Expected Shortfall - Alternative oder Ergänzung zum Value-at-Risk bei der Kreditrisikoquantifizierung?

Größe: px
Ab Seite anzeigen:

Download "Expected Shortfall - Alternative oder Ergänzung zum Value-at-Risk bei der Kreditrisikoquantifizierung?"

Transkript

1 GEORG-AUGUST-UNIVERSITÄT GÖTTINGEN INSTITUT FÜR WIRTSCHAFTSINFORMATIK ABTEILUNG FÜR WIRTSCHAFTSINFORMATIK II SEMINAR ZUR WIRTSCHAFTSINFORMATIK Informationssysteme bei Finanzdienstleistern SOMMERSEMESTER 2004 Expected Shortfall - Alternative oder Ergänzung zum Value-at-Risk bei der Kreditrisikoquantifizierung? Martin Hegemann Reginastraße Kassel Wirtschaftsinformatik 11. Semester

2

3 Inhaltsverzeichnis I Inhaltsverzeichnis Abbkürzungs- und Symbolverzeichnis II Abbildungs- und Tabellenverzeichnis... II 1 Einleitung Grundlagen Allgemeiner Risikobegriff Kreditrisiko Anforderungen an ein Kreditrisikomaß Shortfall-Risikomaße Value-at-Risk und Expected Shortfall Definitionen Value-at-Risk Expected Shortfall Methoden zur Berechnung Varianz-Kovarianz-Methode Monte-Carlo-Simulation Historische Simulation Stärken und Schwächen der einzelnen Methoden Beispiel Anwendung der Risikomaße zur Quantifizierung des Kreditrisikos Zur Anwendung des Value-at-Risks Zur Anwendung des Expected Shortfalls Zusammenfassung...19 Literaturverzeichnis... III

4 II Abkürzungs- und Symbolverzeichnis VaR ES E L P T V P X Value-at-Risk Expected Shortfall Erwartungswert Verlust als Zufallsvariable Wahrscheinlichkeit Zeitraum Wert eines Portfolios Zufallsvariable Konfidenzniveau allgemeines Risikomaß Abbildungs- und Tabellenverzeichnis Abbildung 2.2/1 Verteilung der Kreditverluste 3 Tabelle 3.2.1/1 Stärken und Schwächen der Methoden 12 zur Ermittlung von VaR / ES Tabelle 4.2.1/1 Stärken und Schwächen der Risikomaße VaR und ES 18

5 Abbildungs- und Tabellenverzeichnis III

6

7 Einleitung 1 1 Einleitung Der Value-at-Risk, der seinen Ursprung in der Quantifizierung von Marktpreisrisiken hat, ist in der Finanzwirtschaft mittlerweile das Standardmaß, wenn es um die Messung von verschiedensten Risiken geht. Dazu hat er sich auch in der Kreditwirtschaft durchgesetzt. So haben alle bekannten Kreditrisikomodelle zum Ziel, das zur Unterlegung riskanter Kreditrisikopositionen notwendige ökonomische Kapital mithilfe von Value-at-Risk-Verfahren zu bestimmen. Anders als bei Marktpreisrisiken, die häufig als normalverteilt betrachtet werden können, gilt diese Vorraussetzung für eine problemlose Verwendung des Value-at-Risks aber nicht für Kreditrisiken. Daher wurde der Expected Shortfall als Risikomaß vorgeschlagen, das nicht an diese Voraussetzung gebunden ist. In dieser Arbeit soll der Frage nachgegangen werden, ob der Expected Shortfall als Alternative oder Ergänzung für den Value-at-Risk geeignet ist. Dazu werden im zweiten Kapitel die für das Verständnis, der mit dem VaR verbundenen Probleme, benötigten Grundlagen erläutert. In dem darauf folgenden Kapitel werden der Value-at-Risk und der Expected Shortfall definiert und es wird gezeigt wie beide Maßzahlen berechnet werden können. Im vierten Kapitel wird die Anwendung des Value-at-Risks zur Quantifizierung von Kreditrisiken besprochen. Dabei sollen besonders die Probleme hervorgehoben werden, die hierbei auftreten können. Anschließend wird auf die Verwendung des Expected Shortfalls in diesem Bereich eingegangen und untersucht, ob er als Alternative zum Value-at-Risk eingesetzt werden kann.

8 Grundlagen 2 2 Grundlagen 2.1 Allgemeiner Risikobegriff Werden in der wissenschaftlichen Diskussion Betrachtungen über das Risiko angestellt, stehen in ihrem Mittelpunkt die Unsicherheit über zukünftige Ereignisse oder Entwicklungen. Hierbei kann jedem möglichen zukünftigen Umweltzustand eine Wahrscheinlichkeit zugeordnet werden mit der dieser Eintritt. Wäre dieses nicht möglich spräche man von Ungewissheit [PeSt02, 99f]. Bei finanzwirtschaftlichen Betrachtungen, inbesondere wenn es um die Messung von Risiken geht, spielt die Ursache des Risikos zumeist eine untergeordnete Rolle. Es wird vielmehr ein materieller Risikobegriff verwandt, der auf die Wirkung des Risikos abzielt [Brak91, 12]. Hierbei ist das Risiko als eine für den Betrachter ungünstige Abweichung eines tatsächlichen zukünftigen Wertes von einem erwarteten Wert anzusehen. Da dieser Risikobegriff nur auf die negativen Abweichungen fokussiert, spricht man vom Downside- oder Shortfall-Risiko [Hart00, 541]. 2.2 Kreditrisiko Das mit der Kreditvergabe verbundene Risiko resultiert aus zwei verschiedenen Ereignissen, die während der Laufzeit eines Kredites auftreten können. Hinter dem Begriff des Ausfallrisikos verbirgt sich das grundlegende mit einem Kredit verbundene Risiko. Es ist das Ausbleiben der vertraglich vereinbarten Zahlungen von Tilgung und Zinsen des Kreditnehmers [ScHo02, 73]. Dieses Ereignis beeinträchtigt die Ertrags- und Vermögenslage des Kreditgebers direkt. Weiterhin kann es während der Lauftzeit eines Kredites zur Verschlechterung der Bonität des Schuldners kommen. Hierduch vermindert sich der Wert des Kredites für den Kreditgeber. Dieser als Bonitätsrisiko bezeichnete Risikobegriff ist umfassender als das Ausfallrisiko, da er den Ausfall des Schuldners als größtmögliche Verschlechterung mit beinhaltet [Schi01, 310]. In dieser Arbeit werden das Ausfallrisiko und das Bonitätsrisiko unter dem Begriff Kreditrisiko subsumiert. Sowohl das Ausbleiben von vereinbarten Leistungen als auch die Verschlechterung der Bonität einzelner Kreditnehmer treten mit bestimmbarer Regelmäßigkeit im normalen Kreditgeschäft einer Bank auf. Dieser durch seinen statistischen Erwartungswert

9 Grundlagen 3 bezifferbare Verlust (Expected Loss) ist gemäß der gegebenen allgemeinen Risikodefinition nicht als Kreditrisiko anzusehen [Büsc98, 866]. Das Kreditrisiko beeinhaltet also nur den über diesen erwarteten Verlust hinausgehende möglichen Verlustbetrag. Dieser als Unexpected Loss bezeichnete Verlust stellt einen bestimmten Bereich der Verteilung möglicher Kreditverluste dar, während der Expected Loss durch einen Punkt auf dieser Verteilung gekennzeichnet ist [Schi01, 310]. Im Gegensatz zu Marktpreisrisiken, die häufig als normalverteilt bzw. durch eine Normalverteilung approximierbar angesehen werden, besitzt eine Verteilung möglicher Kreditverluste eine deutlich rechtsschiefe Form mit Fat Tails 1 [BrLe03, 5f]. Dies liegt daran, dass Kreditausfälle seltene Ereignisse darstellen, die aber zu relativ hohen Verlusten führen können. Diesen Verlusten stehen eher geringe Gewinne durch normale Nettozinseinkünfte gegenüber [Henn99, 377]. Des Weiteren verstärken Kreditzyklen mit Perioden gehäufter Ausfälle und die Korrelationen zwischen verschiedenen Branchen und Länder diese Eigenschaft der Gewinn-/Verlustverteilung [StSt01, 216]. Die genannten Eigenschaften der Verteilung des Kreditrisikos sind in der folgenden Abbildung zusammenfassend abgebildet. Relative Häufigkeit in % 9,00 8,00 7,00 6,00 5,00 4,00 3,00 2,00 Verteilung der Portfolioverluste Erwarteter Expected Verlust Loss Unexpected Loss Value-at-Risk 4,68 Mio. Euro11 99% Quantil 1,00 0,00 0,00 0,44 0,88 1,32 1,76 2,20 2,64 3,08 3,52 3,96 4,40 4,84 5,28 5,72 6,16 6,60 7,04 7,48 7,92 8,36 Ausfallhöhe in Mio. Euro Abbildung 2.2/1Verteilung der Kreditverluste 1 Mit Fat Tails werden Wahrscheinlichkeitsverteilungen bezeichnet, die stärker leptokurtisch sind als Normaverteilungen. D.h. ihre Wölbung im Zentrum ist stärker ausgeprägt und die Flanken sind dicker.

10 Grundlagen Anforderungen an ein Kreditrisikomaß Die quantitative Messung des Kreditrisikos ist für eine Bank von höchster Relevanz. Neben dem grundlegenden Ziel mittels der Risikoquantifizierung und den Risikomaßen existenzgefährdende Risiken zu erkennen, sind Banken durch aufsichtsrechtliche Bestimmungen verpflichtet, das Kreditrisiko zu ermitteln und es zur Sicherung ihrer eigenen Zahlungsfähigkeit mit Eigenkapital zu unterlegen. Des Weiteren ist die Kreditrisikoquantifizierung die Vorraussetzung für eine nach dem Kreditrisiko differenzierte Bepreisung und einer risikoorientierten Steuerung der Kreditvergabe auf Porfolioebene. Daher sollte das Risiko in Form eines drohenden Verlustes dargestellt werden und es müssen Aussagen über seine Eintrittswahrscheinlichkeit gemacht werden können. Zudem sollte ein Zusammenhang zwischen dem ökonomischen / aufsichtsrechtlichen Kapital und dem ermittelten Risikomaß bestehen. Zur risikoorientierten Steuerung der Kreditvergabe ist es notwendig, dass das Riskomaß auch als Zielgröße von Optimierungsproblemen verwandt werden kann. Neben den genannten Anforderungen, die aus der Verwendung des Risikomaßes im Kreditgeschäft resultieren, formulierten Artzner et al. eine mittlerweile allgemein anerkannte theoretische Basis, die jedes monetäre Risikomaß einhalten soll. Ein Risikomaß wird hierbei als eine Abbildung definiert, die jedem Portfolio mit dem zukünftigen Wert X eine Zahl X zuweist [Artz97, 68]. Dieses Risikomaß soll den folgenden vier Axiomen genügen [Artz02, 151f; KüSt04, 206]: 1. Subadditivität: Das Risiko eines aggregierten Portfolios darf nicht größer sein als die Summe seiner Komponenten. X Y X Y 2. Positive Homogenität: Das Risko steigt proportional zu einem positiven Faktor t. t X =t X 3. Monotonie: Das Risiko eines Portfolios X, dessen Wert in jedem Zustand nicht größer ist als der Wert des Portfolios Y, ist höher als das Risiko des Portfolios Y. X Y, wenn X Y

11 Grundlagen 5 4. Translationsinvarianz (risk-free condition): Wird zusätzlich zum betrachteten Portfolio ein Betrag n zum risikolosen Zinssatz r angelegt, so reduziert sich das Risiko um den Betrag n. X r n = X n Ein Risikomaß, dass diese Axiome erfüllt heißt kohärentes Risikomaß. Zudem ist durch die positive Homogenität in Verbindung mit der Subadditivität sichergestellt, dass das Risikomaß konvex ist. Hierdurch ist eine Portfolio-Optimierung, im Sinne der Minimierung des Risikos, auf der Grundlage dieses Riskomaßes stets lösbar [Thei04, 185].

12 Shortfall-Risikomaße Value-at-Risk und Expected Shortfall 6 3 Shortfall-Risikomaße Value-at-Risk und Expected Shortfall Das in der finanzwirtschaftlichen Theorie und Praxis am meisten verbreitete Risikomaß ist die Varianz bzw. die Standardabweichung als ihre Quadratwurzel [OeUn02, 12]. Sie misst die Streuung einer Verlustverteilung um den Erwartungswert und berücksichtigt dadurch gleichermaßen für den Kreditgeber positive wie auch negative Abweichungen von diesem. Somit entspricht das durch die Standardabweichung beschriebene Risiko nicht dem oben definierten allgemeinen Risikobegriff. Risikomaße, die berücksichtigen, dass nur die negative Abweichung von einem erwarteten, zukünftigen Wert als Risiko betrachtet wird, werden als Downside- oder Shortfall-Risikomaße bezeichnet [StSt01, 217]. Ist man sich der oben dargestellten stark rechtsschiefen Verteilung der Kreditverluste bewusst, ist ersichtlich, dass die Gefahren eines Kreditportfolios primär bei den hohen, aber seltenen auftretenden Verlusten am rechten Rand (Tail) der Verlustverteilung liegen. Es werden also Risikomaße benötigt, welche die Eigenschaften in den Tails möglichst adäquat beschreiben [StSt01, 217]. In den folgenden Kapiteln sollen der Value-at-Risk und der Expected Shortfall als solche Risikomaße vorgestellt und verglichen werden. 3.1 Definitionen Value-at-Risk Der Value-at-Risk (VaR), welcher sich sowohl im Bereich des Markt- als auch des Kreditrisikomanagements als zentrale Kennzahl des Portfoliorisikos durchgesetzt hat [Wehr01, 582], ist definiert als der maximale Verlust eines Kreditportfolios, der mit einer bestimmten Wahrscheinlichkeit innerhalb eines fesgelegten Zeitraums T nicht überschritten wird [Wies99, 251]. Während sich diese Definition auf eine Verlustsituation, wie sie durch den Forderungsausfall entsteht bezieht, lässt sich der Value-at-Risk ebenso auf Wertveränderungen im Sinne des Bonitätsrisikos anwenden. Ist der Verlust eines Kreditportfolios durch die Zufallsvariable Value-at-Risk formal wie folgt definiert [FrMc02, 4]: L beschrieben, ist der VaR T L =inf {l R P [ L l ] 1 } 2 2 Betrachtet man anstatt des Verlustes den zukünftigen Wert eines Portfolios ist der Value-at-Risk definiert als inf {x P [ X x] }.

13 Shortfall-Risikomaße Value-at-Risk und Expected Shortfall 7 Er ist die kleinste Zahl l, die der Verlust 1 nicht überschreitet. L mit einer Wahrscheinlichkeit von Ist die Verteilungsfunktion des Verlustes F L l =P L l, lässt sich der Value-at- Risk auch als a-quantil dieser Funktion darstellen und durch ihre Umkehrfunktion berechnen [WiVö01, 416]: VaR T =F 1 Die für die Berechnung des Value-at-Risks ausschlaggebende Wahrscheinlichkeit wird mittels eines Konfidenzniveaus festgelegt. In der Praxis übliche Werte für sind 0,05 oder 0,01. Ein hohes Konfidenzniveau und die damit verbundene geringe Wahrscheinlichkeit VaR-überschreitender Verluste erzeugt zwar ein Gefühl der Sicherheit, erschwert aber die exakte und verläßliche Berechnung des VaR sowie die Überprüfung der Güte von VaR-Modellen anhand tatsächlich eintretener Verluste. [WiVö01, 417f] Während bei der Messung von Marktrisiken Betrachtungszeiträume von einem bis zu zehn Tagen zugrunde gelegt werden [Hart00, 330], liegt der Messung von Kreditrisiken oftmals ein volles Geschäftsjahr oder der Zeitraum bis zur Endfälligkeit gewisser Portfolien zugrunde. Dies liegt vor allem daran, dass Kreditrisiken schlechter handelbar sind als Marktrisiken und Kreditverträge nicht einfach durch Liquidation risikolos gestellt werden können [HeBa01, 212] Expected Shortfall Der Expected Shortfall (ES), auch Conditional Value-at-Risk, wurde 1997 von Artzner et al. als kohärentes Risikomaß eingeführt [Artz97]. Er ist definiert als der erwartete Verlust für den Fall, dass der Value-at-Risk tatsächlich überschritten wird. Somit ist er der wahrscheinlichkeitsgewichtete Durchschnitt aller Verluste, die höher sind als der Value-at-Risk. Sei L eine Zufallsvariable, die den Verlust eines Portfolios beschreibt und VaR T L der Value-at-Risk bei einem Konfidenzniveau von Prozent. Dann ist der Expected Shortfall durch folgende Gleichung definiert [YaYo02, 60]: ES L =E [ L L VaR T 3 L ] 3 E[ X B ] ist die bedingte Erwartung der Zufallsvariable X, für den Fall, dass B eintritt.

14 Shortfall-Risikomaße Value-at-Risk und Expected Shortfall 8 Diese bedingte Erwartung berechnet sich bei einer stetigen Verteilung durch [FrMc02, 3]: E L L VaR T = E L ; L VaR T L P L VaR T L Während bei stetigen Zufallsvariablen der Wert der Verteilungsfunktion des Value-at- Risk immer genau mit dem gegebenen Konfidenzniveau übereinstimmt, kann er bei diskreten Verteilungen hiervon abweichen. triftt hier in der Regel nicht genau einen Wert der Verteilungsfunktion, sodass eine Korrektur bei der Bestimmung des Expected Shortfalls vorzunehmen ist [Klei03, 13]. Der Wert, der vor liegt, fließt anteilig in die Berechnung ein, sodass genau 100a% der Stichprobe erfasst werden. Als alternative Definiton kann er auch als der durchschnittliche VaR T L für alle Konfidenzniveaus oberhalb von aufgefasst werden [KüSt04, 207]. 3.2 Methoden zur Berechnung Zenrales Moment für die Berechnung des Value-at-Risks und des Expected Shortfalls sind die den Wert des Kreditportfolios bestimmenden Einfluss- bzw. Risikofaktoren. Die Berechnung stützt sich sowohl auf die Ursache-Wirkungs-Zusammenhänge zwischen Risikofaktoren und Portfoliowert als auch auf die Entwicklung der Risikofaktoren. Die Ermittlung vollzieht sich unabhängig von einem konkreten Modell in einem mehrstufigen Prozess, dessen Schritte hier stichwortartig aufgeführt werden [Hols01, 81; Bühl99, 266]: 1. Bestimmung der Risikofaktoren 2. Bestimmung von Bewertungsmodellen, die die Abhängigkeit der Kredite von der Entwicklung der Risikofaktoren quantifizieren. 3. Erstellen von Szenarien für die Entwicklung der Risikofaktoren 4. Ableiten eines Szenarios für die Entwicklung des Portfoliowertes und einer Wahrscheinlichkeitsverteilung für das Auftreten bestimmter Verluste. 5. Festlegen von Value-at-Risk / Expected Shortfall für das gewünschte Konfidenzniveau.

15 Shortfall-Risikomaße Value-at-Risk und Expected Shortfall 9 Bei der Ermittlung der möglichen Szenarien im dritten Schritt unterscheiden sich die Vorgehensweise bei verschiedenen Methoden. Es lässt sich generell zwischen zwei verschiedenen Konzepten unterscheiden. Zum einen gibt es analytische Modelle, die eine theoretisch fundierte Verteilungsannahme für die Risikofaktoren unterstellen, zum anderen findet man Simulationsmodelle. Im folgenden sollen die analytische Varianz- Kovarianz-Methode sowie die Historische Simulation und die Monte-Carlo-Simulation beschrieben werden Varianz-Kovarianz-Methode Bei der analytischen Varianz-Kovarianz-Methode wird davon ausgegangen, dass der Portfoliowert von Risikofaktoren abhängt, deren Schwankungen sich durch eine multivariate Normalverteilung charakterisieren lassen. Weiterhin liegt eine geschätzte Varianz-Kovarianz-Matrix der Risikofaktoren vor [WiVö01, 418]. Auf Grundlage der Verteilung der Risikofaktoren lässt sich der Portfoliowert mittels eines linearen Bewertungsmodells ermitteln. Der Value-at-Risk kann als negatives a-quantil der normalverteilten Wertänderungen des Portfolios leicht berechnet werden. Er ist, wenn als Referenzwert der zukünftige Wert eines Portfolios ( V P T ) angenommen wird [WiVö01, 419]: VaR = z P V P. z ist das a-quantil der Standardnormalverteilung, das bei einem Konfidenzniveau von 5% (1%) einen Wert von -1,645 (-2,326) annimmt. Der Expected Shortfall einer normalverteilten Gewinn- und Verlustverteilung ist [YaYo02, 61]: z ES = e 2 2 P. Wie den Gleichungen zu entnehmen ist, sind der Value-at-Risk und der Expected Shortfall bei normalverteilten Wertänderungen nur Vielfache voneinander, da sie beide Vielfache der Standardabweichung sind. Somit besitzen beide dieselben Eigenschaften und stellen die gleiche Information über den möglichen Verlust bereit [YaYo02, 61].

16 Shortfall-Risikomaße Value-at-Risk und Expected Shortfall Monte-Carlo-Simulation Da es in der Regel nicht möglich ist die Verlustverteilung eines Kreditportfolios analytisch zu bestimmen, können weder Value-at-Risk noch Expected Shortfall analytisch ermittelt werden. Daher bietet sich hier der Einsatz von Simulationstechniken an [StSt01, 218]. Die im Kreditgeschäft wichtigste Technik ist die Monte-Carlo- Simulation. Weiterhin gibt es noch die Historische Simulation, die im folgenden Kapitel besprochen wird. Bei der Monte-Carlo-Simulation, auch Stochastische Simulation genannt, werden beliebige (geschätzte) Verteilungstypen und deren Verteilungsparameter für die Veränderung der Risikofaktoren angenommen. Es ist möglich für jeden Risikofaktor einen anderen Verteilungstyp festzulegen. Bei der Wahl dieser Verteilungstypen ist man grundsätzlich vollkommen frei, solange eine Anpassung an empirische Daten der Vergangenheit möglich ist [Völk01, 103]. Per Zufallsgenerator wird auf dieser Grundlage eine Verteilung für die zukünftige Entwicklung des Portfolios auf Basis der Risikofaktoren erzeugt. Bei jedem Simulationsdurchgang erhält man einen möglichen Wert für jeden Risikofaktor. Mittels des Bewertungsmodells können diese in den entsprechenden Portfoliowert überführt werden. Der Simulationsvorgang wird solang wiederholt, bis sich die für den Portfoliowert ergebende Verteilung stabilisiert, was i.d.r. mehrere zehntausend Simulationsläufe erfordert [WiVö01, 419]. Der Value-at-Risk und der Expected Shortfall lassen sich aus den simulierten Portfoliowerten ermitteln, indem man diese nach ihrer Größe sortiert. Aus der so aufgestellten Tabelle kann man den dem gesetzten Konfidenzniveau entsprechenden Value-at-Risk einfach als den k-kleinsten Wert mit k= x 1 ablesen [Völk01, 79]. Der Expected Shortfall entspricht dem Durchschnitt aller Werte, die schlechter sind als der Value-at-Risk Historische Simulation Bei der Historischen Simulation wird von in der Vergangenheit aufgetretenden Wertveränderungen auf den zukünftigen Wert eines Portfolios geschlossen. Dabei kann man entweder direkt den historischen Wert des Portfolios betrachten oder die Entwicklung der Risikofaktoren erfassen und den Wert des Portfolios hieraus ableiten [ScHo02, 222]. Man betrachtet die Änderungen der Risikofaktoren als unabhängig und identisch verteilt, wodurch die Verteilung der zukünftigen Renditen der eines als

17 Shortfall-Risikomaße Value-at-Risk und Expected Shortfall 11 repräsentativ angenommenen Vergangenheitszeitraum entspricht [Völk01, 77]. Zur Berechnung von Value-at-Risk und Expected Shortfall wendet man x ermittelte Veränderungsdaten auf den heutigen Wert des Portfolios an und sortiert die sich ergebenden möglichen Portfoliowerte nach ihrer Größe. Aus dieser Tabelle lassen sich die Riskomaße wie bei der Monte-Carlo-Simulation beschrieben ablesen bzw. berechnen Stärken und Schwächen der einzelnen Methoden Keine der vorgestellten Methoden zur Bestimmung des Value-at-Risks / Expected Shortfalls ist den anderen unter allen denkbaren Rahmenbedingungen eindeutig überlegen [WiVö01, 420]. Die Wahl einer Methode hängt von verschiedenen Faktoren wie der Verfügbarkeit von historischen Daten, der Größe und Komplexität des analysierten Portfolios und der zur Verfügung stehenden Rechnerkapazität ab [Bühl99, 285]. Mit der Varianz-Kovarianz-Methode lässt sich der Value-at-Risk exakt und theoretisch fundierte berechnen. Zudem ist die Berechnung schneller durchzuführen als mit den simulativen Methoden. Allerdings wird eine Normalverteilung der Wertänderung der Risikofaktoren unterstellt. Ist diese Annahme nicht haltbar, kann man auf eine der simulativen Methoden ausweichen. Am einfachsten umzusetzen ist hierbei die Historische Simulation, da keinerlei Annahmen über eine möglich Verteilung der Risikofaktoren gemacht werden müssen. Es ist jedoch fraglich, ob ein gewählter Betrachtungszeitraum wirklich repräsentativ für zukünftige Entwicklungen ist. Kann man Verteilungen für die Entwicklung der Risikofaktoren angeben, lassen sich mit der Monte-Carlo-Simulation sehr genau Schätzungen erstellen, in welche auch sich verändernde Markteigenschaften einfließen können. Allerdings erfordert diese Simulationsmethode einen sehr hohen Rechenaufwand. Die Stärken und Schwächen der einzelnen Verfahren sind in der folgenden Tabelle dargestellt [ScHo02, 223ff; Völk02, 77ff]:

18 Shortfall-Risikomaße Value-at-Risk und Expected Shortfall 12 Methode Stärken Schwächen Varianz-Kovarianz-Methode Exakte, theoretisch fundierte Berechnung Beachtung von Diversifikationseffekten durch Korrelationen Schnellere Berechnung als bei Simulationen Historische Simulation Einfach Struktur und Umsetzbarkeit Ermöglicht auch das einfangen nicht-lineare Zusammenhänge zwischen Risikofaktor und Vermögensposition Korrelationen zwischen unterschiedlichen Risikofaktoren werden quasi automatisch berücksichtigt. Monte-Carlo-Simulation Es kann auf die Normalverteilungsannahme oder auf historische Datenbestände verzichtet werden. Es können beliebig viele Szenarien berücksichtigt werden. Richtigkeit der Annahmen über die (Normal-) Verteilungen Systematische Ausblendung von extremen Veränderungen Veränderung der Korrelationen in extremen Situationen Vergangenheitsorientiert Keine Theoriebasis Tabelle /1 Stärken und Schwächen der Methoden zur Ermittlung von VaR / ES Starke Äbhängigkeit der zukünftig erwarteten Entwicklung vom konkret gewählten Beobachtungszeitraum. Man hat keine Möglichkeit bestimmte Marktentwicklungen einfließen zu lassen. Die Gültigkeit der Annahmen des Zufallsexperiment und die unterstellte Verteilung der Risikofaktoren sind schwer nachzuweisen. Bei zutreffender Verteilungsannahme sehr genau. Methode bringt einen hohen Rechenaufwand mit sich. 3.3 Beispiel Mittels der Monte-Carlo-Simulation wurden 1250 mögliche Verluste für ein Kreditportfolio ermittelt. Hieraus soll der VaR 0,99 und der ES 0,99 ermittelt werden. Die folgende Tabelle zeigt die 15 größten Verluste geordnet nach ihrer Höhe: Rang Verluste (L) in Mio. Euro 9,1 8,92 8,56 8,21 7,99 7,7 7,22 7,01 Rang Verluste (L) in Mio. Euro 6,79 6,33 6,12 5,78 5,51 5,04 4,8 Der VaR 0,01 entspricht inf l P [ L l ] 0,99. Die Wahrscheinlichkeit das der Verlust größer ist als 5,78 Mio. Euro ist 1238/1250 = 0,9904 0,99, die Wahrscheinlichkeit für einen höheren Verlust als 5,04 Mio. Euro ist

19 Shortfall-Risikomaße Value-at-Risk und Expected Shortfall /1250 = 98,96. Der Value-at-Risk ist hier also 5,04 Mio. Euro. Der Expected Shortfall ist der Durchschnitt aller Verluste, die höher sind als der Value-at-Risk. In diesem Fall wären dies die 13 Werte von Da diese aber 1,04 Prozent der 1250 simulierten Verluste entsprechen, muss hier eine Korrektur vorgenommen werden, sodass der Expected Shortfall genau der durchschnittliche Verlust in den 100a Prozent schlechtesten Fällen ist. Der 13. Wert fließt daher nur anteilig in die Berechnung ein: 0,96 9,1... 5,78 0,04 5,51=7,3988. Der Expected Shortfall beträgt somit 7,4 Mio. Euro.

20 Anwendung der Risikomaße zur Quantifizierung des Kreditrisikos 14 4 Anwendung der Risikomaße zur Quantifizierung des Kreditrisikos 4.1 Zur Anwendung des Value-at-Risks Der Value-at-Risk hat sich aufgrund seiner begrifflichen Einfachheit, der einfachen Berechenbarkeit und vieler fertiger Anwendungen als Standardrisikomaß bei der finanziellen Risikomessung etabliert [YaYo02, 58]. Ein herausragendes Merkmal dieses Ansatzes ist es, dass unterschiedliche Risikoarten wie etwa Kredit-, Aktienpreis- oder Zinsänderungsrisiken mit einer einheitlichen Meßvorschrift erfasst werden und die diversifizierende Wirkung bei der Aggregation der Risikoarten berücksichtigt werden kann [UhAu96, 831]. Es besteht ein direkter Zusammenhang zwischen dem Value-at-Risk und dem ökonomischen Kapital. Hierunter versteht man die Risikodeckungspotentiale, die eine Bank vorhalten muss, um auch bei Maximalbelastungssituationen solvent zu bleiben. Der Value-at-Risk entspricht im Kreditgeschäft dem Unexpected Loss. So ist es möglich mit ihm den Verbrauch an ökonomischen Kapital durch einen Kredit anzugeben und eine risikoorientierte Bepreisung von Krediten vorzunehmen. Zudem fördert die Anerkennung von Value-at-Risk-Ansätzen zur Berechnung des nötigen Eigenkapitals durch die Regulierungsbehörden seine Verbreitung erheblich [Hart00, 546]. Trotz dieser Vorteile wird er aufgrund einiger Nachteile in der wissenschaftlichen Diskussion in Frage gestellt. Ein Großteil der Kritik lässt sich auf zwei wesentliche Eigenschaften des VaR zurückführen. Zum einen misst der Value-at- Risk nur einen Punkt der Verlustverteilung und vernachlässigt dadurch das Risiko oberhalb dieses Punktes (Tail Risk), zum anderen ist er nicht subadditiv und stellt somit kein kohärentes Risikomaß dar 4. Die Fokussierung auf nur einen Punkt der Verlustverteilung hat zur Folge, dass das tatsächliche Ausmaß einer Abweichung vom Value-at-Risk sowohl im positiven als auch im negativen keinen Einfluss auf eine Anlageentscheidung hat [Klei03, 13]. Z.B. sind Portfolios denkbar, die den selben Value-at-Risk haben und einem Entscheider somit gleichwertig erscheinen, aber bei einer Überschreitung des Value-at-Risks zu stark unterschiedlichen Ausfällen führen. Verbunden hiermit ist, dass sich der Value-at- 4 Dies gilt für die Messung des Kreditrisiko mittels Value-at-Risk. Beim Messen von Risiken, bei denen man eine normalverteilung unterstellen kann, ist der Value-at-Risk subadditiv, da er hier nur ein Vielfaches der Standardabweichung darstellt.

21 Anwendung der Risikomaße zur Quantifizierung des Kreditrisikos 15 Risk nicht glatt verhält. Damit ist gemeint, dass Kreditausfälle, deren Eintrittswahrscheinlichkeit knapp unterhalb des Konfidenzniveaus liegen bei der Ermittlung des Value-at-Risks keine Beachtung finden. Steigt ihre Ausfallwahrscheinlichkeit nur leicht, so dass sie das Konfidenzniveau überschreitet fließen sie in voller Höhe in den Value-at-Risk ein [Raub02, 3]. Ein ähnlicher Effekt tritt auch bei der Veränderung des Konfidenzniveaus auf. Vergleicht man das Risiko verschiedener Portfolios auf Basis des Value-at-Risks kann es bei Variation des Konfidenzniveaus zu Rangvertauschungen zwischen diesen Portfolios kommen, obwohl sich ihr tatsächliches Risiko nicht ändert. Weitere Kritik am Value-at-Risk resultiert aus der fehlenden Subadditivität. Das Axiom der Subadditivität spiegelt die Idee der Diversifikation wider, wonach die Aufteilung eines Anlagebetrages auf mehrere Einzelrisiken immer zu einer Reduzierung des Gesamtrisikos führt [FrMc02, 3]. Da dieses Axiom nicht erfüllt ist, gibt es Portfolios, deren Value-at-Risk bei steigender Diversifikation steigt. Dieses soll anhand des folgenden Beispiels gezeigt werden. Es stehen 50 verschiedene Anleihen mit einem Kurswert von 95 Euro und einer Ausfallwahrscheinlichkeit von 2 Prozent zur Verfügung. Portfolio A besteht aus 100 Stück einer dieser Anleihen, Portfolio B aus je 2 Stück aller 50 Anleihen. Aus Portfolio A resultiert mit einer Wahrscheinlichkeit von 98% Prozent ein Gewinn von =500 und mit einer Wahrscheinlichkeit von 2% ein Verlust von Der VaR 0,05 dieses Portfolios ist kleiner als 0, da der mögliche Verlust eine geringere Wahrscheinlichkeit als 5% hat. Die Verlustverteilung des Portfolios B ist binomialverteilt. Bei einem a-wert von 0,05 hat das entsprechende a-quantil einen Wert von 3, dass heisst es fallen mit einer Wahrscheinlichkeit, die größer ist als 95% drei der 50 Anleihen aus. Dadurch entsteht ein Verlust von 6 95, die restlichen 94 führen zu einem Gewinn von je 5 Anleihen. Der Value-at-Risk des Portfolios entspräche in diesem Fall =100 und ist somit als größer als der des konzentrierten Portfolios A. Bei der risikoorientierten Ertragsmessung wird die Performanz eines Portfolios häufig als Verhältnis von Gewinn und eingesetztem ökonomischen Kapital gemessen. Wird das ökonomischen Kapital hierbei wie üblich mit dem Value-at-Risk bestimmt, führt eine Optimierung dieser Performanz aufgrund der fehlenden Subadditivität wiederum zu

22 Anwendung der Risikomaße zur Quantifizierung des Kreditrisikos 16 einer Konzentration im Portfolio. Weiterhin wird die Optimierung dadurch erschwert, dass der Value-at-Risk als Funktion der Portfolio-Positionen nicht konvex ist und mehrere lokale Extremwerte aufweisen kann [RoUr99, 2]. 4.2 Zur Anwendung des Expected Shortfalls Der Expected Shortfall ist ein kohärentes Risikomaß [AcNo01, 8]. Zudem wird schon aus seiner Definition ersichtlich, dass auf die bei Kreditausfällen eher seltenen Ereignisse mit hohen Verlusten fokussiert wird [StSt01, 217]. Somit bestehen die vom Value-at-Risk bekannten, aus der Vernachlässigung des Tail Risks und der fehlenden Subadditivität resultierenden Probleme hier nicht. Während die Portfolio-Optimierung auf Grundlage des Value-at-Risks erschwert ist, handelt es sich beim Expected Shortfall um ein konvexes Risikomaß. 5 Durch die Konvexität lassen sich effiziente Optimierungsalgorithmen entwerfen. So lässt sich der Expected Shortfall z.b. unter Anwendung der Linearen Programmierung minimieren. Wie aus seiner Definition hervorgeht, ist der Expected Shortfall immer höher als der Value-at-Risk. Daher führt seine Minimierung zugleich auch immer zu einer Senkung des Value-at-Risks. Andersson und Uryasev nutzen diesen Ansatz um den Expected Shortfall eines Kreditportfolios zu minimieren und gleichzeitig den Value-at-Risk zu bestimmen [AnUr99]. Konzeptionell kann der Expected Shortfall dem Value-at-Risk als überlegen angesehen werden. Ob die konzeptionellen Vorteile ausreichen damit sich der Expected Shortfall als Alternative zum Value-at-Risk etablieren kann, wird vor allem von der Stabilität seiner Ergebnisse und der Möglichkeit des Backtestings dieser Ergebnisse abhängen. Weiterhin wird die Aktzeptanz bei den Nutzern eine große Rolle spielen. Für die Stabiltiät der Ergebnisse ist die möglichst genaue Schätzung des Tails der Verlustverteilung ausschlaggebend. Diese Schätzung ist mit herkömmlichen Methoden sehr schwierig. Z.B. verändern sich unter normalen Bedingungen beobachtete Korrelationen in Extremsituationen. Daher ist es nicht möglich den Tail dieser Verteilung mit konventionellen Monte Carlo-Simulationen zu schätzen. Das Backtesting eines geschätzten Expected Shortfalls ist ebenfalls schwieriger als es für den Value-at-Risk ist. Dies liegt darin, dass zur Überprüfung eines VaR-Modells nur 5 Alle Risikomaße, die die Axiome der Homogenität und Subadditivität erfüllen sind konvex.

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

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

Kreditrisikomaße im Vergleich. Arbeitsbericht Nr. 13/2005. Andre Daldrup. Institut für Wirtschaftsinformatik. Hrsg.: Matthias Schumann

Kreditrisikomaße im Vergleich. Arbeitsbericht Nr. 13/2005. Andre Daldrup. Institut für Wirtschaftsinformatik. Hrsg.: Matthias Schumann Georg-August-Universität Göttingen Institut für Wirtschaftsinformatik Professor Dr. Matthias Schumann Platz der Göttinger Sieben 5 37073 Göttingen Telefon: + 49 551 39-44 33 + 49 551 39-44 42 Arbeitsbericht

Mehr

Abschlussklausur der Vorlesung Bank I, II:

Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 23 Name: Matrikelnummer: Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Hinweise: o Bitte schreiben Sie Ihren Namen und Ihre Matrikelnummer auf die Klausur

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

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

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

Risikoaggregation und allokation

Risikoaggregation und allokation 2. Weiterbildungstag der DGVFM Risikoaggregation und allokation Einführung in das Thema Prof. Dr. Claudia Cottin, FH Bielefeld Dr. Stefan Nörtemann, msg life Hannover, 21. Mai 2015 2. Weiterbildungstag

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

- 2-2. a) Definieren Sie kurz Risiko und Risikomanagement?

- 2-2. a) Definieren Sie kurz Risiko und Risikomanagement? Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Seminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 1999/2000 Zuständiger Mitarbeiter:

Mehr

Veröffentlicht in RISIKO MANAGER 24/2012. S. 1 u. 6 11. Bank-Verlag GmbH, Köln

Veröffentlicht in RISIKO MANAGER 24/2012. S. 1 u. 6 11. Bank-Verlag GmbH, Köln !!!! Veröffentlicht in RISIKO MANAGER 24/2012 Neue Wege in der regulatorischen Messung des Marktrisikos: Expected Shortfall statt Value-at-Risk S. 1 u. 6 11 Bank-Verlag GmbH, Köln Quantil GmbH E-Mail:

Mehr

DIPLOM. Abschlussklausur der Vorlesung Bank I, II:

DIPLOM. Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 9 Name: Matrikelnummer: DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Seite 2 von 9 DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement

Mehr

Inhalte Kurs Finanz- und Risikosteuerung

Inhalte Kurs Finanz- und Risikosteuerung Inhalte Kurs Finanz- und Risikosteuerung Studieninhalte (DS = Doppelstunde á 90 Minuten) Grundlagen der Bankensteuerung Finanzmathematische Grundlagen 12 DS Dynamische Verfahren der Investitionsrechnung

Mehr

Risiko und Symmetrie. Prof. Dr. Andrea Wirth

Risiko und Symmetrie. Prof. Dr. Andrea Wirth Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie

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

Generalthema: Kreditrisikomanagement. Thema 4: CreditRisk+ Gliederung

Generalthema: Kreditrisikomanagement. Thema 4: CreditRisk+ Gliederung Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Zuständiger Mitarbeiter: Dipl.-Kfm. Stefan Krohnsnest

Mehr

Arnd Wiedemann. Risikotriade Zins-, Kredit- und operationelle Risiken. 2., überarbeitete Auflage

Arnd Wiedemann. Risikotriade Zins-, Kredit- und operationelle Risiken. 2., überarbeitete Auflage Arnd Wiedemann Risikotriade Zins-, Kredit- und operationelle Risiken 2., überarbeitete Auflage . XI 1 Einleitung: Risikomessung als Fundament der Rendite-/Risikosteuerung 1 2 Zinsrisiko 3 2.1 Barwertrisiko

Mehr

Abschlussklausur des Kurses Bank I, II: Finanzintermediation und Regulierung / Risiko- und Ertragsmanagement der Banken

Abschlussklausur des Kurses Bank I, II: Finanzintermediation und Regulierung / Risiko- und Ertragsmanagement der Banken Seite 1 von 18 Abschlussklausur des Kurses Bank I, II: Finanzintermediation und Regulierung / Risiko- und Ertragsmanagement der Banken Hinweise: o o o o o Bitte schreiben Sie Ihren Namen und Ihre Matrikelnummer

Mehr

Zwei einfache Kennzahlen für große Engagements

Zwei einfache Kennzahlen für große Engagements Klecksen nicht klotzen Zwei einfache Risikokennzahlen für große Engagements Dominik Zeillinger, Hypo Tirol Bank Die meisten Banken besitzen Engagements, die wesentlich größer sind als der Durchschnitt

Mehr

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Commercial Banking Kreditgeschäft Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Bedingte Marginale Ausfallwahrscheinlichkeit (BMAW t ) (Saunders: MMR ) prob (Ausfall in Periode t kein Ausfall

Mehr

Darstellung und kritischer Vergleich von Verfahren zur Quantifizierung des Kreditrisikos bei Banken

Darstellung und kritischer Vergleich von Verfahren zur Quantifizierung des Kreditrisikos bei Banken Darstellung und kritischer Vergleich von Verfahren zur Quantifizierung des Kreditrisikos bei Banken 3-Monats-Arbeit im Rahmen der Prüfung für Diplom-Wirtschaftsinformatiker an der Universität Göttingen

Mehr

Überblick. Überblick

Überblick. Überblick Agenda Überblick Risikomessung anhand zweier Aktienpositionen Exkurs: Risikominimale Investmentstrategie im Zwei-Aktien Aktien-Fall Risikoberechnung Karsten Hackler, Juli 008 Agenda 3 Überblick 4 Überblick

Mehr

Generalthema: Kreditrisikomanagement. Thema 1: Kreditrisiko ökonomische und rechtliche Grundlagen

Generalthema: Kreditrisikomanagement. Thema 1: Kreditrisiko ökonomische und rechtliche Grundlagen Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Generalthema: Kreditrisikomanagement Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Zuständiger Mitarbeiter:

Mehr

Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz. 31. Mai 2007 Dimitri Senik

Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz. 31. Mai 2007 Dimitri Senik Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz Dimitri Senik Agenda Risikomanagement bei Fonds: neue regulatorische Vorschriften Risikomessung gemäss KKV-EBK Risikomanagement

Mehr

Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken

Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Seminararbeit von Marleen Laakmann 2. Mai 2010 Einleitung Zur Messung und Steuerung von Kreditrisiken gibt es eine Reihe von Methoden und

Mehr

von Thorsten Wingenroth 358 Seiten, Uhlenbruch Verlag, 2004 EUR 98,- inkl. MwSt. und Versand ISBN 3-933207-42-8

von Thorsten Wingenroth 358 Seiten, Uhlenbruch Verlag, 2004 EUR 98,- inkl. MwSt. und Versand ISBN 3-933207-42-8 Reihe Portfoliomanagement, Band 17: RISIKOMANAGEMENT FÜR CORPORATE BONDS Modellierung von Spreadrisiken im Investment-Grade- Bereich von Thorsten Wingenroth 358 Seiten, Uhlenbruch Verlag, 2004 EUR 98,-

Mehr

Wie kann man Risiko messen?

Wie kann man Risiko messen? Wie kann man Risiko messen? Karl Mosler Universität zu Köln Symposium DAGStat & BfR: Was bedroht unser Leben wirklich? Statistische Bewertung von Gesundheitsrisiken Berlin, 19. April 2013 Karl Mosler Universität

Mehr

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008 Kreditrisiko bei Swiss Life Carl-Heinz Meyer, 13.06.2008 Agenda 1. Was versteht man unter Kreditrisiko? 2. Ein Beisiel zur Einführung. 3. Einige kleine Modelle. 4. Das grosse kollektive Modell. 5. Risikoberechnung

Mehr

Risikokapital Definition und Allokation

Risikokapital Definition und Allokation Risikokapital Definition und Allokation Rolf Stölting Köln Münchener Rück Munich Re Group Einige ragen intern und unserer Kunden Wie viel Kapital benötigen wir für unser Geschäft? Welche unserer Teilportefeuilles

Mehr

Entscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen

Entscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen Entscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen Referat von Guido RECKE Institut für Agrarökonomie der Georg-August-Universität Göttingen Platz der Göttinger Sieben

Mehr

Risikodiversifikation. Steffen Frost

Risikodiversifikation. Steffen Frost Risikodiversifikation Steffen Frost 1. Messung Risiko 2. Begriff Risiko 3. Standardabweichung 4. Volatilität 5. Gesamtrisiko 6. Systematische & unsystematisches Risiko 7. Beta und Korrelation 8. Steuerung

Mehr

Risikomanagement und Statistik. Raimund Kovacevic

Risikomanagement und Statistik. Raimund Kovacevic Risikomanagement und Statistik Raimund Kovacevic Dieses Werk ist Urheberrechtlich geschützt. Jede Vervielfältigung ohne Einverständnis des Autors ist verboten. Risiko hazard, a chance of bad consequences,

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

G 59071. TM bewertet. Im Kundengeschäft hingegen

G 59071. TM bewertet. Im Kundengeschäft hingegen G 59071 n vielen Fällen wird die Kreditrisikomessung mit unterschiedlichen Portfoliomodellen für das Eigen- und das Kundengeschäft durchgeführt. Das durch geringe Stückzahlen und hohe Volumina charakterisierte

Mehr

R 2 RISIKEN DES RISIKOMANAGEMENTS

R 2 RISIKEN DES RISIKOMANAGEMENTS R 2 RISIKEN DES RISIKOMANAGEMENTS Wolfgang Bühler Lehrstuhl Finanzierung Universität Mannheim Universität Hamburg Fachbereich Wirtschaftswissenschaften 20. Januar 2003 TODESFALLRISIKEN 09. Oktober 02 08.

Mehr

Vorlesung 7: Value-at-Risk für Kreditrisiken

Vorlesung 7: Value-at-Risk für Kreditrisiken Vorlesung 7: Value-at-Risk für Kreditrisiken 17. April 2015 Dr. Patrick Wegmann Universität Basel WWZ, Department of Finance patrick.wegmann@unibas.ch www.wwz.unibas.ch/finance Die Verlustverteilung im

Mehr

Band 1: Grundlagen, Marktzinsmethode und Rentabilitäts-Controlling

Band 1: Grundlagen, Marktzinsmethode und Rentabilitäts-Controlling Inhaltsübersicht Band 1: Grundlagen, Marktzinsmethode und Rentabilitäts-Controlling Einleitung Controlling als integriertes Konzept Ertragsorientierter Banksteuerung 1 Erstes Kapitel Aufgaben und organisatorische

Mehr

ZERTIFIKATE spielend beherrschen

ZERTIFIKATE spielend beherrschen UDI ZAGST / MICHAEL HUBER RUDI ZAGST / MICHAEL HUBER ZERTIFIKATE ZERTIFIKATE spielend beherrschen spielend beherrschen Der Performance-Kick Der Performance-Kick für Ihr für Portfolio Ihr Portfolio inanzbuch

Mehr

6522: Capital Markets and Risk Management

6522: Capital Markets and Risk Management (Bitte in Blockschrift) Name... Vorname... Matrikelnummer... Punkte Aufgabe 1:... Aufgabe 2:... Aufgabe 3:... Aufgabe 4:... Aufgabe 5:... Aufgabe 6:... Total :... UNIVERSITÄT BASEL Dr. Patrick Wegmann

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

Derivatebewertung im Binomialmodell

Derivatebewertung im Binomialmodell Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und

Mehr

Credit Risk+: Eine Einführung

Credit Risk+: Eine Einführung Credit Risk+: Eine Einführung Volkert Paulsen December 9, 2004 Abstract Credit Risk+ ist neben Credit Metrics ein verbreitetes Kreditrisikomodell, dessen Ursprung in der klassischen Risikotheorie liegt.

Mehr

Inhaltsverzeichnis Kapitel 0 - Einführung und Grundlagen 11 Kapitel 1 - Renditen auf Finanzmärkten 37 Kapitel 2 - Risiko auf Finanzmärkten 61

Inhaltsverzeichnis Kapitel 0 - Einführung und Grundlagen 11 Kapitel 1 - Renditen auf Finanzmärkten 37 Kapitel 2 - Risiko auf Finanzmärkten 61 Inhaltsverzeichnis Kapitel 0 - Einführung und Grundlagen 11 0.1 Gegenstandsbereich der Finance als wissenschaftliche Disziplin 0.2 Kernthemen der Finance 0.3 Entwicklungsmerkmale der Finanzmärkte - 0.4

Mehr

Kolloquium zum Modul Finanzierungs- und entscheidungstheoretische Grundlagen der BWL SS 2011

Kolloquium zum Modul Finanzierungs- und entscheidungstheoretische Grundlagen der BWL SS 2011 Kolloquium zum Modul Finanzierungs- und entscheidungstheoretische Grundlagen der BWL SS 2011 Teil II: Investitionstheoretische Grundlagen (KE 3 und KE 4) 1 Überblick 2 Dominanzkriterien 3 Finanzmathematische

Mehr

Value-at-Risk. Kann man das Risiko steuern? Finanzwirtschaft VI Matthias Paesel Hochschule Magdeburg-Stendal (FH)

Value-at-Risk. Kann man das Risiko steuern? Finanzwirtschaft VI Matthias Paesel Hochschule Magdeburg-Stendal (FH) Value-at-Risk Kann man das Risiko steuern? Gliederung I. Was versteht man unter Value-at-Risk? II. Anwendung des Value-at-Risk III. Grenzen des Value-at-Risk IV. Fazit V. Literatur Was versteht man unter

Mehr

Klausur zur Vorlesung Finanz- und Bankmanagement

Klausur zur Vorlesung Finanz- und Bankmanagement Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz- und Bankwirtschaft [Aufkleber] Klausur zur Vorlesung Finanz- und Bankmanagement Prof. Dr. Marco Wilkens 06. Februar 2012

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

Basel II - Die Bedeutung von Sicherheiten

Basel II - Die Bedeutung von Sicherheiten Basel II - Die Bedeutung von Sicherheiten Fast jeder Unternehmer und Kreditkunde verbindet Basel II mit dem Stichwort Rating. Dabei geraten die Sicherheiten und ihre Bedeutung - vor allem für die Kreditkonditionen

Mehr

Adressenausfallrisiken. Von Marina Schalles und Julia Bradtke

Adressenausfallrisiken. Von Marina Schalles und Julia Bradtke Adressenausfallrisiken Von Marina Schalles und Julia Bradtke Adressenausfallrisiko Gliederung Adressenausfallrisiko Basel II EU 10 KWG/ Solvabilitätsverordnung Adressenausfallrisiko Gliederung Rating Kreditrisikomodelle

Mehr

Abschlussklausur des Kurses Bank I, II: Finanzintermediation und Regulierung / Risiko- und Ertragsmanagement der Banken

Abschlussklausur des Kurses Bank I, II: Finanzintermediation und Regulierung / Risiko- und Ertragsmanagement der Banken Seite 1 von 11 Abschlussklausur des Kurses Bank I, II: Finanzintermediation und Regulierung / Risiko- und Ertragsmanagement der Banken Hinweise: o o o o o Bitte schreiben Sie Ihren Namen und Ihre Matrikelnummer

Mehr

Messung von Konzentrationsrisiken

Messung von Konzentrationsrisiken Messung von Konzentrationsrisiken von Dominik Zeillinger 1 Motivation und Übersicht 2 Konzentration und Gleichverteilung 3 Conditional Value at Risk Ansatz 4 Definitionen und Rechenregeln 4.1 Definition

Mehr

LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank I, II am 11.02.2004. Teil I: Aufgaben zu Bank I. Aufgabe 1 (Risikoanreiz und Bankgeschäfte; 30P)

LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank I, II am 11.02.2004. Teil I: Aufgaben zu Bank I. Aufgabe 1 (Risikoanreiz und Bankgeschäfte; 30P) Universität Hohenheim Institut für Betriebswirtschaftslehre Lehrstuhl für Bankwirtschaft und Finanzdienstleistungen Matthias Johannsen Stuttgart, 11.02.2004 LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank

Mehr

Risk Management (Marktpreis-, Kredit-, operationelle Risiken) European Federation of Energy Traders

Risk Management (Marktpreis-, Kredit-, operationelle Risiken) European Federation of Energy Traders Risk Management (Marktpreis-, Kredit-, operationelle Risiken) European Federation of Energy Traders de@efet.org 1 EFET: Stimme der europäischen Energiegroßhändler The European Federation of Energy Traders

Mehr

Matrikel-Nr.: Fachrichtung: Sem.-Zahl: Seminarschein soll ausgestellt werden über ABWL Integrationsseminar BBL

Matrikel-Nr.: Fachrichtung: Sem.-Zahl: Seminarschein soll ausgestellt werden über ABWL Integrationsseminar BBL Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 2002/2003 Zuständiger

Mehr

Bank I/II. (Deutsch) (Bank Management & Financial Intermediation) Hinweise:

Bank I/II. (Deutsch) (Bank Management & Financial Intermediation) Hinweise: Name: Matrikelnummer: Bank I/II (Deutsch) (Bank Management & Financial Intermediation) Hinweise: Schreiben Sie Ihren Namen und Ihre Matrikelnummer auf die Klausur und auf jeden Bogen. Als Hilfsmittel ist

Mehr

Dynamisches Risikomanagement in der Strom-Portfolio-Optimierung. W. Römisch

Dynamisches Risikomanagement in der Strom-Portfolio-Optimierung. W. Römisch Dynamisches Risikomanagement in der Strom-Portfolio-Optimierung W. Römisch Humboldt-Universität Berlin Institut für Mathematik http://www.math.hu-berlin.de/~romisch A. Eichhorn (Verbund, Wien), V. Guigues

Mehr

Prüfungsklausur Kreditwirtschaft

Prüfungsklausur Kreditwirtschaft Seite 1 von 7 Name: Matrikelnummer: Prüfungsklausur Kreditwirtschaft Hinweise: o Bitte schreiben Sie Ihren Namen und Ihre Matrikelnummer auf die Klausur und auf jeden Bogen. o Legen Sie die Klausur sowie

Mehr

Vergleich verschiedener Optimierungsansätze

Vergleich verschiedener Optimierungsansätze Vergleich verschiedener Optimierungsansätze Inhaltsverzeichnis 1 Einleitung... 2 2 Welchen Nutzen schafft munio?... 3 3 Analysen... 3 3.1 Schritt 1: Optimierung anhand von Indizes... 3 3.2 Schritt 2: Manuell

Mehr

Kreditrisikomodelle und Kreditderivate

Kreditrisikomodelle und Kreditderivate Annemarie Gaal, Manfred Plank 1 Einleitung In den letzten Jahren zeigte sich immer deutlicher, daß die Basler Eigenkapitalvereinbarung von 1988 1 ) in vielen Fällen keine adäquate Eigenkapitalallokation

Mehr

Portfoliotheorie. Von Sebastian Harder

Portfoliotheorie. Von Sebastian Harder Portfoliotheorie Von Sebastian Harder Inhalt - Begriffserläuterung - Allgemeines zur Portfoliotheorie - Volatilität - Diversifikation - Kovarianz - Betafaktor - Korrelationskoeffizient - Betafaktor und

Mehr

Herausforderungen der Kreditrisikomodellierung

Herausforderungen der Kreditrisikomodellierung Ursula Theiler Herausforderungen der Kreditrisikomodellierung erschienen in: Zeitschrift für das gesamte Kreditwesen, Heft 9 2000, S. 468-473. Verfasserin: Dr. Ursula-A. Theiler, Risk Training Carl-Zeiss-Str.

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

Zinsen, Anleihen, Kredite

Zinsen, Anleihen, Kredite Zinsen, Anleihen, Kredite Von Dr. Klaus Spremann o. Professor für Betriebswirtschaftslehre an der Universität St. Gallen und Direktor am Schweizerischen Institut für Banken und Finanzen und Dr. Pascal

Mehr

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, SS 2008 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit

Mehr

Die Duration von Standard-Anleihen. - Berechnungsverfahren und Einflussgrößen -

Die Duration von Standard-Anleihen. - Berechnungsverfahren und Einflussgrößen - Die Duration von Standard-Anleihen - Berechnungsverfahren und Einflussgrößen - Gliederung Einleitendes Herleitung einer Berechnungsvorschrift Berechnungsvorschriften für Standardfälle Einflussgrößen und

Mehr

2.3 Ableitung optimaler Portfolien unter simultaner Berücksichtigung aller Szenarien

2.3 Ableitung optimaler Portfolien unter simultaner Berücksichtigung aller Szenarien Agenda 1. Traditionelle Asset Allocation nach Markowitz 2. Szenario-basierte Asset Allocation 2.1 Definition zukünftiger Entwicklungsszenarien 2.2 Ableitung optimaler Portfolien für einzelne Szenarien

Mehr

risiko und ertrag: das optimale gleichgewicht

risiko und ertrag: das optimale gleichgewicht Risiko und Ertrag im optimalen Gleichgewicht risiko und ertrag: das optimale gleichgewicht Hier das Risiko, dort der Ertrag. Ein permanentes Spannungsfeld, in dem es gilt, das optimale Gleichgewicht zu

Mehr

Risikomanagement: Hintergrund und Ziele

Risikomanagement: Hintergrund und Ziele Risikomanagement: Hintergrund und Ziele Beispiel 1 Anfangskapital V 0 = 100 Spiel: man verliert oder gewinnt 50 mit Wahrsch. jeweils 1/2. Kapital nach dem Spiel V 1 = { 150 mit Wahrsch. 1/2 50 mit Wahrsch.

Mehr

Quantilsschätzung als Werkzeug zur VaR-Berechnung

Quantilsschätzung als Werkzeug zur VaR-Berechnung Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird

Mehr

Riskikomanagement. No risk, no fun? No risk, no project! PROJEKTMANAGEMENT I - 18. Risikomanagement

Riskikomanagement. No risk, no fun? No risk, no project! PROJEKTMANAGEMENT I - 18. Risikomanagement Riskikomanagement No risk, no fun? No risk, no project! Risikomanagement 1 Ein paar Fragen zum Start Was sind Risiken? Wie gehen Sie mit Risiken um? Welche Bedeutung hat das Risiko in einem Projekt? Risikomanagement

Mehr

Offenlegungsbericht nach 26a KWG in Verbindung mit 319 ff der Solvabilitätsverordnung (SolvV) der. Alpha Wertpapierhandels GmbH, Frankfurt am Main

Offenlegungsbericht nach 26a KWG in Verbindung mit 319 ff der Solvabilitätsverordnung (SolvV) der. Alpha Wertpapierhandels GmbH, Frankfurt am Main Offenlegungsbericht nach 26a KWG in Verbindung mit 319 ff der Solvabilitätsverordnung (SolvV) der Alpha Wertpapierhandels GmbH, Frankfurt am Main 1.) Einleitung Die Bankenaufsicht verlangt nach 26 des

Mehr

Generalthema: Kreditrisikomanagement. Thema 7: Das Kreditgeschäft in der Gesamtbankstrategie

Generalthema: Kreditrisikomanagement. Thema 7: Das Kreditgeschäft in der Gesamtbankstrategie Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Zuständiger Mitarbeiter: Dipl.-Kfm. Stefan Krohnsnest

Mehr

1 Einleitung. 1.1 Problemstellung und Zielsetzung der Untersuchung. 1 Einleitung 1

1 Einleitung. 1.1 Problemstellung und Zielsetzung der Untersuchung. 1 Einleitung 1 1 Einleitung 1 1 Einleitung Dieser Abschnitt gibt eine kurze Einführung in die Themenstellung der vorliegenden Dissertation. Zunächst werden die allgemeine Problemstellung und die Zielsetzung der Untersuchung

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

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

Generalthema: Kreditrisikomanagement. Thema 6: Risikosteuerung mit Kreditderivaten

Generalthema: Kreditrisikomanagement. Thema 6: Risikosteuerung mit Kreditderivaten Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Zuständiger Mitarbeiter: Dipl.-Kfm. Stefan Krohnsnest

Mehr

Portfolio Insurance - CPPI im Vergleich zu anderen Strategien

Portfolio Insurance - CPPI im Vergleich zu anderen Strategien Bank- und finanzwirtschaftliche Forschungen 386 Portfolio Insurance - CPPI im Vergleich zu anderen Strategien von Roger Uhlmann 1. Auflage Haupt Verlag 2012 Verlag C.H. Beck im Internet: www.beck.de ISBN

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

Gliederung. 1. Prolog 1. 2. Zinsinstrumente* 19

Gliederung. 1. Prolog 1. 2. Zinsinstrumente* 19 VIII Z I N S E N, A N L E I H E N, KREDITE Gliederung 1. Prolog 1 1.1 Inhalt und Aufbau 1 1.1.1 Erste Orientierung J 1.1.2 Zur dritten Auflage 4 1.1.3 Course-Outline 6 IAA Didaktik 9 1.2 Literatur und

Mehr

DIPLOM. Abschlussklausur der Vorlesung Bank I, II:

DIPLOM. Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 18 Name: Matrikelnummer: DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Seite 2 von 18 DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement

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

Grundlagen des Risikomanagements im Unternehmen

Grundlagen des Risikomanagements im Unternehmen Management Competence Grundlagen des Risikomanagements im Unternehmen Controlling, Unternehmensstrategie und wertorientiertes Management von Dr. Werner Gleißner 2., komplett überarbeitete und erweiterte

Mehr

Risikomanagement: Hintergrund und Ziele

Risikomanagement: Hintergrund und Ziele Risikomanagement: Hintergrund und Ziele Beispiel 1 Anfangskapital V 0 = 100 Spiel: man verliert oder gewinnt 50 mit Wahrsch. jeweils 1/2. Kapital nach dem Spiel V 1 = { 150 mit Wahrsch. 1/2 50 mit Wahrsch.

Mehr

Der Cost-Average Effekt

Der Cost-Average Effekt Der Cost-Average Effekt Einleitung Wie sollte ich mein Geld am besten investieren? Diese Frage ist von immerwährender Relevanz, und im Zuge des demographischen Wandels auch für Aspekte wie die private

Mehr

Prüfung KMU-Finanzexperte Modul 6 Risk Management Teil 2: Financial RM Prüfungsexperten: Markus Ackermann Sandro Schmid 29.

Prüfung KMU-Finanzexperte Modul 6 Risk Management Teil 2: Financial RM Prüfungsexperten: Markus Ackermann Sandro Schmid 29. Prüfung KMU-Finanzexperte Modul 6 Risk Management Teil 2: Financial RM Prüfungsexperten: Markus Ackermann Sandro Schmid 29. Januar 2008 Prüfungsmodus Prüfungsdauer schriftliche Klausur 60 Minuten Punktemaximum:

Mehr

Vertragsmanagement im Mittelstand - Strategien zur wirtschaftlichen Behandlung von Risiken

Vertragsmanagement im Mittelstand - Strategien zur wirtschaftlichen Behandlung von Risiken Vertragsmanagement im Mittelstand - Strategien zur wirtschaftlichen Behandlung von Risiken VDE Südbayern AK Unternehmensmanagement Innung für Elektro- und Informationstechnik Haus II, Seminarraum 3 / 5.

Mehr

RISIKOFAKTOR - CREDIT SPREADS

RISIKOFAKTOR - CREDIT SPREADS RISIKOFAKTOR - CREDIT SPREADS ABSICHERUNG, AKTIVE RISIKOSTEUERUNG UND HANDEL MIT CREDIT DEFAULT SWAPS (CDS) Einführungsprozess zur schnellen und effizienten Produktnutzung VERÄNDERTES UMFELD FÜR DAS KREDITGESCHÄFT

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

Als Mathematiker im Kreditrisikocontrolling

Als Mathematiker im Kreditrisikocontrolling Kevin Jakob / Credit Portfolio Risk Measurement & Methodology, BayernLB Als Mathematiker im Kreditrisikocontrolling 4. Mai 2015, Augsburg Gliederung 1. Persönlicher Werdegang / BayernLB 2. Themengebiete

Mehr

Supply Chain Summit 2011 RISIKO-MANAGEMENT UND SUPPLY CHAIN

Supply Chain Summit 2011 RISIKO-MANAGEMENT UND SUPPLY CHAIN Supply Chain Summit 2011 RISIKO-MANAGEMENT UND SUPPLY CHAIN GLIEDERUNG Intro Risiko-Management Was bedeutet Risiko-Managment? Wie wird Risiko-Management umgesetzt? Nutzen von Risiko-Management Relevanz

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

Systematik und ökonomische Relevanz traditioneller Performancemaße

Systematik und ökonomische Relevanz traditioneller Performancemaße Systematik und ökonomische Relevanz traditioneller Performancemaße Vortrag an der Universität Hamburg am 18. Juni 2001 PD Dr. Marco Wilkens IFBG der Georg-August-Universität Göttingen 1 Gliederung 1. Einleitung

Mehr

Messgeräte: Mess-System-Analyse und Messmittelfähigkeit

Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße

Mehr

Optionskennzahlen. 1 Man beachte, daß die mittels dieser Verhältnisse berechneten Veränderungen nur für kleine Veränderungen rich-

Optionskennzahlen. 1 Man beachte, daß die mittels dieser Verhältnisse berechneten Veränderungen nur für kleine Veränderungen rich- Optionskennzahlen 1 Einführung Die Abhängigkeit des Optionspreises von den verschiedenen Parametern wird analysiert, indem diese marginal 1 verändert und ins Verhältnis zu der daraus resultierenden Veränderung

Mehr

Grundsatz I und Basel II basierte Konzeption eines Produktmodells zur Abbildung von Kreditderivaten

Grundsatz I und Basel II basierte Konzeption eines Produktmodells zur Abbildung von Kreditderivaten Grundsatz I und Basel II basierte onzeption eines Produktmodells zur Abbildung von reditderivaten I. Einleitung An den Finanzmärkten werden mittlerweile neben dem standardisierten Credit Default Swap unterschiedlichste

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

Portfolio-Optimierung und Capital Asset Pricing

Portfolio-Optimierung und Capital Asset Pricing Portfolio-Optimierung und Capital Asset Pricing Prof. Dr. Nikolaus Hautsch Institut für Statistik und Ökonometrie Humboldt-Universität zu Berlin CASE, CFS, QPL Econ Boot Camp, SFB 649, Berlin, 8. Januar

Mehr

Messsystemanalyse (MSA)

Messsystemanalyse (MSA) Messsystemanalyse (MSA) Inhaltsverzeichnis Ursachen & Auswirkungen von Messabweichungen Qualifikations- und Fähigkeitsnachweise Vorteile einer Fähigkeitsuntersuchung Anforderungen an das Messsystem Genauigkeit

Mehr

Commercial Banking. Securitization

Commercial Banking. Securitization Commercial Banking Securitization Handel von Kreditrisiken: Pros und Cons Pros effiziente Risikoallokation Flexibilität der Portfoliorestrukturierung Cons Adverse Selection (Lemons Problem) Moral Hazard

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