CreditMetrics. Portfoliokreditrisiko Seminar. 10. Oktober Sebastian Sandner. Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim
|
|
- Uwe Möller
- vor 7 Jahren
- Abrufe
Transkript
1 CreditMetrics Portfoliokreditrisiko Seminar 10. Oktober 2007 Sebastian Sandner Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim
2 Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung 7 a) Analytisch Exposure 8 Volatilität 12 Korrelation 19 b) Simulation 22 2
3 Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung 7 a) Analytisch Exposure 8 Volatilität 12 Korrelation 19 b) Simulation 22 3
4 Einordnung Veröffentlicht 1997 von JP Morgan, basiert auf RM 1994 Value at Risk Modell Ermöglicht Mark-to-market Bewertung Akkumulierung von Kreditrisiken über alle Produkte Die Inputfaktoren können individuell modelliert werden Flexibler Zeithorizont Output VaR bezüglich upgrades, downgrades und default Deskriptive Statistiken Marginal Risk 4
5 Ziele Messen des Portfoliorisikos Einbezug von Ratingrisiken Benchmark für Kreditrisiken Transparenz Riskmanagement Tool für alle Akteure Einschätzung des marginalen Risikos Ein Tool für alle Instrumente 5
6 Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung 7 a) Analytisch Exposure 8 Volatilität 12 Korrelation 19 b) Simulation 22 6
7 Durchführung Berechnung des Exposures Schätzung der Volatilität Schätzung der Korrelationen VaR des Portfolios bezüglich Kreditrisiken 7
8 Exposure Bonds Fixed coupon Floater Callables Receivables Market driven Instruments Forwards Zins Swaps Credit Default Swaps 8
9 Exposure Berechnung des Present Value eines fixed coupon Bonds PV c c N + c = ( 1 + r ) ( 1 + r) ( 1 + r) n c : Kupon n : L a u fzeit N : Rückzahlung r : Z in s Hierbei hängt der Zins von dem Rating des betrachteten Bonds ab 9
10 Exposure Bsp: CDS Hauptbaustein für viele weitere struckturierte Produkte man kann auch hier die Ausfallwahrscheinlichkeit ablesen 70 basis points pa Protection Buyer Zahlung bei Default Protection Seller p = 1 s R 10
11 Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung 7 a) Analytisch Exposure 8 Volatilität 12 Korrelation 19 b) Simulation 22 11
12 Volatilität Drei Stufen zur Berechnug der Volatilität einer Krediteinzelposition 1. Schätzen der Kreditqualität Migration 2. Schätzen der Wertveränderung 3. Berechnung der Verteilung des Bond Wertes 12
13 Volatilität 1. Schätzen der Migration Migrationsmatrix aus historischen Daten Es kann jede beliebige Migrationsmatrix verwendet werden Angepaßt um small sample bias herauszufiltern Ausfallwahrscheinlichkeit steigt nie im Rating Monotonie Wahrscheinlichkeit einer Migration zu gegebenen Rating ist für nähergelegene Ratings größer Auch AAA kann ausfallen, ist aber nur sehr selten beobachtbar 13
14 Volatilität Migrationsmatrix Beispiel aus historischen Daten Ausgangs Rating zum Jahresende (%) Rating AAA AA A BBB BB B CCC Default AAA 90,81 8,33 0,68 0,06 0,12 0,00 0,00 0,00 AA 0,70 90,65 7,79 0,64 0,06 0,14 0,02 0,00 A 0,09 2,27 91,05 5,52 0,74 0,26 0,01 0,06 BBB 0,02 0,33 5,95 86,93 5,30 1,17 0,12 0,18 BB 0,03 0,14 0,67 7,73 80,53 8,84 1,00 1,06 B 0,00 0,11 0,24 0,43 6,48 83,46 4,07 5,20 CCC 0,22 0,00 0,22 1,30 2,38 11,24 64,86 19,79 JP Morgan CreditMetrics - Technical Document - S&P Credit Week (15 April 1996) 14
15 Volatilität 2. Schätzen der Wertveränderung Neubewertung bei Ausfall Recovery abhängig von Seniorität und Sitz des Emittenten Hohe Volatilität in Recovery rates Seniority Class Mean (%) Standard Deviation (%) Senior Secured 53,80 26,86 Senior Unsecured 51,13 25,45 Senior Subordinated 38,52 23,81 Subordinated 32,74 20,18 Junior Subordinated 17,09 10,90 Carty & Liebermann (96a) - Moody s Investors Service Neubewertung bei Ratingänderungen Present Value Ansatz Zins entsprechend dem Rating wählen 15
16 Volatilität 3. Berechnung der Verteilung Volatilität kann aus Migrationsmatrix und Wertveränderung berechnet werden Es ergibt sich die Verteilung des Bondwertes für einen bestimmten Zeithorizont, der dem der Migrationsmatrix entspricht Große Unsicherheit vor allem bei dem Recovery Value, aber auch die anderen Umweltzustände unterliegen wiederum einer Verteilung Recovery Value durch Beta-Verteilung darstellbar Zukünftige Credit Spreads aus Forwardswapkurve ablesbar Auch eigenes Modell möglich 16
17 Volatilität 3. Berechnung der Verteilung BBB, 5 Jahre, 6% Rating zum Prob. Neuer Bond Jahresende (%) Wert AAA 0,02 109,37 AA 0,33 109,19 A 5,95 108,66 BBB 86,93 107,55 BB 5,30 102,22 B 1,17 98,10 CCC 0,12 83,64 Default 0,18 51,13 JP Morgan CM - Technical Document Mean: 107,09 Stdev.: 2,99 17
18 Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung 7 a) Analytisch Exposure 8 Volatilität 12 Korrelation 19 b) Simulation 22 18
19 Korrelation Nur wenig Beobachtungen für Default Korrelationen Möglichkeiten der Messung von Korrelationen: Bond spread Korrelation Annahme konstanter Korrelationen Equity Korrelation, Asset Value Ansatz (Merton 74) Im Porfolio mit N Assets und 8 Ratingkategorien existieren 8^N Zustände D.h. bei nur 10 Assets bereits über 1Mrd. Zustände Daher rechnerisch in großen Portfolios nicht durchführbar 19
20 Wiederholung Exposure Present Value Volatilität Aus Migrationswahrscheinlichkeiten und zukünftigem Wert Korrelation Beispielsweise aus Equity Preisen In größeren Portfolios nicht durchführbar Simulation 20
21 Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung 7 a) Analytisch Exposure 8 Volatilität 12 Korrelation 19 b) Simulation 22 21
22 Simulation Vorgehen bei Monte Carlo Simulation 1. Generieren der Szenarien Man erhält die verschiedenen Umweltzustände 2. Portfolio bewerten Für jedes Szenario den Wert des Portfolios berechnen 3. Geschätzte Verteilung Aus 1. und 2. erhält man die Verteilung und man kann nun den VaR und die deskriptiven Statistiken bestimmen 22
23 Simulation 1. Generieren der Szenarien Erzeugung von Ratings mit Hilfe des Asset Value Modell Simulation basiert auf Multivariater Normalverteilung 23
24 Simulation 2. Portfolio bewerten Alle Instrumente in den neuen Ratings bewerten Bei Recovery rates wird zwischen den Senioritäten unterschieden Zu jedem Szenario gehört eine zufällige Recovery rate gemäß der Beta- Verteilung 24
25 Exkurs Beta-Verteilung Allgemeine Beta-Verteilung 1 f ( x) = ( x a) ( b x) B ( a, b, p, q) p 1 q 1 Setze a=0 und b=1, hierdurch liegt Verteilung zwischen 0 und 1 Ist vollständig durch Erwartungswert und Standardabweichung beschrieben Ex () = p pq Var() x = p + q ( p+ q+ 1)( p+ q) 2 25
26 Simulation 3. Geschätzte Verteilung Rating Value Szenario Bond 1 Bond 2 Bond 3 Bond 1 Bond 2 Bond 3 Portfolio 1 BBB A CCC 4,302 2,126 1,056 7,484 2 BB BBB CCC 4,081 2,063 1,056 7,200 3 BBB A A 4,302 2,126 1,161 7,589 4 BBB A Default 4,302 2,126 0,657 7,085 5 BBB A CCC 4,302 2,126 1,056 7,484 6 BBB A Default 4,302 2,126 0,754 7,182 7 BBB A Default 4,302 2,126 0,269 6,697 8 BBB A Default 4,302 2,126 0,151 6,579 9 A AA B 4,346 2,130 1,137 7, BBB A CCC 4,302 2,126 1,056 7,484 JP Morgan CM Technical Document Mean: 7,24 Stdev: 0,37 VaR(90):6,697 Marginal Risk Bond 3 VaR(B1,B2,B3)-VaR(B1,B2) 0,35 26
27 Simulation 3. Geschätzte Verteilung Median Perzentil Porfoliowert Wert unter (%) im Szenario Normalverteilung 95,00 67,93 69,15 50,00 67,80 67,28 5,00 64,98 65,42 2,50 63,97 65,06 1,00 62,85 64,64 0,50 61,84 64,36 0,10 57,97 63,77 μ 1, 9 6σ JP Morgan CM - Technical Document Wert in t=0: 68 Anz. Bonds: 20 Anz. Szenarien: EW in t=1: 67,28 Stdabw: 1,14 27
28 Simulation Zusammenfassung Simulation 1. Generieren eines Umweltzustands, sample aus multivariater NV 2. Portfolio in jedem Zustand bewerten 3. Wiederhole 1. und 2. um Verteilung zu erhalten 4. Aus Verteilung erhält man VaR, Mean, Volatilität, 28
Commercial Banking. Kreditportfoliosteuerung
Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung
MehrVorlesung 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
MehrCreditMetrics. Portfoliokreditrisko Seminar. Korrelation und Asset Value Ansatz. 17. Oktober 2007 Robert Schilling
Korrelation und Ansatz Portfoliokreditrisko Seminar 7. Oktober 007 Robert Schilling Seminarleitung: PD Dr. Rafael Weißbach Universität Mannheim Berechnung des Exposures Schätzung der Volatilität Schätzung
MehrVergleich der Portfoliomodelle I Seminar Portfoliokreditrisiko
Vergleich der Portfoliomodelle I Seminar Portfoliokreditrisiko Manuel Molitor Agenda 1. WEF Kritik 2. 3. vs 4. in 5. in 6. 2 Eigenschaften Nur auf Ausfall-Ereignisse fokussiert Ausfälle sind Poisson-Verteilt
MehrBonitätsrisiko und Unternehmensanleihen
Bonitätsrisiko und Unternehmensanleihen Burkhard Erke Montag, März 31, 2008 Die Folien orientieren sich an (a) Unterrichtsmaterialien von Backus (NYU) und (b) Neuere Entwicklungen am Markt für Unternehmensanleihen,
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:
MehrZielsetzung. Problematik
Kreditrisiko-Modellierung für Versicherungsunternehmen Tamer Yilmaz 21. November 2007 Zielsetzung Die Ermittlung der Eigenkapitalhinterlegung für das Kreditrisiko, die auf das Versicherungsunternehmen
Mehr6522: Capital Markets and Risk Management
(Bitte in Blockschrift) Name... Vorname... Matrikelnummer... Punkte Aufgabe 1:... Aufgabe 2:... Aufgabe 3:... Aufgabe 4:... Aufgabe 5:... Aufgabe 6:... Total :... UNIVERSITÄT BASEL Dr. Patrick Wegmann
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
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
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
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
MehrKlausur zur Vorlesung Financial Engineering und Structured Finance
Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz und Bankwirtschaft Klausur zur Vorlesung Financial Engineering und Structured Finance Prof. Dr. Marco Wilkens 6. Februar
Mehr4592 Kapitalmarkt und Risikomanagement, WS 2001/02. Übung 2
4592 Kapitalmarkt und Risikomanagement, WS 2001/02 Übung 2 Abgabe bis spätestens 29.1.2002 Assistenz: christian.buhl@unibas.ch Die Übung gilt bei Erreichen von mindestens 60 Punkten als bestanden (maximal
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
MehrSVSP Risikoklassifizierung (Value at Risk) - FAQ
SVSP Risikoklassifizierung (Value at Risk) - FAQ 1. Mit welchen Methoden wird die Risikokennzahl berechnet? Der SVSP nutzt zur Berechnung von VaR die historische Simulation. Diese Methode ist weit verbreitet
MehrKreditrisikomodell von Jarrow-Lando-Turnbull im Einsatz
Kreditrisikomodell von Jarrow-Lando-Turnbull im Einsatz Dr. Michael Leitschkis Generali Deutschland Holding AG Konzern-Aktuariat Personenversicherung München, den 13.10.2009 Agenda Einführung und Motivation
MehrCommercial 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
MehrEinsatz Risikobewertung, Entscheidungsfindung und Simulation
Einsatz von @Risk: Risikobewertung, Entscheidungsfindung und Simulation Case Study Insolvenzwahrscheinlichkeit eines Unternehmens Risikoregister 1 Case Study: Insolvenzwahrscheinlichkeit eines Unternehmens
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
MehrFRM 2011 Übungsklausur
FRM 2011 Übungsklausur 1 Example 5-1: FRM Exam 1999----Question 49/Capital Markets 1 Nehmen Sie an, dass der Kassakurs (Spot Rate) USD/EUR 1,40 ist. Eine amerikanische Bank offeriert 1,5% (jährliche Verzinsung)
MehrGrundlagen und Bewertung
Credit Default Swaps - Grundlagen und Bewertung t Camp 2009 Prof. Dr. Helmut Gründl Humboldt-Universität zu Berlin Helmut Gründl Credit Default Swaps -1- Credit Default Swaps: Ein Beispiel für Asset-Backed
MehrDie Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation. Jens Schiborowski
Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation Jens Schiborowski Gliederung Einführung Monte-Carlo-Simulation Definition von Monte-Carlo-Simulation Einsatzgebiete von Monte-Carlo-Simulation
MehrKreditrisiko 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
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
Mehr2 0,5% - 5,0% 3 5,0% - 12% 4 12% - 20% 5 20% - 30% 6 30% - 80% 7 >80%
Die ESMA hat die finalen Technical Standards zur Berechnung der Risikoklassen im Rahmen der PRIIPs- Verordnung am 7. April veröffentlicht. Die grundsätzliche Herangehensweise für die Risikoeinstufung ist
MehrGanzheitliche Risikomessung im Sinne des Anlegers
Ganzheitliche Risikomessung im Sinne des Anlegers Für alle Anlageprodukte / Wertpapiere gilt Risikofreier Zins 1% + Risikoprämien? + Management? - Kosten abhängig von der Anlage - Steuer abhängig von der
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
MehrLÖSUNGSSKIZZE: Aufgaben für die Klausur Bank I, II am 11.02.2004. Teil I: Aufgaben zu Bank I. Aufgabe 1 (Risikoanreiz und Bankgeschäfte; 30P)
Universität Hohenheim Institut für Betriebswirtschaftslehre Lehrstuhl für Bankwirtschaft und Finanzdienstleistungen Matthias Johannsen Stuttgart, 11.02.2004 LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank
MehrSprungprozesse in der Finanzmathematik
Sprungprozesse in der Finanzmathematik Stefan Kassberger Frankfurt School of Finance and Management Antrittsvorlesung am 22.3.2012 1. Empirische Beobachtungen 2. Jump-Prozesse und alternative Verteilungen
MehrRisikomanagement 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,
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrInstitutionalOpti-Cash M
Stand: 17.01.2011; Seite 1 von 6 Stammdaten Fondsart Geldmarktfonds Entwicklung VaR(99/10) in den letzten 12 Monaten ISIN Auflegungsdatum Fondsvermögen [EUR] LU0274789303 01.12.2006 128.296.521,65 0,1
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrProblem aller bisheriger Methoden: Ergebnis ist nur so gut wie das Modell selbst.
2.7 Validierung durch Backtesting Problem aller bisheriger Methoden: Ergebnis ist nur so gut wie das Modell selbst. Modell besteht im Wesentlichen aus zwei Faktoren: 1. Einflussgrößen 2. Modellierungsalgorithmus
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
MehrKreditrisikomanagement in Banken unter besonderer Berücksichtigung ausgewählter Kreditrisikomodelle
Technische Universität Ilmenau Fakultät für Wirtschaftswissenschaften Institut für Betriebswirtschaftslehre Fachgebiet Finanzwirtschaft/Investition Prof. Dr. R. Trost Kreditrisikomanagement in Banken unter
MehrMetrologie = Wissenschaft vom Messen. Messunsicherheit von Analysenergebnissen. VU Chemisch Rechnen
Metrologie = Wissenschaft vom Messen Messunsicherheit von Analysenergebnissen Wer mißt, mißt Mist!! Metrologie Meteorologie Kräht der Hahn am Mist, Ändert sich das Wetter oder es bleibt, wie es ist!! Inhalt
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrCDSs, CLOs, CLNs : Credit Derivatives are Leaving itraxx
CDSs, CLOs, CLNs : Credit Derivatives are Leaving itraxx American Translators Association 47 th Annual Conference, New Orleans November 2, 2006 Ralf Lemster 1 CDSs, CLOs, CLNs Introduction Credit derivatives
MehrCredit 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
MehrCommercial Banking. Off Balance Sheet Kreditinstrumente: Kreditzusagen (Loan Commitment) Kreditgarantien (Letter of Credit) Kreditderivate
Commercial Banking Off Balance Sheet Kreditinstrumente: Kreditzusagen (Loan Commitment) Kreditgarantien (Letter of Credit) Kreditderivate Kreditzusage / Kreditlinie (Loan commitment) = Zusage der Bank,
MehrBankmanagement II Übung WS 2009/10. Bankmanagement II. - Übung im WS 2009/10 - Zusatzfolien Aufgabe 4 d) Dipl.-Kff. Tatjana Guse
Bankmanagement II - Übung im WS 2009/10 - Zusatzfolien Aufgabe 4 d) AUFGABE 4 D) GEBEN SIE EINEN ÜBERBLICK, WELCHE ZIELE MIT DEN NEUEN EIGENKAPITALANFORDERUNGEN VERFOLGT WERDEN. WELCHE METHODEN ZUR ERMITTLUNG
MehrGefährliche Wechselwirkung von Markt- und Kreditrisiko: Beispiel Fremdwährungskredite
Gefährliche Wechselwirkung von Markt- und Kreditrisiko: Beispiel Fremdwährungskredite Thomas Breuer Martin Jandačka Klaus Rheinberger Martin Summer PPE Research Centre, FH Vorarlberg, Austria Oesterreichische
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,
MehrKreditriskoberechnungbei der Swiss Life
Kreditriskoberechnungbei der Swiss Life Theorie und Praxis der Modellierung des Kreditrisikos von Kapitalanlagen. Kreditrisikoberechnung bei der Swiss Life, Carl-Heinz Meyer, Hagen, den 06.10.2009 1 Agenda
Mehrvon Thorsten Wingenroth 358 Seiten, Uhlenbruch Verlag, 2004 EUR 98,- inkl. MwSt. und Versand ISBN 3-933207-42-8
Reihe Portfoliomanagement, Band 17: RISIKOMANAGEMENT FÜR CORPORATE BONDS Modellierung von Spreadrisiken im Investment-Grade- Bereich von Thorsten Wingenroth 358 Seiten, Uhlenbruch Verlag, 2004 EUR 98,-
MehrAsset Management mit OLZ & Partners
Asset Management mit OLZ & Partners Asset Management mit OLZ & Partners Minimum Varianz als Alternative zum kapitalgewichteten Indexieren Assets under Management in Mio. CHF OLZ & Partners Entwicklung
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrSchweizer Leadership Pensions Forum 2014
Schweizer Leadership Pensions Forum 2014 Corporate Bonds in welchen Bereichen liegen die attraktivsten Opportunitäten? Michael Klose Head Fixed Income AMB Schweiz Swiss Life Asset Managers 29 Oktober 2014
MehrSerie: Bestimmung von Ausfallwahrscheinlichkeiten - Teil 3
69 www.risknews.de 09.2002 Kreditrisiko Serie: Bestimmung von Ausfallwahrscheinlichkeiten - Teil 3 Stochastische Ausfallwahrscheinlichkeiten Credit Risk+ Ein Beitrag von Uwe Wehrspohn Eine zentrale Annahme
MehrKreditrisiko (CreditMetrics)
Nr. 1 Kreditrisiko (CreditMetrics) Thomas Heidorn Februar 1999 ISSN 1436-9753 Autor: Prof. Dr. Thomas Heidorn Bankbetriebslehre, insb. Risikomanagement und Derivate Hochschule für Bankwirtschaft, Frankfurt
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrOptionspreistheorie Seminar Stochastische Unternehmensmodelle
Seminar Stochastische Unternehmensmodelle Lukasz Galecki Mathematisches Institut Universität zu Köln 1. Juni 2015 1 / 30 Inhaltsverzeichnis 1 Was ist eine Option? Definition einer Option Übersicht über
MehrKreditrisiko. 2.1 Default Mode-Modelle
Kreditrisiko 2 2.1 Default Mode-Modelle Adressenausfallrisiko ist das Risiko, dass eine natürliche oder juristische Person oder eine Personenhandelsgesellschaft, gegenüber der das Institut einen bedingten
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
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrGliederung. Thomas Böduel Dienstag, 15. November 2005 Basel II und Rating 2
Basel II und Rating Gliederung Der Weg zu Basel II Die drei Säulen von Basel II Säule 1: Mindestkapitalanforderungen Kreditausfallrisiko Operationelles Risiko Marktrisiko Säule 2: Bankenaufsicht Säule
MehrMonte-CarloSimulation
Die Monte-CarloSimulation Ein Vortrag von Laureen Schareina Mathematisches Institut Universität zu Köln 26.06.2015 Inhaltsangabe Allgemeines 3 Geschichte 5 Funktionsweise 6 Eigenschaften der MCS 7 Monte-Carlo-Schätzer
Mehrunendlich-dimensionalen lästigen Parameter auffassen.
Näherungen mit Bootstrap Werner Stahel, Seminar für Statistik, ETH Zürich, 8. 4. 2009 Dieser Text kann dazu dienen, die Ideen des Bootstrap zusammenzufassen. Es fehlen hier Beispiele. 1 Fragestellung a
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrMindestkonditionen im Kreditgeschäft! Rating und risikoadjustiertes Pricing! Individueller Ansatz! Effiziente Kreditprozesse
Kreditgeschäft Mindestkonditionen im Kreditgeschäft Rating und risikoadjustiertes Pricing Individueller Ansatz Effiziente Kreditprozesse Orientierung an der Erfüllung der Kriterien im Rahmen von Basel
MehrÜbergreifende Sichtweise auf Immobilienrisiken der Bank anhand einer Integration in die Risikosteuerung. GenoPOINT, 28.
Übergreifende Sichtweise auf Immobilienrisiken der Bank anhand einer Integration in die Risikosteuerung GenoPOINT, 28. November 2013 Agenda 1. Ausgangslage 2. Übergreifende Sichtweise auf Immobilienrisiken
MehrUniversität St.Gallen
44_Fit_for_Finance_Fruehjahr_2017_44_52701_Fit_for_Finance 25.10.16 09:24 Seite 3 Schweizerisches Institut für Banken und Finanzen Universität St.Gallen Vortragsreihe unter der Leitung von Prof. Dr. Manuel
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrProbleme bei kleinen Stichprobenumfängen und t-verteilung
Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom
MehrRisikoklassifizierung von Bondm-Anleihen
Risikoklassifizierung von Bondm-Anleihen Technische Dokumentation Einleitung Grundlegende Idee einer Risikoklassifizierung von Wertpapieren ist es, deren Risiken zu bewerten und anschließend Produkte mit
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
MehrPrüfungsamt Fachbereich Wirtschaftswissenschaften
U N I V E R S I T Ä T S I E G E N Bachelor- und Diplomprüfung Matrikel-Nr.: Erstprüfer: Prof. Dr. Wiedemann Zweitprüfer: Prof. Dr. Moog Erlaubte Hilfsmittel: netzunabhängiger, nichtprogrammierbarer Taschenrechner
MehrWelche Style-Indices treiben die Fondsperformance?
Welche Style-Indices treiben die Fondsperformance? Ergebnisse für das Stoxx-Universum Elisabeth Stocker und Niklas Wagner Universität Passau Rüdiger Sälzle FondsConsult Research AG FondsConsult Investmentkonferenz
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
MehrStatistik-Klausur vom
Statistik-Klausur vom 09.02.2009 Bearbeitungszeit: 90 Minuten Aufgabe 1 a) Ein Unternehmen möchte den Einfluss seiner Werbemaßnahmen auf den erzielten Umsatz quantifizieren. Hierfür werden die jährlichen
MehrDie Bewertung des Credit Valuation Adjustments (CVA)
PMSinfo CVA Pricing Die Bewertung des Credit Valuation Adjustments (CVA) Warum ist das Thema derzeit besonders aktuell? Die zunehmende Bedeutung resultiert aus den Erfahrungen der Finanzkrise. Laut dem
MehrKreditrisikomodelle. Mit Kalibrierung der Input-Parameter. Working Paper Series by the University of Applied Sciences of bfi Vienna.
Number 3 / 2004 Working Paper Series by the University of Applied Sciences of bfi Vienna Kreditrisikomodelle Mit Kalibrierung der Input-Parameter Version 1.01, July 2004 Robert Schwarz University of Applied
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrEmerging Market Corporate Value Bonds Wir finden Value. Jesper Schmidt & Mikkel Strørup
Emerging Market Corporate Value Bonds Wir finden Value Jesper Schmidt & Mikkel Strørup Was wollen wir eigentlich sagen? 4 Informationen, die Sie heute mitnehmen sollten, wenn Sie sich Schwellenländer anschauen.
MehrMonte-Carlo-Techniken bei modernen Kreditrisikomodellen ein Beispiel
Monte-Carlo-Techniken bei modernen Kreditrisikomodellen ein Beispiel Verfasser: Dr. Michael Lesko Stephan Vorgrimler GILLARDON financial software GmbH Die Modellierung und das Management von Kreditrisiken
MehrRendite und Risiko. Burkhard Erke. Letzte Änderung: Donnerstag, 6. März Die Folien orientieren sich an John Heatons Unterrichtsmaterialien
Rendite und Risiko Burkhard Erke Letzte Änderung: Donnerstag, 6. März 2008 Die Folien orientieren sich an John Heatons Unterrichtsmaterialien (GSB Chicago) Lernziele: Renditekonzepte und -definitionen
MehrWelche Style-Indices treiben die Fonds- Performance?
Welche Style-Indices treiben die Fonds- Performance? Ergebnisse für das Stoxx-Universum Prof. Dr. Niklas Wagner und Dipl.-Kffr. Elisabeth Stocker, Universität Passau Dipl.-Kfm. Rüdiger Sälzle, FondsConsult
MehrLehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm
Lehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm A b s c h l u s s k l a u s u r z u r V o r l e s u n g K a p i t a l m a r k t t h e o r i e W i n t e r s e m e s t e r 1 9 9 9 / 2
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
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrDer Entscheidungsträger wählt aus einer Menge von Alternativen, dem Aktionenraum A = {a 1, a 2, a m }.
1 Grundlagen Entscheidungstheorie: Der Entscheidungsträger wählt aus einer Menge von Alternativen, dem Aktionenraum A = {a 1, a 2, a m }. Annahmen: Der Entscheidungsträger ist gezwungen, eine der betrachteten
Mehreconstor zbw www.econstor.eu
econstor www.econstor.eu Der Open-Access-Publikationsserver der ZBW Leibniz-Informationszentrum Wirtschaft The Open Access Publication Server of the ZBW Leibniz Information Centre for Economics Heidorn,
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
Mehro o o o o o o o o o o o
Klumpen-Stichproben = Cluster Sampling Obs.: Bei einer uneingeschränkten Zufallsauswahl wird pro Randomisierungs- Schritt genau eine Beobachtung gemacht. Ein ganz wesentlicher Punkt : Jedes zufällig ausgewählte
MehrIst Asset-Liability-Modeling (ALM) tot?
1 Ist Asset-Liability-Modeling (ALM) tot? Baring Asset Management Kompass 2004 Schlosshotel Kronberg, 4. Februar 2004 Peter Scherkamp Ist Asset-Liability-Modeling (ALM) tot? Antwort: Ja! (... aber nur
MehrBanken, Versicherungen und andere
Risikomanagement Banken, Versicherungen und andere Finanzinstitutionen 3., aktualisierte Auflage John C. Hull Fachliche Betreuung der deutschen Übersetzung durch Dr. Wolfgang Mader und Dr. Marc Wagner
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007
. Zufallsvariable und Verteilungsfunktion Aufgabe.1 Wahrscheinlichkeitsfunktion und Verteilungsfunktion Die Zufallsvariable X sei das Ergebnis eines Würfels a. Wie lautet die Wahrscheinlichkeitsfunktion?
MehrKONVERGENZ IN DER KAPITALAPPROXIMATION FÜR DIE LEBENSVERSICHERUNG. 21. Mai 2015 Thomas Gleixner
KONVERGENZ IN DER KAPITALAPPROXIMATION FÜR DIE LEBENSVERSICHERUNG 21. Mai 2015 Thomas Gleixner Agenda 1. Was ist Kapitalapproximation (und wen sollte das interessieren)? 2. Etablierte Methoden 3. Erfahrungen
Mehr1. Maße der zentralen Tendenz Beispiel: Variable Anzahl der Geschwister aus Jugend '92. Valid Cum Value Frequency Percent Percent Percent
Deskriptive Statistik 1. Verteilungsformen symmetrisch/asymmetrisch unimodal(eingipflig) / bimodal (zweigipflig schmalgipflig / breitgipflig linkssteil / rechtssteil U-förmig / abfallend Statistische Kennwerte
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
Mehr- 2-2. a) Definieren Sie kurz Risiko und Risikomanagement?
Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Seminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 1999/2000 Zuständiger Mitarbeiter:
MehrComprehensive Quantitative Impact Study 2010
Comprehensive Quantitative Impact Study 2010 Handelsbuch (Trading Book) Karsten Stickelmann Zentralbereich Banken und Finanzaufsicht Deutsche Bundesbank Frankfurt am Main, 18. Februar 2010 Wesentliche
MehrCorporate Finance. Corporate Bonds
Corporate Finance Corporate Bonds 1 Corporate Bonds Wertpapiere, die dem Inhaber einen schuldrechtlichen Anspruch auf Zins und Tilgung verbriefen (Inhaberschuldverschreibung) 2 Corporate Bonds Wertpapiere,
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 28.05.2009 1 Korrektur zur letzten Vorlesung Bsp. Fehlerfortpflanzung in einer Messung c B a 2 2 E c Var c a b A b 2 2 2 n h( x)
MehrNikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen
Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen IGEL Verlag Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen 1.Auflage 2009 ISBN: 978 3 86815 358
Mehr