Stochastische Simulation in der Lebensversicherung

Größe: px
Ab Seite anzeigen:

Download "Stochastische Simulation in der Lebensversicherung"

Transkript

1 Stochastische Simulation in der Lebensversicherung Monte-Carlo Methoden und deren Anwendung in Versicherungen Reinhold Kainhofer, FG Finanz- und Versicherungsmathematik Institut für Wirtschaftsmathematik Technische Universität Wien ÖFdV-Seminar, Wien 10. Dezember 2009

2 Übersicht 1 Monte-Carlo Methoden zur Integration (Erwartungswerte): Bewertung der Anlagen; Versicherungen mit stochastischem Zins Was ist Monte Carlo? Versicherungen mit stochastischem Zins Bepreisung als numerische Integration Von klassischer numerischer Integration zu Monte-Carlo Methoden Konvergenz Beispiel: Trapezregel vs. Monte Carlo Konfidenzintervall für Monte Carlo Schätzer Pfadsimulation Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Beispiel: Asiatische Option im Black-Scholes Modell 2 Simulation von Verteilungen 3 Monte-Carlo Methoden zur Simulation von Verteilungen: Risikoanalyse von Sterblichkeitsmodellen

3 Was ist Monte Carlo? Was ist Monte Carlo? Verfahren zur numerischen Integration = Berechnung von Erwartungswerten effektiv für hochdimensionale Integrale, klassische Verfahren versagen zufällige Samples werden erzeugt, Erwartungswert aufgrund des ZGW durch arithmetisches Mittel Stochastische Fehlerschranke: Konfidenzintervall für exakten Wert Auch in der Versicherungsmathematik taucht numerische Integration (als Erwartungswert) in vielen Situation auf. Andererseits kann mit Monte Carlo auch die gesamte Verteilung simuliert und von der resultierenden empirischen Verteilung ausgehend weiter gerechnet werden.

4 Versicherungen mit stochastischem Zins Netto-Einmalprämien mit stochastischem Zins Beispiel (Leibrente mit stochastischem Zins) Lebenslänglichen Leibrente an x-jährige Person. Zins nicht deterministisch, sondern durch stoch. Zinsintensitätsprozess (r t) t (Spot-Rate) und stoch. Diskontierungsfaktor v(n) = exp ` R n 0 rτ dτ (ZV!) gegeben. Der Barwert (als Zufallsvariable) dieser Leibrente beträgt: Y x = X 1 Tx nv(n)c n n=0 Die Netto-Einmalprämie ist der Erwartungswert (bezüglich der zukünftigen Lebensdauer T x und der Zinsentwicklung!): ä x = E Tx rt [Y x] = X np xe[v(n)]c n n=0 Annahme: Zins und Sterblichkeit unabhängig Berechnung: (1) Zinsmodell (Zinskurve!), z.b. durch SDE, geeignet kalibriert und (2) numerische Methode zur Bestimmung von E[v(n)]. Letzteres ist Ziel dieses Vortrags.

5 Bepreisung als numerische Integration Das Bepreisungsproblem in der Finanzmathematik Theorem Auf einem Finanzmarkt (gegeben durch einen filtrierten Wahrscheinlichkeitsraum Ω, A, P, (F t) t 0 sei ein Wertpapier (Aktie, Anleihe, Fond) mit Kurs X t zur Zeit t und ein Referenzwertpaper B t gegeben. Dann ist der Preis des Zahlungsstromes zum Zeitpunkt s t gegeben durch h i V s(x ) = E Q Xt F s, wobei Q ein zu P äquivalentes Maß ist, unter dem der diskontierte Wertpapierkurs e X t = X t/b t ein Martingal ist (d.h. insbesondere E[ e X t F s] = e X s], sonst ist risikoloser Gewinn möglich).

6 Von klassischer numerischer Integration zu Monte-Carlo Methoden Klassische numerische Integration und Curse of dimensionality Ziel: Numerische Lösung mittel-dimensionale (5-400 Dimensionen) Integrationsprobleme Klassische Trapezregel, herkömmliche numerische Verfahren: Z [0,1] s f (u)du mx mx w n1 w ns f n 1 =0 n s =0 n1 m,..., ns m mit geeigneten Gewichten w k. Benötigte Zahl an Stützstellen: N = (m + 1) s Fehlerordnung: O(m 1 ) = O(N 2/s ) (Curse of dimensionality) = Zahl der Stützstellen steigt exponentiell mit s! Idee: Einheitsintervall [0, 1] s (bzw. Integrationsbereich A) wird von Stützstellen gut ausgefüllt

7 Von klassischer numerischer Integration zu Monte-Carlo Methoden Klassische numerische Integration und Curse of dimensionality Ziel: Numerische Lösung mittel-dimensionale (5-400 Dimensionen) Integrationsprobleme Klassische Trapezregel, herkömmliche numerische Verfahren: Z [0,1] s f (u)du mx mx w n1 w ns f n 1 =0 n s =0 n1 m,..., ns m mit geeigneten Gewichten w k. Benötigte Zahl an Stützstellen: N = (m + 1) s Fehlerordnung: O(m 1 ) = O(N 2/s ) (Curse of dimensionality) = Zahl der Stützstellen steigt exponentiell mit s! Idee: Einheitsintervall [0, 1] s (bzw. Integrationsbereich A) wird von Stützstellen gut ausgefüllt

8 Von klassischer numerischer Integration zu Monte-Carlo Methoden Klassische numerische Integration und Curse of dimensionality Ziel: Numerische Lösung mittel-dimensionale (5-400 Dimensionen) Integrationsprobleme Klassische Trapezregel, herkömmliche numerische Verfahren: Z [0,1] s f (u)du mx mx w n1 w ns f n 1 =0 n s =0 n1 m,..., ns m mit geeigneten Gewichten w k. Benötigte Zahl an Stützstellen: N = (m + 1) s Fehlerordnung: O(m 1 ) = O(N 2/s ) (Curse of dimensionality) = Zahl der Stützstellen steigt exponentiell mit s! Idee: Einheitsintervall [0, 1] s (bzw. Integrationsbereich A) wird von Stützstellen gut ausgefüllt

9 Von klassischer numerischer Integration zu Monte-Carlo Methoden Monte Carlo Integration Idee: Fülle das Integrationsintervall möglichst gleichmäßig mit (zufällig gewählten) Punkten aus. Theorem (Monte-Carlo Schätzer des Integrals) Sei f (x) : A B, A R m beschränkt, B R n, eine quadratisch integrierbare Funktion (d.h. mit beschränkter Varianz σ(f ) = R A `f (x) f (x) 2 dx < ). Dann kann der das Integral von f numerisch approximiert werden durch N iid. gleichverteilte Punkte a n A: Z E A [f ] = f (x)dx 1 N A NX n=1 f (a n), a n iid. U(A) (1) Praktisch alle in der Finanz- und Versicherungsmathematik auftretenden Funktionen sind quadratisch integrierbar!

10 Von klassischer numerischer Integration zu Monte-Carlo Methoden Bemerkung Diese Aussage gilt auch, wenn A nicht endlich-dimensional ist, also einen gesamten Pfad etwa den gesamten Zinsverlauf oder den Verlauf eines Aktienkurses darstellt. In diesem Fall simuliert man einfach N einzelne Pfade und mittelt über diese Pfade. Im Black-Scholes Modell ist der Aktienkurs z.b. durch die geometrische Brownsche Bewegung gegeben, deren logarithmische Zuwächse normalverteilt sind.

11 Konvergenz Konvergenz (Zentraler Grenzwertsatz) Theorem (Mittlerer Fehler zum exakten Wert) Für eine quadratisch integrierbare Funktion f beträgt der quadratische Fehler zum exakten Wert bei Monte Carlo mit N Punkten (a n) n im Mittel 2! 2 3 E A s 4 1 NX f (a n) E[f ] 5 =... = σ2 (f ) N N n=1 D.h. um den mittleren Fehler zu halbieren, benötigt man unabhängig von der Dimension s etwa viermal so viele Punkte.

12 Beispiel: Trapezregel vs. Monte Carlo Beispiel Funktion: f (x 1,..., x s) = 1 x1 + +x s gesucht: R [0.01,1.01] s f (x 1,..., x 2)dx 1 dx s s Integral In s = 20 Dimensionen hat das Integrationsintervall bereits 2 20 = Ecken!

13 Beispiel: Trapezregel vs. Monte Carlo Konvergenz der Trapezregel Konvergenz von Monte Carlo err err N N 10 5 Integral Schätzer in Dimension 20 Integral Schätzer in Dimension 50 Integral Schätzer in Dimension N N N

14 Konfidenzintervall für Monte Carlo Schätzer Konfidenzintervall Theorem (Konfidenzintervall) Aufgrund des zentralen Grenzwertsatzes gilt asymptotisch für das Konfidenzintervall: lim P c1σ(f ) 1 N N N mit c 1, c 2 R, c 1 < c 2.! NX f (a n) E[f ] n=1! c2σ(f ) N = 1 2π Z c2 c 1 t 2 /2 dt D.h. der Schätzer ist tatsächlich normalverteilt um den exakten Wert, Länge des Konfidenzintervalls nimmt mit 1/ N ab!

15 Pfadsimulation Pfadsimulation von Prozessen mit Markov-Eigenschaft Markov-Eigenschaft: X t X s F s(x s), s < t, oder X t F s(x s) Inkrement nur von Wert zu s abhängig, nicht von Vergangenheit Brownsche Bewegung F s N `µ, σ 2 Lévy-Prozesse (unendl. teilbare Verteilungen), etc. Algorithmus (Simulation auf äquidistantem Gitter) Fixiere ein Schrittweite t Beginne bei X 0 (bekannt) Erzeuge jeweils bedingt auf X n t ein Sample X des Inkrements nach F n t (X n t ) Setze X (n+1) t = X n t + X. Führe die letzten beiden Schritte sooft durch, bis gewünschter Zeitpunkt erreicht. Jeder dieser Pfade stellt ein Sample des stochastischen Prozesses dar.

16 Pfadsimulation Pfadsimulation von Prozessen mit Markov-Eigenschaft Markov-Eigenschaft: X t X s F s(x s), s < t, oder X t F s(x s) Inkrement nur von Wert zu s abhängig, nicht von Vergangenheit Brownsche Bewegung F s N `µ, σ 2 Lévy-Prozesse (unendl. teilbare Verteilungen), etc. Algorithmus (Simulation auf äquidistantem Gitter) Fixiere ein Schrittweite t Beginne bei X 0 (bekannt) Erzeuge jeweils bedingt auf X n t ein Sample X des Inkrements nach F n t (X n t ) Setze X (n+1) t = X n t + X. Führe die letzten beiden Schritte sooft durch, bis gewünschter Zeitpunkt erreicht. Jeder dieser Pfade stellt ein Sample des stochastischen Prozesses dar.

17 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Brownsche Brücke für Brownsche Bewegung Erzeugung von Pfaden der Brownschen Bewegung auch adaptiv möglich (d.h. ohne vorher eine fixe Schrittweite t wählen zu müssen!): Satz Sei (W t) eine Brownsche Bewegung. Die Verteilung von W t, gegeben W s und W u mit u < s < t, ist «(u t)xs + (t s)x u (u t)(t s) W t (W s = x s, W u = x u) N, u s u s adaptive Erzeugung des Pfades: Simuliere Endwert, dann halbiere jeweils Intervall, bis gewünschte Genauigkeit erreicht! Für BB sehr effizient (selbe bedingte Verteilung!), für andere Prozesse prinzipiell möglich, aber andere Verteilungen.

18 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

19 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

20 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

21 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

22 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

23 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

24 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

25 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

26 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

27 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

28 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

29 Brownsche Brücke: Adaptive Erzeugung der Pfade der Brownschen Bewegung Die Brownsche Brücke

30 Beispiel: Asiatische Option im Black-Scholes Modell Beispiel: Asiatische Option im Black-Scholes Modell Betrachte das Black-Scholes Modell (d.h. risikoloser Zinssatz i, Aktiendynamik von S t nach einer geometrischen Brownschen Bewegung S t GBM `µ, σ 2 ) mit i = 0.05 und σ 2 = 0.2. Gesucht ist der Preis einer asiatischen Option mit Strike K = 1.3 und Maturity T = 1, die zum Zeitpunkt T die Differenz zwischen dem arithmetischen Mittel des Kurses zu den Zeitpunkten 1, N/2+1,..., N 1, 1 und dem Strike K auszahlt (wenn positiv): 2 N N 0 1+ Y T 2 NX S i/n KA N i=n/2

31 Beispiel: Asiatische Option im Black-Scholes Modell Dynamik des diskontierten Wertpapierkurses S e t unter Q: geom. BB ohne Drift es t S e s log N 0, σ 2 (t s) (bzw. S t folgt einer geom. BB mit Drift i) Preis der Option zu t: V t = E Q 4Y e T F t {z} ges. Historie bis t h i 7 5 V 0 = E eyt Q EW ist N/2-dimensionales Integral über die Verteilungen von e S t zu den Zeitpunkten 1 2, N/2+1 N,..., 1.

32 Beispiel: Asiatische Option im Black-Scholes Modell Bewertung der asiat. Option als MC-Algorithmus Algorithmus 1 Erzeuge Pfad k des Aktienverlaufs und daraus die Auszahlung Y e (k) T : 1 Setze S 0 = 1 2 S (n+1)/n = S n/n exp (X n) mit X n N r N, σ2. N Oder besser aus Brownscher Brücke: 1 Setze X 0 = 0, X 1 N (0, 1) (Standard-BB) 2 berechne Standard-BB an benötigten Zwischenstellen durch Brücke 3 Rechne durch S t = exp(rt + σx t) auf geom. BB um 2 Aus S k/n berechne Payoff Y T und dessen Barwert e Y T für diesen konkreten Verlauf 3 Führe 1 M-mal durch 4 Der Preis P der Option ergibt sich durch den MC-Schätzer: V 0 = 1 M e M i=1 Y (i) T Bemerkung: Die Varianz kann im selben Run mitbestimmt werden Bemerkung: Die M bestimmten Werte der Payoffs approximieren die Verteilung des (diskontierten) Payoffs.

33 Beispiel: Asiatische Option im Black-Scholes Modell Numerische Ergebnisse 3 StandardBrownsche Bewegung X t 2.0 Geometrische Brownsche Bewegung S t unter In 72, 06% der Fälle ist der Payoff 0 und die Option wertlos, nur in 27, 94% der Fällen erfolgt eine Auszahlung!

34 Beispiel: Asiatische Option im Black-Scholes Modell Verteilung des diskontierten Payoffs, wenn 0 Entwicklung des MCSchätzers Es ergibt sich ein Monte Carlo Schätzer bei N = von V 0 = , die Standardabweichung des diskontierten Payoffs beträgt σ(option) =

35 Übersicht 1 Monte-Carlo Methoden zur Integration (Erwartungswerte): Bewertung der Anlagen; Versicherungen mit stochastischem Zins 2 Simulation von Verteilungen Definitionen Beispiel: Schwankungsrisiko Beispiel Schwankungsrisiko: Portfoliobetrachtung Beispiel Schwankungsrisiko: Simulationsalgorithmus Beispiel Schwankungsrisiko: Ergebnisse 3 Monte-Carlo Methoden zur Simulation von Verteilungen: Risikoanalyse von Sterblichkeitsmodellen

36 Definitionen Simulation von Verteilungen Bemerkung Für Risikobewertung meist nicht Erwartungswert, sondern gesamte Verteilung (bzw. Quantile, bed. EW) nötig, z.b. für Expected Shortfall, Konfidenzintervalle für Schätzer, etc. Theorem Sei F eine eindimensionale Verteilungsfunktion mit verallgemeinerter Inverser F 1 (x) und U U(0, 1) eine auf [0, 1] gleichverteilte Zufallsvariable. Dann gilt: U U(0, 1) F 1 (U) F Auch wenn die Transformation (d.h. die Abhängigkeit von den zugrundeliegenden Zufallsvariablen) analytisch genau bekannt ist, können die resultierende Verteilung oder deren Quantile meist nicht analytisch angegeben werden Simulation notwendig

37 Definitionen Empirische Verteilung Definition Seit (X n) Folge von N iid. Samples. Deren empirische Verteilungsfunktion ef N (x) ist gegeben durch ef N (x) = 1 # {Xn Xn x} N Satz Die empirische Verteilung e F N (x) approximiert die exakte Verteilung F (x) und es gilt lim N e FN (x) = F (x) (für einen geeigneten Konvergenzbegriff).

38 Beispiel: Schwankungsrisiko Beispiel: Schwankungsrisiko eines Versicherungsportfolios Problem (Schwankungsrisiko) Versicherungen basieren auf starken Gesetz der großen Zahlen und dem zentralen Grenzwertsatz. NEP eines Renten-Portfolios von n Versicherten im Alter x im Erwartungswert ä x. Je kleiner der Bestand, desto größer die mögliche Schwankung um ä x. Problem (Fragestellung:) Welche Einmalprämien müsste verlangt werden, um mit dem vorhandenen Kapital in z.b. 99% Wahrscheinlichkeit tatsächlich auszukommen? Gesucht ist damit das einseitige 99%-Konfidenzintervall, bzw. das 0.99-Quantil der Verteilung.

39 Beispiel: Schwankungsrisiko Beispiel Leibrenten an 1980 geborene österr. Männer (nach AVÖ 2005R), i = Die zukünftige Lebenserwartung beträgt Jahre, die NEP der LR ä 30 = Bei einem Portfolio aus n derartigen Männern, wie hängt die Verteilung des gesamten Barwerts (Schwankung um ä 30) von n ab? Verteilung eines einzelnen Versicherten: Todeswahrscheinlichkeit genau in Jahr n np x q xn Quantile des Rentenbarwerts RentenBW n Quantil

40 Beispiel Schwankungsrisiko: Portfoliobetrachtung Von den n Versicherten sterben manche früh, manche spät. Z.B. Portfolio aus 3 Personen x 1, x 2, x 3, zuk. Lebensdauern T x1, T x2, T x3 : T x1 T x2 T x3 tats. Zahlungen / Polizze Schwankung nimmt mit der Anzahl der Polizzen n ab (lt. zentralem Grenzwertsatz): Approximation des Konfidenzintervalls in diesem Fall auch mit Normalverteilungsapproximation möglich.

41 Beispiel Schwankungsrisiko: Portfoliobetrachtung Von den n Versicherten sterben manche früh, manche spät. Z.B. Portfolio aus 3 Personen x 1, x 2, x 3, zuk. Lebensdauern T x1, T x2, T x3 : T x1 T x2 T x3 tats. Zahlungen / Polizze Schwankung nimmt mit der Anzahl der Polizzen n ab (lt. zentralem Grenzwertsatz): Approximation des Konfidenzintervalls in diesem Fall auch mit Normalverteilungsapproximation möglich.

42 Beispiel Schwankungsrisiko: Portfoliobetrachtung Von den n Versicherten sterben manche früh, manche spät. Z.B. Portfolio aus 3 Personen x 1, x 2, x 3, zuk. Lebensdauern T x1, T x2, T x3 : T x1 T x2 T x3 tats. Zahlungen / Polizze Schwankung nimmt mit der Anzahl der Polizzen n ab (lt. zentralem Grenzwertsatz): Approximation des Konfidenzintervalls in diesem Fall auch mit Normalverteilungsapproximation möglich.

43 Beispiel Schwankungsrisiko: Portfoliobetrachtung Von den n Versicherten sterben manche früh, manche spät. Z.B. Portfolio aus 3 Personen x 1, x 2, x 3, zuk. Lebensdauern T x1, T x2, T x3 : T x1 T x2 T x3 tats. Zahlungen / Polizze Schwankung nimmt mit der Anzahl der Polizzen n ab (lt. zentralem Grenzwertsatz): Approximation des Konfidenzintervalls in diesem Fall auch mit Normalverteilungsapproximation möglich.

44 Beispiel Schwankungsrisiko: Portfoliobetrachtung Von den n Versicherten sterben manche früh, manche spät. Z.B. Portfolio aus 3 Personen x 1, x 2, x 3, zuk. Lebensdauern T x1, T x2, T x3 : T x1 T x2 T x3 tats. Zahlungen / Polizze Schwankung nimmt mit der Anzahl der Polizzen n ab (lt. zentralem Grenzwertsatz): Verteilung mit N 2 Versicherten Verteilung mit N 16 Versicherten Verteilung mit N 128 Versicherten Approximation des Konfidenzintervalls in diesem Fall auch mit Normalverteilungsapproximation möglich

45 Beispiel Schwankungsrisiko: Portfoliobetrachtung Von den n Versicherten sterben manche früh, manche spät. Z.B. Portfolio aus 3 Personen x 1, x 2, x 3, zuk. Lebensdauern T x1, T x2, T x3 : T x1 T x2 T x3 tats. Zahlungen / Polizze Schwankung nimmt mit der Anzahl der Polizzen n ab (lt. zentralem Grenzwertsatz): Verteilung mit N 2 Versicherten Verteilung mit N 16 Versicherten Verteilung mit N 128 Versicherten Approximation des Konfidenzintervalls in diesem Fall auch mit Normalverteilungsapproximation möglich

46 Beispiel Schwankungsrisiko: Simulationsalgorithmus Ablauf der Simulation mit Monte Carlo Algorithmus (Verteilung des mittl. Barwerts von n Polizzen) 1 erzeuge ein Sample (T x1,..., T xn )mit T xk iid. nach der Sterbetafel verteilt: Für jedes x k : 1 erzeuge u U(0, 1) gleichverteilt auf [0, 1] 2 bestimme T x durch T x = G 1 (u) = min {t tp x < u} 2 für jedes T xk berechne Barwert der Auszahlungen Y k = P i=0 1 T x iv i = ä Txk 3 berechne mittleren Barwert des Portfolios durch 1 n P n k=0 Y k 4 führe die obigen Schritte N-mal durch (bis genügend Samples für die empirische Verteilung vorhanden sind). Aus der so erzeugten empirischen Verteilung bestimme die Quantile, die bedingten Erwartungswerte, etc.

47 Beispiel Schwankungsrisiko: Ergebnisse Quantile BW Quantile des GesamtBW bei N Versicherten, je 2000 Samples 35 Exakt MW Median Log 2 N

48 Beispiel Schwankungsrisiko: Ergebnisse Breite der Konfidenzintervalle Log 2 N Log 2 äx Breite der Konfidenzintervalle bei N Versicherten EW MC Median

49 Übersicht 1 Monte-Carlo Methoden zur Integration (Erwartungswerte): Bewertung der Anlagen; Versicherungen mit stochastischem Zins 2 Simulation von Verteilungen 3 Monte-Carlo Methoden zur Simulation von Verteilungen: Risikoanalyse von Sterblichkeitsmodellen Generationentafeln Datenmaterial Allgemeine Form der Generationentafel Der Ansatz von Lee-Carter (1992) OLS Fit aus den Sterbewahrscheinlichkeiten Ergebnisse für Österreich Projektion in die Zukunft Verbesserungen Risikoanalyse (Konfidenzintervalle für Lebenserwartung, Rentenbarwerte etc.): Bootstrapping

50 Generationentafeln Sterblichkeitsverbesserung Sterblichkeit der Volkszählungen: Sterbewahrscheinlichkeit nimmt (altersabhängig) ab. Mittlere jährliche Verbesserung: Λ x Sterblichkeitsverbesserungen bis 2002, Volkszählungsdaten, Männer Seit Seit 1950 Seit Seit Alter

51 Generationentafeln 0.06 Λ x Sterblichkeitsverbesserungen bis 2002, Volkszählungsdaten, Frauen Seit Seit 1950 Seit Seit Alter Sterbetafel muss also von Alter und Geburtsjahr (bzw. Beobachtungsjahr) abhängig sein: q x(t) (Generationentafel)

52 Generationentafeln Vergleich: Sterbetafel einer 1980 geborenen Person (1) nach Periodentafel 2001 (Volkszählung) und (2) extrapoliert mit Sterblichkeitsverbesserung Vergleich Periodentafel vs. Generationentafel Volkszählung 2001 M Projektion für Geburtsjahr

53 Datenmaterial Verwendbare Daten (der Gesamtbevölkerung) fortgeschriebene jährliche Sterbewahrscheinlichkeiten (Statistik Austria), seit 1947 Volkszählungen seit 1870 internationale Vergleiche (deutsche / schweizer Bevölkerungs- und Rententafeln, mortality.org, etc.) Alter Sterbewahrsch. Rohdaten, log Jahr

54 Allgemeine Form der Generationentafel Form der Generationentafel Problem (Gewünschte Form der Generationentafel) Aus den bekannten Sterbetafeln der Vergangenheit soll eine Tafel für die Sterblichkeiten q x(t) erzeugt werden in folgender Form: q x(t) = q x(t 0) exp ( λ x (t t 0)) (log-lineare Extrapolation mit Trend λ x ausgehend von Basisjahr t 0) 1. Ansatz (klassisch): Ansatz (klassische Schätzung der Trendfaktoren) Für jedes Alter x betrachte die Sterblichkeiten q x(t) für t t 0 und fitte den Parameter λ x durch (z.b. lineare) Regression Problem: λ x und λ x+1 unabhängig voneinander gefittet Projektion kann stark schwanken, keine glatte Sterblichkeitskurve in der Zukunft. Daher nachträgliche Glättung nötig (mathematische Eigenschaften???)

55 Der Ansatz von Lee-Carter (1992) Der Lee-Carter Ansatz (1992) Ansatz (Lee-Carter Methode) Die Sterblichkeit (log µ x(t)) wird als log-bilinear angenommen mit stochastischen Fehlertermen mit log bµ x(t) {z } beob. (schwankend) = log µ x(t) {z } tatsächlich log µ x(t) = α x + β x κ t α x mittlere Sterblichkeit κ t Trend (mittl. Verbesserung pro Jahr) β x Einfluss des Trends auf Alter x Es gilt q x = 1 exp( µ) Taylor = 1 1 µ + µ2 µ3 2 + ε x(t) {z } homosked. stoch. Fehlerterm ! in 1. Näherung. Lee-Carter in Ö auf q x(t) statt µ x(t) angewendet. = µ µ2 2 + µ

56 Der Ansatz von Lee-Carter (1992) Normierung der Lee-Carter Zerlegung Darstellung ist nicht eindeutig, daher Normierung: Bemerkung (Normierung von Lee-Carter) Um Eindeutigkeit zu gewährleisten, wird folgende Normierung gefordert: X X κ t = 0 β x = 1 t x Leicht zu erreichen: P t κt = 0 durch (κt, αx) (κt κt, αx + βx κt) Px βx = 1 durch (βx, κt) `β x/ β 1, β 1 κ t

57 OLS Fit aus den Sterbewahrscheinlichkeiten Ordinary Least-Squares (OLS) Fit aus den Sterbewahrscheinlichkeiten Problem (OLS-Fit an q x(t) (in Österreich)) Finde Parameter α x, β x, κ x, die die Zielfunktion bα x, β b x, bκ t = argmin (log bq x(t) α x β xκ t) 2 minimieren. α x,β x,κ t X Ableitung nach α x für ein fixes x liefert (mit P t κt = 0) Rest: 0 = X t x,t (log q x(t) α x β xκ t) = X t log q x(t) X {z} n α x β x #Jahre t bα x = 1 X log q x(t)... mittlere log. Sterblichkeit n t Z x,t := log q x(t) α x β xκ t mit β x, κ t gesucht. Regression nicht möglich... κ t

58 OLS Fit aus den Sterbewahrscheinlichkeiten Ordinary Least-Squares (OLS) Fit aus den Sterbewahrscheinlichkeiten Problem (OLS-Fit an q x(t) (in Österreich)) Finde Parameter α x, β x, κ x, die die Zielfunktion bα x, β b x, bκ t = argmin (log bq x(t) α x β xκ t) 2 minimieren. α x,β x,κ t X Ableitung nach α x für ein fixes x liefert (mit P t κt = 0) Rest: 0 = X t x,t (log q x(t) α x β xκ t) = X t log q x(t) X {z} n α x β x #Jahre t bα x = 1 X log q x(t)... mittlere log. Sterblichkeit n t Z x,t := log q x(t) α x β xκ t mit β x, κ t gesucht. Regression nicht möglich... κ t

59 OLS Fit aus den Sterbewahrscheinlichkeiten OLS Fit durch Singulärwertzerlegung Definition (Singulärwertzerlegung) Sei Z = U S V t die Singulärwertzerlegung der n m-matrix Z = (Z x,t), d.h. U und V sind orthogonale Matrizen der Eigenvektoren der quadratischen Matrizen Z t Z und Z Z t und S ist die Matrix der zugehörigen Singulärwerte (Wurzeln der Eigenwerte von Z Z t ). Dann ist der erste Term der SVZ der OLS Fit in bilinearer Form an die Matrix Z (noch nicht normiert): bβ x = u 1 x und bκ t = s 1 v 1 t mit den zum größten Singulärwert s 1 gehörigen Singulärvektoren u 1 und v 1. Die restlichen Terme der Singulärwertzerlegung beschreiben einen immer größeren Teil der Schwankung

60 OLS Fit aus den Sterbewahrscheinlichkeiten Entwicklung der Rohdaten Jahr

61 OLS Fit aus den Sterbewahrscheinlichkeiten Gl ttung mittels LeeCarter Jahr

62 OLS Fit aus den Sterbewahrscheinlichkeiten Gl ttung mittels 5 Beitr gen aus SVZ Jahr

63 OLS Fit aus den Sterbewahrscheinlichkeiten SVZ als OLS-Fit an die Matrix (Theorem) Satz Sei A R m n mit m n obda. und Rang r n. Die Singulärwertzerlegung ist «bd A = UDV t mit U R m m, V R n n und D =, D R m n, D 0 b R n n mit orthogonalen Matrizen U und V und einer Diagonalmatrix b D mit nicht-negativen Einträgen s 1 s 2 s r > s r+1 = = s n = 0 (den Singulärwerten von A). Dann stellt der erste Term x y t = s 1u v t der SVZ, wobei s 1 der größte Singulärwert von A mit den zugehörigen (nicht notwendigerweise eindeutigen) links- und rechts-singulärvektoren u = U,1 und v = V,1 ist, die beste bilineare Approximation (im Least-Squares Sinn) der Form x y t mit x R m und y R n dar.

64 Ergebnisse für Österreich Lee-Carter Vektoren für Österreich 2 Α x Values of theα xmean logarithmic mortalities Male Β x Age x Values ofβ xagespecific influence of trend Male Female 4 Female Age x Κ t Values of theκ ttime trend Λ x Population trends calculated from the years 1972 through Male Female Male trend Female trend Year 0.03 t Age x

65 Projektion in die Zukunft Projektion der Sterblichkeit in die Zukunft Zeitliche Entwicklung nur in κ t als ARIMA(0,1,0) Zeitreihe interpretiert Bemerkung (Extrapolation der κ t) Annahme: κ t hat die Dynamik einer ARIMA(0,1,0)-Zeitreihe: κ t+1 = κ t + κ + δ t Lineare Extrapolation mit κ (nach Theorie der Zeitreihen gefittet) pro Jahr! Konfidenzintervall für Extrapolation: δ t als N (0, σ 2 ) angenommen, daher um n Jahre extrapolierter Wert verteilt nach: N (n κ, nσ 2 ). Nur sinnvoll, wenn sonst keinerlei Unsicherheit im Spiel?!?

66 Projektion in die Zukunft Projektion der Sterblichkeit in die Zukunft Zeitliche Entwicklung nur in κ t als ARIMA(0,1,0) Zeitreihe interpretiert Bemerkung (Extrapolation der κ t) Annahme: κ t hat die Dynamik einer ARIMA(0,1,0)-Zeitreihe: κ t+1 = κ t + κ + δ t Lineare Extrapolation mit κ (nach Theorie der Zeitreihen gefittet) pro Jahr! Konfidenzintervall für Extrapolation: δ t als N (0, σ 2 ) angenommen, daher um n Jahre extrapolierter Wert verteilt nach: N (n κ, nσ 2 ). Nur sinnvoll, wenn sonst keinerlei Unsicherheit im Spiel?!?

67 Verbesserungen Verbesserungen / Probleme ε x ist nicht homoskedastisch (für hohe Alter stärkere Schwankung wegen geringer Lebenden-/Totenzahl) Normierung mit empirischer Varianz bσ 2 x für jedes Alter x (aus vorhanden Daten geschätzt): ez x,t := log qx(t) bαx bσ x Damit haben alle Daten etwa dieselbe Schwankung Wenn Totenzahlen exakt bekannt: Modifikation der α x, β x und κ t möglich, sodass exakte Totenzahl reproduziert werden. Maximum-Likelihood Fit unter Poisson-Annahme möglich statt OLS fit!

68 Risikoanalyse (Konfidenzintervalle für Lebenserwartung, Rentenbarwerte etc.): Bootstrapping Modell- und Parameter-Risiko-Analyse: Bootstrapping Konfidenzintervalle der Projektion für µ x(t), e x(t), ä x(t) etc. nicht analytisch möglich, da 2 Unsicherheitsquellen vorhanden: Fit der Parameter an die Daten und Projektion der Zeitreihe in die Zukunft Größen hängen höchst nichtlinear (nicht-monoton) von α x, β x, κ t und κ ab! Konfidenzintervalle aber möglich durch Simulation der Verteilung, wobei die Ausgangsparameter variiert werden (Parameter α x, β x und κ t, oder die Totenzahlen, wenn vorhanden): Bootstrapping

69 Risikoanalyse (Konfidenzintervalle für Lebenserwartung, Rentenbarwerte etc.): Bootstrapping Bootstrapping Algorithmus ((parametr.) Bootstrap der Vert. von µ x(t), e x(t), ä x(t), etc.) Jedes Sample m wird folgendermaßen erzeugt: 1 Nach der Annahme, dass α x, β x, κ t multivariat-n verteilt, erzeuge ein Sample (α m x, β m x, κ m t ) (Totenzahlen nicht benötigt bzw. nicht vorhanden) 2 Schätze κ m nach der Zeitreihenanalyse aus den κ m t 3 Projiziere die Tafel mit den oben erzeugten Parametern (αx m, βx m, κ m t ) und in die Zukunft κ m t 4 Berechne daraus das Sample der gewünschten Größe µ x(t), e x(t), ä x(t), etc. Annahmen: Multivariate Normalverteilung der α, β, κ; EW und Varianz-/Kovarianz der α, β, κ bekannt. Wenn Totenzahlen bekannt: Semi-/Nicht-parametrischer Bootstrap Benutze Poisson-Annahme, erzeuge entsprechend neue Totenzahl d m x (t) nach Poisson Schätze daraus q m x (t) und α, β, κ Rest wie oben

Monte Carlo Simulationen

Monte Carlo Simulationen Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 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

Mehr

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011

Mehr

Finanzmathematik. Absichern und Bewerten von Optionen. Arnold Janssen / Klaus Janßen

Finanzmathematik. Absichern und Bewerten von Optionen. Arnold Janssen / Klaus Janßen Finanzmathematik Absichern und Bewerten von Optionen Arnold Janssen / Klaus Janßen Universität Düsseldorf 27.09.2012 Rohstoffe, Devisen, Aktien, Kredite,... haben Preise, die im Laufe der Zeit zufällig

Mehr

Kapitalversicherungen

Kapitalversicherungen Kapitalversicherungen Sanela Omerovic Proseminar Versicherungsmathematik TU Graz 11. Dezember 2007 Inhaltsverzeichnis 1 Einführung 1 2 Einfache Versicherungsformen 3 2.1 Todesfallversicherungen (Life Insurance)....................

Mehr

Zinseszins- und Rentenrechnung

Zinseszins- und Rentenrechnung Zinseszins- und Rentenrechnung 1 Berechnen Sie den Zeitpunkt, an dem sich das Einlagekapital K bei a) jährlicher b) monatlicher c) stetiger Verzinsung verdoppelt hat, wobei i der jährliche nominelle Zinssatz

Mehr

Lebensversicherungsmathematik Prüfungsbeispiele Termine 22.10.2004-25.6.2007 nach Themen geordnet

Lebensversicherungsmathematik Prüfungsbeispiele Termine 22.10.2004-25.6.2007 nach Themen geordnet Lebensversicherungsmathematik Prüfungsbeispiele Termine 22.10.2004-25.6.2007 nach Themen geordnet R. Kainhofer, Inst. f. Wirtschaftsmathematik, FAM, TU Wien Inhaltsverzeichnis 1 Prüfungsbeispiele der schriftlichen

Mehr

Risikomessung und Value at Risk Wintersemester 2013/14

Risikomessung 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

Mehr

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536

Statistik. 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

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie

Mehr

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

Das Black-Scholes Marktmodell

Das Black-Scholes Marktmodell Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung

Mehr

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten: KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand

Mehr

Modellbildung und Simulation

Modellbildung 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

Mehr

Monte Carlo Simulation (Grundlagen)

Monte 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

Mehr

Bewertung von Forwards, Futures und Optionen

Bewertung 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

Die Black-Scholes-Gleichung

Die Black-Scholes-Gleichung Die Black-Scholes-Gleichung Franziska Merk 22.06.2012 Outline Optionen 1 Optionen 2 3 Optionen Eine Kaufoption ist ein Recht, eine Aktie zu einem heute (t=0) festgelegten Preis E an einem zukünftigen Zeitpunkt

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer

Mehr

In Kapitel 1 haben wir folgende Formel zur risiko-neutralen Bewertung von Optionen eingeführt:

In Kapitel 1 haben wir folgende Formel zur risiko-neutralen Bewertung von Optionen eingeführt: Seydel: Skript Numerische Finanzmathematik, Kap. 3 (Version 211) 47 ºÅÓÒØ ¹ ÖÐÓ¹Å Ø Ó Ò In Kapitel 1 haben wir folgende Formel zur risiko-neutralen Bewertung von Optionen eingeführt: V (S, ) = e rt E Q

Mehr

Commercial Banking. Kreditportfoliosteuerung

Commercial Banking. Kreditportfoliosteuerung Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung

Mehr

Quasi-Monte-Carlo-Verfahren zur Bewertung von Finanzderivaten

Quasi-Monte-Carlo-Verfahren zur Bewertung von Finanzderivaten Quasi-Monte-Carlo-Verfahren zur Bewertung von Finanzderivaten Bachelorarbeit eingereicht bei Prof. Dr. Thomas Gerstner Fachbereich Informatik und Mathematik Institut für Mathematik Goethe Universität Frankfurt

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Nichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was

Mehr

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären.

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. Einleitung Das Ein-Perioden-Modell ist das einfachste Modell, um die Idee der Preisgebung von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. naive Idee der Optionspreisbestimmung: Erwartungswertprinzip

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Algorithmen und Software für moderne Finanzmathematik. Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern

Algorithmen und Software für moderne Finanzmathematik. Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern Algorithmen und Software für moderne Finanzmathematik Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern Gliederung: Was ist Finanzmathematik? Wie wird man reich? Portfolio-Optimierung

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

III Stochastische Analysis und Finanzmathematik

III Stochastische Analysis und Finanzmathematik III Stochastische Analysis und Finanzmathematik Ziel dieses Kapitels ist es, eine Einführung in die stochastischen Grundlagen von Finanzmärkten zu geben. Es werden zunächst Modelle in diskreter Zeit behandelt,

Mehr

Die neue österreichische Rententafel AVÖ 2005R

Die neue österreichische Rententafel AVÖ 2005R Die neue österreichische Rententafel AVÖ 2005R Dr. Reinhold Kainhofer, Dr. Martin Predota 1, Univ.-Prof. Dr. Uwe Schmock, Wien Zusammenfassung Seit Anfang des Jahres 2006 ist in Österreich die neue Rententafel

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

Beispiel 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. 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,

Mehr

Füllmenge. 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

Füllmenge. 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

Mehr

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Walter Sanddorf-Köhle Foliensatz Nr. 3 1 / 46 Ein Einperiodenmodell Beispiel 5 Betrachtet wird nun ein Wertpapiermarkt mit

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Unsupervised Kernel Regression

Unsupervised Kernel Regression 9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen 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)

Mehr

Datenanalyse mit Python. Dr. Wolfram Schroers

Datenanalyse mit Python. Dr. Wolfram Schroers <Wolfram.Schroers - at - Field-theory.org> Datenanalyse mit Python Dr. Wolfram Schroers Problem Beobachtungen Modell (Annahmen, Vereinfachungen) Vorhersagen Vergleich Python: Stärken und Schwächen Anwendung:

Mehr

Bachelor-Arbeit. Bewerten von Rainbow-Optionen: Ein Dualitätsansatz. Rolf Waeber 14. Juli 2006

Bachelor-Arbeit. Bewerten von Rainbow-Optionen: Ein Dualitätsansatz. Rolf Waeber 14. Juli 2006 Bachelor-Arbeit Bewerten von Rainbow-Optionen: Ein Dualitätsansatz Rolf Waeber 14. Juli 2006 Bachelor-Arbeit am Departement Mathematik der Eidgenössischen Technischen Hochschule Zürich Betreuer: Prof.

Mehr

ZUFALLSZAHLEN. WPG Informatik / Mathematik. BG/BRG Bad Ischl. A. Lindner

ZUFALLSZAHLEN. WPG Informatik / Mathematik. BG/BRG Bad Ischl. A. Lindner ZUFALLSZAHLEN WPG Informatik / Mathematik BG/BRG Bad Ischl A. Lindner 1 BEDEUTUNG VON ZUFALLSZAHLEN Beispiel: Computertip für Lotto in einer Trafik. Wie kann ein (elektronisches) Gerät, das nach einem

Mehr

Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer

Delta-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

Mehr

Untersuchungen zum Thema Tracking Error

Untersuchungen zum Thema Tracking Error Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors

Mehr

Value at Risk Einführung

Value 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

Mehr

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko

Vergleich 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

Mehr

Amerikanischen Optionen

Amerikanischen Optionen Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.

Mehr

Optionsbewertung. Christof Heuer und Fabian Lenz. 2. Februar 2009

Optionsbewertung. Christof Heuer und Fabian Lenz. 2. Februar 2009 nach Black-Scholes mit sprüngen 2. Februar 2009 nach Black-Scholes mit sprüngen Inhaltsverzeichnis 1 Einleitung Optionsarten Modellannahmen 2 Aktienmodell Beispiele für e ohne Sprung 3 nach Black-Scholes

Mehr

MATHEMATISCHE ANALYSE VON ALGORITHMEN

MATHEMATISCHE ANALYSE VON ALGORITHMEN MATHEMATISCHE ANALYSE VON ALGORITHMEN Michael Drmota Institut für Diskrete Mathematik und Geometrie, TU Wien michael.drmota@tuwien.ac.at www.dmg.tuwien.ac.at/drmota/ Ringvorlesung SS 2008, TU Wien Algorithmus

Mehr

Mit welcher Strategie hast Du am Glücksrad Erfolg?

Mit welcher Strategie hast Du am Glücksrad Erfolg? Mit welcher Strategie hast Du am Glücksrad Erfolg? Kinderuni, Workshop an der TU Wien 24. Juli 2009, 10:30 11:30 Uhr Univ.-Prof. Dr. Uwe Schmock Forschungsgruppe Finanz- und Versicherungsmathematik Institut

Mehr

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/ Finanzmathematik - Wintersemester 2007/08 http://code.google.com/p/mitgetexed/ Stand: 4. November 2007 Inhaltsverzeichnis 1 Motivation und erste Begriffe 2 2 Endliche Finanzmärkte 4 3 Das Cox-Ross-Rubinstein-Modell

Mehr

Kapitalversicherungen

Kapitalversicherungen 10. Dezember 2008 Inhalt des Vortrags Wichtige Begriffe Warum Lebensversicherungen? Wichtigste Versicherungsformen Inhalt des Vortrags Wichtige Begriffe Warum Lebensversicherungen? Wichtigste Versicherungsformen

Mehr

Kapitel 4: Binäre Regression

Kapitel 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,...,

Mehr

Numerische Simulation für Asset-Liability Management. von Lebensversicherungsunternehmen

Numerische Simulation für Asset-Liability Management. von Lebensversicherungsunternehmen für von Lebensversicherungsunternehmen Mathematisches Institut Goethe-Universität Frankfurt am Main 5. Symposium: Neue Herausforderungen an das Risikomanagement Hamburger Zentrum für Versicherungswissenschaft

Mehr

76 10. WEITERE ASPEKTE

76 10. WEITERE ASPEKTE 76 10. WEITERE ASPEKTE 10. Weitere Aspekte 10.1. Aktien mit Dividendenzahlungen Betrachten wir das Black Scholes-Modell. Falls die Aktie nun Dividenden bezahlt, wird der Wert der Aktie um den Wert der

Mehr

Computational Finance

Computational Finance Computational Finance : Simulationsbasierte Optionsbewertung Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. 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,

Mehr

Irrfahrten. Und ihre Bedeutung in der Finanzmathematik

Irrfahrten. Und ihre Bedeutung in der Finanzmathematik Irrfahrten Und ihre Bedeutung in der Finanzmathematik Alexander Hahn, 04.11.2008 Überblick Ziele der Finanzmathematik Grundsätzliches zu Finanzmarkt, Aktien, Optionen Problemstellung in der Praxis Der

Mehr

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?

ε 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

Mehr

Nicht-lineare Finanzprodukte

Nicht-lineare Finanzprodukte Kapitel 3 Nicht-lineare Finanzprodukte Im diesem Abschnitt der sogenannten nicht-linearen Produkte wird zur Vereinfachung von einer konstanten und deterministischen Zinskurve ausgegangen. 1 3.1 Aktienoptionen

Mehr

Multivariate Statistik

Multivariate 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)

Mehr

Interdisziplinäres Vertiefungsfach Geld und Finanzierung. Vertiefungskurs I: Optionspreise und Derivate. Klaus Pötzelberger

Interdisziplinäres Vertiefungsfach Geld und Finanzierung. Vertiefungskurs I: Optionspreise und Derivate. Klaus Pötzelberger Interdisziplinäres Vertiefungsfach Geld und Finanzierung Vertiefungskurs I: Optionspreise und Derivate Klaus Pötzelberger Institut für Statistik und Mathematik Option Slide 1 Klaus Pötzelberger Optionspreis

Mehr

Geoadditive Regression

Geoadditive Regression Seminar: Stochastische Geometrie und ihre Anwendungen - Zufallsfelder Universität Ulm 27.01.2009 Inhalt Einleitung 1 Einleitung 2 3 Penalisierung 4 Idee Variogramm und Kovarianz Gewöhnliches Ansatz für

Mehr

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei

Mehr

Fotios Filis. Monte-Carlo-Simulation

Fotios Filis. Monte-Carlo-Simulation Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Optionspreisbestimmung nach Cox-Ross-Rubinstein

Optionspreisbestimmung nach Cox-Ross-Rubinstein Optionspreisbestimmung nach Cox-Ross-Rubinstein Michael Beer 8. Mai 000 Inhaltsverzeichnis Einführung und Problembeschreibung. Was sind Optionen?.............................. Modellspezifikation..............................3

Mehr

Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko. Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko

Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko. Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko Vortrag von Igor Grinberg, Kai Hartmanshenn und Stephan Pueschel am 30.01.2002 Gliederung

Mehr

Finanz- und Risikomanagement II

Finanz- und Risikomanagement II Finanz- und Risikomanagement II Fakultät Grundlagen März 2009 Fakultät Grundlagen Finanz- und Risikomanagement II Einperiodenmodell Marktmodell Bewertung von Derivaten Binomialbaum Bewertungen im Abhängigkeiten

Mehr

Binäre abhängige Variablen

Binäre 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

Mehr

Klassische Risikomodelle

Klassische Risikomodelle Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

Die Anwendung von Generalisierten Linearen Modellen in der Lebensversicherung

Die Anwendung von Generalisierten Linearen Modellen in der Lebensversicherung Die Anwendung von Generalisierten Linearen Modellen in der Lebensversicherung Versicherungsmathematisches Kolloquium der LMU München Dr. Frank Schiller 13. Juli 2009 Pricing und Valuation in der Lebensversicherung

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Mini-Skript Wahrscheinlichkeitstheorie und Statistik

Mini-Skript Wahrscheinlichkeitstheorie und Statistik Mini-Skript Wahrscheinlichkeitstheorie und Statistik Peter Bühlmann Georg Grafendorfer, Lukas Meier Inhaltsverzeichnis 1 Der Begriff der Wahrscheinlichkeit 1 1.1 Rechenregeln für Wahrscheinlichkeiten........................

Mehr

Value 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 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

Mehr

Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung

Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Ausarbeitung zum Vortrag im Seminar Stochastische Dynamische Optimierung vom 18.01.2008 Datum : 18.01.2008 Verfasser: Martin Schymalla

Mehr

Universität zu Köln Mathematisches Institut Sommersemester 2008. Zufallszahlengeneratoren und Monte-Carlo-Simulation

Universität zu Köln Mathematisches Institut Sommersemester 2008. Zufallszahlengeneratoren und Monte-Carlo-Simulation Universität zu Köln Mathematisches Institut Sommersemester 2008 Zufallszahlengeneratoren und Monte-Carlo-Simulation Stefan Müller muelles1(at)smail.uni-koeln.de 3. September 2008 1 Optionen In den letzten

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Hedging mit Monte Carlo Algorithmen

Hedging mit Monte Carlo Algorithmen Hedging mit Monte Carlo Algorithmen Diplomarbeit von Thomas Höllbacher Fakultät für Mathematik, Physik und Informatik Mathematisches Institut Datum: 30. Oktober 2011 Aufgabenstellung und Betreuung: Prof.

Mehr

Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00.

Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. 1 Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 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;.

Mehr

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1 1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen

Mehr

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Walter Sanddorf-Köhle Foliensatz Nr. 8 1 / 40 Erweiterungen des Binomialmodells Dividendenzahlungen Sei S der Wert einer Aktie

Mehr

Quantitative Risk Management

Quantitative 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

Mehr

Test 1 (zu den Kapiteln 1 bis 6)

Test 1 (zu den Kapiteln 1 bis 6) Test 1 1 Test 1 (zu den Kapiteln 1 bis 6) Bearbeitungszeit: 90 Minuten Aufgabe T1.1: Bekanntmachung EUR 1.000.000.000,- Anleihe mit variablem Zinssatz der Fix AG von 2003/2013, Serie 111 Zinsperiode: 12.10.2006

Mehr

Transformation und Darstellung funktionaler Daten

Transformation und Darstellung funktionaler Daten Transformation und Darstellung funktionaler Daten Seminar - Statistik funktionaler Daten Jakob Bossek Fakultät für Statistik 7. Mai 2012 Übersicht Einleitung Einordnung im Seminar Motivation am Beispiel

Mehr

Wolfgang Trutschnig. Salzburg, 2014-05-08. FB Mathematik Universität Salzburg www.trutschnig.net

Wolfgang Trutschnig. Salzburg, 2014-05-08. FB Mathematik Universität Salzburg www.trutschnig.net Auffrischungskurs Angewandte Statistik/Datenanalyse (Interne Weiterbildung FOR SS14-08) Block 1: Deskriptive Statistik, Wiederholung grundlegender Konzepte, R FB Mathematik Universität Salzburg www.trutschnig.net

Mehr

Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren

Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren Thorsten Dickhaus Universität des Saarlandes, 06. Juli 2009 Übersicht Einführung: Multiples Testen

Mehr

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer. Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Finanzmathematik 1 11 Folgen und Reihen 1 111 Folgen allgemein 1 112

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Was kosten Garantien?

Was kosten Garantien? Alternative Zinsgarantien in der Lebensversicherung, Köln, 1. Juni 2012 Was kosten Garantien? Prof. Dr. Ralf Korn Technische Universität Kaiserslautern, Fachbereich Mathematik EI-QFM und Fraunhofer ITWM

Mehr

Kurzbeschreibung. Eingaben zur Berechnung. Das Optionspreismodell. Mit dem Eurex-OptionMaster können Sie

Kurzbeschreibung. 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

Mehr

Target 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) 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

Mehr

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach

Mehr

Klassische Lebensversicherungsmathematik (Repetition)

Klassische Lebensversicherungsmathematik (Repetition) Klassische Lebensversicherungsmathematik (Repetition) Hansörg Furrer (Swiss Life) Michael Koller (Swiss Life) Das Ziel dieses Dokumentes ist es, die wesentlichen Merkmale der klassischen Lebensversicherungsmathematik

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Sterbetafeln Handwerkzeug der Aktuare

Sterbetafeln Handwerkzeug der Aktuare Sterbetafeln Handwerkzeug der Aktuare Verlängerung der Lebenserwartung wie gehen Aktuare damit um? Werkstattgespräch der DAV am 26. April 2007, Berlin Agenda Sterbetafeln Trends Sterbetafeln und Trends

Mehr