Ergebnisbericht des Ausschusses Investment. Beispielhafte Kalibrierung und Validierung des ESG im BSM zum
|
|
- Heiko Schmidt
- vor 6 Jahren
- Abrufe
Transkript
1 Ergebnisbericht des Ausschusses Investment Beispielhafte Kalibrierung und Validierung des ESG im BSM zum Köln, den
2 Präambel Der Ausschuss Investment 1 der Deutschen Aktuarvereinigung e.v. (DAV) hat den vorliegenden Ergebnisbericht erstellt. Zusammenfassung Ab Anfang 2016 stellt die DAV quartärlich eine Beispielkalibrierung für den ökonomischen Szenariengenerator (ESG) des Branchensimulationsmodells (BSM) zur Verfügung. Die Ergebnisse dieser Kalibrierung sowie deren Validierung werden in dem vorliegenden Bericht zusammengefasst. Dabei wird explizit auf folgende Punkte hingewiesen: Die Beispielkalibrierung umfasst sämtliche Kalibrierungsparameter des ESG. Der vorliegende Ergebnisbericht veröffentlicht neben den Werten dieser Parameter auch die Datengrundlage der Kalibrierung. Daneben beinhaltet der Ergebnisbericht auch einen Abschnitt über zentrale Validierungen der oben genannten Kalibrierung. Alle für die Kalibrierung und Validierung wesentlichen methodischen Aspekte sind in einem separaten Ergebnisbericht 2 des Ausschusses Investment dargestellt. Dieser wird laufend gepflegt und an Weiterentwicklungen des ESG angepasst. Die Kenntnis dieses Ergebnisberichts ist für das Verständnis des vorliegenden Ergebnisberichts wichtig. Die Beispielkalibrierung kann den Versicherungsunternehmen als Benchmark dienen, mit dem diese ihre eigene Kalibrierung sowie deren zugrundeliegende Methodik vergleichen können. Die Beispielkalibrierung soll keine Vorgabe sein, die Versicherungsunternehmen ohne eigene Untersuchungen und Überprüfung deren Angemessenheit übernehmen können. Die beschriebenen Validierungen können als Referenz dienen, um die eigene Kalibrierung zu bewerten. Zugleich sind solche Validierungen zu einem gewissen Maße Momentaufnahmen, deren Qualität auch von der Anzahl der simulierten Pfade und dem verwendeten Seed abhängen. Abschnitt I dieses Ergebnisberichts befasst sich mit der beispielhaften Kalibrierung des ESG, während Abschnitt II deren Validierung darstellt. 1 Der Ausschuss Investment dankt der Arbeitsgruppe Kalibrierung spezieller ESG unter Solvency II und insbesondere den beiden Unterarbeitsgruppen Kalibrierung spezieller ESG unter Solvency II (namentlich Johannes Fabrega, Sebastian Helbig, Dr. Holger Schalk und Prof. Dr. Annegret Weng) und Validierung spezieller ESG unter Solvency II (namentlich Dr. Manfred Gravekarstens, Dr. Wilfried Homann, Dr. Mario Hörig und Norbert Quapp) ausdrücklich für die geleistete Arbeit. 2 "Zwischenbericht zur Kalibrierung und Validierung spezieller ESG unter Solvency II" 2
3 Der Ergebnisbericht ist an die Mitglieder und Gremien der DAV zur Information über die erzielten Erkenntnisse gerichtet. Dieser Ergebnisbericht stellt keine berufsständisch legitimierte Position der DAV dar. Verabschiedung Dieser Ergebnisbericht ist am durch den Ausschuss Investment verabschiedet worden. 3
4 INHALT I. Beispielkalibrierung zum Stichtag Einleitung Datengrundlage Kalibrierung des Zins-Modells Ergebnisse Bemerkungen Kalibrierung der Aktien- und Immobilienparameter Ergebnisse Bemerkungen Kalibrierung der Korrelationen Ergebnisse Bemerkungen... 7 II. Validierungsreport für die Beispielkalibrierung per Einleitung Zusammenfassung der Validierung Inhalt und Gegenstand der Validierung Validierungsergebnisse Renditen Martingaltests Test der Verteilungseigenschaften Swaptionvolatilität Korrelationen zwischen Zinsen und Indexentwicklungen Volatilität Indizes... 19
5 A. Anhang Validierung der Zinsstresse A.1 Renditen A.2 Martingaltests A.2.1 Martingaltest Nullkuponanleihen A.2.2 Martingaltest Indizes A.3 Test der Verteilungseigenschaften A.3.1 Negative Zinsen A.3.2 Verteilung der Shortrate und Zinssätze A.4 Swaptionvolitilität A.5 Korrelationen zwischen Zinsen und Indexentwicklungen A.6 Volatilität Indizes
6 I. Beispielkalibrierung zum Stichtag Einleitung Dieser Abschnitt beschreibt die Datengrundlage der Kalibrierung und dokumentiert die Ergebnisse der Beispielkalibrierung der DAV-Arbeitsgruppe Kalibrierung spezieller ESG unter Solvency II zum Stichtag Für den theoretischen Hintergrund und Details zur Methodik wird auf den Ergebnisbericht "Zwischenbericht zur Kalibrierung und Validierung spezieller ESG unter Solvency II" verwiesen. Die Kenntnis dieses Ergebnisberichts ist für das Verständnis der hier dargestellten Ergebnisse zur Kalibrierung wichtig Datengrundlage Für die beispielhafte Kalibrierung wird folgende Datengrundlage verwendet: Zero-Kupon-Zinssätze für Laufzeiten 1-20 Jahre (monatliche Daten über 10 Jahre) der Bundesbank. Implizite Volatilität einer (10, 10) at-the-money Receiver-Swaption zum Stichtag (bereitgestellt von einer internationalen Großbank). Monatliche Entwicklungen des EURO STOXX 50 über 10 Jahre als Grundlage für die den Aktienprozess betreffenden Parameter. Jährliche Entwicklungen des IPD Global Annual Property Index und des IPD Germany Annual Property Index über 10 als Grundlage für die den Immobilienprozess betreffenden Parameter. 2. Kalibrierung des Zins-Modells 2.1. Ergebnisse Die Kalibrierung des Volatilitätsparameters σ des Hull-White Zinsmodells an den vorliegenden Stichtagswert der unter 1.1 genannten Swaption ergibt einen Wert von 1,71% für den Parameter σ Bemerkungen Zur Kalibrierung wurden die Zinskurven gemäß Bundesbank und eine implizite Swaptionvolatilität für eine (10,10) at-the-money Receiver-Swaption in Höhe von 35,18%, beide zum Stichtag , verwendet.
7 I. Beispielkalibrierung zum Stichtag Eine wie im Ergebnisbericht "Zwischenbericht zur Kalibrierung und Validierung spezieller ESG unter Solvency II" dargestellte Mittelung über eine Zeitreihe an historischen Volatilitätsdaten ist dabei nicht erfolgt, weil der Arbeitsgruppe keine historische Zeitreihe von Swaptiondaten vorlag. Daher wurde eine Stichtagskalibrierung durchgeführt. 3. Kalibrierung der Aktien- und Immobilienparameter 3.1. Ergebnisse Die historische jährliche Volatilität des Euro Stoxx 50 Return Index wurde mit 18,4% bestimmt. Die historische jährliche Volatilität der Immobilien (als 50/50- Mischung der Standardabweichungen von IPD German Annual Property Fund Index und IPD Global Annual Property Index) beträgt 5,8% Bemerkungen Mangels Datenverfügbarkeit für Optionen auf die oben genannten Indizes wurden die Volatilitäten auf Basis historischer Performance-Werte kalibriert. 4. Kalibrierung der Korrelationen 4.1. Ergebnisse Die Korrelation zwischen den Log-Returns des Euro Stoxx 50 Return Index und den absoluten Zinsänderungen der einjährigen Zero-Kupon-Zinssätze ergibt 33%. Die Korrelation für die Erzeugung der Szenarien bzw. für die Bestimmung der zeitabhängigen Volatilität des Aktienprozesses wird auf ganze Zehnerstufen gerundet. Somit ergibt sich ein Wert von 30%. Die Korrelation zwischen dem Immobilien- und dem Zinsprozess wird analog dazu auf einen Wert von 30% gesetzt. Die Korrelation zwischen Aktien- und Immobilienprozess wird auf einen Wert von 75% gesetzt Bemerkungen Die Kalibrierung der Korrelationen zwischen Immobilienprozess und Aktien- bzw. Zinsprozess wird aufgrund der sehr dünnen Datengrundlage für Immobilien im Sinne der Stabilität dieser Parameter unter Hinzunahme von Expertenschätzungen so gesetzt, dass Aktien- und Immobilienprozess eine Korrelation von 75% sowie Zins- und Immobilienprozess dieselbe Korrelation wie Zins- und Aktienprozess aufweisen. 7
8 II. Validierungsreport für die Beispielkalibrierung per Einleitung Dieser Abschnitt stellt zentrale Validierungen der im ersten Abschnitt dargestellten Kalibrierung dar. Für den theoretischen Hintergrund und Details zur Methodik sei auf den Ergebnisbericht "Zwischenbericht zur Kalibrierung und Validierung spezieller ESG unter Solvency II" verwiesen. Die Kenntnis dieses Ergebnisberichts ist für das Verständnis der hier dargestellten Ergebnisse zur Validierung wichtig. Zur Validierung wurde folgender Ansatz verwendet: Mit dem vom GDV bereitgestellten ESG in der Version 2.1 werden unter Verwendung der in Abschnitt I dargestellten Kalibrierungs-Parameter risikoneutrale Pfade - jeweils für die Best Estimate (BE)- und die beiden gestressten Zinskurven - erzeugt; der Wert des Seed betrug dabei 12. Es erfolgt eine Validierung dieser Szenarien, wobei im Kapitel 4 auf die Güte aller drei Szenarien eingegangen wird. Die Visualisierungen und zugehörige Größen beschränken sich auf die Ergebnisse des BE-Szenarios. Im Anhang A finden sich der Vollständigkeit halber entsprechende Visualisierungen und zugehörige Größen für die beiden Zinsstresse. Um die Konsistenz des Szenariensatzes zu den vorgegebenen Marktpreisen und der risikoneutralen Projektion zu testen, werden die folgenden Tests durchgeführt: Test der Konsistenz des Szenariensatzes zur initialen Marktzinskurve: Martingaltest für Diskontsätze Test des Szenariensatzes im Hinblick auf seine Martingaleigenschaft für Nullkuponanleihen und des Aktien- bzw. Immobilienindex: Martingaltest für Indizes und Bonds Test der Konsistenz des Szenariensatzes im Hinblick auf Verteilungseigenschaften der Zinsen Ermittlung der impliziten Swaptionvolatilitäten Test der Konsistenz der Korrelation zwischen den Assetklassen im Szenariensatz zu den Kalibrierungsparametern Ermittlung der impliziten Volatilitäten von Optionen auf den Aktien- und Immobilienindex
9 II. Validierungsreport zum Stichtag Zusammenfassung der Validierung Insgesamt zeigt die Validierung zufriedenstellende Ergebnisse. Nachfolgende Punkte waren auffällig: Die Korrelation zwischen Zinsen und Immobilien ist deutlich höher als vorgegeben. Grund hierfür sind numerische Effekte im Validierungs-Excel- Sheet aufgrund der kleinen Volatilität des Immobilienindex, die bis zur nächsten quartärlichen Kalibrierung und Validierung behoben sein werden. Der Martingaltest Aktien fällt bei ca. 95 Jahren Laufzeit knapp aber ausreichend aus. 3. Inhalt und Gegenstand der Validierung Für den wurde durch die UAG Kalibrierung spezieller ESG unter Solvency II eine Beispielkalibrierung der Kapitalmarktmodelle (Zins-, Aktien- und Immobilienmodell) zum ESG des BSM hergeleitet (siehe Abschnitt I). Parameter der Kalibrierung: o Startzinskurve: Basiszinskurve (BE, inkl. CRA und ohne Volatilitätsanpassung) 4,0% Rendite der Nullkuponanleihen - Maßgebliche Zinsstrukturkurve (BE, ohne VA) 3,5% 3,0% 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% ,5% Markt (Eingabe-Zinskurve) o o Volatilitätsparameter des Aktienprozesses: 18,40% (t 1) Volatilitätsparameter des Immobilienprozesses: 5,80% (t 1) o Mean reversion rate ( beta ) des Hull-White-Modells: 0.1 o Volatilität ( sigma ) des Hull-White-Modells:
10 II. Validierungsreport zum Stichtag o Korrelationsmatrix: Shortrate Aktien Immobilien Shortrate 1 0,3 0,3 Aktien 0,3 1 0,75 Immobilien 0,3 0, Validierungsergebnisse 4.1. Renditen Testansatz: Das 1-Faktor Hull-White-Modell wird u.a. mit dem Ziel kalibriert, dass sich darin die Startzinskurve im Mittel realisiert. Um zu testen, ob dies im gegebenen Szenariensatz der Fall ist, vergleicht man die Mittelwerte der über die Zeit projizierten Diskontsätze (bzw. deren Transformation auf Spotrates) mit der Startzinskurve. Nachfolgende Grafik illustriert die Testergebnisse für das BE-Szenario. Die entsprechenden Ergebnisse für die beiden Zinsstresse sind von vergleichbarer Güte. 4,0% Vergleich der vom Szenariensatz repräsentierten Zinskurve und der Eingabe-Zinskurve 3,5% 3,0% 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% ,5% Markt (Eingabe-Zinskurve) Simulation 10
11 II. Validierungsreport zum Stichtag Ergebnis: Für alle drei Szenarien liegt eine gute Übereinstimmung zwischen der Zinsstrukturkurve, die sich aus der Simulation ergibt, und der Eingabe-Zinsstrukturkurve vor; die Zinsstrukturkurve aus der Simulation liegt bei Restlaufzeiten zwischen ungefähr 15 und 65 Jahren um bis zu 10 Basispunkte über der Marktzinskurve Martingaltests Von einem marktkonsistenten, für die Bewertung von Cashflows geeigneten Szenariensatz wird verlangt, dass dieser arbitragefrei ist, d.h. dass es keine Investmentstrategie gibt, die einen risikofreien Ertrag über den risikofreien Zins hinaus generiert. Im Fall einer risikoneutralen Bewertung bedeutet dies insbesondere, dass alle Assetklassen im Mittel den risikofreien Zins erbringen müssen. In der Praxis wird dies dadurch überprüft, dass der sog. Martingaltest durchgeführt wird. Dieser Test verlangt, dass für alle Assetklassen und alle Projektionszeitpunkte t = 1, 2 T der Erwartungswert der diskontierten Cashflows von einem in t=0 investierten Euro wiederum 1 Euro beträgt. Daher wird dieser Test auch 1=1 -Test genannt. In der Praxis bedeutet dies, dass die in einzelnen Assetklassen (und damit auch die für die gesamte Kapitalallokation) im Modell projizierten und diskontierten Cashflows den anfänglichen Marktwerten der Kapitalanlage entsprechen Martingaltest Nullkuponanleihen Nachfolgende Grafik illustriert die Testergebnisse für das BE-Szenario. Die entsprechenden Ergebnisse für die beiden Zinsstresse sind von vergleichbarer Güte. 1,30 Martingaltest Zerobonds 1,25 1,20 1,15 1,10 1,05 1,00 0,95 0,90 0,85 0,80 0,75 0, obere Grenze empirisches Konfidenzintervall empirischer Mittelwert untere Grenze empirisches Konfidenzintervall 11
12 II. Validierungsreport zum Stichtag Ergebnis: Für alle drei Szenarien liegt die Einslinie durchgehend im Konfidenzintervall. Zwischen den Projektionsjahren 40 bis 60 und ab dem Jahr 95 kommt es zu Abweichungen von absolut über 2%. Die maximalen Abweichungen liegen im Bereich von bis zu -5% im letzten Projektionsjahr bzw. um das Projektionsjahr 50. Insgesamt zeigt der Martingaltest zufriedenstellende Ergebnisse, insbesondere im Hinblick auf das relativ hohe Maß an Varianz, welches sich durch die hohe zugrundeliegende Swaptionvolatilität ergibt. Bezüglich der stärkeren Abweichungen für die Projektionsjahre 40 bis 60 sollte gegebenenfalls individuell das zu diesem Projektionszeitpunkt noch vorliegende unternehmensindividuelle Exposure geprüft werden, um die Erzeugung von Leakage oder Modellunschärfe zu vermeiden Martingaltest Indizes Nachfolgende Grafiken illustrieren die Testergebnisse für das BE-Szenario. Die entsprechenden Ergebnisse für die beiden Zinsstresse sind von vergleichbarer Güte. 1,10 Martingaltest Immobilien 1,05 1,00 0,95 0,90 0, obere Grenze empirisches Konfidenzintervall empirischer Mittelwert untere Grenze empirisches Konfidenzintervall 12
13 II. Validierungsreport zum Stichtag ,50 Martingaltest Aktien 1,45 1,40 1,35 1,30 1,25 1,20 1,15 1,10 1,05 1,00 0,95 0,90 0,85 0,80 0,75 0,70 0,65 0, obere Grenze empirisches Konfidenzintervall empirischer Mittelwert untere Grenze empirisches Konfidenzintervall Ergebnis: Für den Immobilienindex liegt die Einslinie durchgehend im Konfidenzintervall. Der Mittelwert der diskontierten Total Returns liegt sogar durchgehend innerhalb eines 2%-Korridors um die Einslinie. Für Aktien fällt der Test etwas schlechter aus. Im BE-Szenario liegt die Einslinie zwar mit Ausnahme der späten Projektionsjahre innerhalb des Konfidenzintervalls. Allerdings weicht der Mittelwert der diskontierten Total Returns in den Jahren von ungefähr 45 bis 55 um bis zu -4%, in den Jahren von ungefähr 60 bis 70 um bis zu +11% und in den Jahren 75 bis 100 um bis zu -20% ab (auf den Zinsstressen liegen vergleichbare Abweichungen vor). Diese Abweichungen sind auf die höhere Simulationsvarianz der Aktien im Vergleich zu den Immobilien zurückzuführen. Insgesamt zeigt der Martingal-Test zufriedenstellende Ergebnisse. Bezüglich der phasenweise etwas stärkeren Abweichungen für Aktien sollte gegebenenfalls individuell das zu diesem Projektionszeitpunkt noch vorliegende unternehmensindividuelle Exposure geprüft werden, um die Erzeugung von Leakage oder Modellunschärfe zu vermeiden Reinvestitionstest Der Reinvestitionstest (auch 1=1=1-Test genannt) stellt eine Erweiterung des einfachen Martingaltests dar. Hierbei wird die Martingaleigenschaft eines Assets, welcher aus einer dynamischen Reinvestitionsstrategie in Aktien, Immobilien und Zinsen resultiert, überprüft. In der vorliegenden Validierung wurden anfängliche Investitionen bis t 1=1,,80 in Zinstitel bzw. Indizes weitere t 2=5, 10, 15, 20 Jahren in die Indizes bzw. Zinstitel umgeschichtet und deren mittlerer diskontierter 13
14 II. Validierungsreport zum Stichtag Marktwert sowie die zugehörigen symmetrischen 5%-Konfidenzintervalle ermittelt. Liegt der Mittelwert einer solchen Umschichtungsstrategie in einem Projektionsjahr außerhalb des zugehörigen Konfidenzintervalls, so gilt der Test in diesem einen Fall als nicht bestanden. Um festzulegen, ob die Szenariengesamtheit den Test (über alle Projektionsjahre und Umschichtungsstrategien) besteht, wurde ein Hypothesentest, der anhand der Anzahl der Abweichungen je Simulationsjahr entscheidet, ob der Reinvestitionstest bestanden ist, umgesetzt. Treten keine oder nur wenige Abweichungen auf, dann gilt der Test als bestanden; treten zu viele auf, ist er definitiv nicht bestanden. Bei einer mittleren Anzahl von Abweichungen muss der Nutzer anhand der Einzelabweichungen im Detail entscheiden, ob der Test bestanden ist. Für die untere Grenze wurde festgelegt: Bei weniger als 7 aufgetretenen Abweichungen gilt der Test als bestanden. Die obere Grenze zum definitiven Nichtbestehen des Tests ist folgendermaßen ermittelt: Bei den betrachteten 320 Tests 3 (z.b. von Zins nach Zins) und einer Wahrscheinlichkeit des Überschreitens von 5% gibt es unter Annahme der Binomialverteilung einen Mittelwert von 16 Abweichungen und einer Varianz von 15,2. Der Hypothesentest besagt, dass bei einer Anzahl von mehr als 23 Abweichungen die Hypothese mit einer Wahrscheinlichkeit von über 97,5% abzulehnen ist. Zusätzlich wird ein Ausreißer-Test für die Reinvestitionen durchgeführt. Die Reinvestitionen werden nun zusätzlich um Ausreißer oberhalb des 99,5%-Quantils geprüft. Falls mehr als 5 Ausreißer gefunden werden, gilt dieser Test als nicht bestanden. Bei keinem oder einem Ausreißer gilt der Test als bestanden, dazwischen ist keine eindeutige Aussage möglich. Ergebnis: Auf dem BE-Szenario, Zins-up-Szenario und Zins-down-Szenario kam es beim Hypothesentest Reinvestition von Aktien nach Zins zu jeweils 6 Abweichungen, beim Hypothesentest Reinvestition von Immobilien nach Aktien kam es zu 4 Abweichungen. In den restlichen 5 Hypothesentests sowie im Ausreißertest traten keine Abweichungen auf. Die Szenariensätze bestehen also sämtliche Reinvestitionstests. 3 4 Umschichtungsdauern nach je 1-80 Projektionsjahren 14
15 II. Validierungsreport zum Stichtag Test der Verteilungseigenschaften Negative Zinsen Testansatz: Im Hull-White-Modell ist die Shortrate normalverteilt. Erwartungswert und Varianz sind daher zu jedem Zeitpunkt in einer geschlossenen Formel darstellbar. Eine theoretische Wahrscheinlichkeit für das Auftreten negativer Zinsen lässt sich daher angeben, die mit der empirischen Wahrscheinlichkeit verglichen werden kann. Nachfolgende Grafik illustriert die Testergebnisse für das BE-Szenario. Die entsprechenden Ergebnisse für die beiden Zinsstresse sind von vergleichbarer Güte und lediglich gemäß der vorliegenden Zinsstresse entsprechend verschoben. 60% Vergleich der Wahrscheinlickeit negativer Zinsen 50% 40% 30% 20% 10% 0% Theoretische Wahrscheinlichkeit Relative Häufigkeit Ergebnis: Die Häufigkeit negativer Zinsen entspricht in allen drei Szenarien bis auf eine geringe verbleibende Simulationsvarianz den Erwartungen an das Hull-White-Modell bei der gegebenen Parametrisierung. Insbesondere in den ersten Projektionsjahren ist ein hoher Anteil negativer Zinsen zu erwarten. 15
16 II. Validierungsreport zum Stichtag Verteilung der Shortrate und Zinssätze Zusätzlich lässt sich die Verteilung der Shortrate und Zinsen für verschiedene Laufzeiten über die Projektion grafisch über einen Plot von ausgewählten Quantilen darstellen. Nachfolgende Grafiken illustrieren die Testergebnisse für das BE-Szenario. Die entsprechenden Ergebnisse für die beiden Zinsstresse finden sich im Anhang und sind gemäß der vorliegenden Zinsstresse entsprechend verschoben. 22% Quantile Shortrate 20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% -2% -4% -6% -8% -10% Min. - 1 % bzw. 99 % - Max. 10 % - 25 % bzw. 90 % - 99 % 25 % - 50 % bzw. 75 % - 90 % 50 % - 75 % Mittelwert 22% Quantile Zins 1Y 20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% -2% -4% -6% -8% -10% Min. - 1 % bzw. 99 % - Max. 10 % - 25 % bzw. 90 % - 99 % 25 % - 50 % bzw. 75 % - 90 % 50 % - 75 % Mittelwert 16
17 II. Validierungsreport zum Stichtag % Quantile Zins 10Y 20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% -2% -4% -6% % -10% Min. - 1 % bzw. 99 % - Max. 10 % - 25 % bzw. 90 % - 99 % 25 % - 50 % bzw. 75 % - 90 % 50 % - 75 % Mittelwert 4.4. Swaptionvolatilität Zum Test der Volatilitätskalibrierung des Hull-White-Modells wurden des Weiteren die Preise und daraus die impliziten Volatilitäten von at-the-money Receiver-Swaptions mit Nominal 1 EUR für (Maturity, Tenor)-Kombinationen aus {5, 10, 15, 20, 25} x {5, 10, 15, 20, 25} Jahren für das BE-Szenario ermittelt. Diese lauten Implizite Volatilitäten Maturity\Tenor ,0% 47,3% 37,6% 28,7% 22,6% 10 44,0% 35,7% 26,2% 20,1% 16,4% 15 38,4% 24,9% 18,1% 14.4% 12,1% 20 21,7% 15,5% 12,2% 10,1% 8,8% 25 16,2% 12,5% 10.2% 8,7% 7,7% Hierbei ist zu beachten, dass der Black-Quote der impliziten Swaptionvolatilitäten vom zugrundeliegenden Zinsniveau abhängt, da dieser die Volatilität der relativen Zinsänderungen misst. Daher macht die Betrachtung dieser Volatilitätsmatrix sowohl für das BE-Szenario als auch die beiden Zinsstresse nur eingeschränkt Sinn, da sich diese Volatilitäten abhängig vom Zinsniveau modellbedingt ändern müssen. Im Anhang finden sich diese Werte für die beiden Zinsstresse daher nur nachrichtlich und ohne weitere Beurteilung. 17
18 II. Validierungsreport zum Stichtag Für die Validierung beschränken wir uns auf den Vergleich des Zielwertes von 35.18% für die (10,10) at-the-money Receiver Swaption (welcher der alleinige Zielpunkt für die Kalibrierung war) und vergleichen diesen mit dem empirisch ermittelten Wert bei Simulation mit dem ESG unter Verwendung der Marktzinskurve. Der sich daraus ergebende Wert beträgt 36.6%, woraus auf eine gute Qualität der Kalibrierung geschlossen werden kann. Eine pauschale Beurteilung der Swaptionvolatilitätskalibrierung kann im Rahmen der Validierung nicht erfolgen, ohne die zugehörigen Kalibrierungsziele zu nennen und zu klären: Für welche Swaptions soll die implizite Volatilität getroffen werden? Aufgrund der Tatsache, dass nur der Volatilitätsparameter sigma zur Kalibrierung zur Verfügung steht (der Parameter beta wird aktuell konstant auf 0.1 gesetzt), kann auch nur die implizite Volatilität einer ausgewählten Swaption exakt getroffen werden. Eine alternative Metrik würde die mittlere Abweichung zwischen Modellwerten und Kalibrierungsvorgaben für eine bestimmte Menge an Swaptions darstellen Korrelationen zwischen Zinsen und Indexentwicklungen Die nachfolgenden Grafiken zeigen die Korrelation zwischen den Zinsen verschiedener Laufzeiten (x-achse entspricht der Laufzeit) und dem Logarithmus des Excess-Returns der Indexentwicklung für das BE-Szenario auf. Die entsprechenden Ergebnisse für die beiden Zinsstresse sind von vergleichbarer Güte. 0,33 Korrelation zwischen Zerokupon (mit Restlaufzeit) und Aktien 0,325 0,32 0,315 0,31 0,305 0,3 0,295 0, obere Grenze Korrelation Korrelation untere Grenze Korrelation 18
19 II. Validierungsreport zum Stichtag ,63 Korrelation zwischen Zerokupon (mit Restlaufzeit) und Immobilien 0,625 0,62 0,615 0,61 0,605 0, obere Grenze Korrelation Korrelation untere Grenze Korrelation Die Korrelation zwischen Aktien und Immobilien beträgt 74% auf dem BE-Szenario. Ergebnis: Insgesamt weisen die Korrelationen zwischen Nullkuponanleihen und Aktien sowie Aktien und Immobilien eine gute Übereinstimmung mit den Vorgabeparametern (30% bzw. 75%) auf. Die leichten Abweichung von der Zielkorrelation zwischen Aktien und Zinsen von 30% resultiert im Wesentlichen daraus, dass es sich dabei um die Korrelation zwischen der Logarithmus des Excess-Returns des Aktienprozesses und des Shortrate-Prozesses handelt und sich letzterer Prozess nicht direkt auf die Zinsen überträgt, so dass die Transformation, welche aus den Shortrates die Zinskurven generiert, für die hier sichtbare aber moderate Verzerrung sorgt. Die sich in den Szenarien realisierten Korrelationen zwischen Nullkuponanleihen und Immobilien hingegen weichen selbst unter Berücksichtigung des oben genannten Effekts, der auch hier greift signifikant von deren Ziel ab. Grund hierfür sind numerische Effekte im Validierungs-Excel-Sheet aufgrund der kleinen Volatilität des Immobilienindex, die bis zur nächsten quartärlichen Kalibrierung und Validierung behoben sein werden Volatilität Indizes Die nachfolgenden beiden Grafiken zeigen jeweils den Preis (blaue Linie) und die implizite Volatilität (orangefarbene Linie) einer at-the-money Call-Option auf den 19
20 Implizite Volatilität Optionspreis Implizite Volatilität Optionspreis II. Validierungsreport zum Stichtag Aktien- bzw. Immobilienindex mit steigender Optionslaufzeit. Nachfolgende Grafiken illustrieren die Testergebnisse für das BE-Szenario. Die entsprechenden Ergebnisse für die beiden Zinsstresse sind von vergleichbarer Güte. Test Aktien-Volatilitäten 30% 0,7 25% 0,6 20% 0,5 0,4 15% 0,3 10% 0,2 5% 0,1 0% Optionslaufzeit 0 implizite Volatilität Preis Test Immobilien-Volatilitäten 18% 0,45 16% 0,4 14% 0,35 12% 0,3 10% 0,25 8% 0,2 6% 0,15 4% 0,1 2% 0,05 0% Optionslaufzeit 0 implizite Volatilität Preis 20
21 II. Validierungsreport zum Stichtag Ergebnis: Es zeigen sich implizite Volatilitäten von anfänglich ca. 19 % (Aktien) und 6% (Immobilien), welche mit den Kalibrierungszielen übereinstimmen. Im Laufe der Projektion steigen diese Volatilitäten auf ca. 26% bzw. 16%. Dieser Anstieg, welcher scheinbar im Widerspruch zu den Kalibrierungszielen steht, resultiert aus der im Zeitverlauf zunehmenden zusätzlichen Volatilität des Zinsprozesses, welche vom Black-Scholes-Modell, das einen deterministische Verzinsung vorsieht, als weitere Volatilität der Indizes gemessen wird. 21
22 A. Anhang Validierung der Zinsstresse A.1 Renditen Zins-down Zins-up
23 A. Anhang Validierung der Zinsstresse A.2 Martingaltests A.2.1 Martingaltest Nullkuponanleihen Zins-down Zins-up 23
24 A. Anhang Validierung der Zinsstresse A.2.2 Martingaltest Indizes Zins-down 24
25 A. Anhang Validierung der Zinsstresse Zins-up 25
26 A. Anhang Validierung der Zinsstresse A.3 Test der Verteilungseigenschaften A.3.1 Negative Zinsen Zins-down Zins-up 26
27 A. Anhang Validierung der Zinsstresse A.3.2 Verteilung der Shortrate und Zinssätze Zins-down 27
28 A. Anhang Validierung der Zinsstresse Zins-up 28
29 A. Anhang Validierung der Zinsstresse 29
30 A. Anhang Validierung der Zinsstresse A.4 Swaptionvolitilität Zins-down Implizite Volatilitäten % 65.9% 53.2% 39.4% 30.3% % 51.9% 36.5% 27.2% 21.6% % 36.2% 25.1% 19.3% 15.8% % 21.2% 16.2% 13.2% 11.2% % 16.7% 13.4% 11.2% 9.7% Zins-up Implizite Volatilitäten Maturity\Tenor Maturity\Tenor % 30.7% 25.2% 20.3% 16.9% % 24.1% 18.7% 15.1% 12.8% % 17.7% 13.6% 11.2% 9.7% % 12.0% 9.7% 8.2% 7.3% 25 30
31 A. Anhang Validierung der Zinsstresse A.5 Korrelationen zwischen Zinsen und Indexentwicklungen Zins-down Korrelation Aktien Immobilien: 74% 31
32 A. Anhang Validierung der Zinsstresse Zins-up Korrelation Aktien Immobilien: 74% 32
33 A. Anhang Validierung der Zinsstresse A.6 Volatilität Indizes Zins-down 33
34 A. Anhang Validierung der Zinsstresse Zins-up 34
Zinsmodelle in der marktkonsistenten Bewertung von Versicherungsbeständen
Zinsmodelle in der marktkonsistenten Bewertung von Versicherungsbeständen Wie materiell ist die Modellwahl? Dr. Ingo Kraus, ERGO Group AG Düsseldorf, 4.10.2016 Titel Ingo Kraus ERGO Versicherungsgruppe
MehrDie Bewertung der eingebetteten Optionen in der Lebensversicherung
Die Bewertung der eingebetteten Optionen in der Lebensversicherung Prüfungskolloquium 19.11.2010 Beat Wäfler Eingebettete Optionen In Lebensversicherungsprodukten können für den Versicherungsnehmer beispielsweise
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
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrZur Modellierung der Zinsdynamik wird ein verallgemeinertes Zwei-Faktor-Vasicek-Modell für die Entwicklung der risiko-neutralen Short-Rate
Seite 1 von 6 Disclaimer Das folgende Basismodell für die Simulation des Kapitalmarkts wurde im Auftrag der Altersvorsorge (PIA) vom Fraunhofer Institut für Techno- und Wirtschaftsmathematik (Fraunhofer
MehrKapitalmarktmodelle - worauf kommt es dabei für Aktuare an?
Kapitalmarktmodelle - worauf kommt es dabei für Aktuare an? Vortrag im qx-club Düsseldorf, 06.02.2007 Gabriela Baumgartner Dr. Michael Leitschkis B&W Deloitte Agenda 1. Einführung 2. ESG-Eigenschaften
MehrTarget Volatility & Risk Control Indizes. Ulrich Stoof (Bloomberg LP) & Christian Menn (RIVACON & FH Mainz)
Target Volatility & Risk Control Indizes Ulrich Stoof (Bloomberg LP) & Christian Menn (RIVACON & FH Mainz) Agenda Einleitung/Motivation Der Risk Control Mechanismus Exkurs: Varianz- und Volatilitätsschätzer
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
MehrITWM Workshopserie 2012: Mehrfaktor-Zinsmodelle und ihre Implementation
ITWM Workshopserie 2012: Mehrfaktor-Zinsmodelle und ihre Implementation Aspekte des 2-Faktor-Hull-White-Modells 8. November 2012 Inhalt Weshalb ein Mehrfaktor Modell? 2-Faktor-Modelle Das ursprüngliche
MehrBARRIER-HIT-REPORT Q4 2016
BARRIER-HIT-REPORT Q4 2016 Bonus-Zertifikate nur wenige Barriere-Bruche in Q4 2016 SmartTrade hat für 316.000 Bonus-Zertifikate die Barriere-Brüche und Barriere-Bruch-Wahrscheinlichkeiten im vierten Quartal
MehrKurzbeschreibung. Eingaben zur Berechnung. Das Optionspreismodell. Mit dem Eurex-OptionMaster können Sie
Kurzbeschreibung Mit dem Eurex-OptionMaster können Sie - theoretische Optionspreise - Optionskennzahlen ( Griechen ) und - implizite Volatilitäten von Optionen berechnen und die errechneten Preise bei
MehrArt. 8 der Lebensversicherungsrichtlinie: Regelwerk zur Erstellung von Beispielrechnungen
Art. 8 der Lebensversicherungsrichtlinie: Regelwerk zur Erstellung von Beispielrechnungen zur Wertentwicklung Prüfungsbericht 2014 zu den Performance Annahmen der Assetklassen Zürich/St. Gallen, im Oktober
MehrInhaltsübersicht VII. Bibliografische Informationen digitalisiert durch
Inhaltsübersicht 1 Einleitung 1 2 Strategie und Risikomanagement 8 3 Zins, Zinskurven und Kennzahlen 20 4 Modellierung von Zinsstrukturkurven 44 5 Derivate 64 6 Überleitung Projekt 77 7 Zins-Derivate 86
MehrAbstract. Titel: Performancevergleich von aktiven und passiven Fondsanlagestrategien
Abstract Titel: Performancevergleich von aktiven und passiven Fondsanlagestrategien Kurzzusammenfassung: Die Auswahl an Anlageprodukte hat sich insbesondere in der jüngsten Vergangenheit stark gewandelt
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
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
MehrAktienanleihe. Konstruktion, Kursverhalten und Produktvarianten. 18.02.2015 Christopher Pawlik
Aktienanleihe Konstruktion, Kursverhalten und Produktvarianten 18.02.2015 Christopher Pawlik 2 Agenda 1. Strukturierung der Aktienanleihe 04 2. Ausstattungsmerkmale der Aktienanleihen 08 3. Verhalten im
MehrAllianz Investmentbank AG
Allianz Investmentbank AG infourmativ Roadshow April 2013 1 Portfolio Health Check Der Gesundheitscheck für Ihr Portfolio! / Seite 2 Finanzielle Repression Historisch niedrige Zinsen Anstieg der Volatilitäten
MehrInflationsbereinigte Chance-Risiko-Profile von Lebensversicherungsprodukten Stefan Graf, Alexander Kling, Jochen Ruß
Stefan Graf WiMa 2011 Ulm November 2011 Inflationsbereinigte Chance-Risiko-Profile von Lebensversicherungsprodukten Stefan Graf, Alexander Kling, Jochen Ruß Seite 2 Agenda Chance-Risiko-Profile Nominale
MehrBranchensimulationsmodell one size fits all?
Branchensimulationsmodell one size fits all? q x -Club Köln August 2015 Agenda Einordnung des BSMs in den Solvency II-Kontext Angemessenheit der Modelle Analyse von einzelnen Vereinfachungen im BSM Fazit
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
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
MehrAufgaben Brealey/Myers [2003], Kapitel 20
Folie 0 Quiz: 1, 2, 3, 4, 5, 8, 9, 11, 12, 13, 14 Practice Questions: 2, 3, 4, 5, 6, 8, 9, 11, 13, 14, 15, 17, 18, 21 Challenge Questions: 2 Folie 1 Lösungshinweis zu Quiz 4: Put-Call Parität: Fälligkeit
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
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
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrArt. 8 der Lebensversicherungsrichtlinie: Regelwerk zur Erstellung von Beispiel- rechnungen
Art. 8 der Lebensversicherungsrichtlinie: Regelwerk zur Erstellung von Beispiel- rechnungen zur Wertentwicklung Prüfungsbericht 2013 zu den Performance- Annahmen der Assetklassen Zürich/St. Gallen, im
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
MehrInfotage BVS Workshop B Änderung der Anlagestrategie Ja oder Nein? Dr. Dominique Ammann, Partner. PPCmetrics AG
Infotage BVS 2010 Workshop B Änderung der Anlagestrategie Ja oder Nein? Dr. Dominique Ammann, Partner PPCmetrics AG Financial Consulting, Controlling & Research Zürich, Frühjahr 2010 PPCmetrics AG Inhalt
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?
MehrEckpfeiler der neuen Regelung:
Zertifikate-Emittenten weisen im Produktinformationsblatt (PIB) bereits seit einigen Jahren Performance-Szenarien aus. Während die konkrete Bestimmung dieser Szenarien bislang den Emittenten überlassen
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrFinanzwirtschaft. Teil II: Bewertung. Zinssätze und Renten
Zinssätze und Renten 1 Finanzwirtschaft Teil II: Bewertung Zinssätze und Renten Agenda Zinssätze und Renten 2 Effektivzinsen Spot-Zinsen Forward-Zinsen Bewertung Kennziffern Zusammenfassung Zinssätze und
MehrInvaliditätsbegriff unter Solvency II sowie Zuordnung von Verpflichtungen aus Berufsunfähigkeitsversicherungen
Ergebnisbericht des Ausschusses Enterprise Risk Management Invaliditätsbegriff unter Solvency II sowie Zuordnung von Verpflichtungen aus Berufsunfähigkeitsversicherungen Köln, 19. Februar 2016 Präambel
MehrBeispiel 2 (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter)
Beispiel (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter) 1 Ein Statistiker ist zu früh zu einer Verabredung gekommen und vertreibt sich nun die Zeit damit, daß er die Anzahl X der Stockwerke
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
MehrHedging von Zinsrisiken. Vertiefungsstudium Finanzwirtschaft Prof. Dr. Mark Wahrenburg. Bond Yields und Preise von Zerobonds
Hedging von Zinsrisiken Vertiefungsstudium Finanzwirtschaft Prof. Dr. Mark Wahrenburg Bond Yields und Preise von Zerobonds 3 Zerobonds mit Nominalwert F=100 yield to maturity r=10% (horizontale Zinskurve),
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrInternationale Finanzierung 7. Optionen
Übersicht Kapitel 7: 7.1. Einführung 7.2. Der Wert einer Option 7.3. Regeln für Optionspreise auf einem arbitragefreien Markt 7.3.1. Regeln für Calls 7.3.2. Regeln für Puts 7.3.3. Die Put Call Parität
MehrBewertung der Optionen und Garantien von Lebensversicherungspolicen
Bewertung der Optionen und Garantien von Lebensversicherungspolicen Optionen und Garantien spielen auf dem deutschen Lebensversicherungsmarkt eine große Rolle. Sie steigern die Attraktivität der Policen
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
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
MehrEin-Faktor-Zinsmodelle
Ein-Faktor-Zinsmodelle M. Gruber 14. 05 2014 Zusammenfassung Beispiel mit Realdaten (Euro Libor overnight, Euribor 3 weeks), Vasicek-Modell mit Simulation, Cox-Ingersoll-Ross-Modell mit Simulation, Hull-White-Modell.
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre
Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, SS 2008 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrSigmaDeWe Risikomanagement
Sie haben für Ihren liquiden Vermögensteil Ihren persönlichen risikoreichen Anteil bestimmt und sind aufgrund der Marktsignale derzeit im Markt. Dennoch haben Sie Zweifel, dass mittelfristig der Markt
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 7.9. Lösungen zum Hypothesentest II Ausführliche Lösungen: A A Aufgabe Die Firma Schlemmerland behauptet, dass ihre Konkurrenzfirma Billigfood die Gewichtsangabe,
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrFinance: Übungsserie I
Thema Dokumentart Finance: Übungsserie I Lösungen Theorie im Buch "Integrale Betriebswirtschaftslehre" Teil: D1 Finanzmanagement Finance: Übungsserie I Aufgabe 1 1.1 Erklären Sie, welche zwei Arten von
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
MehrAnleitung zum Java - Applet
Anleitung zum Java - Applet Stetige Verteilungen Visualisierung von Wahrscheinlichkeit und Zufallsstreubereich bearbeitet von: WS 2004 / 2005 E/TI 7 betreut von: Prof. Dr. Wilhelm Kleppmann Inhaltsverzeichnis
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
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
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
MehrBei näherer Betrachtung des Diagramms Nr. 3 fällt folgendes auf:
18 3 Ergebnisse In diesem Kapitel werden nun zunächst die Ergebnisse der Korrelationen dargelegt und anschließend die Bedingungen der Gruppenbildung sowie die Ergebnisse der weiteren Analysen. 3.1 Ergebnisse
MehrHinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet.
11.01.2012 Prof. Dr. Ingo Klein Klausur zur VWA-Statistik Hinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet. Aufgabe 1:
MehrGeneralthema: Zinsrisikomanagement und der Jahresabschluß von Kreditinstituten Thema 5: Ansätze zur Bewertung von Zinsoptionen
Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Seminar zur BBL und ABWL Wintersemester 2003/2004 Zuständiger Mitarbeiter: Dipl.-Kfm. Christian Wolff Generalthema:
MehrDerivate und Bewertung
. Dr. Daniel Sommer Marie-Curie-Str. 0 6049 Frankfurt am Main Klausur Derivate und Bewertung.......... Wintersemester 006/07 Klausur Derivate und Bewertung Wintersemester 006/07 Aufgabe 1: Statische Optionsstrategien
MehrFinanzmanagement 5. Optionen
Übersicht Kapitel 5: 5.1. Einführung 5.2. Der Wert einer Option 5.3. Regeln für Optionspreise auf einem arbitragefreien Markt 5.3.1. Regeln für Calls 5.3.2. Regeln für Puts 5.3.3. Die Put Call Parität
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrInhaltsverzeichnis XVII. Abkürzungsverzeichnis... XXIII. Symbolverzeichnis...XXVII. Abbildungsverzeichnis...XXXI. Tabellenverzeichnis...
XVII Abkürzungsverzeichnis... XXIII Symbolverzeichnis...XXVII Abbildungsverzeichnis...XXXI Tabellenverzeichnis... XXXV 1 Einführung...1 1.1 Entwicklung und Bedeutung der Optionsbewertung...1 1.2 Problemstellung...4
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen I Dr. Klaus Lukas Carsten Neundorf
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen I Dr. Klaus Lukas Carsten Neundorf 1 Agenda Zinsrechnung Zinseszins Zeitwert des Geldes Strukturkongruente Refinanzierung Rendite Zinskurve 2 Das
MehrImplizite Optionen in Lebensversicherungsprodukten
Implizite Optionen in Lebensversicherungsprodukten Eine quantitative Analyse am Beispiel des Kapitalwahlrechts. von Tobias Dillmann und Jochen Ruß 1 1. Einleitung In den letzten Jahren hat sich in der
MehrReplicating Portfolios bringt das etwas für die Praxis?
Replicating Portfolios bringt das etwas für die Praxis? Dr. Andreas Reuß & Prof. Dr. Hans-Joachim Zwiesler Institut t für Finanz- und Aktuarwissenschaften (ifa) Gemeinsame Herbsttagung g AFIR- und LEBENS-Gruppe
MehrCredit-Point Klausur. im Fach Kapitalmarkttheorie (Investment Analysis)
Prof. Dr. W. Bessler CP-Klausur Kapitalmarkttheorie und Portfoliomanagement I Seite 1 Credit-Point Klausur im Fach Kapitalmarkttheorie (Investment Analysis) (Diplom: Kapitalmarkttheorie und Portfoliomanagement
MehrKonformitätsaussagen in Kalibrierzertifikaten
Eidgenössisches Departement für Wirtschaft, Bildung und Forschung WBF Staatssekretariat für Wirtschaft SECO Schweizerische Akkreditierungsstelle SAS Konformitätsaussagen in Kalibrierzertifikaten Dokument
MehrKlausur zur Vorlesung Finanz- und Bankmanagement
Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz- und Bankwirtschaft [Aufkleber] Klausur zur Vorlesung Finanz- und Bankmanagement Prof. Dr. Marco Wilkens 06. Februar 2012
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
MehrSimple Solvency. Ein Solvenzmodell für deutsche Lebensversicherer. Holger Bartel 03.11.2014
Simple Solvency Ein Solvenzmodell für deutsche Lebensversicherer Holger Bartel 03.11.2014 Simple Keine Simulation Keine Cashflows Keine Zeitschrittigkeit Aber: Komplexe Interaktion der Inputparameter Solvency
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrDAXplus Covered Call Der Covered Call-Strategieindex
DAXplus Covered Call Der Covered Call-Strategieindex Investment mit Puffer In Zeiten, in denen Gewinne aus reinen Aktienportfolios unsicher sind, bevorzugen Anleger Produkte mit einer höheren Rendite bei
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
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
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrPerformance der Devisentermingeschäfte
September 2016 NEWSLETTER der Devisentermingeschäfte Wir haben in einem früheren Newsletter gesehen, wie Devisentermingeschäfte (DTG) am besten gebucht werden sollten. Diese Verbuchung ist auch im Dokument
MehrPortfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen?
Portfolioselection Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Investieren in Aktien ist riskant Risiko einer Aktie kann in 2 Teile zerlegt werden: o Unsystematisches Risiko
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
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrDas Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.
10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung
MehrRentenportfolios. Frank Weber AXA Winterthur. Copyright 2009, SAS Institute Inc. All rights reserved.
Frank Weber AXA Winterthur Agenda Umfeld Rentenportfolios Risikofaktoren Risikoanalyse und Quantifizierung Simulationstool Anwendung Risk Dimension Umfeld 3-Säulen-System in der Schweiz Säule I AHV / IV
MehrMonate Präop Tabelle 20: Verteilung der NYHA-Klassen in Gruppe 1 (alle Patienten)
Parameter zur Beschreibung der Leistungsfähigkeit Klassifikation der New-York-Heart-Association (NYHA) Gruppe 1 (alle Patienten): Die Eingruppierung der Patienten in NYHA-Klassen als Abbild der Schwere
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
MehrHerzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung
FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik smaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer
MehrDynamik von Optionen
Dynamik von Optionen Plan Der Optionspreis und seine Einflussfaktoren Wert des Calls / Puts bei unterschiedlichen Marktbedingungen Änderung des Optionspreises bei Änderung eines oder mehrerer Einflussfaktoren
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrPortfolio Insurance - CPPI im Vergleich zu anderen Strategien
Roger Uhlmann Portfolio Insurance - CPPI im Vergleich zu anderen Strategien Haupt Verlag Bern Stuttgart Wien Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis Symbol- und
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
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
MehrINFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
Mehr