V A,i (T) = V A,i (t)exp µ A,i σ2 A,i 2. T t. ist die Volatilität.
|
|
- Nicole Färber
- vor 6 Jahren
- Abrufe
Transkript
1 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
2 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
3 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
4 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
5 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
6 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
7 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
8 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
9 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
10 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)). )
11 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
12 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
13 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
14 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
15 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
16 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
17 (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
18 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
19 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)
20 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
21 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
22 Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen Einflussfaktoren. Gesucht: VaR α (L) = q α (L), CVaR α = E(L L > q α (L)), CVaR i,α = E(L i L > q α (L)). Bei Anwendung von Monte Carlo (MC) Simulation tritt das Problem der Simulation von seltenen Ereignissen auf ( rare event simulation )! ZB. α = 0,99. Nur etwas 1% der standard MC Simulationen führt zu einem Verlust L, sodass L > q α (L). Standard MC Schätzer: ĈVaR (MC) α (L) = 1 n I (q α,+ )(L i ) n L i I (qα,+ )(L i ) wobei L i der Verlustwert in der i-ten Simulationslauf ist. (L) ist sehr instabil, d.h. hat eine sehr hohe Varianz, wenn die Anzahl der Simulationen n nicht sehr sehr groß ist. ĈVaR (MC) α 28
23 Grundlagen von Importance Sampling Sei X eine ZV in einem Wahrscheinlichkeitsraum (Ω,F,P) mit absolut stetiger Verteilungsfunktion und Dichtefunktion f. Gesucht: θ = E(h(X)) = h. h(x)f(x)dx für eine bekannte Funktion Berechnung der Wahrscheinlichkeit eines Ereignisses A: h(x) = I A (x). Berechnung von CVaR: h(x) = xi x>c (x) mit c = VaR(X). Algorithmus 1 (Monte Carlo Integration) (1) Generiere X 1,X 2,..., X n unabhängig aus der Dichte f. (2) Berechne den standard MC Schätzer ˆθ (MC) n = 1 n n h(x i). Aus dem starken Gesetz der großen Zahlen: lim n ˆθ n (MC) sicher. = θ gilt fast Im Falle von seltenen Ereignissen (zb. h(x) = I A (x), P(A) << 1) ist die Konvergenz sehr langsam. 29
24 Sei g eine Wahrscheinlichkeitsdichte, sodass f(x) > 0 g(x) > 0. { f(x) g(x) > 0 Wir definieren das Likelihood Ratio als: r(x) := g(x) 0 g(x) = 0 Es gilt: θ = Algorithmus 2 (Importance Sampling) h(x)r(x)g(x)dx = E g (h(x)r(x)) (8) (1) Generiere X 1,X 2,..., X n unabhängig aus der Dichte g. (2) Berechne den IS-Schätzer ˆθ (IS) n = 1 n n h(x i)r(x i ). g heißt Importance Sampling -Dichte. Ziel: Auswahl einer Importance Sampling -Dichte, sodass die Variance des IS-Schätzers wesentlich kleiner als die Varianz des standard MC-Schätzers ist. ) var(ˆθ n (IS) = 1 n 2(E g(h 2 (X)r 2 (X)) θ 2 ) ) var(ˆθ n (MC) = 1 n 2(E(h2 (X)) θ 2 ) 30
25 Theoretisch kann die Varianz des IS-Schätzers auf 0 reduziert werden! Annahme h(x) 0, x. Für g (x) = f(x)h(x)/e(h(x)) gilt: ˆθ (IS) 1 = h(x 1 )r(x 1 ) = E(h(X)). Der IS-Schätzer gibt den richtigen Wert nach einer einzigen Simulation! Sei h(x) = I {X c} (x) wobei c >> E(X) (seltenes Ereignis). Es gilt E(h 2 (X)) = P(X c) und E g (h 2 (X)r 2 (X)) = h 2 (x)r 2 (x)g(x)dx = E g (r 2 (X);X c) = (9) h 2 (x)r(x)f(x)dx = h(x)r(x)f(x)dx = E f (r(x);x c) (10) Das Ziel ist g so auszuwählen, dass E g (h 2 (X)r 2 (X)) klein wird, oder sodass r(x) für x c klein und das Ereignis X c unter der Dichte g wahrscheinlicher als unter der Dichte f ist. 31
Die 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
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
MehrBeispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.
Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,
MehrCommercial Banking. Kreditportfoliosteuerung
Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung
MehrVergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko
Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Jan Jescow Stoehr Gliederung 1. Einführung / Grundlagen 1.1 Ziel 1.2 CreditRisk+ und CreditMetrics 2. Kreditportfolio 2.1 Konstruktion
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrVorlesung 7: Value-at-Risk für Kreditrisiken
Vorlesung 7: Value-at-Risk für Kreditrisiken 17. April 2015 Dr. Patrick Wegmann Universität Basel WWZ, Department of Finance patrick.wegmann@unibas.ch www.wwz.unibas.ch/finance Die Verlustverteilung im
MehrCredit Risk+: Eine Einführung
Credit Risk+: Eine Einführung Volkert Paulsen December 9, 2004 Abstract Credit Risk+ ist neben Credit Metrics ein verbreitetes Kreditrisikomodell, dessen Ursprung in der klassischen Risikotheorie liegt.
MehrKreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008
Kreditrisiko bei Swiss Life Carl-Heinz Meyer, 13.06.2008 Agenda 1. Was versteht man unter Kreditrisiko? 2. Ein Beisiel zur Einführung. 3. Einige kleine Modelle. 4. Das grosse kollektive Modell. 5. Risikoberechnung
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrCommercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit
Commercial Banking Kreditgeschäft Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Bedingte Marginale Ausfallwahrscheinlichkeit (BMAW t ) (Saunders: MMR ) prob (Ausfall in Periode t kein Ausfall
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrModellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung
Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes
MehrModellbildung und Simulation
Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das
MehrCredit Risk I. Einführung in die Kreditrisikomodellierung. Georg Pfundstein Betreuer: Rupert Hughes-Brandl. 02. Juli 2010
Credit Risk I Einführung in die Kreditrisikomodellierung. Georg Pfundstein Betreuer: Rupert Hughes-Brandl 02. Juli 2010 Georg Pfundstein Credit Risk I 02. Juli 2010 1 / 40 Inhaltsverzeichnis 1 Grundlagen
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrCredit Metrics: Eine Einführung
Credit Metrics: Eine Einführung Volkert Paulsen July 23, 2009 Abstract Credit Metrics ist ein Kredit Risko Modell, daß den Verlust quantifiziert, der durch eine Bonitätsveränderung von Schuldnern verursacht
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrRisikomanagement: Hintergrund und Ziele
Risikomanagement: Hintergrund und Ziele Beispiel 1 Anfangskapital V 0 = 100 Spiel: man verliert oder gewinnt 50 mit Wahrsch. jeweils 1/2. Kapital nach dem Spiel V 1 = { 150 mit Wahrsch. 1/2 50 mit Wahrsch.
MehrDelta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer
Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer 1 Einleitung Im Rahmen des SST wird teilweise vereinfachend angenommen, dass der Zusammenhang zwischen der Veränderung des risikotragenden
MehrRisikomanagement und Statistik. Raimund Kovacevic
Risikomanagement und Statistik Raimund Kovacevic Dieses Werk ist Urheberrechtlich geschützt. Jede Vervielfältigung ohne Einverständnis des Autors ist verboten. Risiko hazard, a chance of bad consequences,
MehrBonitätsrisiko und Unternehmensanleihen
Bonitätsrisiko und Unternehmensanleihen Burkhard Erke Montag, März 31, 2008 Die Folien orientieren sich an (a) Unterrichtsmaterialien von Backus (NYU) und (b) Neuere Entwicklungen am Markt für Unternehmensanleihen,
MehrInhaltsverzeichnis. Vorwort zur zweiten Auflage. Vorwort zur ersten Auflage
Inhaltsverzeichnis Vorwort zur zweiten Auflage Vorwort zur ersten Auflage v viii 1 Märkte und Produkte 1 1.1 Motivation: Das Gesicht der Finanzkrise............. 1 1.2 Grundlegende Begriffe.......................
MehrBewertung von Forwards, Futures und Optionen
Bewertung von Forwards, Futures und Optionen Olaf Leidinger 24. Juni 2009 Olaf Leidinger Futures und Optionen 2 24. Juni 2009 1 / 19 Überblick 1 Kurze Wiederholung Anleihen, Terminkontrakte 2 Ein einfaches
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrSeminar "Quantitatives Risikomanagement"
Seminar "Quantitatives Risikomanagement" Kreditrisikomanagement I Tina Ruess Mathematisches Institut der Universität zu Köln Wintersemester 2009 Betreuung: Prof. Schmidli, J. Eisenberg Contents i Chapter
MehrSolvency II und die Standardformel
Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs
MehrMarcus R.W. Martin Stefan Reitz. Carsten S. Wehn. Kreditderivate und. Kreditrisikomodelle. Eine mathematische Einführung
Marcus R.W. Martin Stefan Reitz Carsten S. Wehn Kreditderivate und Kreditrisikomodelle Eine mathematische Einführung 2., überarbeitete und erweiterte Auflage ö Springer Spektrum Inhaltsverzeichnis Vorwort
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
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrRisikomanagement: Hintergrund und Ziele
Risikomanagement: Hintergrund und Ziele Beispiel 1 Anfangskapital V 0 = 100 Spiel: man verliert oder gewinnt 50 mit Wahrsch. jeweils 1/2. Kapital nach dem Spiel V 1 = { 150 mit Wahrsch. 1/2 50 mit Wahrsch.
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
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
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrKlassische Risikomodelle
Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes
MehrAdressenausfallrisiken. Von Marina Schalles und Julia Bradtke
Adressenausfallrisiken Von Marina Schalles und Julia Bradtke Adressenausfallrisiko Gliederung Adressenausfallrisiko Basel II EU 10 KWG/ Solvabilitätsverordnung Adressenausfallrisiko Gliederung Rating Kreditrisikomodelle
MehrGeneralthema: Ausgewählte Fragen der Fremdfinanzierung
Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Seminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 1999/000 Zuständiger Mitarbeiter:
MehrPräsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik
Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrCreditMetrics. Portfoliokreditrisko Seminar. Korrelation und Asset Value Ansatz. 17. Oktober 2007 Robert Schilling
Korrelation und Ansatz Portfoliokreditrisko Seminar 7. Oktober 007 Robert Schilling Seminarleitung: PD Dr. Rafael Weißbach Universität Mannheim Berechnung des Exposures Schätzung der Volatilität Schätzung
MehrG 59071. TM bewertet. Im Kundengeschäft hingegen
G 59071 n vielen Fällen wird die Kreditrisikomessung mit unterschiedlichen Portfoliomodellen für das Eigen- und das Kundengeschäft durchgeführt. Das durch geringe Stückzahlen und hohe Volumina charakterisierte
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
Mehr6522: Capital Markets and Risk Management
(Bitte in Blockschrift) Name... Vorname... Matrikelnummer... Punkte Aufgabe 1:... Aufgabe 2:... Aufgabe 3:... Aufgabe 4:... Aufgabe 5:... Aufgabe 6:... Total :... UNIVERSITÄT BASEL Dr. Patrick Wegmann
MehrRisikoaggregation und allokation
2. Weiterbildungstag der DGVFM Risikoaggregation und allokation Einführung in das Thema Prof. Dr. Claudia Cottin, FH Bielefeld Dr. Stefan Nörtemann, msg life Hannover, 21. Mai 2015 2. Weiterbildungstag
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrHochschule Rhein-Main. Sommersemester 2015
n Vorlesung Hochschule Rhein-Main Sommersemester 2015 Dr. Roland Stamm 18. Mai 2015 n Erinnerung Eine Option ist das Recht (aber nicht die Verpflichtung) ein Produkt S in der Zukunft zu einem heute festgelegten
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrMertonscher Firmenwertansatz zur Modellierung von Kreditrisiken
Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Seminararbeit von Marleen Laakmann 2. Mai 2010 Einleitung Zur Messung und Steuerung von Kreditrisiken gibt es eine Reihe von Methoden und
MehrQuantitative Risk Management
Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis
MehrAufabe 7: Baum-Welch Algorithmus
Effiziente Algorithmen VU Ausarbeitung Aufabe 7: Baum-Welch Algorithmus Florian Fest, Matr. Nr.0125496 baskit@generationfun.at Claudia Hermann, Matr. Nr.0125532 e0125532@stud4.tuwien.ac.at Matteo Savio,
MehrKreditrisikomodelle. Mit Kalibrierung der Input-Parameter. Working Paper Series by the University of Applied Sciences of bfi Vienna.
Number 3 / 2004 Working Paper Series by the University of Applied Sciences of bfi Vienna Kreditrisikomodelle Mit Kalibrierung der Input-Parameter Version 1.01, July 2004 Robert Schwarz University of Applied
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrGrundprinzipien der Bayes-Statistik
Grundprinzipien der Bayes-Statistik Karl-Rudolf Koch Zusammenfassung: In drei wesentlichen Punkten unterscheidet sich die Bayes-Statistik von der traditionellen Statistik. Zunächst beruht die Bayes-Statistik
MehrNeue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz. 31. Mai 2007 Dimitri Senik
Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz Dimitri Senik Agenda Risikomanagement bei Fonds: neue regulatorische Vorschriften Risikomessung gemäss KKV-EBK Risikomanagement
MehrNichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. r. N. Bäuerle ipl.-math. S. Urban Lösungsvorschlag 3. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe as endnutzenoptimale Aktienportfolio bei Exp-Nutzen Wir betrachten
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrDie Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation
Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation Studiengang Informatik Jens Schiborowski 8. Januar 2009 Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik 1 Abstract
Mehr= A0 P0. Damit können wir eine äquivalente
Risikobewertung langfristiger Garantien Stand: 28. November 25 Simulationsergebnisse für klassische Bestände Anhang 1 Der Bestand eines Musterunternehmens wird durch ca. 1. model points simuliert. Der
MehrKompaktskript zur Vorlesung Stochastische Risikoanalyse
Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
MehrMonte Carlo Simulation (Grundlagen)
Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen
MehrBewertung von Optionen auf CO2- Zertifikate mittels des Verfahrens von Black-Scholes
www.markedskraft.com Bewertung von Optionen auf CO2- Zertifikate mittels des Verfahrens von Black-Scholes Diplomarbeit von Florian Frank Arendal Postboks 62 NO-4801 Arendal Norway Tel +47 37 00 97 00 Fax
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
MehrCredit Risk I. Einführung in die Kreditrisikomodellierung. Georg Pfundstein. Ludwig-Maximilians-Universität München. 31. August 2010.
Credit Risk I Einführung in die Kreditrisikomodellierung. Georg Pfundstein Ludwig-Maximilians-Universität München 31. August 2010 Abstract Portfoliomanagement und die damit einhergehende Risikomessung
Mehr4592 Kapitalmarkt und Risikomanagement, WS 2001/02. Übung 2
4592 Kapitalmarkt und Risikomanagement, WS 2001/02 Übung 2 Abgabe bis spätestens 29.1.2002 Assistenz: christian.buhl@unibas.ch Die Übung gilt bei Erreichen von mindestens 60 Punkten als bestanden (maximal
MehrCorporate Finance. Corporate Bonds
Corporate Finance Corporate Bonds 1 Corporate Bonds Wertpapiere, die dem Inhaber einen schuldrechtlichen Anspruch auf Zins und Tilgung verbriefen (Inhaberschuldverschreibung) 2 Corporate Bonds Wertpapiere,
MehrMA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring
MehrGrundlagen der Monte-Carlo-Simulation. Dr. Sebastian Lück 7. Februar 2012
Grundlagen der Monte-Carlo-Simulation Dr. Sebastian Lück 7. Februar 2012 page 2 Contents Motivation Erzeugung von SPZZ Software Transformation von SPZZ Akzeptanz- und Verwerfungsmethode Monte-Carlo-Integration
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
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
MehrHochschule Rhein-Main. Sommersemester 2015
Vorlesung Hochschule Rhein-Main Sommersemester 2015 Dr. Roland Stamm 29. Juni 2015 Erinnerung Bewertung eines Bonds mit Kupon k, Nominal N, Laufzeit t n: n Π(t) = N k δ(t i 1, t i ) P (t, t i ) + N P (t,
MehrNumerische Optionsbepreisung durch Monte-Carlo-Simulation und Vergleich mit dem Black-Scholes-Modell
Numerische Optionsbepreisung durch Monte-Carlo-Simulation und Vergleich mit dem Black-Scholes-Modell Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft
MehrNachholklausur STATISTIK II
Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrDerivatebewertung im Binomialmodell
Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
Mehr2.1 Berechnung gleichverteilter Zufallszahlen. (Linearer Kongruenz-Generator)
Seydel: Skript umerische Finanzmathematik, Kap. 2 (Version 20) 33 ¾º Ö ÒÙÒ ÚÓÒ Ù ÐÐ Þ Ð Ò Definition (Stichprobe einer Verteilung) Eine Folge von Zahlen heißt Stichprobe (sample) von einer Verteilungsfunktion
MehrZielsetzung. Problematik
Kreditrisiko-Modellierung für Versicherungsunternehmen Tamer Yilmaz 21. November 2007 Zielsetzung Die Ermittlung der Eigenkapitalhinterlegung für das Kreditrisiko, die auf das Versicherungsunternehmen
MehrGanzheitliche Risikomessung im Sinne des Anlegers
Ganzheitliche Risikomessung im Sinne des Anlegers Für alle Anlageprodukte / Wertpapiere gilt Risikofreier Zins 1% + Risikoprämien? + Management? - Kosten abhängig von der Anlage - Steuer abhängig von der
MehrMindestkonditionen im Kreditgeschäft! Rating und risikoadjustiertes Pricing! Individueller Ansatz! Effiziente Kreditprozesse
Kreditgeschäft Mindestkonditionen im Kreditgeschäft Rating und risikoadjustiertes Pricing Individueller Ansatz Effiziente Kreditprozesse Orientierung an der Erfüllung der Kriterien im Rahmen von Basel
MehrStatistische Analyse von Ereigniszeiten
Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007 1 2 3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit
MehrSemiparametrisches Kredit Scoring
Semiparametrisches Kredit Scoring Marlene Müller Fraunhofer Institut für Techno- und Wirtschaftsmathematik (ITWM) Kaiserslautern Bernd Rönz, Wolfgang Härdle Center for Applied Statistics and Economics
MehrStatistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrMarkov-Ketten-Monte-Carlo-Verfahren
Markov-Ketten-Monte-Carlo-Verfahren Anton Klimovsky 21. Juli 2014 Strichprobenerzeugung aus einer Verteilung (das Samplen). Markov- Ketten-Monte-Carlo-Verfahren. Metropolis-Hastings-Algorithmus. Gibbs-Sampler.
MehrValue at Risk. Methoden zur Quantifizierung von Marktpreisrisiken. - Ein empirischer Vergleich - Dr. Michael Auer
Value at Risk Methoden zur Quantifizierung von Marktpreisrisiken - Ein empirischer Vergleich - Dr. Michael Auer Inhalt: 1. Motivation und Definition von VAR 2. Zielsetzung des Vergleichs 3. Methoden zur
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE
ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE im SS 215 Aufgabe 1 (Innerer Wert, Zeitwert, Basiskurs, Aufgeld) Am 13.4.2 kostete eine Kaufoption
Mehr- 2-2. a) Definieren Sie kurz Risiko und Risikomanagement?
Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Seminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 1999/2000 Zuständiger Mitarbeiter:
MehrKursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse
Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
Mehr