Was ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005):
|
|
- Achim Kirchner
- vor 6 Jahren
- Abrufe
Transkript
1 Was ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005): Credit risk is the risk that the value of a portfolio changes due to unexpected changes in the credit quality of issuers or trading partners. This subsumes both losses due to defaults and losses caused by changes in credit quality such as the downgrading of a counterparty in an internal or external rating system Beispiele Kreditrisiko-behaftete Finanzinstrumente Portfolios von Unternehmensanleihen OTC ( over the counter ) Transaktionen Handel im Bereich der Kreditderivate 1
2 Kreditrisiko: ein einfaches Modell P: Portfolio von n risikoreichen Anleihen in der Höhe L i, i = 1,2,...,n. p i : Wahrscheinlichkeit, dass Kreditnehmer i zahlungsunfähig wird. 1 λ i : Anteil des Verlustes aus Anleihe i falls Kreditnehmer i zahlungsunfähig wird. λ i [0,1] heißt recovery rate von Anleihe i. Verlust in Falle von Zahlungsunfähigkeit ( loss-given-default ): LGD i = (1 λ i )L i Bernoulli ZV X i : Status des Kreditnehmers i zum Zeitpunkt T { 1 Kreditnehmer i ist zahlungsunfähig X i = 0 Kreditnehmer i ist nicht zahlungsunfähig Es gilt p i = P(X i = 1) Gesamtverlust zum Zeitpunkt T: n L = X i LGD i =. n X i (1 λ i )L i Verteilung von L hängt von der Gesamtverteilung von (X 1,...,X n,λ 1,...,λ n ) T ab. 2
3 Das einfachste Modell: L i = L 1, i recovery rates sind deterministisch und λ i = λ 1, i X i sind i.i.d. mit Wahrscheinlichkeit p Dann gilt L = LGD 1 N mit N = n X i Binomial(n,p). Modelle mit latenten Variablen Die Kreditnehmer werden in m + 1 homogene Kategorien geteilt; alle Kreditnehmer einer Gruppe haben dieselbe Wahrscheinlichkeit zahlungsunfähig zu werden (default Wahrscheinlichkeit). Historische Beobachtungen der Anzahl der Kreditnehmer einer Kategorie, die Zahlungsunfähig werden = Schätzung der Default Wahrscheinlichkeit für Kreditnehmer der entsprechenden Kategorie. Status Variable S = (S 1,S 2,...,S n ), S i {0,1,...,m}, S i = 0 entspricht der Zahlungsunfähigkeit S i = j {1,2,...,m} entspricht den unterschiedlichen Einteilungskategorien, könnten zb. Rating Klassen sein. { 0 Si 0 Dann gilt X i = 1 S i = 0 3
4 S = (S 1,S 2,...,S n ) T wird mit Hilfe der latenten Variablen Y = (Y 1,Y 2,...,Y n ) T modelliert. Y i könnte zb. der Wert der Aktien von Kreditnehmer i. Seien d ij, i = 1,2,...,n, j = 0,1,...,m+1 Schwellwerte, sodass d i,0 = und d i,m+1 =. Dann gilt: S i = j Y i (d i,j,d i,j+1 ]. Sei F i die Verteilungsfunktion von Y i Default Wahrscheinlichkeit: p i = F i (d i,1 ). Wahrsch., dass die ersten k Kreditnehmer zahlungsunfähig werden: p 1,2,...,k = P(Y 1 d 1,1,Y 2 d 2,1,...,Y k d k,1 ) = C(F 1 (d 1,1 ),F 2 (d 2,1 ),...,F k (d k,1 ),1,1,...,1) = C(p 1,p 2,...,p k,1,...,1) D.h. die Gesamt-default-Wahrscheinlichkeit hängt wesentlich von der Copula C ab. 4
5 Das KMV Modell (siehe auch Die Status Variablen S = (S 1,S 2,...,S n ) können nur zwei Werte 0 und 1 annehmen, d.h. m = 1. Die latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit dem Wert der Aktien der jeweiligen Firmen folgendermaßen zusammen. Das Modell von Merton Die Bilanz jeder Firma besteht aus 2 Positionen: Aktiva (Aktien) und Passiva (Verbindlichkeiten bzw. Schulden und Eigenkapital bzw. Stammkapital). V A,i (T): Wert der Aktien der Firma i zum Zeitpunkt T K i := K i (T): Wert der Schulden der Firma i zum Zeitpunkt T V E,i (T): Wert des Stammkapitals der Firma i zum Zeitpunkt T Annahme: Zukünftiger Wert der Aktien wird als geometrische Brown sche Bewegung modelliert 5
6 V A,i (T) = V A,i (t)exp {( µ A,i σ2 A,i 2 ) (T t)+σ A,i (W i (T) W i (t)) µ A,i ist die Drift, σ A,i ist die Volatilität und (W i (t):0 t T) ist eine Standard Brown sche Bewegung (Wiener Prozess). D.h. (W i (T) W i (t)) N(0,T t). Daraus folgt lnv A,i (T) ( N(µ,σ ) 2 ) mit µ = lnv A,i (t)+ µ A,i σ2 A,i (T t) und σ 2 = σ 2 2 A,i (T t). Weiters gilt: X i = I (,Ki )(V A,i (T)) }, Setze Y i = W i(t) W i (t) T t N(0,1). Dann gilt: X i = I (,Ki )(V A,i (T)) = I (, DDi )(Y i ) wobei DD i = lnv A,i(t) lnk i +(µ A,i σ2 A,i)(T t) 2 (1) σ A,i T t DD i heißt distance-to-default. 6
7 Berechnung des distance to default Schwierigkeit: V A,i (t) kann nicht beobachtet werden Aber V E,i (t) kann beobachtet werden. KMVs Auffassung: Die Geldgeber besitzen die Firma solange die Schulden seitens der Stammkapitalbesitzer (Equity holders) nicht vollständig bezahlt werden V E,i (T) ist daher der Preis einer Call Option über die Aktien der Firma mit Strike Price den Buchwert der Schulden zum Zeitpunkt T: V E,i (T) = max{v A,i (T) K i,0} Aus der Black-Scholes Formula (Optionspreistheorie): wobei V E,i (t) = C(V A,i (t),r,σ A,i ) = V A,i (t)φ(e 1 ) K i e r(t t) φ(e 2 ) (2) e 1 = ln(v A,i(t) lnk i +(r +σa,i 2 /2)(T t) σ A,i (T t) und e 2 = e 1 σ A,i (T t) φ ist die Verteilungsfunktion der Standard Normalverteilung und r ist der risikofreie Zinssatz. 7
8 Im KMV Modell gilt weiters: σ E,i = g(v A,i (t),σ A,i,r) (3) Beobachtung/Schätzung von V E,i (t) bzw. σ E,i aus historischen Beobachtungen Einsetzen in (2) und (3) und Lösung des Gleichungssystems V E,i (t) = C(V A,i (t),r,σ A,i ) (4) σ E,i = g(v A,i (t),σ A,i,r) um V A,i (t) und σ A,i zu ermitteln Verwendung dieser Werte zur Berechnung von DD i aus (1). 8
9 Die erwartete Häufigkeit der Zahlungsunfähigkeit (expected default frequency, EDF) KMV Modell evaluiert nicht direkt die Default Wahrscheinlichkeit p i = P(Y i < DD i ) Ermittlung von Firmen die historisch gesehen je einen distance-todefault von ca. DD i hatten. Ermittlung der Häufigkeit von Zahlungsunfähigkeit für diese Firmen als Schätzer für die Default-Wahrscheinlichkeit p i. Dieser Schätzer wird expected default frequency, (EDF) genannt. Zusammenfassung des univariaten KMV Modells zur Berechnung der Default Wahrscheinlichkeit für eine Firma: Ermittlung des Aktienwertes V A,i und dessen Volatilität σ A,i mit Hilfe der Beobachtungen über Marktwert und Volatilität der Equities (V E,i bzw. σ E,i ) sowie der Schulden K i als Lösung des Gleichungssystems (4). Berechnung der distance-to-default DD i aus (1) Berechnung der Default-Wahrscheinlichkeiten p i mit Hilfe einer empirischen Verteilung, die den Zusammenhang zwischen Default-Wahrscheinlichkeit und distance-to-default modelliert (zb. mit Hilfe von EDF) 9
10 Das multivariate KMV Modell: Berechnung von multivariaten Default Wahrscheinlichkeiten Seien (W j(t): 0 t T,) unabhängige Standard Brown sche Bewegungen, j = 1,2,...,m. Grundlegendes Modell: ( ) V A,i (T) = V A,i (t)exp µ A,i σ2 A,i (T t)+ 2 µ A,i ist die Drift und σ 2 A,i = m j=1 σ2 A,i,j m j=1 ist die Volatilität. ) σ A,i,j (W j (T) W j (t), σ A,i,j quantifiziert den Einfluss der Brown schen Bewegung j auf die Entwicklung des Aktienwertes der Firma i. m Sei Y i = j=1 σ A,i,j(W j (T) W j (t)) σ A,i T t. Y = (Y 1,Y 2,...,Y n ) N(0,Σ) wobei Σ ij = m k=1 σ A,i,kσ A,j,k σ A,i σ A,j Dann gilt V A,i (T) < K i Y i < DD i wobei DD i = lnv A,i (t) lnk i + ( σ 2 A,i 2 +µ A,i )(T t) σ A,i T t 10
11 Wahrscheinlichkeit, dass die ersten k Firmen zahlungsunfähig werden: CΣ Ga P(X 1 = 1,X 2 = 1,...,X k = 1) = P(Y 1 < DD 1,...,Y k < DD k ) = C Ga Σ (φ( DD 1 ),...,φ( DD k ),1,...,1) ist die Copula einer multivariaten Normalverteilung mit Kovarianzmatrix Σ. Häufigkeit der multivariaten Zahlungsunfähigkeit (joint default frequency): JDF 1,2,...,k = C Ga Σ (EDF 1,EDF 2,...,EDF k,1,...,1) wobei EDF i die Häufigkeit der Zahlungsunfähigkeit für die Firma i, i = 1,2,...,k, ist. 11
12 Schwierigkeiten: Schätzung der Kovarianzen/Korrelationen σ A,i,j n ist typischerweise sehr groß wenige historische Daten vorhanden, wenn n groß, dann bilden die paarweise geschätzten Korrelationskoeffizienten i.a. keine positiv definite Korrelationsmatrix. Mögliche Lösung: Faktormodell für die latenten Variablen in dem der Aktienwert durch eine Reihe von gemeinsamen Faktoren (makro-ökonomische, globale, regionale, sektor-, länder- und branchenspezifische Faktoren) und einem firmenspezifischen Faktor bestimmt wird: Y = (Y 1,Y 2,...,Y n ) T = AZ +BU wobei Z = (Z 1,...,Z k ) T N k (0,Λ) sind k gemeinsame Faktoren U = (U 1,...,U n ) T N d (0,I) sind die Firmenspezifischen Faktoren Z und U sind unabhängig und die Konstanten Matrizen A = (a ij ) R n k, B = diag(b 1,...,b n ) R n n sind Modellparameter. Es gilt dann cov(y) = AΛA T +D wobei D = diag(b 2 1,...,b2 n) R n n. 12
13 Migration basierte Modelle: Credit Metrics Wurde einst bei J.P.Morgan entwickelt, aktuell bei MSCI ( Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000)) Basiert auf ein Bonität-Einstufungssystem (zb. von Moody oder von Standard and Poor s). Berücksichtigt die Veränderungen im PF-Wert aufgrund von Veränderungen in den Bonität-Einstufungen. Sei P ein Portfolio von n Krediten mit einer fixen Laufzeit (zb. 1 Jahr). Sei S i der Zustand-Indikator von Kreditnehmer i. Die möglichen Zustände werden mit 0,1,...,m bezeichnet, wobei S i = 0 der Zahlungsunfähigkeit entspricht. Beispiel 1 Einstufungssystem von Standard and Poor s m = 7; S i = 0 heißt Zahlungsunfähigkeit; S i = 1 oder CCC; S i = 2 oder B; S i = 3 oder BB; S i = 4 oder BBB; S i = 5 oder A; S i = 6 oder AA; S i = 7 oder AAA. 13
14 Für jeden Kreditnehmer wird die Dynamik der Bonität-Einstufungen mit Hilfe einer Markov Kette mit Zustandsmenge {0,1,...,m} und Übergangsmatrix P modelliert. Die Übergangswahrscheinlichkeiten werden mit Hilfe von historischen Daten geschätzt, zb.: Ursprüngliche Einstufung am Ende des Jahres Zahlungs- Einstufung AAA AA A BBB BB B CCC unfähigkeit AAA AA A BBB BB B CCC Recovery Rates Im Fall einer Zahlungsunfähigkeit hängt die recovery rate von der Einstufung des Kreditnehmers ab. Der Durchschnittswert und die Standardabweichung der recovery rate werden aufgrund von historischen Daten innerhalb jeder Einstufungsklasse geschätzt. 14
15 Evaluierung der Bonds im Falle einer Neu-Einstufung Beispiel 2 Betrachten wir ein BBB Bond mit Laufzeit 5 Jahre. Er zahlt jedes Jahr ein Kupon von 6%. Die forward Zinsstrukturkurven (forward yield curves) für jede Einstufungsklasse sind wie folgt gegeben (in %): Einstufung 1. Jahr 2. Jahr 3. Jahr 4. Jahr AAA AA A BBB BB CCC Für ein Nennwert von 100 zahlt der Bond 6 Währungseinheiten am Ende des 1., 2., 3. und 4. Jahres. Am Ende des 5. Jahres zahlt der Bond 106 Währungseinheiten. Annahme: Am Ende des ersten Jahres wird der Bond neu als A Bond eingestuft. Wert des Bonds am Ende des ersten Jahres: V = ,73% = (1+4,32%) 2 (1+4,93%) 3 (1+5,32%) 4 15
16 Analog wird der Wert des Bonds am Ende des 1. Jahres ermittelt, falls er zu diesem Zeitpunkt zu anderen Klassen eingestuft wird. Es wird eine recovery rate von 51.13% im Falle von Zahlungsunfähigekt angenommen. Einstufung am Ende des 1. Jahres Wert AAA AA A BBB BB B CCC Zahlungsunfähigkeit
17 Wert und Risiko eines Bond-Portfolios in Credit Metrics Die Abhängigkeit der Neueinstufungen unterschiedlicher Bonds und die Wahrscheinlichkeiten von Neueinstufungen von Gruppen von Bonds werden mit Hilfe der dazugehörigen Rendite berechnet. Die Rendite von Bond i wird als Normalverteilung Y i modelliert. Seien d Def, d CCC,..., d AAA = + Schwellwerte, sodass für ein Kreditnehmer die Wahrscheinlichkeit des Übergangs in einer neuen Stufe S i am Ende einer vordefinierten Periode folgendermaßen gegeben sind: P(S i = 0) = φ(d Def ), P(S i = CCC) = φ(d CCC ) φ(d Def ),..., P(S i = AAA) = 1 φ(aa). Die Rendite mehrerer Bonds werden mit Hilfe der multivariaten Normalverteilung modelliert. Die Korrelationsmatrix dieser Verteilung wird in Credit Metrics mit Hilfe von Faktormodellen berechnet. Dann können Gesamtwahrscheinlichkeiten wie P(S 1 = 0,...,S n = 3) = P(Y 1 d Def,...,d B < Y n d BB ) berechnet werden. Als Modell für die Abhängigkeitsstruktur des Vektors (Y 1,Y 2,...,Y n ) wird die Gauss sche Copula(!) verwendet. Die Risikomasse eines Kreditportfolios werden mit Hilfe von Simulationen berechnet. Es werden viele Szenarien generiert, aufgrund derer der empirische VaR ermittelt wird. 17
18 Ansätze basierend auf gemischte Modelle Annahme: Zahlungsunfähigkeit eines Kreditnehmers hängt von mehreren (maktoökonomischen) Faktoren, die stochastisch modelliert werden, ab. Bei einer gegebenen fixen Realisierung dieser Faktoren hängen Zahlungsunfähigkeiten unterschiedlicher Kreditnehmer nicht von einander ab. Die Bernoulli gemischte Verteilung Der 0 1 Zufallsvektor X = (X 1,...,X n ) T hat eine Bernoulli gemischte Verteilung (BMV) wenn es einen Zufallsvektor Z = (Z 1,Z 2,...,Z m ) T, m < n, und Funktionen f i :R m [0,1], i = 1,2,...,n, gibt, sodass X bedingt durch Z ein Vektor von unabhängingen Bernoulli verteilten Zufallsvariablen ist, und P(X i = 1 Z) = f i (Z), P(X i = 0) = 1 f i (Z) Für x = (x 1,...,x n ) T {0,1} n gilt P(X = x Z) = n f i (Z) x i (1 f i (Z)) 1 x i 18
19 Die unbedingte Verteilung: ( n P(X = x) = E(P(X = x Z)) = E Annahme: alle Funktionen f i sind identisch, f i = f. f i (Z) x i (1 f i (Z)) 1 x i Für die Anzahl der Zahlungsunfähigkeitsfällen N = n X i gilt N Z Binomial(n,f(Z)). )
20 Die Poisson gemischte Verteilung Der diskrete Zufallsvektor X = (X 1,...,X n ) T hat eine Poisson gemischte Verteilung (PMV), wenn es einen Zufallsvektor Z = (Z 1,Z 2,...,Z m ) T, m < n, und Funktionen λ i :R m (0, ), i = 1,2,...,n, gibt, sodass X bedingt durch Z ein Vektor von unabhängingen Poisson verteilten Zufallsvariablen ist, und P(X i = x i Z) = λ i(z) x i x i! e λ i(z) für x i N {0}. Für x = (x 1,...,x n ) T (N {0}) n gilt P(X = x Z) = Die unbedingte Verteilung: n λ i (Z) x i x i! ( n P(X = x) = E(P(X = x Z)) = E e λ i(z) λ i (Z) x i x i! ) e λ i(z) 19
21 Die Poisson gemischte Verteilung (Fortsetzung) Annahme: X = ( X 1,..., X n ) T ist PMV mit Faktoren Z. Sei X i = I [1, ) ( X i ). X = (X 1,...,X n ) ist BMV mit f i (Z) = 1 e λ i(z) Falls λ i (Z) klein gilt für die Anzahl der Zahlungsunfähigkeiten: Ñ = n X i n X i. Ñ Z Poisson( λ(z)) wobei λ = n λ i (Z). i = 1 20
22 Annahmen: Beispiele von Bernoulli gemischten Verteilungen Z ist univariat (d.h. es gibt einen Risikofaktor) f i = f für alle i Es gilt: P(X i = 1 Z) = f(z), i; N Z = n X i Binomial(n,f(Z)). Die unbedingte Wahrscheinlichkeit, dass die ersten k Kreditnehmer zahlungsunfähig werden P(X 1 = 1,...,X k = 1,X k+1 = 0,...,X n = 0) = E(P(X 1 = 1,...,X k = 1,X k+1 = 0,...,X n = 0 Z)) = E(f(Z) k (1 f(z)) n k ) Sei G die Verteilungsfunktion von Z. Dann gilt: P(X 1 = 1,...,X k = 1,X k+1 = 0,...,X n = 0) = f(z) k (1 f(z)) n k d(g(z)) Die Verteilung der Anzahl N der Zahlungsunfähigen Kreditnehmer : ( n P(N = k) = k) f(z) k (1 f(z)) n k d(g(z)) 21
23 Die Beta-gemischte Verteilung Es gilt Z Beta(a,b) und f(z) = z. Die Dichte g von Z: g(z) = 1 β(a,b) za 1 (1 z) b 1, für a,b > 0, z (0,1) wobei β(a,b) = 1 0 za 1 (1 z) b 1 dz die Euler sche Betafunktion ist. Verteilung der Anzahl der zahlungsunfähigen Kreditnehmer: ( n P(N = k) = k) 1 z k (1 z) n k g(z)dz = 1 0 ( n 1 z k) a+k 1 (1 z) n k+b 1 dz = β(a, b) 0 ( n ) β(a+k,b+n k) beta-binomial Verteilung k β(a, b) Probit-normal Mischung Z N(0,1), f(z) = φ(µ + σz), µ R, σ > 0 und φ ist die Standard Normalverteilungsfunktion. Logit-normal Mischung Z N(0,1), f(z) = (1+exp{µ+σz}) 1, µ R, σ > 0. 22
24 CreditRisk + - Ein Poisson gemischtes Modell (Entwickelt von CSFB in 1997, siehe Crouhy et al. (2000) und suisse.com/investment banking/research/en/credit risk.jsp m unabhängige Risikofaktoren Z 1,Z 2,...,Z m, Z j Γ(α j,β j ), j = 1,2,...,m, sodass E(Z j ) = 1. λ i (Z) = λ i m j=1 a ijz j, m j=1 a ij = 1 für i = 1,2,...,n. λ i > 0, α j, β j sind Konstante. α j, β j werden meistens so gewählt, dass E(λ i (Z)) = λ i > 0) gilt. Die Dichte von Z j ist folgendermassen gegeben: f j (z) = zα j 1 exp{ z/β j } β α j j Γ(α j ) Verlust bei Kredit i durch Zahlungsunfähigkeit von Kreditnehmer i: LGD i = (1 λ i )L i, 1 i n, wobei λ i die erwartete deterministische Recovery rate ist und L i die Höhe von Kredit i ist. Das Ziel ist, die Verlustverteilung durch eine diskrete Verteilung zu approximieren und für diese die Erzeugende Funktion zu ermitteln. 23
25 Sei Y eine diskrete ZV mit Wertebereich {y 1,...,y m } oder eine kontinuierliche ZV mit Dichtefunktion f(y) in R Die erzeugende Funktion von Y ist definiert als m g Y (t) := E(t Y ) = t y i P(Y = y i) bzw. g Y (t) := t y f(y)dy für t [0,1]. Einige Eigenschaften der erzeugenden Funktionen: (i) Wenn Y Bernoulli(p) dann g Y (t) = 1+p(t 1). (ii) Wenn Y Poisson(λ), dann g Y (t) = exp{λ(t 1)}. (iii) Für unabhängige Zufallsvariablen X 1,...,X n gilt n g X X n (t) = g Xi (t). 24
26 (iv) Sei Y eine Zufallsvariable mit Dichtefunktion f und sei g X Y=y (t) die erzeugenden Funktion von X Y = y. Dann gilt g X (t) = g X Y=y (t)f(y)dy. (v) Sei g X (t) die erzeugende Funktion von X. Dann gilt P(X = k) = 1 k! g(k) X (0) wobei g(k) X (t) = dk g X (t). dt k
27 Die Erzeugende Funktion der Verlustverteilung Jeder Verlust wird als ganzzahliges Vielfaches einer vordefinierten Verlusteinheit L 0 (zb. L o = 10 6 Euro): [ ] (1 λi )L [ ] i LGD i = (1 λ i )L i L 0 = v i L 0 mit v i := (1 λi )L i L 0 wobei [x] = argmin t { t x :t Z,t x ( 1/2,1/2]}. L 0 Die Verlustfunktion: L = n X iv i L 0. (a) Ermittlung der erzeugenden Funktion für N = X X n X i Z Poisson(λ i (Z)), i = g Xi Z(t) = exp{λ i (Z)(t 1)}, i = g N Z (t) = n g Xi Z(t) = n exp{λ i (Z)(t 1)} = exp{µ(t 1)}, (5) mit µ := n λ i(z) = n ( λ i m j=1 a ijz j ). g N (t) = g N Z=(z1,z 2,...,z m )f 1 (z 1 )...f m (z m )dz 1...dz m = { n m exp ( λ i j=1 } a ij z j )(t 1) f 1 (z 1 )...f m (z m )dz 1...dz m = 25
28 exp { (t 1) m ( n λ i a ij }{{} µ j j=1 ) } z j ) f 1 (z 1 )...f m (z m )dz 1...dz m = exp{(t 1)µ 1 z 1 }f 1 (z 1 )dz 1...exp{(t 1)µ m z m }f m (z m )dz m = m j=1 0 1 exp{z j µ j (t 1)} β α j j Γ(α j) zαj 1 j exp{ z j /β j }dz j (6) Die Berechnung der einzelnen Integrale in (6) ergibt: 0 1 Γ(α j )β α j j exp{z j µ j (t 1)}z α j 1 j exp{ z j /β j }dz j = ( 1 δj 1 δ j t ) αj δ j = β j µ j /(1+β j µ j ). (7)
29 Es gilt also g N (t) = m ( ) αj 1 δj. 1 δ j t j=1 (b) Ermittlung der erzeugenden Funktion für L = n X iv i L 0. Bedingter Verlust aufgrund Zahlungsunfähigkeit von Kreditnehmer i: L i Z = v i (X i Z); L i Z unabhängig für i = 1,2,...,n. g Li Z(t) = E(t L i Z) = E(tv ix i Z) = g Xi Z(t v i ). Die erzeugende Funktion des gesamten Verlusts bedingt durch Z: n n g L Z (t) = g L1 +L L n Z(t) = g Li Z(t) = g Xi Z(t v i ) = m n exp j( j=1z λ i a ij (t v i 1) ). 26
30 Ähnlich wie bei der Berechnung von g N (t) erhalten wir: m ( ) αj 1 δj g L (t) = wobei Λ j (t) = 1 n λ i a ij t v i. 1 δ j Λ j (t) j=1 δ j und µ j sind wie in (7) bzw. (5) gegeben. Beispiel 3 Kreditportfolio mit n = 100 Krediten, Anzahl der Risikofaktoren m = 1 oder m = 5, λ i = λ = 0.15, für i = 1,2,...,n, α j = α = 1, β j = β = 1, a i,j = 1/m, i = 1,2,...,n, j = 1,2,...,m P(N = k) = 1 k! g(k) N (0) = 1 d k g N k! dt. k Für die Berechnung von P(N = k), k = 0,1,...,100, kann folgende rekursive Formel verwendet werden: k 1 g (k) N (0) = l=0 ( k 1 ) l g (k 1 l) N (0) m j=1 µ j l!α j δ l+1 j, k > 1 27
Was ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005):
Was ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005): Credit risk is the risk that the value of a portfolio changes due to unexpected changes in the credit quality of issuers or trading partners.
MehrWas ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005):
Was ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005): Credit risk is the risk that the value of a portfolio changes due to unexpected changes in the credit quality of issuers or trading partners.
MehrV A,i (T) = V A,i (t)exp µ A,i σ2 A,i 2. T t. ist die Volatilität.
Das multivariate KMV Modell: Berechnung von multivariaten Default Wahrscheinlichkeiten Seien (W j(t): 0 t T,) unabhängige Standard Brown sche Bewegungen, j = 1,2,...,m. Grundlegendes Modell: ( ) V A,i
MehrDie latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit dem Wert der Aktien der jeweiligen Firmen folgendermaßen zusammen.
Das KMV Modell (siehe auch www.moodyskmv.com) Die Status Variablen S = (S 1,S 2,...,S n ) können nur zwei Werte 0 und 1 annehmen, d.h. m = 1. Die latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit
MehrCredit Metrics. Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc.
Wurde bei J.P.Morgan entwickelt. Credit Metrics Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc. (1997)) Basiert auf ein Bonität-Einstufungssystem
MehrWas ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005):
Was ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005): Credit risk is the risk that the value of a portfolio changes due to unexpected changes in the credit quality of issuers or trading partners.
MehrAls Management Tool: zur Bestimmung der Risiken, die unterschiedliche Einheiten einer Firma eingehen dürfen.
Verwendungszweck von Risikomanagement: Bestimmung der Mindestkapitalanforderungen: Kapital, das benötigt wird um event. Verluste abzudecken. Als Management Tool: zur Bestimmung der Risiken, die unterschiedliche
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
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
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
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrTheorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x).
Theorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x). 2. Wahrscheinlichkeit-Transformation: Sei Y eine Zufallsvariable
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
MehrMultivariate Verteilungen und Copulas
Multivariate Verteilungen und Copulas Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j
Mehr2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
MehrDas empirische VaR bzw. CVaR
Das empirische VaR bzw. CVaR Sei x 1, x 2,..., x n eine Stichprobe der unabhängigen identischverteilten ZV X 1, X 2,..., X n mit Verteilungsfunktion F (Notation: Die ZV X 1, X 2,..., X n sind i.i.d. Empirische
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrTheorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0.
Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Korollar 2 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
Mehr(Entwickelt von CSFB in 1997, siehe Crouhy et al. (2000) und suisse.com/investment banking/research/en/credit risk.
CreditRisk + - Ein Poisson Mixture Modell (Entwickelt von CSFB in 1997, siehe Crouhy et al. (2000) und http://www.credit suisse.com/investment banking/research/en/credit risk.jsp m unabhängige Risikofaktoren
Mehr1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe
1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe Nachdem eine Stichprobe X 1,..., X n gezogen wurde berechnen wir gewöhnlich irgendwelchen Wert damit. Sei dies T = T (X 1,..., X n, wobei T auch
MehrSei θ i = ˆθ. Empirische Verleitungsfunktion von ˆθ(x 1,x 2,...,x n ): I [ θ i, ) Fˆθ für N. Fˆθ. 1, x(i) 2,..., x(i) n, 1 i N. N := 1 N.
Ein nicht-parametrisches Bootstrapping Verfahren zu Ermittlung von Konfidenzintervallen der Schätzer Seien die ZV X 1,X 2,...,X n i.i.d. mit Verteilungsfunktion F und sei x 1,x 2,...x n eine Stichprobe
MehrWas Aktuare über Abhängigkeit wissen sollten
08.05.2017 Renditen BASF BMW Renditen BASF Gold Was wir brauchen Zufallsvariable und Zufallsvektoren uni- und multivariate Verteilungen Abhängigkeitskennziffern Simulationsmethoden Copulamodelle Verteilungen
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
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
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
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
Mehr1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung.
1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung. Sei N eine zufällige Variable, ist ein Poisson-Verteilung mit Parameter λ definiert
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
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
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
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
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
Mehrx p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!
Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrDas Black-Scholes-Merton Modell
Agenda Lehrstuhl für Volkswirtschaftstheorie Westfälische Wilhelms-Universität Münster May 12, 2006 Teil I Agenda 2 Zur Erinnerung Das Lemma von Ito Die vereinfachten Annahmen an den Finanzmarkt Teil II
MehrStochastik Praktikum Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
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
MehrWie Derivate die Finanzwelt veränderten
Franz Reiter 16. Dezember 2016 Aufbau Grundlagen Exotische Optionen Capital Asset Pricing Model Black-Scholes-Formel Derivat Derivat ist ausgestelltes Recht zum Kauf bzw. Verkauf von bestimmten Basiswerten
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
MehrValue at Risk. Sandra Radl Sandra Radl Value at Risk / 31
Value at Risk Sandra Radl 24.01.2018 Sandra Radl Value at Risk 24.01.2018 1 / 31 Inhaltsverzeichnis 1 Definition Zeithorizont 2 Berechnungsmethoden Historische Simulation Lineares Modell Quadratisches
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrInterne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz
Prüfungskolloquium SAV Prüfungskolloquium SAV Interne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz Biel, Biel, 23.11.2006 23.11.2006 Sandra Sandra Fehlmann Fehlmann Agenda Historischer
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
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
MehrKapitel 5 Erneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Definition: Erneuerungsprozess Sei {T n, n N} eine Folge unabhängiger, nichtnegativer Zufallsvariablen mit Verteilungsfunktion F, mit F () < 1. Dann heißt
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli(p) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» ( 1) oder «Misserfolg» ( ). Die Erfolgswahrscheinlichkeit sei p. Wertebereich
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
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
MehrCERA - Klausur Quantitative Methoden des ERM
CERA - Klausur Quantitative Methoden des ERM 3.05.0 Hinweise: Als Hilfsmittel ist ein Taschenrechner zugelassen. Die Gesamtpunktzahl beträgt 0. Die Klausur ist bestanden, wenn mindestens 48 Punkte erreicht
MehrCommercial Banking. Kreditportfoliosteuerung
Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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:
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrKompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse
Kompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P.
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrZeitstetige Markov-Prozesse: Einführung und Beispiele
Zeitstetige Markov-Prozesse: Einführung und Beispiele Simone Wielart 08.12.10 Inhalt Q-Matrizen und ihre Exponentiale Inhalt Q-Matrizen und ihre Exponentiale Zeitstetige stochastische Prozesse Inhalt Q-Matrizen
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 10.10.14 Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrPortfoliotheorie, Risikomanagement und die Bewertung von Derivaten
Springer-Lehrbuch Portfoliotheorie, Risikomanagement und die Bewertung von Derivaten Bearbeitet von Jürgen Kremer 1. Auflage 2011. Taschenbuch. xvi, 471 S. Paperback ISBN 978 3 642 20867 6 Format (B x
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:
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
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
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
MehrDefinition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : ) 1/γ. G γ,ν,β = 1 (1 + γ x ν β
Die POT Methode (Peaks over Threshold) Definition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : G γ (x) = { 1 (1 + γx) 1/γ für γ 0 1 exp{ x} für γ = 0 wobei x D(γ) D(γ) = { 0
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
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
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrMax-stabile Prozesse. 1. März Katharina Fröhlich & Thomas Zeibig ( Seminar Max-stabile Zufällige Felder Prozesse Universität Ulm )
Max-stabile Prozesse Katharina Fröhlich & Thomas Zeibig Seminar Zufällige Felder Universität Ulm 1. März 2009 1. März 2009 1 / 44 Inhalt Inhalt Inhalt 1 Motivation 2 Max-stabile Prozesse 3 Der Gaußsche
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
MehrDas Black-Scholes Modell
Vathani Arumugathas Das Black-Scholes Modell 1 Das Black-Scholes Modell Vathani Arumugathas Seminar zu Finanzmarktmodellen in der Lebensversicherung, Universität zu Köln 10. Juni 016 Inhaltsverzeichnis
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer Wahrscheinlichkeit und Statistik BSc D-INFK. a) (iii) b) (ii) c) (i) d) (ii) e) (ii) f) (iii) g) (ii) h) (i) i) (ii) j) (i). Für ein heruntergeladenes Dokument
MehrAnhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen
Kapitel 9 Anhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen 9 Definitionen, Eigenschaften Wir betrachten jetzt p Zufallsvariablen X, X 2,, X p Alle Definitionen, Notationen und Eigenschaften
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrÜberblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
Mehr