µ, V 2 w Σw. Seien x m n+1,..., x m historische Beobachtungen der Veränderungen der Risikofaktoren, mit der Annahme sie seien i.i.d. Der Schätzer für µ i ist ˆµ i = 1 n n k=1 x m k+1,i i = 1, 2,..., d und der Schätzer ˆΣ = ˆσ ij für Σ = σ ij ˆσ ij = 1 n 1 n x m k+1,i µ i x m k+1,j µ j i, j = 1, 2,..., d. k=1 Insgesamt erhält man nun den Schätzer für VaR: siehe Bsp Vorteile: analytische Lösung einfache Implementierung keine Simulationen notwendig Nachteile: V ar α L m+1 = V w ˆµ + V w ˆΣwφ 1 α Linearisieung nicht immer adäquat, nur für einen kurzen Zeithorizont gerechtfertigt siehe Übung Annahme der Normalverteilung könnte zur Unterschätzung des Risikos führen und sollte begründet werden zb. anhand von historischen Daten Monte-Carlo Verfahren Historische Beobachtungen der Risikofaktoren und deren Veränderungen. Annahme über ein parametrisches Modell für die Verteilungsfunktion der Veränderung der Risikofaktoren X m+1 ; zb. gemeinsame Verteilungsfunktion F und Unabhängigkeit von X m n+1,..., X m. Schätzung der charakteristischen Parameter dieser Verteilungsfunktion. 22

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

Risikomanagement: Hintergrund und Ziele

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

Mehr

Risikomanagement: Hintergrund und Ziele

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

Mehr

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

Quantitative Risk Management

Quantitative Risk Management Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis

Mehr

Analyse von Extremwerten

Analyse von Extremwerten Analyse von Extremwerten Interdisziplinäres Seminar: Statistische Verfahren in den Geowissenschaften Anna Hamann betreut durch Prof. Dr. Helmut Küchenhoff, Institut für Statistik Ludwig Maximilians Universität

Mehr

Risikomessung und Value at Risk Wintersemester 2013/14

Risikomessung und Value at Risk Wintersemester 2013/14 Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung

Mehr

Technische Universität München. Zentrum Mathematik. Multivariate Value at Risk. von Zins Swap Sätzen

Technische Universität München. Zentrum Mathematik. Multivariate Value at Risk. von Zins Swap Sätzen Technische Universität München Zentrum Mathematik Multivariate Value at Risk Schätzung von Zins Swap Sätzen Diplomarbeit von Gabriel Kuhn Themenstellung: Prof. Dr. Claudia Klüppelberg Betreuung: Prof.

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

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

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

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

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

Mehr

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

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

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

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

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

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

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

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

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

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

Mehr

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

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

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

Mehr

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

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

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

Mehr

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

Dynamik von Optionen

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

Mehr

Finanz- und Risikomanagement II

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

Mehr

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

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

Absolute Stetigkeit von Maßen

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

Mehr

Quantitative Finance

Quantitative Finance Kapitel 11 Quantitative Finance Josef Leydold c 2006 Mathematische Methoden XI Quantitative Finance 1 / 30 Lernziele für den Teil Quantitative Finance Die Welt der stetigen Zinsen (Renditen) Wichtige Finanzprodukte:

Mehr

Quantilsschätzung als Werkzeug zur VaR-Berechnung

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

Mehr

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

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

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

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

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

Mehr

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

Optionspreisbestimmung nach Cox-Ross-Rubinstein

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

Mehr

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

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X

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

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

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

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

Mehr

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

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

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

Nichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was

Mehr

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

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

Mehr

Vorlesung 7: Value-at-Risk für Kreditrisiken

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

Mehr

Computer Vision: Optische Flüsse

Computer Vision: Optische Flüsse Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische

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

Statistische Verfahren für das Data Mining in einem Industrieprojekt

Statistische Verfahren für das Data Mining in einem Industrieprojekt Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

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

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

Mehr

Hochschule Rhein-Main. Sommersemester 2015

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

Mehr

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

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

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

Stochastische Risikotheorie

Stochastische Risikotheorie Stochastische Risikotheorie Vorlesungsskript Prof. Dr. Evgeny Spodarev Universität Ulm 28 Vorwort Dieses Skript entstand aus einer Vorlesung über stochastische Risikotheorie, die ich in den Jahren 22-24

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

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

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014

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

Mehr

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

Quantifizierung von Abhängigkeitsstrukturen zwischen Risiken in Versicherungsunternehmen

Quantifizierung von Abhängigkeitsstrukturen zwischen Risiken in Versicherungsunternehmen Quantifizierung von Abhängigkeitsstrukturen zwischen Risiken in Versicherungsunternehmen WP/Aktuar Prof. Dr. Tristan Nguyen und Dipl.-WiWi Robert Danilo Molinari WHL Wissenschaftliche Hochschule Lahr Lehrstuhl

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

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

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

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

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

Mehr

ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE

ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE im SS 215 Aufgabe 1 (Innerer Wert, Zeitwert, Basiskurs, Aufgeld) Am 13.4.2 kostete eine Kaufoption

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

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

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

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

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

Mehr

$ % + 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

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners 1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

K2 MATHEMATIK KLAUSUR. Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max) 28 15 15 2 60 Punkte Notenpunkte

K2 MATHEMATIK KLAUSUR. Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max) 28 15 15 2 60 Punkte Notenpunkte K2 MATHEMATIK KLAUSUR 26.2.24 Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max 28 5 5 2 6 Punkte Notenpunkte PT 2 3 4 5 6 7 8 9 P. (max 2 2 2 4 5 3 3 4 3 Punkte WT Ana A.a b A.c Summe P. (max 7 5

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

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

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

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

Mehr

Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren

Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren Thorsten Dickhaus Universität des Saarlandes, 06. Juli 2009 Übersicht Einführung: Multiples Testen

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

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten: KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand

Mehr

Entwurf robuster Regelungen

Entwurf robuster Regelungen Entwurf robuster Regelungen Kai Müller Hochschule Bremerhaven Institut für Automatisierungs- und Elektrotechnik z P v K Juni 25 76 5 OPTIMALE ZUSTANDSREGELUNG 5 Optimale Zustandsregelung Ein optimaler

Mehr

Vorlesung. Funktionen/Abbildungen 1

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

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

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

Mehr

III Stochastische Analysis und Finanzmathematik

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

Mehr

DIE DIFFERENTIALGLEICHUNG ZUR BESTIMMUNG DES PREISES VON WäHRUNGSOPTIONEN

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

Mehr

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

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

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

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

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

Mehr

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

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

Kapitel 15: Differentialgleichungen

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

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

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

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

Mehr

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