Value at Risk. Sandra Radl Sandra Radl Value at Risk / 31
|
|
- Alma Braun
- vor 5 Jahren
- Abrufe
Transkript
1 Value at Risk Sandra Radl Sandra Radl Value at Risk / 31
2 Inhaltsverzeichnis 1 Definition Zeithorizont 2 Berechnungsmethoden Historische Simulation Lineares Modell Quadratisches Modell Monte-Carlo-Simulation Zusammenfassen von Marktvariablen 3 Stress Testing und Back Testing 4 Kritik Sandra Radl Value at Risk / 31
3 Definition Definition Risikomaß für das Gesamtrisiko eines Portfolios von Finanzinstrumenten In den nächsten N Tagen werden wir zu x% nicht mehr als V Euro verlieren. abhängig vom Zeithorizont N und Konfidenzniveau x (100 x)% -Quantil der Verteilung der Portfoliowertänderung in den nächsten N Tagen Sandra Radl Value at Risk / 31
4 Definition Veranschaulichung Abbildung: Value at Risk bei normalverteilter Portfoliowertänderung Sandra Radl Value at Risk / 31
5 Definition Zeithorizont Zeithorizont Praxis: nur Eintages-VaR wird berechnet N TagesVaR = Eintages VaR N Wurzel-Zeit-Formel, Sqaure root of time Regel exakt, falls Wertänderungen des Portfolios von aufeinander folgenden Tagen unabhängig voneinander und identisch verteilt Sandra Radl Value at Risk / 31
6 Historische Simulation Historische Simulation Verwendung von historischen Daten, um einen Richtwert für die zuküftigen Veränderungen zu berechnen Vorgehensweise (x=5, N=1, Marktdaten der letzten 501 Tage): Identifizierung der beeinflussenden Marktvariable(n) (z.b. Aktienkurse, Wechselkurse, Zinssätze) Sandra Radl Value at Risk / 31
7 Historische Simulation Historische Simulation Verwendung von historischen Daten, um einen Richtwert für die zuküftigen Veränderungen zu berechnen Vorgehensweise (x=5, N=1, Marktdaten der letzten 501 Tage): Identifizierung der beeinflussenden Marktvariable(n) (z.b. Aktienkurse, Wechselkurse, Zinssätze) Untersuchung der Veränderungen der beeinflussenden Variablen in den vergangenen 501 Tagen 500 mögliche Szenarien für die Entwicklung der Marktvariablen von heute auf morgen (1. Szenario: Prozentuelle Änderung der Marktvariablen von heute auf morgen entspricht prozentueller Veränderung der Marktvariablen von Tag 0 auf Tag 1) Sandra Radl Value at Risk / 31
8 Historische Simulation Historische Simulation Berechnung der Portfoliowertänderung für jedes Szenario Wahrscheinlcihkeitsverteilung für tägliche Portfoliowertänderung Sandra Radl Value at Risk / 31
9 Historische Simulation Historische Simulation Berechnung der Portfoliowertänderung für jedes Szenario Wahrscheinlcihkeitsverteilung für tägliche Portfoliowertänderung gewünschtes Quantil bestimmen Bei 500 Szenarien: 95 % Quantil 25-schlechtester Wert 99 % Quantil 5-schlechtester Wert Sandra Radl Value at Risk / 31
10 Historische Simulation Historische Simulation Berechnung der Portfoliowertänderung für jedes Szenario Wahrscheinlcihkeitsverteilung für tägliche Portfoliowertänderung gewünschtes Quantil bestimmen Bei 500 Szenarien: 95 % Quantil 25-schlechtester Wert 99 % Quantil 5-schlechtester Wert Vorausgesetzt, die Wertänderungen der letzten 501 Tage sind ein gutes Indiz für die Wertänderung von heute auf morgen, kann man so den VaR bestimmen. Sandra Radl Value at Risk / 31
11 Historische Simulation Historische Simulation - Beispiel Identifizierung der beeinflussenden Marktvariablen Marktvariablen werden jeden Tag zu bestimmtem Zeitpunkt (meist Handelsschluss) beobachtet Tag Marktvariable 1 Marktvariable 2... Marktvariable N 0 15,66 1, , ,85 1, , ,12 1, , ,93 1, , ,75 1, , ,98 1, , ,32 1, ,76 Tabelle: Historische Daten der letzten 501 Tage Sandra Radl Value at Risk / 31
12 Historische Simulation Historische Simulation - Beispiel Untersuchung der Veränderungen der beeinflussenden Variablen in den vergangenen 501 Tagen Berechnung der Portfoliowertänderung für jedes Szenario i-tes Szenario: v (n,501) = v (n,500) v (n,i) v (n,i 1) Sandra Radl Value at Risk / 31
13 Historische Simulation Historische Simulation - Beispiel Untersuchung der Veränderungen der beeinflussenden Variablen in den vergangenen 501 Tagen Berechnung der Portfoliowertänderung für jedes Szenario i-tes Szenario: v (n,501) = v (n,500) v (n,i) v (n,i 1) Szenario Markt- Markt-... Markt- Portfolio- Wertvariable 1 variable 2 variable N wert änderung in Mio. e in Mio. e 1 18,54 1, ,24 36,61-13, ,63 1, ,34 55,72 +5, ,10 1, ,46 50,64 +0, ,55 1, ,04 54,45 +4, ,66 1, ,51 55,67 + 5,35 Tabelle: Szenarien für die Marktwerte bzw. Portfoliowerte am Tag 501 Sandra Radl Value at Risk / 31
14 Historische Simulation Historische Simulation - Beispiel gewünschtes Quantil bestimmen Angenommen x=5% 25-schlechtesten Wert der letzten Spalte (Wertänderung) wählen Sandra Radl Value at Risk / 31
15 Historische Simulation Historische Simulation - Beispiel gewünschtes Quantil bestimmen Angenommen x=5% 25-schlechtesten Wert der letzten Spalte (Wertänderung) wählen Berechnung des Value at Risks an Tag 501: Daten der Tage 1 bis 501 verwenden Sandra Radl Value at Risk / 31
16 Volatilität σ Maß für die Unsicherheit der zukünftigen Wertänderungen des Assets je höher σ, desto wahrscheinlicher ist es, dass das Asset stark an Wert verliert oder gewinnt Standardabweichung der prozentualen Änderung des Assetpreises Sandra Radl Value at Risk / 31
17 Volatilität σ Maß für die Unsicherheit der zukünftigen Wertänderungen des Assets je höher σ, desto wahrscheinlicher ist es, dass das Asset stark an Wert verliert oder gewinnt Standardabweichung der prozentualen Änderung des Assetpreises üblicherweise wird Volatilität pro Jahr angegeben, Zeithorizont bei VaR-Berechnung wird aber in Tagen gemessen σ Tag = σ Jahr 252 Sandra Radl Value at Risk / 31
18 Lineares Modell - Beispiel (Ein-Asset-Fall) Portfolio bestehend aus einer einzelnen Position in einer einzelnen Aktie (Erste Group Bank Aktie, 10 Mio. e) 5-Tages-VaR zu einem Konifidezniveau von 99 % σ Jahr = 22, 11% σ Tag = σ Jahr 0, 2211 = = 0, = 1, 39% Standardabweichung der täglichen Portfoliowertänderung beträgt 1,39 Prozent von 10 Mio. e( e) Sandra Radl Value at Risk / 31
19 Lineares Modell - Beispiel (Ein-Asset-Fall) Annahmen: erwartete Wertänderung beträgt 0, Wertänderung normalverteilt N( 2, 33) = 0, 01 Wert der Erste Bank Aktie sinkt innerhalb eines Tages zu 99% nicht um mehr als das 2,33-fache der Standardabweichung Sandra Radl Value at Risk / 31
20 Lineares Modell - Beispiel (Ein-Asset-Fall) Annahmen: erwartete Wertänderung beträgt 0, Wertänderung normalverteilt N( 2, 33) = 0, 01 Wert der Erste Bank Aktie sinkt innerhalb eines Tages zu 99% nicht um mehr als das 2,33-fache der Standardabweichung Eintages-VaR: 2, = , 22Euro 5 TagesVaR = Eintages VaR 5 = , 22 5 = , 67 Sandra Radl Value at Risk / 31
21 Lineares Modell - Beispiel (Zwei-Asset-Fall) Portfolio bestehend aus 10 Mio. Euro in Erste Group Bank Aktien (σ Tag = 1, 39%) und 5 Mio. Euro in RBI Aktien (σ Tag = 1, 87%) Wertänderungen zweidimensional normalverteilt Korrelationskoeffizient ρ = 0, 4 σ X +Y = σ 2 X + σ2 Y + 2ρσ X σ Y Sandra Radl Value at Risk / 31
22 Lineares Modell - Beispiel (Zwei-Asset-Fall) Portfolio bestehend aus 10 Mio. Euro in Erste Group Bank Aktien (σ Tag = 1, 39%) und 5 Mio. Euro in RBI Aktien (σ Tag = 1, 87%) Wertänderungen zweidimensional normalverteilt Korrelationskoeffizient ρ = 0, 4 σ X +Y = σ 2 X + σ2 Y + 2ρσ X σ Y σ E+R = σ E = σ R = σ 2 E + σ2 R + 2ρσ E σ R = , = , 77 Sandra Radl Value at Risk / 31
23 Lineares Modell - Beispiel (Zwei-Asset-Fall) Der 5-Tages-Value at Risk zu einem Konfidenzniveau von 99 % beträgt 2, , 77 5 = , 37Euro Sandra Radl Value at Risk / 31
24 Diversifikationseffekt 5-Tages-VaR eines Portfolios von 10 Mio. Euro in Erste Group Bank Aktien zu einem Konfidenzniveau von 99 %: ,67 e 5-Tages-VaR eines Portfolios von 5 Mio. Euro in RBI Aktien zu einem Konfidenzniveau von 99 %: ,41 e 5-Tages-Value at Risk eines Portfolios von 10 Mio. Euro in Erste Group Bank Aktien und 5 Mio. Euro in RBI Aktien zu einem Konfidenzniveau von 99 %: ,37 e monetärer Nutzen der Diversifikation: ( , , 41) , 37 = , 71Euro Sandra Radl Value at Risk / 31
25 Diversifikationseffekt ρ = 1 keine Diversifikation je näher ρ bei -1 liegt, desto stärker ist der Effekt der Diversifikation Sandra Radl Value at Risk / 31
26 Diversifikationseffekt ρ = 1 keine Diversifikation je näher ρ bei -1 liegt, desto stärker ist der Effekt der Diversifikation Risiko wird minimiert, Rendite bleibt gleich höhere Rendite pro Einheit an eingegangenem Risiko Sandra Radl Value at Risk / 31
27 Diversifikationseffekt ρ = 1 keine Diversifikation je näher ρ bei -1 liegt, desto stärker ist der Effekt der Diversifikation Risiko wird minimiert, Rendite bleibt gleich höhere Rendite pro Einheit an eingegangenem Risiko Harry Markowitz ( Portfolio Selection 1992, Wirtschaftsnobelpreis 1990) Sandra Radl Value at Risk / 31
28 Allgemeine Formulierung des linearen Modells P...Wert des Portfolio, bestehend aus n Assets in Asset i (1 < i < n) wurde der Betrag α i angelegt x i...rendite des i-ten Assets an einem Tag P = n α i x i i=1 Annahme: x i mehrdimensional normalverteilt mit Erwartungswert null P normalverteilt mit Erwartungswert null σ i...tägliche Volatilität des i-ten Assets (Standardabweichung von x i ) ρ ij...korrelationskoeffizient zwischen den Renditen von Asset i und Asset j Sandra Radl Value at Risk / 31
29 Allgemeine Formulierung des linearen Modells σ 2 P = σ 2 P = n n ρ ij α i α j σ i σ j i=1 j=1 n αi 2 σi i=1 i=1 j<i n ρ ij α i α j σ i σ j Sandra Radl Value at Risk / 31
30 Anwendung des linearen Modells am Besten geeignet für Portfolios, welche ausschließlich Aktien, Anleihen, Währungen und Rohstoffe beinhalten (Änderung des Portfoliowertes hängt linear von der prozentualen Änderung der Assets abhängt) Sandra Radl Value at Risk / 31
31 Anwendung des linearen Modells am Besten geeignet für Portfolios, welche ausschließlich Aktien, Anleihen, Währungen und Rohstoffe beinhalten (Änderung des Portfoliowertes hängt linear von der prozentualen Änderung der Assets abhängt) Forward-Kontrakt zum Kauf einer Währung mit Laufzeit T: Forward Kontrakt...Vereinbarung, ein gewisses Gut zu einem bestimmten Zeitpunkt und einem im Vorhinein vereinbarten Kurs zu kaufen beziehungsweise zu verkaufen Kann als Austausch von eines Zerobonds mit Laufzeit T in Fremdwährung gegen einen Zerobond mit Laufzeit T in inländischer Währung betrachtet werden (also Long-Position in einer Fremdwährungsanleihe + Short-Position in einer inländischen Anleihe) Sandra Radl Value at Risk / 31
32 Optionen im linearen Modell Delta...Sensitivität des Portfoliowerts gegenüber der Aktienpreisänderung δ : = P S P = δ S x : = S S P = S δ x n P = S i δ i x i i=1 α i : = S i δi n P = α i x i kann auf allgemeine Formulierung zurückgeführt werden i=1 Sandra Radl Value at Risk / 31
33 geht man bei positivem (negativen) Gamma dennoch von Normalverteilung aus, so ist berechneter VaR ist tendenziell zu hoch (niedrig) Sandra Radl Value at Risk / 31 quadratisches Modell lineares Modell liefert im Falle eines Portfolios mit Optionen nur eine Approximation des Value at Risks, da das Gamma der Option (Sensitivität des Portfolio-Deltas gegenüber dem Assetpreis) nicht berücksichtigt wird γ beeinflusst Portfoliowert-Wahrscheinlichkeitsverteilung: Abbildung: Portfoliowert-Wahrscheinlichkeitsverteilung für (a) positives Gamma (b) negatives Gamma
34 Abbildung: Wahrscheinlichkeitsverteilung eines Long Calls bei normalverteiltem Underlying Sandra Radl Value at Risk / 31 Rechtsschiefheit der Wahrscheinlichkeitsverteilung bei positivem Gamma Zusammenhang zwischen dem Wert einer Longposition in einer Kaufoption (positives Gamma) und dem zugrundeliegenden, normalverteilten Underlying
35 quadratisches Modell neben Delta wird auch Gamma berücksichtigt P = δ S γ ( S)2 x : = S S P = S δ x S 2 γ ( x) 2 Sandra Radl Value at Risk / 31
36 quadratisches Modell neben Delta wird auch Gamma berücksichtigt P = δ S γ ( S)2 x : = S S P = S δ x S 2 γ ( x) 2 hängt Portfolio von n Marktvariablen ab, wobei jedes Asset des Portfolios nur von einer Markvariable abhängt, folgt daraus P = n S i δ i x i + i=1 n i=1 1 2 S 2 i γ i ( x i ) 2 Sandra Radl Value at Risk / 31
37 quadratisches Modell kann ein Asset des Portfolios auch von mehreren Marktvariablen abhängen, so gilt die allgemeinere Formel P = n S i δ i x i + i=1 n n i=1 i=1 1 2 S i S j γ ij x i x j wobei γ ij = 2 P S i S j für das so genannte Cross Gamma steht Sandra Radl Value at Risk / 31
38 quadratisches Modell kann ein Asset des Portfolios auch von mehreren Marktvariablen abhängen, so gilt die allgemeinere Formel P = n S i δ i x i + i=1 n n i=1 i=1 1 2 S i S j γ ij x i x j wobei γ ij = 2 P S i S j für das so genannte Cross Gamma steht kann zur Berechnung der Momente von P benutzt werden mittels Cornish-Fisher-Entwicklung kann über Momente das Quantil berechnet werden Sandra Radl Value at Risk / 31
39 Monte-Carlo-Simulation 1 Portfolio wird unter Verwendung der gegenwärtigen Werte der Marktvariablen bewertet Sandra Radl Value at Risk / 31
40 Monte-Carlo-Simulation 1 Portfolio wird unter Verwendung der gegenwärtigen Werte der Marktvariablen bewertet 2 Ziehung eines Zufallsergebnisses aus der mehrdimensionalen Normalverteilung der x i Sandra Radl Value at Risk / 31
41 Monte-Carlo-Simulation 1 Portfolio wird unter Verwendung der gegenwärtigen Werte der Marktvariablen bewertet 2 Ziehung eines Zufallsergebnisses aus der mehrdimensionalen Normalverteilung der x i 3 gezogenen Zufallswerte werden zur Bestimmung aller Marktvariablenwerte benutzt 4 Portfolio wird auf Grundlage dieser Marktvariablen neu bewertet 5 Differenz des Portfoliowerts im ersten Schritt und im vierten Schritt ergibt möglichen Wert für P Sandra Radl Value at Risk / 31
42 Monte-Carlo-Simulation 1 Portfolio wird unter Verwendung der gegenwärtigen Werte der Marktvariablen bewertet 2 Ziehung eines Zufallsergebnisses aus der mehrdimensionalen Normalverteilung der x i 3 gezogenen Zufallswerte werden zur Bestimmung aller Marktvariablenwerte benutzt 4 Portfolio wird auf Grundlage dieser Marktvariablen neu bewertet 5 Differenz des Portfoliowerts im ersten Schritt und im vierten Schritt ergibt möglichen Wert für P 6 Die Schritte 2 bis 5 werden mehrfach wiederholt Wahrscheinlichkeitsverteilung von P wird erzeugt Nachteil: sehr aufwändig Sandra Radl Value at Risk / 31
43 Zusammenfassen von Marktvariablen Zusammenfassen von Marktvariablen Annahme: in der Renditkurve treten ausschließlich Parallelverschiebungen auf (nur eine Marktvariable muss definiert werden), sehr ungenau Sandra Radl Value at Risk / 31
44 Zusammenfassen von Marktvariablen Zusammenfassen von Marktvariablen Annahme: in der Renditkurve treten ausschließlich Parallelverschiebungen auf (nur eine Marktvariable muss definiert werden), sehr ungenau Alternative: Verwendung der Preise der Zerobonds mit Standardlaufzeiten (1 Monat, 3 Monate, 6 Monate, 1 Jahr, 2 Jahre, 5 Jahre, 7 Jahre, 10 Jahre und 30 Jahre) als Marktvariablen um VaR eines Portfolios zu berechnen werden Cashflows der Wertpapiere des Portfolios analysiert und passenden standardisierten Zerobonds zugeordnet. Sandra Radl Value at Risk / 31
45 Stress Testing und Back Testing Stress Testing und Back Testing Stress Testing Erstellung von Schätzungen, wie sich das Portfolio bei den extremsten Marktbewegungen der letzten 10 bis 20 Jahren bzw. von Unternehmensführung vorgegebenen Szenarien verhalten würde z.b.: prozentuale Änderung der Marktvariablen in Großbritannien am 10. April 1992 (Rendite für zehnjährige Anleihen bewegte sich um 7,7 Standardabweichungen) Sandra Radl Value at Risk / 31
46 Stress Testing und Back Testing Stress Testing und Back Testing Stress Testing Erstellung von Schätzungen, wie sich das Portfolio bei den extremsten Marktbewegungen der letzten 10 bis 20 Jahren bzw. von Unternehmensführung vorgegebenen Szenarien verhalten würde z.b.: prozentuale Änderung der Marktvariablen in Großbritannien am 10. April 1992 (Rendite für zehnjährige Anleihen bewegte sich um 7,7 Standardabweichungen) Back Testing Überprüfung, wie gut unsere Value at Risk Schätzer in der Vergangenheit waren Sandra Radl Value at Risk / 31
47 Kritik Kritik keine Berücksichtigung des erwarteten Verlusts im (100-X) %-Quantil Abbildung: Verlustverteilungsfunktion von Portfolio A Abbildung: Verlustverteilungsfunktion von Portfolio B Sandra Radl Value at Risk / 31
48 Kritik Kritik keine Berücksichtigung des erwarteten Verlusts im (100-X) %-Quantil Abbildung: Verlustverteilungsfunktion Abbildung: Verlustverteilungsfunktion von Portfolio A von Portfolio B Portfolio A und B haben den selben VaR, dennoch ist B um einiges riskanter (zu erwartende Verlust im (100-X)% Quantil der Wertänderungsverteilungsfunktion ist wesentlich höher) Sandra Radl Value at Risk / 31
49 Kritik Expected Shortfall Conditional Value at Risk (C-VaR), Tail Loss Mit welchem Verlust kann ich rechnen, wenn der Fall eintritt, dass der Verlust den Value at Risk überschreitet? Abbildung: Expected Shortfall Sandra Radl Value at Risk / 31
50 Kritik Quelle Hull, John C. Optionen, Futures und andere Derivate München: Pearson Studium, 2009 Sandra Radl Value at Risk / 31
Value at Risk. Seminararbeit. vorgelegt am 27. Februar 2018
Value at Risk Seminararbeit vorgelegt am 27. Februar 2018 ausgefu hrt am Institut fu r Finanz- und Versicherungsmathematik der technischen Universita t Wien Name: Matrikelnummer: Betreuer: Sandra Radl
MehrAls Management Tool: zur Bestimmung der Risiken, die unterschiedliche Einheiten einer Firma eingehen dürfen.
Verwendungszweck von Risikomanagement: Bestimmung der Mindestkapitalanforderungen: Kapital, das benötigt wird um event. Verluste abzudecken. Als Management Tool: zur Bestimmung der Risiken, die unterschiedliche
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
MehrInterne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz
Prüfungskolloquium SAV Prüfungskolloquium SAV Interne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz Biel, Biel, 23.11.2006 23.11.2006 Sandra Sandra Fehlmann Fehlmann Agenda Historischer
MehrNachteile: STD existiert nur für Verteilungen mit E(FL 2 ) <, d.h. nicht ansetzbar bei leptokurtischen ( fat tailed ) Verlustverteilungen;
Risikomaße basierend auf die Verlustverteilung Sei F L := F Ln+1 die Verteilung der Verlust L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
MehrPortfoliotheorie, Risikomanagenient und die Bewertung von Derivaten
Jürgen Kremer Portfoliotheorie, Risikomanagenient und die Bewertung von Derivaten Zweite, vollständig überarbeitete und erweiterte Auflage 45J Springer Inhaltsverzeichnis Teill Ein-Perioden- Wertpapiermärkte
MehrValue at Risk Einführung
Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover
MehrInhaltsverzeichnis. Teil I
Inhaltsverzeichnis Teil I Ein-Perioden-Wertpapiermärkte 3 1.1 Ein-Perioden-Modelle 4 1.2 Portfolios 7 1.3 Optionen und Forward-Kontrakte 9 1.3.1 Optionen 10 1.3.2 Forward-Kontrakte 12 1.4 Die Bewertung
MehrAsset-Liability-Modell einer Lebensversicherung
Asset-Liability-Modell einer Lebensversicherung Umsetzung eines Bewertungsmodells Seminar Finanzmarktmodelle in der Lebensversicherung betreut von Dr. Zoran Nikolic und Dr. Tamino Meyhöfer Max Gripp, Tanja
MehrBewertung Strukturierter Produkte mittels Value-at-Risk
Bewertung Strukturierter Produkte mittels Value-at-Risk Bachelorarbeit in Banking & Finance am Institut für schweizerisches Bankwesen der Universität Zürich bei Prof. Dr. R. Volkart Verfasser: Matthias
MehrLösungshinweiseshinweise zur Einsendearbeit 2 zum Kurs 41520, Banken und Börsen, SS 2008
1 Lösungshinweise zur Einsendearbeit 2: SS 2008 Banken und Börsen, Kurs 41520 Aufgabe 1: Value at Risk a) Die UNIVERSALBANK möchte den Value at Risk als Risikokennzahl zur Messung bankspezifischer Risiken
MehrProblem aller bisheriger Methoden: Ergebnis ist nur so gut wie das Modell selbst.
2.7 Validierung durch Backtesting Problem aller bisheriger Methoden: Ergebnis ist nur so gut wie das Modell selbst. Modell besteht im Wesentlichen aus zwei Faktoren: 1. Einflussgrößen 2. Modellierungsalgorithmus
MehrPrüfungskommission. für Wirtschaftsprüfer. Wirtschaftsprüfungsexamen gemäß 5-14 a WPO
Prüfungskommission für Wirtschaftsprüfer Wirtschaftsprüfungsexamen gemäß 5-14 a WPO 1. Aufsichtsarbeit aus dem Gebiet Angewandte Betriebswirtschaftslehre, Volkswirtschaftslehre 2. Halbjahr 2012 Termin:
MehrU N I V E R S I T Ä T S I E G E N Prüfungsamt Fachbereich Wirtschaftswissenschaften
Diplomprüfung Matrikel-Nr.: Prüfungsfach: Finanz- und Bankmanagement Erstprüfer: Prof. Dr. Wiedemann Zweitprüfer: Prof. Dr. Rieper Erlaubte Hilfsmittel: netzunabhängiger, nichtprogrammierbarer Taschenrechner
Mehrbav Risikomanagement in der betrieblichen Altersversorgung FaRis & DAV Symposium, Köln, 14. Juni 2013
Risikomanagement in der betrieblichen Altersversorgung FaRis & DAV Symposium, Köln, 14. Juni 2013 3. Bewertung von biometrischen Risiken in der bav Fachhochschule Köln, Schmalenbach Institut für Wirtschaftswissenschaften
MehrBewertung von biometrischen Risiken in der bav
Bewertung von biometrischen Risiken in der bav Ralf Knobloch Fachhochschule Köln Gliederung 1. Biometrische Risiken in der bav 2. Das Modell 3. Risikomaße 4. Einfaches Beispiel 5. Schlussbemerkungen 2
MehrNikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen
Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen IGEL Verlag Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen 1.Auflage 2009 ISBN: 978 3 86815 358
MehrOptionspreistheorie Seminar Stochastische Unternehmensmodelle
Seminar Stochastische Unternehmensmodelle Lukasz Galecki Mathematisches Institut Universität zu Köln 1. Juni 2015 1 / 30 Inhaltsverzeichnis 1 Was ist eine Option? Definition einer Option Übersicht über
MehrBeispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.
Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,
MehrBerechnung MCR unter Solvency II
Berechnung MCR unter Solvency II Berechnung MCR unter Solvency II Die Wahl des richtigen Risikomaßes Sina Wiesinger 29. März 2018 Überblick 1 Einleitung 2 Grundlagen 3 Eigenschaften von Risikomaßen 4 Risikomaße
MehrGefährliche Wechselwirkung von Markt- und Kreditrisiko: Beispiel Fremdwährungskredite
Gefährliche Wechselwirkung von Markt- und Kreditrisiko: Beispiel Fremdwährungskredite Thomas Breuer Martin Jandačka Klaus Rheinberger Martin Summer PPE Research Centre, FH Vorarlberg, Austria Oesterreichische
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrKlausur zur Vorlesung Finanz- und Bankmanagement
Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz- und Bankwirtschaft [Aufkleber] Klausur zur Vorlesung Finanz- und Bankmanagement Prof. Dr. Marco Wilkens 07.02.2011 Bitte
MehrDie Messung des Zinsrisikos mit internen Modellen
Wirtschaft Dennis Kahlert Die Messung des Zinsrisikos mit internen Modellen Bachelorarbeit Bibliografische Information der Deutschen Nationalbibliothek: Bibliografische Information der Deutschen Nationalbibliothek:
MehrRisiko und Risikomanagement Hintergrund und Ziele
Risiko und Risikomanagement Hintergrund und Ziele Begriffsherkunft: Risicare: Gefahr laufen, wagen; Resecum: Felsklippe Risiko: die aus der Unvorhersagbarkeit der Zukunft resultierende Möglichkeit eines
MehrSemi-analytische CVA Berechnung
Semi-analytische CVA Berechnung Dr. Christian Bree PRMIA CVA Kongress, Köln, 20.07.2011 CVA zeitdiskret Unter der Annahme, dass der zukünftige Portfoliowert, die Diskontierungssätze und der Zeitpunkt des
MehrMessung von Zinsrisiken mit dem Value at Risk-Konzept (2) Prof. Dr. Arnd Wiedemann, Universität Siegen erschienen in: WISU 12/2002, S.
Messung von Zinsrisiken mit dem Value at Risk-Konzept () rof. Dr. Arnd Wiedemann, Universität Siegen erschienen in: WISU /00, S. 548-553 Teil () des Beitrags beschäftigte sich mit der Berechnung des Value
Mehr3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
MehrPortfoliotheorie, Risikomanagement und die Bewertung von Derivaten
Springer-Lehrbuch Portfoliotheorie, Risikomanagement und die Bewertung von Derivaten Bearbeitet von Jürgen Kremer 1. Auflage 2011. Taschenbuch. xvi, 471 S. Paperback ISBN 978 3 642 20867 6 Format (B x
MehrODAX Call / Put Open Interest Übersicht
ODAX Call / Put Open Interest Übersicht Alle Verfallsmonate 05.2017 -- 12.2021 23 Kalendertage bis kleiner Verfall (19.05.17) D Hedge S Fut. Basis Veränd. 26.04.17 25.04.17 24.04.17 21.04.17 20.04.17 19.04.17
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrODAX Call / Put Open Interest Übersicht
ODAX Call / Put Open Interest Übersicht Alle Verfallsmonate 05.2017 -- 12.2021 2 Kalendertage bis kl. Verfall Nur Frontmonat 05/2017 (bis 19.05.2017) D Hedge S Fut. Basis Veränd. 17.05.17 16.05.17 15.05.17
MehrODAX Call / Put Open Interest Übersicht
ODAX Call / Put Open Interest Übersicht Alle Verfallsmonate 05.2017 -- 12.2021 14 Kalendertage bis kl. Verfall Nur Frontmonat 05/2017 (bis 19.05.2017) D Hedge S Fut. Basis Veränd. 05.05.17 04.05.17 03.05.17
MehrCreditMetrics. Portfoliokreditrisiko Seminar. 10. Oktober Sebastian Sandner. Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim
CreditMetrics Portfoliokreditrisiko Seminar 10. Oktober 2007 Sebastian Sandner Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung
MehrPortfolio-Selektionstheorie grafisch und intuitiv mit GeoGebra
Portfolio-Selektionstheorie grafisch und intuitiv mit GeoGebra Lucia Del Chicca Markus Hohenwarter Seminar Mathematech, JKU 14 Mai 2015 Die Problemstellung Es ist allgemein bekannt, dass wenn wir ein bestimmtes
MehrDie Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation. Jens Schiborowski
Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation Jens Schiborowski Gliederung Einführung Monte-Carlo-Simulation Definition von Monte-Carlo-Simulation Einsatzgebiete von Monte-Carlo-Simulation
MehrSolvency II and Nested Simulations - a Least-Squares Monte Carlo Approach
Grafik and - a Least-Squares Monte Carlo Approach Khischgee Turbat Technische Universität Wien 17. Februar 2016 Grafik 1 2 3 4 Grafik 5 6 Inhalt Grafik Großprojekt der EU-Kommission gültig ab dem 1. Jänner
MehrEinführung in die Diskrete Finanzmathematik
Jürgen Kremer Einführung in die Diskrete Finanzmathematik Mit 37 Abbildungen /IS 4y Springer Ein-Perioden- Wertpapiermärkte 1 1.1 Portfolios 5 1.2 Optionen und Forward-Kontrakte 8 1.2.1 Optionen 8 1.2.2
MehrDas Black-Scholes-Merton Modell
Agenda Lehrstuhl für Volkswirtschaftstheorie Westfälische Wilhelms-Universität Münster May 12, 2006 Teil I Agenda 2 Zur Erinnerung Das Lemma von Ito Die vereinfachten Annahmen an den Finanzmarkt Teil II
MehrHistorische Renditen, Experteninterviews, Analyse von Marktpreisen
1 Portfoliotheorie 1.1 Grundlagen der Portfoliotheorie 1.1.1 Welche vier grundsätzlichen Anlageziele werden von Investoren verfolgt? Minimales Risiko Liquidation wenn nötig Hohe Rendite Gewinnmaximierung
MehrRisikomanagement: Hintergrund und Ziele
Risikomanagement: Hintergrund und Ziele Beispiel 1 Anfangskapital V 0 = 100 Spiel: man verliert oder gewinnt 50 mit Wahrsch. jeweils 1/2. Kapital nach dem Spiel V 1 = { 150 mit Wahrsch. 1/2 50 mit Wahrsch.
MehrKorrekturrand 1 / 3. Viel Erfolg!!! Klausur in Finanzmarkttheorie. Für die Korrektur. Frage 1: /15. Frage 2: /12. Frage 3: /12.
60 55 50 45 40 35 30 1 42 83 124 165 206 247 288 329 370 411 452 493 534 575 616 657 698 739 780 821 862 903 944 985 Klausur in Finanzmarkttheorie Datum: 23.03.2017 Uhrzeit:14.00 16.00 Dauer: 120 Min.
MehrKapitel 3 Versicherungsunternehmen und Altersvorsorge 47
Vorwort XV Kapitel 1 Einführung 1 1.1 RisikoundRenditeausInvestorensicht... 2 1.2 DieEffizienzlinie... 5 1.3 DasCapitalAssetPricingModel... 8 1.4 DieArbitragePricingTheory... 14 1.5 RisikoundRenditeausUnternehmenssicht...
MehrWie Derivate die Finanzwelt veränderten
Franz Reiter 16. Dezember 2016 Aufbau Grundlagen Exotische Optionen Capital Asset Pricing Model Black-Scholes-Formel Derivat Derivat ist ausgestelltes Recht zum Kauf bzw. Verkauf von bestimmten Basiswerten
MehrFinanzrisikomanagement
Peter Albrecht/Markus Huggenberger Finanzrisikomanagement Methoden zur Messung, Analyse und Steuerung finanzieller Risiken Korrekturhinweise Version vom 28. Mai 208 Abschnitt 2.6, S. 53 Abschließend erwähnt
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrInhaltsverzeichnis. 2 Portfoliotheorie Rendite und Risiko Die erwartete Rendite... 74
1 Ein-Perioden-Wertpapiermärkte........................... 1 1.1 Portfolios............................................... 5 1.2 Optionen und Forward-Kontrakte......................... 8 1.2.1 Optionen.........................................
MehrSensitivitätsfaktoren
Sensitivitätsfaktoren Überblick Sensitivitätsfaktoren zeigen die Änderungen des Optionspreises, wenn sich eine Einflussgröße ändert Sensitivitätsfaktoren werden mit einem Optionspreismodell errechnet Einflussgrößen:
MehrÜbungen zu Wahrscheinlichkeitstheorie Judith Kloas, Wolfgang Woess, Jonas Ziefle SS 2016
Übungen zu Wahrscheinlichkeitstheorie Judith Kloas, Wolfgang Woess, Jonas Ziefle SS 2016 43) [3 Punkte] Sei φ(t) die charakteristische Funktion der Verteilungsfunktion F (x). Zeigen Sie, dass für jedes
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
MehrQuantifizierung im Risikomanagement
Quantifizierung im Risikomanagement Grundlagen, Instrumente und Anwendungsbeispiele Prof. Dr. Bruno Brühwiler November 2016 1. Ausgangslage Im Business-Risikomanagement werden Eintrittswahrscheinlichkeiten
MehrHypothesenbewertungen: Übersicht
Hypothesenbewertungen: Übersicht Wie kann man Fehler einer Hypothese abschätzen? Wie kann man einschätzen, ob ein Algorithmus besser ist als ein anderer? Trainingsfehler, wirklicher Fehler Kreuzvalidierung
MehrSigmaDeWe Risikomanagement
Sie haben für Ihren liquiden Vermögensteil Ihren persönlichen risikoreichen Anteil bestimmt und sind aufgrund der Marktsignale mit Aktien oder ETFs in einem Markt investiert, der aktuell einen positiven
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
MehrWas ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005):
Was ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005): Credit risk is the risk that the value of a portfolio changes due to unexpected changes in the credit quality of issuers or trading partners.
MehrMaterialien zur Vorlesung. Portfolio-Selektion
Materialien zur Vorlesung Portfolio-Selektion Burkhard Erke Quellen: Schmidt/Terberger, Kap. 8; Brealey/Myers, Kap. 7/8 Juli 2002 Lernziele Diversifikation mindert das Risiko eines Portefeuilles Effiziente
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrKapitel 9: Rendite und Risiko Risiko = Chance. Die Rendite-Risiko Formel.
Kapitel 9: Rendite und Risiko Risiko = Chance. Die Rendite-Risiko Formel. Das Grundgesetz der Finanzanlage lautet: Je größer die Rendite, desto größer das Risiko. Der Grund besteht darin, dass der Investor
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrStatistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
MehrU N I V E R S I T Ä T S I E G E N Prüfungsamt Fachbereich Wirtschaftswissenschaften
Diplomprüfung Matrikel-Nr.: Prüfungsfach: Finanz- und Bankmanagement Erstprüfer: Wiedemann Zweitprüfer: Welter Erlaubte Hilfsmittel: netzunabhängiger, nichtprogrammierbarer Taschenrechner Der Aufgabentext
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre. Lösungshinweise zur Einsendearbeit 2 (WS 2010/2011)
Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, WS 010/011 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrInhaltsübersicht. Anhang C Anhang D Anhang E Anhang F Anhang G Anhang H Anhang I Anhang J
Inhaltsübersicht Vorwort Kapitel 1 Kapitel 2 Kapitel 3 Kapitel 4 Kapitel 5 Kapitel 6 Kapitel 7 Kapitel 8 Kapitel 9 Kapitel 10 Kapitel 11 Kapitel 12 Kapitel 13 Kapitel 14 Kapitel 15 Kapitel 16 Kapitel 17
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 12. Vorlesung Dr. Jochen Köhler 1 Aufbau der Vorlesung 2 Der Lebenszyklus eines Bauwerks 3 Der Lebenszyklus eines Bauwerks 4 Der Lebenszyklus eines Bauwerks 5
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrUniInstitutional EM Bonds 2016
Stand: 02.03.2012; Seite 1 von 6 Stammdaten Fondsart Rentenfonds Entwicklung VaR ex ante (99/63) in den letzten 12 Monaten ISIN Auflegungsdatum LU0482734919 15.02.2010 2,5 % Fondsvermögen [EUR] 403.202.294,78
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrKorrekturrand 1 / 3. Viel Erfolg!!! Klausur in Finanzmarkttheorie. Name: Matrikelnummer:
60 55 50 45 40 35 30 124 165 206 247 1 42 83 288 329 370 411 452 493 534 575 616 657 698 739 780 821 862 903 944 985 Klausur in Finanzmarkttheorie Datum: 24.09.2014 Uhrzeit:14.30 16.30 Dauer: 120 Min.
Mehreinfache Rendite 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110
Übungsbeispiele 1/6 1) Vervollständigen Sie folgende Tabelle: Nr. Aktie A Aktie B Schlusskurs in Schlusskurs in 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110 Arithmetisches Mittel Standardabweichung
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrUniInstitutional Global Corporate Bonds Short Duration
Stand: 02.07.2014; Seite 1 von 6 Stammdaten Fondsart Rentenfonds Entwicklung VaR ex ante (99/63) in den letzten 12 Monaten ISIN Auflegungsdatum LU1006579020 27.01.2014 3,5 % Fondsvermögen [EUR] 134.642.498,18
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
MehrInformationen zur SVSP Risikokennzahl
Informationen zur SVSP Risikokennzahl 1 Was bedeutet Value at Risk (VaR) Value at Risk (VaR) ist die in der Finanzbranche am weitesten verbreitete Methode um das Marktrisiko einer Investition abzuschätzen.
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrPrüfungsamt Fachbereich Wirtschaftswissenschaften
U N I V E R S I T Ä T S I E G E N Bachelor- und Diplomprüfung Matrikel-Nr.: Erstprüfer: Prof. Dr. Wiedemann Zweitprüfer: Prof. Dr. Moog Erlaubte Hilfsmittel: netzunabhängiger, nichtprogrammierbarer Taschenrechner
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
MehrThomas Thuspaß. Credit Spread Risiken: Messung und Integration. in Portfoliomodelle. Verlag Dr. Kovac
Thomas Thuspaß Credit Spread Risiken: Messung und Integration in Portfoliomodelle Verlag Dr. Kovac Hamburg 2014 XIII Geleitwort Vorwort V IX XIII 1 Einleitung 1 2 Risiken von Staats- und Unternehmensanleihen
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrSpezifische Information zu Flossbach von Storch - Global Quality-R
Spezifische Information zu Flossbach von Storch - Global Quality-R Zweck Diese Information bezieht sich auf die hier dargestellte spezifische Anlageoption und nicht auf das gesamte Versicherungsanlageprodukt.
MehrAbschlussklausur der Vorlesung Bank I, II:
Seite 1 von 18 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
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
1 Einfuhrung 1 1.1 Zum Risikobegriff 1 1.2 Geschichtliches 4 1.2.1 Frühe Geschichte der Risikoanalyse als Geschichte der Stochastik... 6 1.2.2 Entwicklungen im Finanz- und Versicherungswesen 7 1.3 Bedeutung
MehrThema 21: Risk Management mit Optionen, Futures, Forwards und Swaps
Thema 21: Risk Management mit Optionen, Futures, Forwards und Swaps Derivate Der Begriff Derivate kommt aus dem Lateinischen und heißt soviel wie abgeleitet. Derivate ist der Sammelbegriff für Optionen,
MehrDas empirische VaR bzw. CVaR
Das empirische VaR bzw. CVaR Sei x 1, x 2,..., x n eine Stichprobe der unabhängigen identischverteilten ZV X 1, X 2,..., X n mit Verteilungsfunktion F (Notation: Die ZV X 1, X 2,..., X n sind i.i.d. Empirische
Mehr6 Inhaltsverzeichnis
5 Inhalt Abkürzungsverzeichnis... 11 1 Das können Sie von diesem Buch erwarten... 13 2 Der Werdegang eines angehenden Options-Traders... 17 3 Mindestanforderungen... 19 3.1 Fachwissen 19 3.2 Der passende
Mehr