Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko. Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko
|
|
- Lucas Beltz
- vor 8 Jahren
- Abrufe
Transkript
1 Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko Vortrag von Igor Grinberg, Kai Hartmanshenn und Stephan Pueschel am Gliederung 1. Hintergrund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich der Modelle 2
2 Hintergrund Eine Hauptaufgabe von Kreditinstituten: Quantifizierung finanzieller Risiken zur Bestimmung der Eigenkapitalunterlegung Eine mögliche Risikoquelle: Kreditrisiko Grad der Wertschwankungen in Schuldeninstrumenten und Derivaten aufgrund von Wertveränderungen der zu Grunde liegenden Kreditqualität. (Lopez/Saidenberg 1999) Einschätzung des Risikos erfolgt über Kreditrisikomodelle (KRM) 3 Probleme und Lösungsansätze 2 resultierende Probleme: Beobachtungszeitraum unzureichend für KRM (Erforderlich: ca. 250 Jahre!) Alternative Ansätze zur Datenbeschaffung Beurteilung der Schätzgenauigkeit von KRM Backtesting 4
3 Backtesting Vergleich tatsächlicher Realisierungen mit den Schätzungen aus dem KRM Verfahrensweise differiert im Detail bei den Kreditinstituten Beurteilung der Modellgüte durch Ampelansatz 5 Gliederung 1. Hintergund 2. Das Modell von Lopez und Saidenberg 2.1 Erzeugung von Ausfallverteilungen per Simulation 2.2 Bewertungsmethoden für erwartete Ausfälle 2.3 Schwachpunkte 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich der Modelle 6
4 Notation N Anzahl der Kredite im Banken-Portfolio At Barwert der Kredite im Zeitpunkt t (Nx1-Vektor) w b Gewichte der Kreditanteile des Banken-Portfolios (Nx1-Vektor) P bt = w bt A t Wert des Kredit-Portfolios von Bank b im Zeitpunkt t mit w T als transponierte Gewichte. P bt+1 =P bt+1 -P bt =w bt A t =w bt (A t+1 -A t ) = w bt A t+1 Wertveränderung des Kreditportfolios Verteilungsschätzung: F m ( P ) ˆ bt 1 7 Gliederung 1. Hintergrund 2. Das Modell von Lopez und Saidenberg 2.1 Erzeugung von Ausfallverteilungen per Simulation 2.2 Bewertungsmethoden für erwartete Ausfälle 2.3 Schwachpunkte 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich der Modelle 8
5 Idee Zur Schätzung der Verteilungsfunktion Fˆ m ( P bt 1 ) werden viele Beobachtungsdaten von Kreditportfolioausfällen benötigt: Erzeugung per Simulation wegen Datenmangel Daraus Erzeugung von Kreditausfallverteilungen für Portfolios 9 Vorgehensweise I 1. Es wird ein Kreditdatensatz über T Jahre mit N Krediten gewählt. 2. Für jedes Jahr t gibt (0,1) den Prozentsatz der in das restrukturierte Portfolio aufgenommenen Kredite an. 3. Der (Nx1) Gewichtungsvektor w i unseres restrukturierten Portfolios i wird durch N-maliges ziehen aus dem gleichverteilten Intervall [0,1] erzeugt. 4. Für jede Ziehung über dem Prozentsatz wird der Kredit mit einem Gewicht von 0 im Portfolio gewichtet, im umgekehrten Fall wird ein Gewicht von 1 gewählt. 10
6 Vorgehensweise II 5. Wie von der in der Einführung des Kapitels 2 genannten Grundstruktur bekannt, können wir jetzt mit einem KRM m eine Prognose Fˆ m ( P ) der kumulierten bt 1 Verteilungsfunktion durchführen. 6. Für jedes der T Jahre wird R-mal mit zurücklegen gezogen, wobei R hinreichend groß zu wählen sei. 7. Ergebnis sind (T*R) prognostizierte Ausfallverteilungen zum Bewerten von KRM, d.h. R-mal so viele wie im Grundmodell. 11 Gliederung 1. Hintergund 2. Das Modell von Lopez und Saidenberg 2.1 Erzeugung von Ausfallverteilungen per Simulation 2.2 Bewertungsmethoden für erwartete Ausfälle 2.3 Schwachpunkte 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich der Modelle 12
7 Bewertungsmethodik I Idee: Genauigkeitsvergleich zwischen den vom KRM prognostizierten Ausfällen und der tatsächlich beobachtbaren Ausfälle der restrukturierten Portfolios ˆ mit bezeichne den Erwartungswert von Fˆ m ( P bt 1 ), T Lit 1 wi At 1 gibt die beobachteten Kreditausfälle an, welche sich im restrukturierten Portfolio im Zeitpunkt t+1 ereignen, e mit+1 stellt den Prognosefehler dar. 13 Bewertungsmethodik II H 0 : e mit 1 L it 1 ˆ mit Test durch Regression: Lit 1 ˆ it 1 it 1 =0 und =1 impliziert einen Prognosefehler von durchschnittlich null 14
8 Die Zählmethode I 1. Prognosefehler beider Modelle werden quadriert e 2 mit+1 2. Nullhypothese H 2 E 2 : E e e Zähle Anzahl Ereignisse mit e 2 1it+1 > e2 2it+1 n 1 4. Verwerfe H 0 dann, wenn der Wert (n 1 /Q) auf einem Signifikanzniveau von 5% außerhalb liegt von [ 2 0,5 Q ;0,5 Q ]. (Q=Gesamtzahl Vergleiche) 15 Die Zählmethode II Mächtigkeit des Tests zwar gering, aber robust gegenüber Kovarianz zwischen den Prognosefehlern Heteroskedastizität 16
9 Die Summen/Differenzen- Regression Bei dieser Methode werden die Differenzen des Prognosefehlers e mit+1 analysiert S it+1 Summe von den e 1it+1 - und e 2it+1 Prognosefehlern D it+1 Differenz der e 1it+1 - und e 2it+1 - Prognosefehler 1. Regression: S it+1 = + D it+1 + it+1 2. H 0 : =0, Überprüfung mit t-test 3. Sollte H 0 verworfen werden Modelle nicht identisch Auswahl des Modells mit geringerer Prognosevarianz 17 Gliederung 1. Hintergund 2. Das Modell von Lopez und Saidenberg 2.1 Erzeugung von Ausfallverteilungen per Simulation 2.2 Bewertungsmethoden für erwartete Ausfälle 2.3 Schwachpunkte 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich der Modelle 18
10 Schwachpunkte (1) Oft keine beobachtbaren Marktpreise für Wertveränderungen Preisfindung nach Bewertungsmodellen ermöglicht Fehlbewertung (2) Veränderungen der Portfoliogewichte nicht berücksichtigt (3) Makroökonomische Struktur wird beibehalten (4) Statische Bewertung der Performance (5) Unabhängigkeit der Prognosefehler? Teil 3 19 Gliederung 1. Hintergund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich der Modelle 20
11 Das Modell von Frerichs/Löffler Empirischer Test eines Kreditrisikomodells Basierend auf dem Modell von Lopez und Saidenberg Test der Güte des Modells auf Grundlage der Standardnormalverteilung 21 Gliederung 1. Hintergund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 3.1 Methode der Datenbeschaffung 3.2 Aufbau des Tests 3.3 Backtesting des Modells 3.4 Schwachpunkte 4. Kritischer Vergleich der Modelle 22
12 Methode der Datenbeschaffung Ziel: Simulation von Kreditportfolios über die Zeit Grundlage des Modells ist ein zweiperiodiges CreditMetrics Modell Die Untersuchung geht von einem Asset Value Ansatz (Vermögensänderungen) aus 23 Methode der Datenbeschaffung II Vermögensänderungen auf Grundlage eines systematischen Faktors Z und einem unternehmensspezifischen Faktors Z soll den Zyklus der Wirtschaft darstellen und ist wie standardnormalverteilt. Berechnung der standardnormalverteilten Vermögensänderungen durch folgende Formel: 24
13 Methode der Datenbeschaffung III ~ A i w Z i ~ ~ 2 i i 1 w ~ iid N(0,1) A i stellt die Vermögensänderung dar. w ist der Gewichtungsfaktor,der die Stärke des Einflusses des einzelnen Faktors angibt. w ist konstant und gibt die Korrelation zwischen den Asset Veränderungen der Kreditnehmer an. 25 Methode der Datenbeschaffung IV Ausfall, wenn Vermögen eine vorher festgelegte Schwelle unterschreitet. Diese Schwelle wird definiert über die Inverse der Standardnormalverteilung und einer unbedingten Ausfallwahrscheinlichkeit p : ~ A i < 1 ( p i ) 26
14 Methode der Datenbeschaffung V Berechnung von bedingten Ausfallwahrscheinlichkeiten p/z mit p i 1 ( pi ) wz 1 i ( p i ) wi Z / Z = Prob i = ~ iid N(0,1) wi 1 w i Ergebnisse binomialverteilte Zufallsvariablen (Term 1), die mit Hilfe der Standardnormalverteilung standardisierte Ausfallwahrscheinlichkeiten ergeben. Anwendung der Monte Carlo Simulation auf Kredite. Ziel: Simulation der Verteilung der Ausfälle. 27 Gliederung 1. Hintergund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 3.1 Methode der Datenbeschaffung 3.2 Aufbau des Tests 3.3 Backtesting des Modells 3.4 Schwachpunkte 4. Kritischer Vergleich der Modelle 28
15 Aufbau des Tests Verwendung aller bekannten Informationen, nicht nur die außerhalb der kritischen Schwelle. Ziel: zusätzliche Informationen führen zu besseren Aussagen über Annahme und Ablehnung des jeweiligen Modells. Ziel: Testen auf Standardnormalverteilung. 29 Aufbau des Tests II Verwendung des Tests von Berkowitz zum Nachweis der Standardnormalverteilung. x t ^ F ( y t ) y1 ^ f ( u) du ~ iid U(0,1) f (u) = geschätzte Wahrscheinlichkeit für u Ausfälle. U (.) steht für gleichverteilte Funktion. geschätzte Verteilung = wahre Verteilung => x ist gleichverteilt. 30
16 Aufbau des Tests III Verwendung der Inversen der Standardnormalverteilung zur Standardisierung der Ergebnisse. 1 z t ( x t ) ~ N(0,1). wenn Funktion U wirklich gleichverteilt, dann Transformation von z zu N ~ (0,1) verteilt. 31 Aufbau des Tests IV Vorteil des Test: durch mehr Informationen kann man komplette Verteilung testen, nicht nur kritischen Bereich. Nachteil: eigentlich bringt das Mehr an Informationen keinen wesentlichen Vorteil, da hauptsächlich nur der kritische Bereich interessiert und nicht die gesamte Verteilung. 32
17 Gliederung 1. Hintergund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 3.1 Methode der Datenbeschaffung 3.2 Aufbau des Tests 3.3 Backtesting des Modells 3.4 Schwachpunkte 4. Kritischer Vergleich der Modelle 33 Backtesting des Modells Basisfall: variierende Korrelation Asset Korrelation des wahren Modells beträgt w = 5% Nullhypothese lautet: Wann lehnt man ein Modell korrekterweise ab? 34
18 Backtesting des Modells II Verwendung eines Likelihood Ratio Test. Zweck des Tests: Test auf Korrelation der Ausfälle über die Zeit Test, ob z standardnormalverteilt ist mit N ~ (0,1) Ergebnis macht Aussagen über die Güte des verwendeten Modells bzw. über die Güte der Verteilung von z. 35 Backtesting des Modells III Ergebnis gibt an, ob Standardnormalverteilung vorliegt oder nicht und ob somit die Nullhypothese abgelehnt wird oder nicht. Fehlerniveau bei dem LR Test von 10%, d.h. es wird ein Typ I Fehler von 10% angenommen. Testergebnis bei 5% Korrelationannahme mit 13% akzeptabel. 36
19 Backtesting des Modells IV Veränderung der Korrelation im Modell auf 0%. Überprüfung des Tests mit einer Modellkorrelation von 0% gegen das wahre Modell mit 5%. Modell wird in 100% der Fälle abgelehnt. 37 Gliederung 1. Hintergund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 3.1 Methode der Datenbeschaffung 3.2 Aufbau des Tests 3.3 Backtesting des Modells 3.4 Schwachpunkte 4. Kritischer Vergleich der Modelle 38
20 Beurteilung des Modells Gegenüber dem Basismodell von Lopez und Saidenberg befriedigende Güte. Auch mit kurzen Historien gute Ergebnisse Immer noch massive verallgemeinernde Annahmen nötig 39 Gliederung 1. Hintergrund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich der Modelle 40
21 Probleme der Vergleichbarkeit von KRM Konsens bezüglich der theoretischen Grundkonzepte Unterschiedliche Resultate Es bestehen keine signifikante Unterschiede Keine grundsätzliche Präferenzen für bestimmten Ansatz 41 Grundlegende Unterschiede zw. KRM Einteilung in drei Teilbereiche: (1) Risikodefinition Welche Risiken werden modelliert? (2) Technische Konzeption Verteilungsannahmen, Berechnungsverfahren und Approximationsverfahren (3) Empirische Datenbasis Inputdaten für die Schätzung der benötigten Parameter 42
22 Gliederung 1. Hintergrund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich 4.1. Datenerwerb durch Simulation 4.2. Graphische Modelldarstellungen 4.3. Kritik 43 Lopez/Saidenberg Querschnittsdatenanalyse Vorteile relativ einfach und schnell durchführbar große Anzahl von prognostizierten Ausfallverteilungen (T*R) 44
23 Lopez/Saidenberg Nachteile Wahl des Prozentsatzes ist willkürlich Annahme der Unabhängigkeit der Kreditausfälle ist zweifelhaft Einschränkung der Datenmenge im Zeitablauf Statische Bewertung der Performance 45 Frerichs/Löffler Monte-Carlo Carlo-Simulation Vorteile Sehr gute Ergebnisse trotz kurzer Historie (10 Jahren) Nachteile Großer Zeit- und Kapazitätsaufwand Erschwerte Durchführung von Sensitivitätsanalysen 46
24 Gliederung 1. Hintergrund 2. Das Model von Lopez und Saidenberg 3. Das Model von Löffler und Frerichs 4. Kritischer Vergleich der Modelle 4.1 Datenerwerb durch Simulation 4.2. Graphische Modelldarstellungen 4.3. Kritik 47 Das Modell von Lopez und Seidenberg Graphische Darstellung
25 Datenbeschaffung durch Simulation Ergebnis: Prognose der Ausfallverteilungen (T*R) Bewertung der Prognosekraft der erwarteten Ausfälle Bewertung der Prognosekraft der kritischen Werte Bewertung der Prognosekraft der Ausfallverteilungen Nullhypothese Nullhypothese Nullhypothese Test Mincer-Zarnowitz Regression Likelihood-Ratio- Testfunktion Likelihood-Ratio- Testfunktion Test 1 Test 2 Modellvergleich Zählmethode Sum./ Dif.-Regression Spezielles Bonferroni- Seminar Kreditrisiko Schranken-Test Bonferroni- 49 Schranken-Test Das Modell von Löffler und Frerichs Graphische Darstellung
26 Berechnung der Ausfallwahrscheinlichkeiten (Asset-Value-Ansatz) Bildung von Extrem-Portfolios Monte-Carlo-Simulation Portfolio A Portfolio B Fall mit variierender Korrelation Variation anderer Variablen bei konstanter Korrelation Datensimulation Datensimulation Berkowitz-Test (Überprüfung der Normalverteilung) Überprüfung, ob die Qantile gleichverteilt sind Überprüfung, ob die Ergebnisse aus der Dichtefunktion normalverteilt sind Likelihood-Ratio-Test (Überprüfung der Güte des Modells) 51 Gliederung 1. Hintergrund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich 4.1. Datenerwerb durch Simulation 4.2. Graphische Modelldarstellungen 4.3. Kritik 52
27 Kritik Fundamentale Unterschiede (1) Lopez/Saidenberg Verwendung der Informationen, die für den Kreditausfall interessant sind Frerichs/Löffler Berücksichtigung alle möglichen Ausfälle 53 Kritik Pro Verbesserte Aussagen über die Annahme oder Ablehnung eines Test Contra Unnötiger Aufwand zur Beschaffung unbrauchbarer Informationen 54
28 Kritik Fundamentale Unterschiede (2) Lopez/Saidenberg Annahme: Prognosefehler der restrukturierten Portfolios sind voneinander unabhängig Frerichs/Löffler Kritik an der Annahme von Lopez/Saidenberg: Variierung der Korrelation und anderer Variablen (Backtesting) 55 Gliederung 1. Hintergrund 2. Das Modell von Lopez und Saidenberg 3. Das Modell von Löffler und Frerichs 4. Kritischer Vergleich 56
29 Zusammenfassung Die Arbeit von Frerichs/Löffler weist eine sehr zufriedenstellende Güte auf Einige Schwachpunkte des Ansatzes von Lopez/Saidenberg wurden behoben Beide Ansätze benötigen verallgemeinernde Annahmen 57 Zusammenfassung Beide Methoden zur Bewertung von KRM sind sehr innovativ aufgedeckte Schwachstellen geben den Anreiz in diesem Gebiet zu forschen und verbesserte Modelle zu präsentieren 58
Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrZwei 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
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrBeurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln
Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich
Mehr9. 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,
MehrDie Optimalität von Randomisationstests
Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrBox-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
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
MehrValue 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
Mehr2. Mai 2011. Geldtheorie und -politik. Die Risiko- und Terminstruktur von Zinsen (Mishkin, Kapitel 6)
Geldtheorie und -politik Die Risiko- und Terminstruktur von Zinsen (Mishkin, Kapitel 6) 2. Mai 2011 Überblick Bestimmung des Zinssatzes im Markt für Anleihen Erklärung der Dynamik von Zinssätzen Überblick
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrProfil 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
MehrKugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten
Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrQuantilsschätzung 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
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
MehrBinäre 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
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
Mehrgeben. 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
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrDas 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
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
MehrHochschule Rhein-Main. Sommersemester 2015
Vorlesung Hochschule Rhein-Main Sommersemester 2015 Dr. Roland Stamm 29. Juni 2015 Erinnerung Bewertung eines Bonds mit Kupon k, Nominal N, Laufzeit t n: n Π(t) = N k δ(t i 1, t i ) P (t, t i ) + N P (t,
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrBeispiel 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.
MehrDas große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten
Das große x -4 Alles über das Wer kann beantragen? Generell kann jeder beantragen! Eltern (Mütter UND Väter), die schon während ihrer Elternzeit wieder in Teilzeit arbeiten möchten. Eltern, die während
MehrFüllmenge. 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
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrFragebogen: Abschlussbefragung
Fragebogen: Abschlussbefragung Vielen Dank, dass Sie die Ameise - Schulung durchgeführt haben. Abschließend möchten wir Ihnen noch einige Fragen zu Ihrer subjektiven Einschätzung unseres Simulationssystems,
MehrStatistik II. Statistik II, SS 2001, Seite 1 von 5
Statistik II, SS 2001, Seite 1 von 5 Statistik II Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
MehrVergleich 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
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrAufgabenblatt 3: Rechenbeispiel zu Stiglitz/Weiss (AER 1981)
Aufgabenblatt 3: Rechenbeispiel zu Stiglitz/Weiss (AER 1981) Prof. Dr. Isabel Schnabel The Economics of Banking Johannes Gutenberg-Universität Mainz Wintersemester 2009/2010 1 Aufgabe 100 identische Unternehmer
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrMaRisk-relevante Anpassungen im Kreditportfoliomodell. GenoPOINT, 28. November 2013 Dr. Martin Bialek parcit GmbH
im Kreditportfoliomodell GenoPOINT, 28. November 2013 Dr. Martin Bialek parcit GmbH Agenda Überblick KPM-KG Bedeutung des Portfoliomodells für den MaRisk-Report MaRisk-relevante Anpassungen MaRisk-relevante
MehrLehrstuhl 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
MehrFinanzwirtschaft. Teil II: Bewertung
Zeitwert des Geldes 1 Finanzwirtschaft Teil II: Bewertung Zeitwert des Geldes Zeitwert des Geldes 2 Bewertung & Zeitwert des Geldes Finanzwirtschaft behandelt die Bewertung von Real- und Finanzwerten.
MehrSimplex-Umformung für Dummies
Simplex-Umformung für Dummies Enthält die Zielfunktion einen negativen Koeffizienten? NEIN Optimale Lösung bereits gefunden JA Finde die Optimale Lösung mit dem Simplex-Verfahren! Wähle die Spalte mit
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
Mehr----------------------------------------------------------------------------------------------------------------------------------------
0 Seite 0 von 20 03.02.2015 1 Ergebnisse der BSO Studie: Trends und Innovationen im Business Performance Management (BPM) bessere Steuerung des Geschäfts durch BPM. Bei dieser BSO Studie wurden 175 CEOs,
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrDerivate und Bewertung
. Dr. Daniel Sommer Marie-Curie-Str. 0 6049 Frankfurt am Main Klausur Derivate und Bewertung.......... Wintersemester 006/07 Klausur Derivate und Bewertung Wintersemester 006/07 Aufgabe 1: Statische Optionsstrategien
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrRisiko 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
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrWas meinen die Leute eigentlich mit: Grexit?
Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?
Mehr11. Rent-Seeking 117
117 Definitionen Gewinnstreben: Vorhandene Ressourcen werden so eingesetzt, dass Einkommen entsteht und die Differenz aus Einkommen und Kosten maximal wird. Rent-Seeking: Vorhandene Ressourcen werden eingesetzt,
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens 1 Organisatorisches Freitag, 05. Mai 2006: keine Vorlesung! aber Praktikum von 08.00 11.30 Uhr (Gruppen E, F, G, H; Vortestat für Prototyp)
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrGründe für fehlende Vorsorgemaßnahmen gegen Krankheit
Gründe für fehlende Vorsorgemaßnahmen gegen Krankheit politische Lage verlassen sich auf Familie persönliche, finanzielle Lage meinen, sich Vorsorge leisten zu können meinen, sie seien zu alt nicht mit
MehrMeet the Germans. Lerntipp zur Schulung der Fertigkeit des Sprechens. Lerntipp und Redemittel zur Präsentation oder einen Vortrag halten
Meet the Germans Lerntipp zur Schulung der Fertigkeit des Sprechens Lerntipp und Redemittel zur Präsentation oder einen Vortrag halten Handreichungen für die Kursleitung Seite 2, Meet the Germans 2. Lerntipp
MehrGrammatiken. Einführung
Einführung Beispiel: Die arithmetischen Ausdrücke über der Variablen a und den Operationen + und können wie folgt definiert werden: a, a + a und a a sind arithmetische Ausdrücke Wenn A und B arithmetische
MehrDer Fristentransformationserfolg aus der passiven Steuerung
Der Fristentransformationserfolg aus der passiven Steuerung Die Einführung einer barwertigen Zinsbuchsteuerung ist zwangsläufig mit der Frage nach dem zukünftigen Managementstil verbunden. Die Kreditinstitute
MehrBauchgefühl oder kühle Berechnung Wer wird Fußball-Weltmeister 2014?
Bauchgefühl oder kühle Berechnung Wer wird Fußball-Weltmeister 2014? Prof. Dr. Michael Feindt Karlsruher Institut für Technologie (KIT) Founder and Chief Scientific Advisor, Blue Yonder Wer wird Weltmeister?
MehrOUTSOURCING ADVISOR. Analyse von SW-Anwendungen und IT-Dienstleistungen auf ihre Global Sourcing Eignung. Bewertung von Dienstleistern und Standorten
Outsourcing Advisor Bewerten Sie Ihre Unternehmensanwendungen auf Global Sourcing Eignung, Wirtschaftlichkeit und wählen Sie den idealen Dienstleister aus. OUTSOURCING ADVISOR Der Outsourcing Advisor ist
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrRegeln zur Beurteilung von Investitionen
6-0 Kapitel Regeln zur Beurteilung von Investitionen 6-1 Kapitelübersicht 6.1 Kapitalwert: Warum? 6.2 Payback-Periode (statisch) 6.3 Payback-Periode (dynamisch) 6.4 (Durchschnittliche) Buchrendite 6.5
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrDie drei Kernpunkte der modernen Portfoliotheorie
Die drei Kernpunkte der modernen Portfoliotheorie 1. Der Zusammenhang zwischen Risiko und Rendite Das Risiko einer Anlage ist die als Varianz oder Standardabweichung gemessene Schwankungsbreite der Erträge
MehrFinanzwirtschaft Teil III: Budgetierung des Kapitals
Finanzmärkte 1 Finanzwirtschaft Teil III: Budgetierung des Kapitals Kapitalwertmethode Agenda Finanzmärkte 2 Kapitalwertmethode Anwendungen Revolvierende Investitionsprojekte Zusammenfassung Kapitalwertmethode
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrMotivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen
Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrBerechnung der Erhöhung der Durchschnittsprämien
Wolfram Fischer Berechnung der Erhöhung der Durchschnittsprämien Oktober 2004 1 Zusammenfassung Zur Berechnung der Durchschnittsprämien wird das gesamte gemeldete Prämienvolumen Zusammenfassung durch die
MehrQuadratische Gleichungen
Quadratische Gleichungen Aufgabe: Versuche eine Lösung zu den folgenden Zahlenrätseln zu finden:.) Verdoppelt man das Quadrat einer Zahl und addiert, so erhält man 00..) Addiert man zum Quadrat einer Zahl
MehrVertical-Spreads Iron Condor Erfolgsaussichten
www.mumorex.ch 08.03.2015 1 Eigenschaften Erwartung Preis Long Calls Long Puts Kombination mit Aktien Vertical-Spreads Iron Condor Erfolgsaussichten www.mumorex.ch 08.03.2015 2 www.mumorex.ch 08.03.2015
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 3A Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit den Berechnungsfunktionen LG10(?) und SQRT(?) in "Transformieren", "Berechnen" können logarithmierte Werte sowie die Quadratwurzel
Mehrextreme Programming (XP) Hermann Götz Sergij Paholchak Agenda Was ist XP? Grundprinzipien Der Entwicklungsprozess Die Projektplanung Praktiken Vorteile und Nachteile Wann macht XP Sinn für ein Projekt?
MehrLösungshinweise zur Einsendearbeit 2 SS 2011
Lösungshinweise zur Einsendearbeit 2 zum Kurs 41500, Finanzwirtschaft: Grundlagen, SS2011 1 Lösungshinweise zur Einsendearbeit 2 SS 2011 Finanzwirtschaft: Grundlagen, Kurs 41500 Aufgabe Finanzierungsbeziehungen
MehrKaplan-Meier-Schätzer
Kaplan-Meier-Schätzer Ausgangssituation Zwei naive Ansätze zur Schätzung der Survivalfunktion Unverzerrte Schätzung der Survivalfunktion Der Kaplan-Meier-Schätzer Standardfehler und Konfidenzintervall
MehrAlso kann nur A ist roter Südler und B ist grüner Nordler gelten.
Aufgabe 1.1: (4 Punkte) Der Planet Og wird von zwei verschiedenen Rassen bewohnt - dem grünen und dem roten Volk. Desweiteren sind die Leute, die auf der nördlichen Halbkugel geboren wurden von denen auf
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrAbschlussprüfung Realschule Bayern II / III: 2009 Haupttermin B 1.0 B 1.1
B 1.0 B 1.1 L: Wir wissen von, dass sie den Scheitel hat und durch den Punkt läuft. Was nichts bringt, ist beide Punkte in die allgemeine Parabelgleichung einzusetzen und das Gleichungssystem zu lösen,
Mehr