Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation. Jens Schiborowski
|
|
- Alexandra Günther
- vor 7 Jahren
- Abrufe
Transkript
1 Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation Jens Schiborowski
2 Gliederung Einführung Monte-Carlo-Simulation Definition von Monte-Carlo-Simulation Einsatzgebiete von Monte-Carlo-Simulation Value-at-Risk Definition von Value-at-Risk Bestimmen von Value-at-Risk-Werten Anwendungsbeispiel Fazit
3 Warum Risikomanagement? Gründe für Risikomanagement: Kostenersparnis Sicherung des Eigenwertes des Unternehmens Value-at-Risk als Risikomaß Notwendigkeit der Simulation zur Berechnung von Valueat-Risk-Werten --> Monte-Carlo-Simulation
4 Warum Monte-Carlo-Simulation? Leicht zu handhaben Durch Verwendung von Zufallszahlen zur Berechnung durch Rechner geeignet Verwendung, wenn Berechnung mit Hilfe deterministischen Algorithmen nicht möglich
5 Definition von Monte-Carlo-Simulation Grundlage: Gesetz der großen Zahlen Zufallsgröße Ẍ (n) Schwaches Gesetz der großen Zahlen Starkes Gesetz der großen Zahlen
6 Definition von Monte-Carlo-Simulation Nachweis der Gültigkeit an Beispiel Münzwurf
7 Definition von Monte-Carlo-Simulation Vorgehensweise für Monte-Carlo-Simulation: Festlegung eines Eingabebereichs Auswahl zufälliger Eingaben aus Eingabebereich Verarbeitung der Eingaben über deterministischen Algorithmus Überführung der Ergebnisse in Endergebnis
8 Einsatzgebiete von Monte-Carlo- Simulation Mathematische Probleme Bestimmen von Verteilungseigenschaften von Zufallsvariablen unbekannte Verteilungstyps Teilchenphysik
9 Definition von Value-at-Risk Die in Währungseinheiten ausgedrückte maximale ungünstige Abweichung des tatsächlichen Werts einer erwarteten Position von ihrem erwarteten Wert innerhalb eines definierten Zeitraums wird als Value-at-Risk bezeichnet.
10 Bestimmen von Value-at-Risk- Werten Grundlage: Wert des Aktienportfolios zum Zeitpunkt i pi Abschätzung des Wertes zum Zeitpunkt i+τ : P(pi-pi+τ > VaR(α)τ i) = α Portfoliorendite zum Zeitpunkt i: τi = ln(pi/pi-1) α-quantil der bedingten Verteilung τi: P( τi+τ < q(α)τ i) = α Value-at-Risk eines Aktienportfolios für Zeitperiode τ: VaR(α)τ i = pi(1-exp(q(α)τ i)
11 Bestimmen von Value-at-Risk- Werten Generelle Vorgehensweise Bewertung des aktuellen Portfolios Schätzung der Verteilung der Portfoliorenditen Berechnung des VaR Knackpunkt ist Schätzung der Verteilung der Portfoliorenditen Unterscheidung in Bestimmung des α-quantils
12 Bestimmen von Value-at-Risk- Werten Nicht-parametrischer Ansatz: Schätzung aus historischer Verteilung Parametrischer Ansatz: Annahme einer konstanten Schwankung in der Verteilung Kombination aus vorangegangen Ansätzen: Beschreibung von Teilabschnitten nach parametrischen Ansatz
13 Anwendungsbeispiel Value-at-Risk eines Aktienportfolios aus DAX und 5Y EUR Zerobond ermitteln Korrelationsmatrix R mit Hilfe von Cholesky-Zerlegung in untere Dreiecksmatrix A umwandeln Beispielwerte für R und A: Simulation von 260 Werten für den Vektor Y:
14 Anwendungsbeispiel Berechnungsgrundlage für Zufallsvariablen Z1 und Z2: Simulation von 260 Werten für Zufallsvariablen Z1/Z2 Berechnung des Wertes des Aktienkurses für Simulation 1
15 Anwendungsbeispiel Analoge Berechnung für restliche 259 Simulationen Abschließende Berechnung der Werte der Portfolios
16 Anwendungsbeispiel Bei einer Irrtumswahrscheinlichkeit von 5% stellt die Differenz aus dem ursprünglichen Wert des Portfolios und dem 13. Wert der Simulation den Value-at-Risk des Aktienportfolios dar In diesem Beispiel beträgt der Value-at-Risk 22'550 --> Maximaler Verlust für nächsten Handelstag beträgt 22'550
17 Fazit Aufgrund der hohen Genauigkeit stellt die Monte-Carlo- Simulation eine anerkannte Methode zur Bestimmung von Value-at-Risk dar Ansporn zur Weiterentwicklung im Bereich der Zufallszahlen
18 Vielen Dank für eure Aufmerksamkeit
19 Fragen?
20 Literaturnachweis Value-at-Risk Ansätze zur Abschätzung von Marktrisiken, Jens Fricke, Wiesbaden, 2006 Mathematik Wahrscheinlichkeitsrechnung und Statistik unter Einbeziehung von elektronischen Rechnern, Zufallszahlen, Monte-Carlo-Methode und Simulation, H. Gundel, P. Schupp, U. Schweizer Monte Carlo Simulation im Risikomanagement aus WiSt Heft 7 Juli 2000, Prof. Dr. Markus Rudolf
Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation
Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation Studiengang Informatik Jens Schiborowski 8. Januar 2009 Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik 1 Abstract
MehrBewertung von biometrischen Risiken in der bav
Bewertung von biometrischen Risiken in der bav Ralf Knobloch Fachhochschule Köln Gliederung 1. Biometrische Risiken in der bav 2. Das Modell 3. Risikomaße 4. Einfaches Beispiel 5. Schlussbemerkungen 2
Mehrbav Risikomanagement in der betrieblichen Altersversorgung FaRis & DAV Symposium, Köln, 14. Juni 2013
Risikomanagement in der betrieblichen Altersversorgung FaRis & DAV Symposium, Köln, 14. Juni 2013 3. Bewertung von biometrischen Risiken in der bav Fachhochschule Köln, Schmalenbach Institut für Wirtschaftswissenschaften
MehrInhaltsverzeichnis. Teil I
Inhaltsverzeichnis Teil I Ein-Perioden-Wertpapiermärkte 3 1.1 Ein-Perioden-Modelle 4 1.2 Portfolios 7 1.3 Optionen und Forward-Kontrakte 9 1.3.1 Optionen 10 1.3.2 Forward-Kontrakte 12 1.4 Die Bewertung
Mehr3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
MehrPortfoliotheorie, Risikomanagenient und die Bewertung von Derivaten
Jürgen Kremer Portfoliotheorie, Risikomanagenient und die Bewertung von Derivaten Zweite, vollständig überarbeitete und erweiterte Auflage 45J Springer Inhaltsverzeichnis Teill Ein-Perioden- Wertpapiermärkte
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
MehrFakultät Wirtschaftswissenschaften Lehrstuhl für Quantitative Verfahren, insbesondere Statistik. Risikomaße Prof. Dr.
Fakultät Wirtschaftswissenschaften Lehrstuhl für Quantitative Verfahren, insbesondere Statistik Risikomaße 2016 Prof. Dr. Stefan Huschens ii Vorbemerkung Das vorliegende Skript ist aus einer Lehrveranstaltung
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS tfü. Springer Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R 3 1.1 Installieren und Starten von R 3 1.2 R-Befehle
MehrInhaltsverzeichnis. 2 Portfoliotheorie Rendite und Risiko Die erwartete Rendite... 74
1 Ein-Perioden-Wertpapiermärkte........................... 1 1.1 Portfolios............................................... 5 1.2 Optionen und Forward-Kontrakte......................... 8 1.2.1 Optionen.........................................
MehrMonte-Carlo-Methode. mit Pseudo- und Quasizufallszahlen
Gott würfelt nicht Monte-Carlo-Methode mit Pseudo- und Quasizufallszahlen Inhaltsverzeichnis Pseudo- und Quasizufallszahlen Monte-Carlo- Monte-Carlo- Monte-Carlo-Methode Bekannt nach Stadt Monte Carlo
MehrBewertung Strukturierter Produkte mittels Value-at-Risk
Bewertung Strukturierter Produkte mittels Value-at-Risk Bachelorarbeit in Banking & Finance am Institut für schweizerisches Bankwesen der Universität Zürich bei Prof. Dr. R. Volkart Verfasser: Matthias
MehrEinführung in das Kreditportfoliorisiko TEIL II. 12. September 2007 Verena Arendt
Einführung in das Kreditportfoliorisiko TEIL II 12. September 2007 Verena Arendt 1 1. Einführung 2. Modelle 3. Parameter a. Expected Loss b. Unexpected Loss c. Loss Distribution 4. Basel II 5. Conclusion
MehrEinführung in die Diskrete Finanzmathematik
Springer-Lehrbuch Einführung in die Diskrete Finanzmathematik Bearbeitet von Jürgen Kremer 1. Auflage 2005. Taschenbuch. XVI, 500 S. Paperback ISBN 978 3 540 25394 5 Format (B x L): 15,5 x 23,5 cm Gewicht:
MehrAUokation von Risikokapital in Banken
Reihe: Risikomanagement und Finanzcontrolling Band: 7 Hrsg.: Prof. Dr. Bernd Rudolph Tanja Dresel AUokation von Risikokapital in Banken Value-at-Risk, asymmetrische Information und rationales Herdenverhalten
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
MehrEinwegfunktionen. Problemseminar. Komplexitätstheorie und Kryptographie. Martin Huschenbett. 30. Oktober 2008
Problemseminar Komplexitätstheorie und Kryptographie Martin Huschenbett Student am Institut für Informatik an der Universität Leipzig 30. Oktober 2008 1 / 33 Gliederung 1 Randomisierte Algorithmen und
MehrDie Messung des Zinsrisikos mit internen Modellen
Wirtschaft Dennis Kahlert Die Messung des Zinsrisikos mit internen Modellen Bachelorarbeit Bibliografische Information der Deutschen Nationalbibliothek: Bibliografische Information der Deutschen Nationalbibliothek:
MehrCreditMetrics. Portfoliokreditrisiko Seminar. 10. Oktober Sebastian Sandner. Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim
CreditMetrics Portfoliokreditrisiko Seminar 10. Oktober 2007 Sebastian Sandner Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrQuantifizierung im Risikomanagement
Quantifizierung im Risikomanagement Grundlagen, Instrumente und Anwendungsbeispiele Prof. Dr. Bruno Brühwiler November 2016 1. Ausgangslage Im Business-Risikomanagement werden Eintrittswahrscheinlichkeiten
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
MehrRalf Kirsch Uwe Schmitt. Programmieren inc. Eine mathematikorientierte Einführung. Mit 24 Abbildungen und 13 Tabellen. Springer
Ralf Kirsch Uwe Schmitt Programmieren inc Eine mathematikorientierte Einführung Mit 24 Abbildungen und 13 Tabellen Springer Inhaltsverzeichnis Eine Einleitung in Frage und Antwort V 1 Vorbereitungen 1
MehrInhaltsverzeichnis. Teil I Einführung
Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme... 1.1 Kleine Einführung in R... 1.1.1 Installieren und Starten von R. 1.1.2 R-Konsole... 1.1.3 R-Workspace... 1.1.4 R-History... 1.1.5 R-Skripteditor...
MehrBerechnung MCR unter Solvency II
Berechnung MCR unter Solvency II Berechnung MCR unter Solvency II Die Wahl des richtigen Risikomaßes Sina Wiesinger 29. März 2018 Überblick 1 Einleitung 2 Grundlagen 3 Eigenschaften von Risikomaßen 4 Risikomaße
MehrInhaltsverzeichnis. Vorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen
Vorwort zur fünften Auflage Liste der Beispiele Häufig benutzte Symbole und Bezeichnungen v xiv xvii 1 Einleitung 1 Typische Aufgaben der Datenanalyse 1 1.2 Zum Aufbau dieses Buches 2 Zu den Programmen
MehrRisiko und Stochastische Dominanz
Risiko und Stochastische Dominanz DISSERTATION der Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften (HSG) zur Erlangung der Würde eines Doktors der Wirtschaftswissenschaften
MehrUnternehmensrisikomanagement
Prof. Dr.-Ing. Gerhard Girmscheid Dr. sc. techn. Thorsten A. Busch Unternehmensrisikomanagement in der Bau Wirtschaft ^Bauwerk Inhaltsverzeichnis Vorwort 3 Benutzungshinweise 5 Inhaltsverzeichnis 7 1 Einleitung
MehrProzedurales Programmieren und Problemlösungsstrategien
Prozedurales Programmieren und Problemlösungsstrategien Bachelorstudiengänge Umwelttechnik und Maschinenbau Prof. Dr. Thomas Hoch Problemlösungsstrategien Prozedurales Programmieren und Problemlösungsstrategien
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
MehrRisikomessung mit dem Conditional Value-at-Risk
Jendrik Hanisch Risikomessung mit dem Conditional Value-at-Risk Implikationen für das Entscheidungsverhalten. Bibliothek j k Mit einem Geleitwort von \* \, -^ Prof. Dr. Wolfgang Kürsten A; Verlag Dr. Kovac
MehrStochastische Approximation des Value at Risk
Stochastische Approximation des Value at Risk Annemarie Bitter Motivation Eines der wichtigsten Projekte der Versicherungswirtschaft ist derzeit die sogenannte Solvency-II-Richtlinie der Versicherungsaufsicht.
MehrTeil II: Quantitative Risikoanalyse
Teil II: Quantitative Risikoanalyse Im ersten Teil dieser Reihe über Risikomanagement 1 haben wir uns mit unserer Auffassung von Risiko und Unsicherheit aus historischer Sicht befasst und die wichtigsten
MehrPocket Cards (Winning Probabilities) 6.1 Anzahl der Kombinationen Monte Carlo Simulation Ergebnisse 6
6 6.1 Anzahl der Kombinationen 6. Monte Carlo Simulation 3 6.3 Ergebnisse 6 in case you do not speak German ignore the description and jump to the preflop win probability tables in chapter 6.3 Poker Trainer
Mehr1 Verteilungsfunktionen, Zufallsvariable etc.
4. Test M3 ET 27 6.6.27 4. Dezember 27 Regelung für den.ten Übungstest:. Wer bei den Professoren Dirschmid, Blümlinger, Vogl oder Langer die UE aus Mathematik 2 gemacht hat, sollte dort die WTH und Statistik
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrVorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen
Vorwort zur fünften Auflage Liste der Beispiele Häufig benutzte Symbole und Bezeichnungen v xiv xvii 1 Einleitung 1 1.1 Typische Aufgaben der Datenanalyse 1 1.2 Zum Aufbau dieses Buches 2 1.3 Zu den Programmen
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrGrundlagen, Vorgehensweisen, Aufgaben, Beispiele
Hans Benker - Wirtschaftsmathematik Problemlösungen mit EXCEL Grundlagen, Vorgehensweisen, Aufgaben, Beispiele Mit 138 Abbildungen vieweg TEIL I: EXCEL 1 EXCEL: Einführung 1 1.1 Grundlagen 1 1.1.1 Tabellenkalkulation
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrNachteile: STD existiert nur für Verteilungen mit E(FL 2 ) <, d.h. nicht ansetzbar bei leptokurtischen ( fat tailed ) Verlustverteilungen;
Risikomaße basierend auf die Verlustverteilung Sei F L := F Ln+1 die Verteilung der Verlust L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren
MehrTests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrSimulationsmethoden in der Bayes-Statistik
Simulationsmethoden in der Bayes-Statistik Hansruedi Künsch Seminar für Statistik, ETH Zürich 6. Juni 2012 Inhalt Warum Simulation? Modellspezifikation Markovketten Monte Carlo Simulation im Raum der Sprungfunktionen
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrRisikomanagement für Corporate Bonds
Reihe: Portfoliomanagement Band: 17 Hrsg.: Lutz Johanning, Raimond Maurer, Markus Rudolf 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrPraktische Umsetzung einer barwertigen Zinsbuchsteuerung unter GuV Restriktionen in einer Sparkasse
Wirtschaft Timo Gröttrup Praktische Umsetzung einer barwertigen Zinsbuchsteuerung unter GuV Restriktionen in einer Sparkasse Diplomarbeit Praktische Umsetzung einer barwertigen Zinsbuchsteuerung unter
MehrRisiko und Risikomanagement Hintergrund und Ziele
Risiko und Risikomanagement Hintergrund und Ziele Begriffsherkunft: Risicare: Gefahr laufen, wagen; Resecum: Felsklippe Risiko: die aus der Unvorhersagbarkeit der Zukunft resultierende Möglichkeit eines
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrModellbildung 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
MehrStochastische Approximation des Value at Risk
Stochastische Approximation des Value at Risk Zusammenfassung der Masterarbeit an der Universität Ulm Annemarie Bitter Motivation Eines der wichtigsten Projekte der Versicherungswirtschaft ist derzeit
MehrLösungshinweiseshinweise zur Einsendearbeit 2 zum Kurs 41520, Banken und Börsen, SS 2008
1 Lösungshinweise zur Einsendearbeit 2: SS 2008 Banken und Börsen, Kurs 41520 Aufgabe 1: Value at Risk a) Die UNIVERSALBANK möchte den Value at Risk als Risikokennzahl zur Messung bankspezifischer Risiken
MehrVorwort Abbildungsverzeichnis Teil I Mathematik 1
Inhaltsverzeichnis Vorwort Abbildungsverzeichnis V XIII Teil I Mathematik 1 1 Elementare Grundlagen 3 1.1 Grundzüge der Mengenlehre... 3 1.1.1 Darstellungsmöglichkeiten von Mengen... 4 1.1.2 Mengenverknüpfungen...
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
MehrMethoden der Statistik Markov Chain Monte Carlo Methoden
Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrGrundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften
Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrMonte-Carlo-Verfahren nach GUM Supplement 1. Gerd Wübbeler Physikalisch-Technische Bundesanstalt
Monte-Carlo-Verfahren nach GUM Supplement 1 Gerd Wübbeler Physikalisch-Technische Bundesanstalt 1 Inhalt Wahrscheinlichkeitsverteilungen Monte-Carlo Verfahren Beispiele Adaptive Monte-Carlo Verfahren Warum
MehrMonte 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
MehrIngenieurmathematik mit Computeralgebra-Systemen
Hans Benker Ingenieurmathematik mit Computeralgebra-Systemen AXIOM, DERIVE, MACSYMA, MAPLE, MATHCAD, MATHEMATICA, MATLAB und MuPAD in der Anwendung vieweg X Inhaltsverzeichnis 1 Einleitung 1 1.1 Ingenieurmathematik
MehrKlassifikation und Analyse finanzwirtschaftlicher Zeitreihen mit Hilfe von fraktalen Brownschen Bewegungen
Michael Hafner Klassifikation und Analyse finanzwirtschaftlicher Zeitreihen mit Hilfe von fraktalen Brownschen Bewegungen PETER LANG Europäischer Verlag der Wissenschaften Inhaltsverzeichnis Abbildungsverzeichnis.-.
MehrMathematische Grundlagen Kalman Filter Beispielprogramm. Kalman Filter. Stephan Meyer
Kalman Filter Stephan Meyer FWPF Ortsbezogene Anwendungen und Dienste Georg-Simon-Ohm-Hochschule Nürnberg 07.12.2007 Outline 1 Mathematische Grundlagen 2 Kalman Filter 3 Beispielprogramm Mathematische
MehrBeispiel 6 (Multivariate Normalverteilung)
Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
MehrStatistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrResampling. in»statistische Methoden in der Physik« Referent: Alex Ortner. Studenten-Seminar Sommersemester 2007
Resampling in»statistische Methoden in der Physik«Referent: Studenten-Seminar Sommersemester 2007 Gliederung 1 Resampling Prinzip Einleitung Resampling Methoden 2 3 4 Einleitung intuitv Resampling Prinzip
MehrPortfolio-Selektionstheorie grafisch und intuitiv mit GeoGebra
Portfolio-Selektionstheorie grafisch und intuitiv mit GeoGebra Lucia Del Chicca Markus Hohenwarter Seminar Mathematech, JKU 14 Mai 2015 Die Problemstellung Es ist allgemein bekannt, dass wenn wir ein bestimmtes
MehrEinleitung Definition Credibility Theorie Bühlmann-Straub Modell. Credibility Theory. Martin Klaudinger
Credibility Theory Martin Klaudinger 26.06.2012 Inhalt Einleitung Individuelle Prämie Kollektive Prämie Bayes Prämie Definition Credibility Theorie Bühlmann-Straub Modell Modell Annahmen Credibility Prämie
Mehr2-Stichprobentest für Anteilswerte
-Stichprobentest für Anteilswerte Wir betrachten den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π 1, π ) Ziel: Auf der Basis von Stichprobenerhebungen
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrKinga Szűcs Friedrich-Schiller-Universität Jena Fakultät für Mathematik und Informatik Abteilung Didaktik
Beurteilende Statistik im Mathematikunterricht Kinga Szűcs Friedrich-Schiller-Universität Jena Fakultät für Mathematik und Informatik Abteilung Didaktik 20.11.2014 Gliederung Anliegen der beurteilenden
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
Mehr2. Beispiel: n-armiger Bandit
2. Beispiel: n-armiger Bandit 1. Das Problem des n-armigen Banditen 2. Methoden zur Berechung von Wert-Funktionen 3. Softmax-Auswahl von Aktionen 4. Inkrementelle Schätzverfahren 5. Nichtstationärer n-armiger
MehrGrundlagen der Objektmodellierung
Grundlagen der Objektmodellierung Daniel Göhring 30.10.2006 Gliederung Grundlagen der Wahrscheinlichkeitsrechnung Begriffe zur Umweltmodellierung Bayesfilter Zusammenfassung Grundlagen der Wahrscheinlichkeitsrechnung
MehrRisikomessung 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
MehrStatistische Anwendungen. Claudia Dilger
Statistische Anwendungen Claudia Dilger 21.10.2008 Traue keiner Statistik, die du nicht selbst gefälscht hast! Quelle: unbekannt Statistik - was ist das überhaupt? Stochastik Wahrscheinlichkeitstheorie
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
MehrBasiswissen Mathematik, Statistik. und Operations Research für. Wirtschaftswissenschaftler. von. Prof. Dr. Gert Heinrich DHBW Villingen-Schwenningen
Basiswissen Mathematik, Statistik und Operations Research für Wirtschaftswissenschaftler von Prof. Dr. Gert Heinrich DHBW Villingen-Schwenningen 5., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
MehrErmittlung der Messunsicherheit und Anwendung der Monte-Carlo-Methode in GUMsim
Ermittlung der Messunsicherheit und Anwendung der Monte-Carlo-Methode in GUMsim PTB-Seminar 308 Felix Straube, QuoData GmbH Berlin, 16.03.2018 Gliederung GUM Verfahren Monte-Carlo-Methode Prinzip der Messunsicherheitsbestimmung
MehrErläuterung des Vermögensplaners Stand: 3. Juni 2016
Erläuterung des Vermögensplaners 1 Allgemeines 1.1. Der Vermögensplaner stellt die mögliche Verteilung der Wertentwicklungen des Anlagebetrags dar. Diese verschiedenen Werte bilden im Rahmen einer bildlichen
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrInvestition und Risiko. Finanzwirtschaft I 5. Semester
Investition und Risiko Finanzwirtschaft I 5. Semester 1 Gliederung Ziel Korrekturverfahren: Einfache Verfahren der Risikoberücksichtigung Sensitivitätsanalyse Monte Carlo Analyse Investitionsentscheidung
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrDer Metropolis-Hastings Algorithmus
Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Markov-Chain Monte-Carlo Verfahren Übersicht 1 Einführung
MehrWS 2010/11. Risikomanagement II. Übung zum Thema: Value at Risk. (Lösung)
Risikomanagement II Übung zum Thema: Value at Risk (Lösung) 1 Aufgabe 1 Erläutern Sie die Struktur der Value at Risk Risikobemessung! 2 Grundlagen: Value at Risk (VaR) Zentrales Messkonzept zur Quantifizierung
MehrModellbildung und Simulation
Modellbildung und Simulation Wintersemester 2007/2008 Klaus Kasper Praktikum Mittwochs: 10:15 13:30 (Y) Start: 24.10.2007 Ort: D15/202 Donnerstags: 14:15 17:30 (X) Start: 25.10.2007 Ort: D15/102 Zulassungsvoraussetzung
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
MehrMonte-Carlo-Simulation
Modellierung und Simulation Monte-Carlo-Simulation Universität Hamburg Johannes Schlundt 7. Januar 2013 Monte-Carlo-Simulation Johannes S. 1/31 Inhalt Motivation Geschichtliche Entwicklung Monte-Carlo-Simulation
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
Mehr