Solvency II and Nested Simulations - a Least-Squares Monte Carlo Approach
|
|
- Helmut Kurzmann
- vor 6 Jahren
- Abrufe
Transkript
1 Grafik and - a Least-Squares Monte Carlo Approach Khischgee Turbat Technische Universität Wien 17. Februar 2016
2 Grafik Grafik 5 6 Inhalt
3 Grafik Großprojekt der EU-Kommission gültig ab dem 1. Jänner 2016 mit dem VAG 2016 Hauptziel: Harmonisierung des Versicherungsbinnenmarktes und Aufsichtssysteme im EWR
4 Grafik Drei-Säulen-Ansatz 1. Säule - Anforderungen zur Kapitalausstattung:, MCR, Bewertung von Aktiva und Passiva ( quantitative Anforderungen ) 2. Säule - Governance-Vorschriften: Risikomanagement, qualitative Anforderungen an Vorstände (Fit-and-Proper-Kriterien), Geschäfts- und Risikostrategie, interne Revision, Notfallplan, interne Steuerungs- und Kontrollsysteme ( qualitative Anforderungen ) 3. Säule - Veröffentlichungsvorschriften: Berichterstattungspflichten gegenüber der Öffentlichkeit und der FMA
5 Grafik Berechnung : internes Modell oder muss von der FMA genehmigt werden Vorteil: unternehmensspezifische Risikoprofil Nachteil: aufwändig, vor der Genehmigung viele Anforderungen zu erfüllen
6 Grafik entspricht dem Value at Risk der Basiseigenmittel eines Versicherungsunternehmens zu einem Konfidenzniveau von 99,5 % über den Zeitraum eines Jahres ( 175 VAG 2016) ökonomische Bilanz, d.h. Bewertung der Aktiva und Passiva mit dem Marktwert und MCR als Zuschläge auf die Rückstellungen (Technical Provisions)
7 Solvenzkapital Grafik
8 Grafik Quantitative Bewertung der Solvabilität: Eigenmittel (engl.: available capital (), own funds) Solvenzkapital (Solvency Capital )
9 Grafik 1. Eigenmittel (engl.: available capital (), own funds): Vermögen zum Zeitpunkt t = 0 Market-Consistent Embedded Value MCEV := ANAV + P V F P CoC ANAV (Adjusted Net Asset Value) ˆ= bereinigte Nettovermögenswert (deterministisch) PVFP (Present Value of Future Profits) ˆ= Barwert künftiger Gewinne (stochastisch) CoC (Cost-of-Capital) ˆ= Kapitalkosten (o.b.d.a.): für t = 0: := MCEV 0 für t = 0,..., T : CoC t = 0
10 Grafik 2. Solvency Capital : X 1 sei der Gewinn im ersten Jahr (wird nicht ausgeschüttet) := MCEV 1 + X 1 Verlustfunktion: L := 1+i wobei i der risikofreier Zinssatz zum Zeitpunkt t = 0 ist. :=argmin x {P =V ar 99,5% (L) ( ) } i > x 1 α
11 Approach Grafik : (Ω, F, P, F = (F t ) t [0,T ] ) wobei T Endvertragszeit vom längsten Vertrag im Portfolio Y = (Y t ) t [0,T ] = (Y t,1,..., Y t,d ) t [0,T ] d-dimensionaler regulärer Markow-Prozess (B t ) t [0,T ] risikoloses Bankkonto mit B t = exp( t 0 r udu) und r t = r(y t ) Q P f 1,..., f T : X t = f t (Y s, s [0, t])mitx = (X 1,..., X T )
12 Grafik Approach Eigenmittel zum Zeitpunkt t = 0: [ T ( PVFP: V 0 := E Q exp t=1 Standardabweichung: σ 0 := V ar Q [ T t=1 exp ( t 0 t 0 ) ] r u du X t, t = 1,..., T ) ] r u du X t keine analytische Berechnung von V 0 möglich
13 Grafik Approach Lösung: Monte Carlo Simulation der unabhängigen Pfade (Y (k) t ) t [0,T ] mit k = 1,..., K 0 Berechnen der Zahlungsströme X (k) t mit t = 1,..., T, k = 1,..., K 0 Abzinsen der Zahlungsströme und Bildung vom Mittelwert über alle K 0 Pfade Ṽ0(K 0 ) := 1 K 0 K 0 k=1 t=1 ( T exp t 0 r u (k) du ) X (k) t ÃC 0 = ANAV 0 + Ṽ0
14 Approach Grafik
15 Grafik Approach Eigenmittel zum Zeitpunkt t = 1: [:= ANAV 1 + T ( ) ] t E Q exp r u du X t Y s, s [0, 1] +X 1 t=2 1 }{{} [ T V 1 := E Q exp t=2 =:V 1 t ( D 1 = (D (1) 1,..., D(N) 1 ) 1 ) ] r u du X t (Y 1, D 1 ) mit
16 Grafik Approach PVFP zum Zeitpunkt t = 1 für ein Szenario i: V (i) 1 := ( ) T t E Q exp r u du X t (Y 1, D 1 ) = (Y (i) 1, D(i) 1 ) t=2 1 }{{} =:P V (i) 1 σ (i) 1 := [ T V arq t=2 ( exp t 0 ) ] r u du X t (Y 1, D 1 ) = (Y (i) 1, D(i) 1 )
17 Grafik Approach X 1 und ANAV 1 können für alle N Pfade vom ersten Jahr leicht berechnet werden, daher folgt (i) 1 = ANAV (i) 1 + V (i) 1 + X (i) 1 V 1, V (i) 1 können i.a. nicht analytisch berechnet werden, sondern mithilfe der Monte Carlo Simulation, wie für V 0 Ṽ (i) 1 (K(i) 1 ) := 1 K (i) 1 K 1 (i) k=1 t=2 ( T exp t 1 r u (i,k) du ) X (i,k) t } {{ } =:P V (i) 1 Daraus folgt: (i) 1 (K(i) 1 (i) ) = ANAV 1 + Ṽ (i) 1 (K(i) 1 ) + X(i) 1, i = 1,..., N
18 Approach Grafik
19 Schätzung Grafik = ÃC 0 + z (m) 1+i mit z (m) empirische Quantil von z α, m = N α Fehlerquellen: t=0: Abschätzung von durch nur K 0 Pfaden N (also endliche) Szenarien, um das α-quantil zu bestimmen t=1: Abschätzung von durch nur K 1 Pfaden
20 Grafik Ziel: Schätzung Mittlere quadratische Fehler (MSE) minimieren, d.h. MSE =E [( ) 2] [ ( z(m) =V ar( ) + E 1 + i ( z(m) =V ar(ãc 0) + V ar 1 + i ) ) + z α 1 + i [ E ] 2 ( z(m) 1 + i ) z ] 2 α 1 + i da ÃC 0 ein unverzerrter Schätzer von und unabhängig von z (m) ist, kann man die Varianzen aufteilen
21 Schätzung Grafik Optimierungsproblem: σ0 2 θα 2 + K 0 K1 2 f 2 () + α(1 α) (N + 2)f 2 () min N α(1 α) K2 1 2θ 2 α für beliebige K 1 und K 0 σ 0 K 1 f() N K1 θ α 2
22 Schätzung Grafik Fazit: sehr aufwändig, um kleinere Fehler zu bekommen für größere N wird der Fehler nicht notwendigerweise kleiner ergibt einen verzerrten Schätzer systematische Überschätzung des
23 Grafik Algorithmus: Least-Squares Monte Carlo Approach 1 Ersetzung des bedingten Erwartungswerts von V 1 durch Linearkombination von (e k (Y 1, D 1 )) k {1,...,M} V 1 ˆV (M) M 1 (Y1, D 1 ) = α k e k (Y 1, D 1 ) P V (i) 1 = T exp t=2 k=1 2 Approximation dieser Funktionen durch Monte Carlo Simulationen: Simulation von N unabhängige Pfade (Y (1) t, D (1) t ), (Y (2) t, D (2) t ),..., (Y (N) t, D (N) t ) für das erste Jahr mit P, alle anderen mit Q 3 Berechnung des realisierten abdiskontierten Cash Flows ( ) t 1 r (i) u du X (i) t, 1 i N 4 Approximation von α durch Regressionsformel
24 Grafik Least-Squares Monte Carlo Approach Approximation : ÂC (i) (i) 1 = ANAV 1 + ˆV (M,N) (i) 1 (Y 1, D(i) 1 ) + X(i) 1 Fazit: wenig Simulationen für genauere Approximation des Wahl der Regressionsfunktion hat große Auswirkung auf das Ergebnis (Nachteil?)
25 Grafik K 0 = Beispiel Approach N = K (i) 1 = K 1 1 i N
26 Grafik Beispiel Approach Parameter für effiziente Berechnung: K N K Gesamte Anzahl der Simulationen: K 0 + N K = 1249, 7 und Solvabilitätsquote / = 150%
27 Grafik Danke für eure Aufmerksamkeit!
ifa Institut für Finanz- und Aktuarwissenschaften Nested Simulations - Innovative Methoden für rechenintensive Probleme in der Lebensversicherung
ifa Institut für Finanz- und Aktuarwissenschaften Nested Simulations - Innovative Methoden für rechenintensive Probleme in der Lebensversicherung Daniela Bergmann WiMa-Kongress 7. November 2009 Seite 2
MehrStochastische Approximation des Value at Risk
Stochastische Approximation des Value at Risk Annemarie Bitter Motivation Eines der wichtigsten Projekte der Versicherungswirtschaft ist derzeit die sogenannte Solvency-II-Richtlinie der Versicherungsaufsicht.
MehrStochastische Approximation des Value at Risk
Stochastische Approximation des Value at Risk Zusammenfassung der Masterarbeit an der Universität Ulm Annemarie Bitter Motivation Eines der wichtigsten Projekte der Versicherungswirtschaft ist derzeit
MehrAsset-Liability-Modell einer Lebensversicherung
Asset-Liability-Modell einer Lebensversicherung Umsetzung eines Bewertungsmodells Seminar Finanzmarktmodelle in der Lebensversicherung betreut von Dr. Zoran Nikolic und Dr. Tamino Meyhöfer Max Gripp, Tanja
MehrNeues vom MCEV Willkommen bei der Skandia!
Neues vom MCEV Willkommen bei der Skandia! Ein Zwischenbericht aus der DAV-Arbeitsgruppe Embedded Value Berlin, 14. September 2009 Agenda Einführung MCEV aktuelles Umfeld Annahmen Regulatorische Einflüsse
MehrMartin Stampfli Leiter Reserving Nichtleben Generali Allgemeine Versicherungen AG
Martin Stampfli Leiter Reserving Nichtleben Generali Allgemeine Versicherungen AG Chancen und Risiken moderner Solvenzmodelle in der Nichtlebenversicherung Chancen und Risiken moderner Solvenzmodelle Inhalt
MehrInhaltsverzeichnis. 2 Portfoliotheorie Rendite und Risiko Die erwartete Rendite... 74
1 Ein-Perioden-Wertpapiermärkte........................... 1 1.1 Portfolios............................................... 5 1.2 Optionen und Forward-Kontrakte......................... 8 1.2.1 Optionen.........................................
MehrLSMC - Die moderne Antwort auf das Nested Stochastics Problem
LSMC - Die moderne Antwort auf das Nested Stochastics Problem 1 Weyertal 86-90 50931 Köln 27. Juni 2015 1 calberti@smail.uni-koeln.de 1 / 30 Inhaltsverzeichnis 1. Motivation SCR 2. Nested Stochastics 3.
MehrAxel Seemann 9. November Replizierende Portfolios
Axel Seemann 9. November 2009 Replizierende Portfolios Seite 2 Übersicht Was ist ein replizierendes Portfolio? Methodik Ein einfaches Beispiel Seite 3 Was ist ein replizierendes Portfolio? Replizierende
MehrInhaltsverzeichnis. Teil I
Inhaltsverzeichnis Teil I Ein-Perioden-Wertpapiermärkte 3 1.1 Ein-Perioden-Modelle 4 1.2 Portfolios 7 1.3 Optionen und Forward-Kontrakte 9 1.3.1 Optionen 10 1.3.2 Forward-Kontrakte 12 1.4 Die Bewertung
MehrPortfoliotheorie, Risikomanagenient und die Bewertung von Derivaten
Jürgen Kremer Portfoliotheorie, Risikomanagenient und die Bewertung von Derivaten Zweite, vollständig überarbeitete und erweiterte Auflage 45J Springer Inhaltsverzeichnis Teill Ein-Perioden- Wertpapiermärkte
MehrEinführung in die Versicherungsmathematik Aktuarielles Controlling
aktuariat-witzel Einführung in die Versicherungsmathematik Aktuarielles Controlling Universität Basel Herbstsemester 2010 Dr. Ruprecht Witzel ruprecht.witzel@aktuariat-witzel.ch www.aktuariat-witzel.ch
MehrBerichtspflichten und Prozessanforderungen nach Solvency II
Berichtspflichten und Prozessanforderungen nach Solvency II Nach einer langen Prozess- und Entwicklungsphase ist Solvency II seit dem 1. Januar 2016 als EU-einheitliches Solvenzsystem für Versicherungen
MehrEinführung in das Kreditportfoliorisiko TEIL II. 12. September 2007 Verena Arendt
Einführung in das Kreditportfoliorisiko TEIL II 12. September 2007 Verena Arendt 1 1. Einführung 2. Modelle 3. Parameter a. Expected Loss b. Unexpected Loss c. Loss Distribution 4. Basel II 5. Conclusion
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrAktuelles zur QIS. Alf Gohdes Towers Watson. 7. IVS-Forum am 25.09.2012, Köln
Aktuelles zur QIS Alf Gohdes Towers Watson 7. IVS-Forum am 25.09.2012, Köln Verteilung der IORP Mittel in der EU DB Pläne Quelle: CEIOPS: Survey on fully funded, technical provisions and security mechanisms
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
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrDie Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation. Jens Schiborowski
Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation Jens Schiborowski Gliederung Einführung Monte-Carlo-Simulation Definition von Monte-Carlo-Simulation Einsatzgebiete von Monte-Carlo-Simulation
MehrCreditMetrics. Portfoliokreditrisiko Seminar. 10. Oktober Sebastian Sandner. Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim
CreditMetrics Portfoliokreditrisiko Seminar 10. Oktober 2007 Sebastian Sandner Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung
MehrTrends in der risiko- und wertorientierten Steuerung des Versicherungsunternehmens
Trends in der risiko- und wertorientierten Steuerung des Versicherungsunternehmens Inhalt Einleitung Finanzwirtschaftliche Führung von Versicherungsunternehmen Fair Value Prinzip IAS als Accounting Standard
MehrEinführung in die Diskrete Finanzmathematik
Springer-Lehrbuch Einführung in die Diskrete Finanzmathematik Bearbeitet von Jürgen Kremer 1. Auflage 2005. Taschenbuch. XVI, 500 S. Paperback ISBN 978 3 540 25394 5 Format (B x L): 15,5 x 23,5 cm Gewicht:
MehrReplicating Portfolio für deutsche Lebensversicherungen
Replicating Portfolio für deutsche Lebensversicherungen Methodik, Technik und Einsatzmöglichkeiten Dr. Thorsten Wagner Hamburg, 18. Mai 2009 Agenda Motivation für Replicating Portfolios Mathematischer
Mehrbav Risikomanagement in der betrieblichen Altersversorgung FaRis & DAV Symposium, Köln, 14. Juni 2013
Risikomanagement in der betrieblichen Altersversorgung FaRis & DAV Symposium, Köln, 14. Juni 2013 3. Bewertung von biometrischen Risiken in der bav Fachhochschule Köln, Schmalenbach Institut für Wirtschaftswissenschaften
MehrGDV Solvency II 2008 Internationale Konferenz
GDV Solvency II 2008 Internationale Konferenz Tendenzen in der endgültigen Ausgestaltung der europäischen Rahmenrichtlinie Berlin, 15. September 2008 Prof. Karel VAN HULLE Referatsleiter Versicherungen
MehrNachteile: STD existiert nur für Verteilungen mit E(FL 2 ) <, d.h. nicht ansetzbar bei leptokurtischen ( fat tailed ) Verlustverteilungen;
Risikomaße basierend auf die Verlustverteilung Sei F L := F Ln+1 die Verteilung der Verlust L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren
MehrResampling. in»statistische Methoden in der Physik« Referent: Alex Ortner. Studenten-Seminar Sommersemester 2007
Resampling in»statistische Methoden in der Physik«Referent: Studenten-Seminar Sommersemester 2007 Gliederung 1 Resampling Prinzip Einleitung Resampling Methoden 2 3 4 Einleitung intuitv Resampling Prinzip
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
MehrSST und Solvency II im Vergleich für die Einzellebensversicherung: Kriterien und Auswirkungen
SST und Solvency II im Vergleich für die Einzellebensversicherung: Kriterien und Dr. Nils Rüfenacht Prüfungskolloquium Aktuar SAV Bern, 1. Juni 2012 1 / 16 Inhalt 1 Entwicklung des SST und Solvency II
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
MehrBewertung von biometrischen Risiken in der bav
Bewertung von biometrischen Risiken in der bav Ralf Knobloch Fachhochschule Köln Gliederung 1. Biometrische Risiken in der bav 2. Das Modell 3. Risikomaße 4. Einfaches Beispiel 5. Schlussbemerkungen 2
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
MehrKennzahlen zur Risikomessung und -steuerung
Wirtschaft Hendrik Hellwig Kennzahlen zur Risikomessung und -steuerung Diplomarbeit Philipps-Universität Marburg Wirtschaftswissenschaftliche Fakultät Professur für Allgemeine Betriebswirtschaftslehre
MehrDie Versicherungswirtschaft im Wandel: Herausforderungen aus Solvency II, IDD und Digitalisierung
Die Versicherungswirtschaft im Wandel: Herausforderungen aus Solvency II, IDD und Digitalisierung Generalversammlung, 30. März 2017 Generaldirektor Grazer Wechselseitige Versicherung AG Solvency II Grundlagen
MehrKlausur 2011 zum DAV Grundwissen Modellierung
Dr. Nora Gürtler Prof. Dr. Claudia Cottin Frank Schepers Thomas Schmidt Klausur 011 zum DAV Grundwissen Modellierung Hinweise: Die nachfolgenden Aufgaben sind alle zu bearbeiten (d.h. keine Wahlmöglichkeiten.
MehrStochastische Kapitalmarktszenarien in der Versicherungswirtschaft
Stochastische Kapitalmarktszenarien in der Versicherungswirtschaft Thomas Gleixner 2. September 2013 Agenda Stochastische Kapitalmarktszenarien Bewertung von Optionen und Garantien Chance/Risiko-Projektion
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrMarket Consistent Embedded Value (MCEV) Herausforderungen für den Aktuar/die Aktuarin. Dr. Stefan Nörtemann. Rehburg-Loccum, 19.
Market Consistent Embedded Value (MCEV) Herausforderungen für den Aktuar/die Aktuarin Dr. Stefan Nörtemann Rehburg-Loccum, 19. August 2011 Stuttgart Amsterdam Basel Bratislava Cologne Den Bosch Denver
MehrQIS 4 der nächste Schritt auf dem Weg zu Solvency II... 1 Kernpunkte von QIS MaRisk VA als Vorstufe von Solvency II... 4 Zusammenfassung...
Solvency II Ralph Snippe, 1 PLUS i GmbH Inhalt QIS 4 der nächste Schritt auf dem Weg zu Solvency II... 1 Kernpunkte von QIS 4... 2 MaRisk VA als Vorstufe von Solvency II... 4 Zusammenfassung... 5 QIS 4
MehrEinführung in Quasi-Monte Carlo Verfahren
Einführung in Quasi- Markus Zahrnhofer 3. Mai 2007 Markus Zahrnhofer () Einführung in Quasi- 3. Mai 2007 1 / 27 Inhalt der Präsentation 1 Motivierendes Beispiel 2 Einführung 3 quasi- Allgemeines Diskrepanz
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrLehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm
Lehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm A b s c h l u s s k l a u s u r z u r V o r l e s u n g K a p i t a l m a r k t t h e o r i e W i n t e r s e m e s t e r 1 9 9 9 / 2
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrKapitalanlagesteuerung unter Solvency II: Die aktuellen Herausforderungen der Industrie
Kapitalanlagesteuerung unter Solvency II: Die aktuellen Herausforderungen der Industrie Dr. Roman Schulze, KPMG 1 Quo vadis, Zinskurve? Marktrisiko Immobilienrisiko Spreadrisiko Zinsänderungsrisiko Aktienrisiko
MehrAnforderungen an Krankenversicherer unter SST und Solvency II. Prüfungskolloquium zum Aktuar SAV Michele Casartelli, 16.
Anforderungen an Krankenversicherer unter SST und Solvency II Prüfungskolloquium zum Aktuar SAV Michele Casartelli, 16. November 2012 Grundlagen Hauptziele von Solvenzvorschriften: Schutz von Versicherungsnehmern
MehrBayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (2) 1 / 23 Gliederung 1 Zusammenhang zwischen Graphenstruktur
MehrSolvenz II Zweck & Nutzen. PORIS User-Group Treffen 2012
Solvenz II Zweck & Nutzen PORIS User-Group Treffen 2012 Worum geht es? Gewinn 1 schafft Wert 2 vernichtet Wert 1 RoRAC 1 0 2 2 1 vernichtet Wert 2 schafft Wert Risiko 2 Worum geht es? Gewinn Versicherung
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrBerechnung MCR unter Solvency II
Berechnung MCR unter Solvency II Berechnung MCR unter Solvency II Die Wahl des richtigen Risikomaßes Sina Wiesinger 29. März 2018 Überblick 1 Einleitung 2 Grundlagen 3 Eigenschaften von Risikomaßen 4 Risikomaße
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrVeränderungen für die deutsche Versicherungsbranche durch das neue VAG
Veränderungen für die deutsche Versicherungsbranche durch das neue VAG Dr. Werner Kerkloh Das neue VAG = Gesetz zur Modernisierung der Finanzaufsicht über Versicherungen vom 1. April 2015 Umsetzung der
MehrÜberblick: CH statutarisch, US GAAP, IFRS 4 für LVU
aktuariat-witzel Überblick: CH statutarisch, US GAAP, IFRS 4 für LVU ETH / Universität Zürich Frühjahrssemester 2009 Dr. Ruprecht Witzel ruprecht.witzel@aktuariat-witzel.ch www.aktuariat-witzel.ch Vorbemerkungen
MehrDie Momentenmethode. Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare
17.1.3 Die Momentenmethode Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare Lösungen. Sei ϑ = (ϑ 1,...,ϑ s ) der unbekannte, s-dimensionale
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
MehrForum Finanz Auswirkungen des VAGneu auf die Aufsichtspraxis
Forum Finanz Auswirkungen des VAGneu auf die Aufsichtspraxis AL Dr. Korinek und AL JUDr. Saria, PhD, FMA Wien, 3. September 2014 Agenda 1. Ziel unverändert Rahmenbedingungen neu 1. Solvency 2 2. Auswirkungen
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrDefinition und Beispiele. Lineare Prozesse. Kausalität und Invertierbarkeit. Berechnung der Autokovarianzfunktion. Prognosen in ARMA-Modellen
Kap. 2: ARMA-Prozesse Definition und Beispiele Lineare Prozesse Kausalität und Invertierbarkeit Berechnung der Autokovarianzfunktion Prognosen in ARMA-Modellen Wold-Darstellung 2.1 Definition und Beispiele
MehrSolvabilität II - Bericht über Solvabilität und Finanzlage (SFCR)
Solvabilität II - Bericht über Solvabilität und Finanzlage (SFCR) Themenrunde im Rahmen der BaFin Veranstaltung Solvency II Gut vorbereitet und startklar Pamela Schuermans, EIOPA Gruppenleiterin Versicherungsregulierung
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
MehrSolvency II das Eigenmittelregime für Versicherungen nach der Krise Ansichten eines Aktuars
Solvency II das Eigenmittelregime für Versicherungen nach der Krise Ansichten eines Aktuars FMA Aufsichtskonferenz 27. September 2010 Mag. Christoph Krischanitz Solvency II Grundideen Es gibt einen (liquiden)
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrPraktische Umsetzung einer barwertigen Zinsbuchsteuerung unter GuV Restriktionen in einer Sparkasse
Wirtschaft Timo Gröttrup Praktische Umsetzung einer barwertigen Zinsbuchsteuerung unter GuV Restriktionen in einer Sparkasse Diplomarbeit Praktische Umsetzung einer barwertigen Zinsbuchsteuerung unter
MehrMethode der kleinsten Quadrate DSV2, 2007, Least-Squares, Rumc, 1
Methode der kleinsten Quadrate DSV2, 2007, Least-Squares, Rumc, 1 Problem der linearen Annäherung im Skalarprodukt-Raum Finde für einen beliebigen Vektor y eine Linearkombination y e der Vektoren 1, 2,...,
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrHistorische Renditen, Experteninterviews, Analyse von Marktpreisen
1 Portfoliotheorie 1.1 Grundlagen der Portfoliotheorie 1.1.1 Welche vier grundsätzlichen Anlageziele werden von Investoren verfolgt? Minimales Risiko Liquidation wenn nötig Hohe Rendite Gewinnmaximierung
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrKapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin
Kapitel 1 Einführung Angewandte Ökonometrie WS 2012/13 Nikolaus Hautsch Humboldt-Universität zu Berlin 1. Allgemeine Informationen 2 17 1. Allgemeine Informationen Vorlesung: Mo 12-14, SPA1, 23 Vorlesung
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrInterne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz
Prüfungskolloquium SAV Prüfungskolloquium SAV Interne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz Biel, Biel, 23.11.2006 23.11.2006 Sandra Sandra Fehlmann Fehlmann Agenda Historischer
MehrVererbung in der Lebensversicherung wie das Kollektiv das Risiko reduziert
Vererbung in der Lebensversicherung wie das Kollektiv das Risiko reduziert Analyse der Going Concern Reserve unter Solvency II WiMa-Kongress 2014, Universität Ulm Tobias Burkhart www.ifa-ulm.de Agenda
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrMonte-CarloSimulation
Die Monte-CarloSimulation Ein Vortrag von Laureen Schareina Mathematisches Institut Universität zu Köln 26.06.2015 Inhaltsangabe Allgemeines 3 Geschichte 5 Funktionsweise 6 Eigenschaften der MCS 7 Monte-Carlo-Schätzer
MehrInhaltsverzeichnis Vorwort... VII Inhaltsverzeichnis... IX Abkürzungsverzeichnis...XV Einleitung Kapitel: Solvency II-Richtlinie...
Inhaltsverzeichnis Vorwort... VII Inhaltsverzeichnis... IX Abkürzungsverzeichnis...XV Einleitung... 1 A. Gegenstand der Untersuchung... 1 B. Rechtfertigung der Untersuchung... 2 C. Gang der Untersuchung...
MehrIntegrierte Zinsbuchsteuerung
Christian Hornbach Integrierte Zinsbuchsteuerung Dispositionskonzepte zum wertorientierten Management bankbetrieblicher Zinsportfolios Verlag Wissenschaft & Praxis LX Inhaltsübersicht INHALTSVERZEICHNIS
MehrWS 2010/11. Risikomanagement II. Übung zum Thema: Value at Risk. (Lösung)
Risikomanagement II Übung zum Thema: Value at Risk (Lösung) 1 Aufgabe 1 Erläutern Sie die Struktur der Value at Risk Risikobemessung! 2 Grundlagen: Value at Risk (VaR) Zentrales Messkonzept zur Quantifizierung
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS tfü. Springer Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R 3 1.1 Installieren und Starten von R 3 1.2 R-Befehle
MehrIst Asset-Liability-Modeling (ALM) tot?
1 Ist Asset-Liability-Modeling (ALM) tot? Baring Asset Management Kompass 2004 Schlosshotel Kronberg, 4. Februar 2004 Peter Scherkamp Ist Asset-Liability-Modeling (ALM) tot? Antwort: Ja! (... aber nur
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
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr
Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrMarket Consistent Embedded Value eine praxisorientierte Einführung
Torsten Becker, Claudia Cottin, Matthias Fahrenwaldt, Anna-Maria Hamm, Stefan Nörtemann und Stefan Weber Market Consistent Embedded Value eine praxisorientierte Einführung 1. Einleitung Vor dem Hintergrund
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrHerzlich willkommen Was ist meine Unternehmung wert?
Herzlich willkommen Was ist meine Unternehmung wert? 22. Januar 2014 Ueli Niederer-Wüst, dipl. Wirtschaftsprüfer 5 Einführung Wie viel würden Sie für ein Glas Wasser bezahlen? Jetzt? Nach zwei Tagen in
MehrStichwortverzeichnis. Chi-Quadrat-Verteilung 183, 186, 189, 202 ff., 207 ff., 211 Testen von Zufallszahlen 294 Cărtărescu, Mircea 319
Stichwortverzeichnis A Ableitung partielle 230 absolute Häufigkeit 47 Abweichungen systematische 38, 216, 219 zufällige 216, 218, 220, 222 Algorithmus average case 303 Las Vegas 300 Monte Carlo 300 randomisierter
MehrFinanzierung I+II. Ausgewählte Folien für die Kapitel 3+4
Finanzierung I+II Ausgewählte Folien für die Kapitel 3+4 Die Bilanz Definition: Eine Finanzaussage, die zu einem bestimmten Zeitpunkt den Wert der Vermögensgegenstände und der Schulden eines Unternehmens
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr