Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
|
|
- Sebastian Lehmann
- vor 7 Jahren
- Abrufe
Transkript
1 Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und darauf ein zweiperiodiger Finanzmarkt bestehend aus einem Bond B mit Startwert B 0 = und einer Verzinsung von r = 0% pro Periode sowie einer Aktie S mit folgender Kursentwicklung: S 0 S (ω) S (ω) a) Ist dieser Markt arbitragefrei? Ist er vollständig? Begründen Sie Ihre Antwort. b) Bewerten Sie die Europäische Option H, H(ω) := S max (ω) S min (ω), S max (ω) := max S 0, S (ω), S (ω)}, S min (ω) := min S 0, S (ω), S (ω)}, ω Ω. a) Modelliert man Ω = up, down}, ω = (ω, ω ) und schreibt den Aktienkurs als S t (ω) = S t (ω)y t (ω), t =,, ω Ω, mit S 0 (ω) S 0 ist die Arbitragefreiheit des Marktes äquivalent zu Y t (ω) ωt=down < + r < Y t (ω) ωt=up t, }, ω Ω. Das ist hier erfüllt, denn + r = 0 und Y (ω) ω =down = 6 0 < 0 < 0 = Y (ω) ω =up, Y (up,... ) ω =down = < < 0 60 = Y (up,... ) ω =up, Y (down,... ) ω =down = 0 60 < < = Y (down,... ) ω =up. Die Vollständigkeit folgt aus der Eindeutigkeit des äquivalenten Martingalmaßes Q. Diese stellen wir im Folgenden fest, indem wir zeigen, dass es nur eine eindeutige Lösung für Q gibt. Berechne für t = 0, die risikoneutralen Ein-Schritt-Wahrscheinlichkeiten q t (ω) = q t (ω,..., ω t ) := Q (ω t+ = up ω,..., ω t ), ω Ω.
2 Es gilt q t (ω) = woraus man direkt die Werte + r Y t+ (ω) ωt=down, t = 0,, ω Ω, Y t+ (ω) ωt=up Y t+ (ω) ωt=down q 0 = q (up) = q (down) = = = = abliest. Q ist Produktmaß und ergibt sich zu b) Werte H pfadweise aus: Q (up, up) = q 0 q (up) =, Q (up, down) = q 0 ( q (up)) = 3 4, Q (down, up) = ( q 0 ) q (down) = 70, Q (down, down) = ( q 0 ) ( q (down)) = 05. H (up, up) = 4 0 = 4, H (up, down) = 0 =, H (down, up) = 0 6 = 4, H (down, down) = 0 0 = 0. Der Markt ist vollständig, also gilt mit der risikoneutralen Bewertungsformel π(h) = E Q [ H ] = ( ) 0 ( ) = ,80. Aufgabe (7 Punkte) Gegeben sei folgender einperiodiger Finanzmarkt mit einem risiko- und zinslosen Bond B und zwei risikobehafteten Anlagen S und S. Die erste Anlage starte mit Wert S0 = x > 0, die zweite mit = 6. Nach einer Periode seien drei Szenarien möglich: S 0 ω Ω S (ω) S (ω) ω 4 0 ω 6 ω 3 8 a) Für welche Werte x ist der Markt arbitragefrei? Bestimmen Sie alle äquivalenten Martingalmaße. b) Sei x = 8. Ist der Markt vollständig?
3 a) Der Markt ist genau dann arbitragefrei, wenn ein äquivalentes Martingalmaß Q Q existiert. Hinreichend und notwendig erfüllt ein solches q i (0, ) für q i := Q(ω i }), i =,, 3, die Normiertheit q + q + q 3 = und die Martingaleigenschaft ] Wegen B 0 = B muss hier also E Q [ S d B = Sd 0 B 0, d =,. S d (ω )q + S d (ω )q + S d (ω 3 )q 3 = S d 0, d =,, gelten. Zusammen mit der Normiertheit löst man das lineare Gleichungssystem z.b. mit Gauß: 4 x x x x x x + 5 Wegen der bereits erfüllten Normiertheit genügt es auf q i > 0, i =,, 3, zu prüfen: q = x > 0 x >, q = 8 x + 5 q 3 = 4 x > 0 x < 0, > 0 x >. Damit ist der Markt arbitragefrei genau dann, wenn x (, 0), und die äquivalenten Martingalmaße sind charakterisiert durch } Q = (q, q, q 3 ) T q = x, q = 5 8 x, q 3 = 4 x, x (, 0). b) Für x = 8 ist } Q = (q, q, q 3 ) T q =, q = 4, q 3 =, 4 insbesondere Q =, und daher ist der Markt vollständig. Aufgabe 3 (7 Punkte) Betrachten Sie ein CRR-Modell mit zwei Perioden, Verzinsung r =, 5%, Startpreis S 0 = und Kursfaktoren d = 4 5 sowie u = 5 4. Es werde die Amerikanische Put-Option H t = (K S t ) +, t 0,, }, mit Strike K = 3 gehandelt. 3
4 a) Bestimmen Sie zur Zeit t = 0 einen fairen Preis für diese Option. b) Geben Sie eine optimale Ausübungsstrategie an. a) Der Bond folgt dem deterministischen Verlauf und der Put hat das Auszahlungsprofil B 0 =, B = 4 40, B = ( ) 4 40 H 0 = (K S 0 ) + = 3 =, H (up) = (K S (up)) + = = 7 4, H (down) = (K S (down)) + = = 5, H (up, up) = (K S (up, up)) + = = 3 6, H (up, down) = (K S (up, down)) + = 3 =, H (down, up) = H (up, down), H (down, down) = (K S (down, down)) + = = Die risikoneutrale Einschritt-Wahrscheinlichkeit ist hier q = + r d u d = = q. Das eindeutige äquivalente Martingalmaß Q erhält man als Produktmaß Q(ω}) = 4, ω Ω. Bestimme die Snell-Einhüllende Z = (Z t ) t=0,,. Zum Periodenende gilt Für alle anderen Zeitpunkt erhält man Z (up, up) = H (up, up) = 3 ( ) 40 B 6, 4 Z (up, down) = H ( ) (up, down) 40 =, B 4 Z (down, up) = Z (up, down), Z (down, down) = H (down, down) B = 59 5 Z t = max } Ht, E Q [Z t+ F t ], B t ( )
5 also mit den Ergebnissen von oben 7 Z (up) = max 4 40 ( ) ( ) } 4, } 870 = max 4, = 870 4, Z (down) = max 5 40 ( 4, + 59 ) ( ) } } = max 5 4, = , Z 0 = max, = max, ( } =. Nach Vorlesung ist π A (H) = Z 0 = der faire Preis der Option zur Zeit t = 0. b) Die optimale Stoppzeit ist τ = inf Z t = H } t. t 0,...,T } B t In Teil a) sind die jeweiligen Maximisatoren rot markiert. Man liest τ 0 ab, d.h. optimalerweise übt man die Option sofort aus. )} Aufgabe 4 (6 Punkte) In einem Markt seien genau drei risikobehaftete Anlagen handelbar. Ihre zufälligen Einperioden- Erträge R (T ), R (T ) und R 3 (T ) seien paarweise unkorreliert mit ( ) ( ) ( ) Var R (T ) = Var R (T ) = Var R3 (T ) = [( 0, mt := E R (T ), R (T ), R 3 (T ))] = 0 (,, 3). a) Angenommen, ein Investor darf beliebig Kredit aufnehmen und Leerverkäufe tätigen. Welchen Anteil seines Vermögens investiert er in die verschiedenen Anlagen, um mit minimaler Varianz einen vorgegebenen erwarteten Portfolio-Return m p R zu erreichen? b) Bestimmen Sie die erwartete Rendite und die Varianz des Minimum-Varianz-Portfolios (mvp). Aus den Angaben liest man die Covarianzmatrix Σ = 0 0 0, Σ = 0 0 0, der Einperioden-Erträge ab. Wir möchten das Markowitz-Problem lösen. a) Aus der Vorlesung ist bekannt, wie man zu vorgegebenem erwarteten Ertrag m p das zugehörige 5
6 varianzminimale Portfolio π p bestimmt. Es gilt mit den dortigen Bezeichnungen A := m T Σ = ( ) = 6, B := m T Σ m = ( ) = , C := T Σ = ( ) = 30, D = BC A = = 6, π p = Cm p A D Σ m + B Am p Σ = D 3 4 5m p. 5m p Um m p mit minimaler Varianz zu erreichen, sollte der Investor also stets 3 seines Vermögens in die erste Anlage investieren und abhängig von m p die Anteile 4 3 5m p bzw. 5m p 3 in die zweite, respektive die dritte Anlage. Ohne weitere Einschränkungen an m p liegen die letzten beiden allgemein in R, was ausdrücklich zugelassen wurde. b) Das Minimum-Varianz-Portfolio mvp erfüllt nach Vorlesung und mit obigen Bezeichnungen m mvp = A C = 5, σ mvp = C = 30. Aufgabe 5 (7 Punkte) Vorgelegt sei das Ein-Perioden CRR-Modell mit d = 4 5, u = 5 4 und Zinsrate i > 0. Für gegebenes Startvermögen x > 0 und eine strikt wachsende und strikt konkave Nutzenfunktion U : (0, ) R betrachte das Portfolio-Problem E [U (( + i)(x + ar))] max, (P ) a a R ( + i)(x + ar) > 0 P-f.s.} a) Für welche Zinsraten i besitzt (P ) eine Lösung? b) Sei i so gewählt, dass (P ) lösbar ist, und U(x) = γ xγ mit γ (0, ) der Power-Nutzen. Nehmen Sie weiter an, dass P = Q gilt, das Optimierungsproblem also bereits unter dem risikoneutralen Maß gestellt ist. Bestimmen Sie mit der Martingalmethode das optimale Endvermögen X und die zugehörige optimale Portfoliostrategie. a) Nach Vorlesung ist dieses Portfolio-Problem (P ) genau dann lösbar, wenn der Markt arbitragefrei ist. Das CRR-Modell ist arbitragefrei genau dann, wenn d = 4 5 < + i < 5 4 = u, also ist (P ) genau dann lösbar, wenn der Einperiodenzins i im Intervall (0, 4 ) liegt, denn nach Modellannahme ist i > 0 gefordert. b) Um das optimale Endvermögen mit Hilfe der Martingalmethode zu bestimmen, betrachte das statische Problem [ ] } (S) E [U(X)] max, X X : Ω R + X ist F T -messbar, E Q = x. XBT 6
7 X = ( + i)(x + ar) bezeichnet hier das zufällige Endvermögen bei Investition a. Da wir bereits risikoneutral sind, müssen wir das Maß nicht mehr wechseln, es gilt Z = dq dp. Sei I := (U ) = y y γ die umgekehrte erste Ableitung der Nutzenfunktion. Dann ist nach Vorlesung ( λ X ) ( ) Z λ = I I = ( λ ) γ das optimale Endvermögen. λ muss so gewählt werden, dass die Erreichbarkeitsnebenbedingung erfüllt ist, d.h. so dass [ ] [ ( Z x = E X = E λ ) ] ( ) γ = (λ ) γ + γ richtig ist. Das ist für λ = x γ B γ T X (ω) erfüllt, das zugehörige Endvermögen ist in diesem Fall ( x γ B γ T ) γ = xbt und dieses ist eindeutig. Weil ( St B t ) t=0, nach Voraussetzung bereits unter P ein Martingal ist, erwartet man bei Investition in die Aktie den gleichen Return wie bei Investition in den Bond. Konsequenterweise haben wir ein deterministisches Endvermögen ausgerechnet, das man erreicht, indem man schlicht alles in den Bond und nichts in die Aktie investiert: Mit a := 0 erhält man gerade das Endvermögen ( + i)(x + ar) = ( + i)x = x = X. Aufgabe 6 (6 Punkte) Es seien µ und µ Maße auf R mit endlichem Erwartungswert. a) Zeigen Sie: Sind µ und µ Exponentialverteilungen mit Parametern λ, λ > 0, gilt µ uni µ λ λ. Hinweis: Eine zum Parameter λ > 0 exponentialverteilte Zufallsvariable X besitzt die Dichte f X (x) = λe λx x 0. b) Es sei µ i die Verteilung einer Zufallsvariable X i, i =,. Y sei eine weitere, von X und X unabhängige Zufallsvariable. Mit ν i bezeichne die Verteilung von X i + Y, i =,. Zeigen Sie µ uni µ = ν uni ν. a) Sei X Exp(λ ), X Exp(λ ). = : Wegen µ uni µ gilt also λ λ. λ = E [X ] = = : Wegen λ λ ist für alle x R xµ (dx) xµ (dx) = E [X ] = λ, F X (x) = e λ x e λ x = F X (x). 7
8 Verteilungsfunktionen sind nichtnegativ. Für beliebige c R gilt folglich also µ uni µ. c F X (x)dx c F X (x)dx, b) Sei u : R R, x u(x), eine beliebige Nutzenfunktion. Für feste y R ist dann auch die Verschiebung x u(x + y) eine Nutzenfunktion. Aus µ uni µ können wir also ( ) E [u(x + y)] E [u(x + y)], y R, folgern. Damit gilt dann auch E [u(x + Y )] = ( ) E [u(x + y)] P Y (dy) E [u(x + y)] P Y (dy) und das bedeutet nach Definition ν uni ν. = E [u(x + Y )] 8
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. r. N. Bäuerle ipl.-math. S. Urban Lösungsvorschlag 3. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe as endnutzenoptimale Aktienportfolio bei Exp-Nutzen Wir betrachten
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrFinanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/
Finanzmathematik - Wintersemester 2007/08 http://code.google.com/p/mitgetexed/ Stand: 4. November 2007 Inhaltsverzeichnis 1 Motivation und erste Begriffe 2 2 Endliche Finanzmärkte 4 3 Das Cox-Ross-Rubinstein-Modell
MehrBewertung von amerikanischen Optionen im CRR Modell. Seminararbeit von Nadja Amedsin
Bewertung von amerikanischen Optionen im CRR Modell Seminararbeit von Nadja Amedsin 22.05.10 i Inhaltsverzeichnis 1 Einführung 1 2 Amerikanischer Claim 1 2.1 Beispiele................................ 2
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag 8. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe Hedging Amerikanischer Optionen Wir sind in einem arbitragefreien
MehrVorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
Univ. Leipzig Mathematisches Institut Vertretung Professur Stochastische Prozesse Max v. Renesse email: mrenesse@math.tu-berlin.de Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
MehrLösungen zur 1. Klausur Diskrete Stochastische Finanzmathematik ( , SoSe 2014) am , Zeit: 10-12, Raum: W
Prof. Dr. Dietmar Pfeifer Institut für Mathematik Lösungen zur. Klausur Diskrete Stochastische Finanzmathematik (5..862, SoSe 24 am 5.8.24, Zeit: - 2, Raum: W--6 Name:... Matr.-Nr.:... Geb.-Datum:... Studiengang:...
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
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
MehrLösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung
Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Ausarbeitung zum Vortrag im Seminar Stochastische Dynamische Optimierung vom 18.01.2008 Datum : 18.01.2008 Verfasser: Martin Schymalla
Mehr2 Das Marktmodell C1(WS08/09) [2] 1
2 Das Marktmodell 2.1 Ein allgemeines Finanzmarktmodell 2.2 Aufsteigende Systeme von σ-algebren und adaptierte Prozesse 2.3 Elementare Handelsstrategien im Finanzmarktmodell 2.4 Die σ-algebra der previsiblen
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrTU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig (1 + ρ)
TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig 9..04 Lösungsvorschläge zum 3. Aufgabenblatt der Vorlesung,,Einführung in die Finanzmathematik Gruppenübungen Aufgabe : Es sei Ω = {, +} n,
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrEinleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären.
Einleitung Das Ein-Perioden-Modell ist das einfachste Modell, um die Idee der Preisgebung von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. naive Idee der Optionspreisbestimmung: Erwartungswertprinzip
MehrWas kosten Garantien?
Alternative Zinsgarantien in der Lebensversicherung, Köln, 1. Juni 2012 Was kosten Garantien? Prof. Dr. Ralf Korn Technische Universität Kaiserslautern, Fachbereich Mathematik EI-QFM und Fraunhofer ITWM
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
MehrMoney out of nothing? - Prinzipien und Grundlagen der Finanzmathematik
Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Francesca Biagini Mathematisches Institut, LMU biagini@math.lmu.de Münchner Wissenschaftstage im Jahr der Mathematik 21. Oktober 28
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
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
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrDynamische Portfolio-Optimierung mit partieller Information und beschränktem Ausfallrisiko
1 / 36 Dynamische Portfolio-Optimierung mit partieller Information und beschränktem Ausfallrisiko Ralf Wunderlich Brandenburgische Technische Universität Cottbus gemeinsam mit Jörn Sass (TU Kaiserslautern)
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrKlausur Stochastik und Statistik 18. September 2012
Klausur Stochastik und Statistik 18. September 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 5. Erwartungswert E und Varianz V Literatur Kapitel 5 * Storrer: (37.9)-(37.12), (38.4), (40.6)-(40.9), (41.2) * Stahel: Kapitel 5 und 6 (nur
MehrStochastische Analysis
Stochastische Analysis SS1 von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 6. Mai 21 Inhaltsverzeichnis 1 Motivation / Einführung 4 1.1 Motivation anhand
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrRisikoeinstellungen empirisch
Risikoeinstellungen empirisch Risk attitude and Investment Decisions across European Countries Are women more conservative investors than men? Oleg Badunenko, Nataliya Barasinska, Dorothea Schäfer http://www.diw.de/deutsch/soep/uebersicht_ueber_das_soep/27180.html#79569
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrBank I/II. (Deutsch) (Bank Management & Financial Intermediation) Hinweise:
Name: Matrikelnummer: Bank I/II (Deutsch) (Bank Management & Financial Intermediation) Hinweise: Schreiben Sie Ihren Namen und Ihre Matrikelnummer auf die Klausur und auf jeden Bogen. Als Hilfsmittel ist
MehrAmerikanischen Optionen
Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.
MehrSerie 4. Analysis D-BAUG Dr. Cornelia Busch FS 2015
Analysis D-BAUG Dr. Cornelia Busch FS 05 Serie 4. Finden Sie die lokalen Extrema der Funktionen f : R R auf dem Einheitskreis S = {x, y R : x + y = } und geben Sie an, ob es sich um ein lokales Minimum
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrDie Kopplung von Markovketten und die Irrfahrt auf dem Torus
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus Verena Monschang Vortrag 20.05.20 Dieser Seminarvortrag thematisiert in erster Linie die Kopplung von Markovketten. Zu deren besseren Verständnis
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
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
MehrSeminar Bewertungsmethoden in der Personenversicherungsmathematik
Seminar Bewertungsmethoden in der Personenversicherungsmathematik Bonus, das Binomial- und das Black-Scholes-Modell I Carolin Wilms 18.05.2010 Mathematisches Institut der Universität zu Köln Sommersemester
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrVorlesung. Finanzmathematik I. Steffen Dereich und Marcel Ortgiese. Westfälische Wilhelms-Universität Münster WS2013/14. Version: 31.01.
Vorlesung Finanzmathematik I Steffen Dereich und Marcel Ortgiese Westfälische Wilhelms-Universität Münster WS2013/14 Version: 31.01.2014 Inhaltsverzeichnis 1. Einführung 1 1.1. Das Finanzmarktmodell...........................
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrÜbungen zur Stochastik, Blatt Nr. 1
Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. ) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. a) Schreiben Sie alle Elemente des Grundraums in Form einer Matrix auf. b) Wie
MehrBericht zur Prüfung im Oktober 2004 über Finanzmathematik (Grundwissen)
Bericht zur Prüfung im Oktober 2004 über Finanzmathematik (Grundwissen) Peter Albrecht (Mannheim) Die Prüfung des Jahres 2004 im Bereich Finanzmathematik (Grundwissen) wurde am 09. Oktober 2004 mit diesmal
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrFinanzwirtschaft. Foliensatz Vertiefungskurs aus ABWL: im Sommersemester Teil / 2 und 7 Univ. Ass. Dr. Matthias G.
Universität Wien Institut für Betriebswirtschaftslehre ABWL IV: Finanzwirtschaft 400 026/2+7 Univ. Ass. Dr. M.G. Schuster Foliensatz Vertiefungskurs aus ABWL: Finanzwirtschaft im Sommersemester 2004 3.
MehrThemen des Bachelorseminars zur Finanz- und Versicherungsmathematik
Themen des Bachelorseminars zur Finanz- und Versicherungsmathematik 1. Das mehrdimensionale Cox-Ross-Rubinstein Modell Ein CRR Modell für d Aktien kann dadurch spezifiziert werden, dass der Preisprozeß
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr5 Optimale erwartungstreue Schätzer
33 5 Optimale erwartungstreue Schätzer 5.1 Definition Seien X 1,..., X n reelle Zufallsvariablen, T T (X 1,..., X n ) reellwertige Statistik. T heißt linear : c 1,..., c n R mit T n c j X j 5.2 Satz Seien
MehrAdaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
MehrÜbung zu Kapitalmarkttheorie II
Übung zu Kapitalmarkttheorie II Marina Markheim Lehrstuhl für Theoretische Volkswirtschaftslehre Prof. Dr. Lutz Arnold Universität Regensburg Tel: +49-94-94-704 Raum RW(L)407 WS 05/06 WIEDERHOLUNG Aufgabe
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrArbitrage Free Pricing
Beim CAPM wurde gezeigt, dass man Finanztitel basierend auf der Verteilung ihres künftigen Preises bewerten kann. Dabei haben wir [unter der Annahme gewisser Präferenzen des Es] den Preis eines Finanztitels
MehrKapitel V - Erwartungstreue Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrKlausur Entscheidungstheorie WS 2010/2011 S. 1 von 11
Klausur Entscheidungstheorie WS 2010/2011 S. 1 von 11 Fach: Prüfer: Veranstaltung: Finanzierung und Investition Prof. Dr. Dr. A. Löffler W2263 Entscheidungstheorie Name Vorname Matrikelnummer Punkte Beachten
MehrFaltung und Approximation von Funktionen
Faltung und Approximation von Funktionen Lisa Bauer und Anja Moldenhauer 9. Juni 2008 1 Die Faltung von Funktionen 1.1 Die Faltung Eine kleine Widerholung mit einem Zusatz: Vergleiche den Vortrag von Benjamin
MehrDerivatebewertung im Binomialmodell
Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrDas Markowitz Modell zur Bestimmung optimaler Aktienportfolios
Das Markowitz Modell zur Bestimmung optimaler Aktienportfolios Frank Oertel Departement T Mathematik und Physik Zürcher Hochschule Winterthur (ZHW) CH 840 Winterthur 8. Februar 200 Zielsetzung und Modellansätze
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
Mehr5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrAufgabe 1: Asset Allocation
Aufgabe 1: Asset Allocation (40 Punkte) 2 1 2 Ein nutzenmaximierender Akteur mit der Präferenzfunktion (, ) a verfügt in 2 einer Zwei-Zeitpunkt-Welt über Eigenkapital in Höhe von 500 Yuan (Y), das er für
MehrMathematik III. Produkt-Präringe
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 66 Es ist unser Ziel zu zeigen, dass auf der Produktmenge von Maßräumen unter recht allgemeinen Voraussetzungen ein Maß definiert ist,
Mehr1 0 1, V 3 = M, und λ A = λa
Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a
MehrDoz. Dr. H.P. Scheffler Sommer 2000 Klausur zur Vorlesung Stochastik I
Doz. Dr. H.P. Scheffler Sommer 2000 Klausur zur Vorlesung Stochastik I Wählen Sie aus den folgenden sechs Aufgaben fünf Aufgaben aus. Die maximal erreichbare Punktezahl finden Sie neben jeder Aufgabe.
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
MehrDIPLOM. Abschlussklausur der Vorlesung Bank I, II:
Seite 1 von 9 Name: Matrikelnummer: DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Seite 2 von 9 DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement
MehrFinanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013
Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Walter Sanddorf-Köhle Foliensatz Nr. 3 1 / 46 Ein Einperiodenmodell Beispiel 5 Betrachtet wird nun ein Wertpapiermarkt mit
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
Mehr1 A dp = P(A B). (1.3)
Markov-etten Seminar Stochastik vom 4-500 Version Oktober 00 Markus Penz Vorbemerkungen zu bedingten Wahrscheinlichkeiten Sei (Ω, F,P) ein Wahrscheinlichkeitsraum und X : Ω R eine F-messbare sowie integrierbare
Mehr