Was ist Kreditrisiko? Zitat von McNeil, Frey und Embrechts (2005):
|
|
- Ralph Feld
- vor 5 Jahren
- Abrufe
Transkript
1 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. This subsumes both losses due to defaults and losses caused by changes in credit quality such as the downgrading of a counterparty in an internal or external rating system Beispiele Kreditrisiko-behaftete Finanzinstrumente Portfolios von Unternehmensanleihen OTC ( over the counter ) Transaktionen Handel im Bereich der Kreditderivate 1
2 Kreditrisiko: ein einfaches Modell P: Portfolio von n risikoreichen Anleihen in der Höhe L i, i = 1,2,...,n. p i : Wahrscheinlichkeit, dass Kreditnehmer i zahlungsunfähig wird. 1 λ i : Anteil des Verlustes aus Anleihe i falls Kreditnehmer i zahlungsunfähig wird. λ i [0,1] heißt recovery rate von Anleihe i. Verlust in Falle von Zahlungsunfähigkeit ( loss-given-default ): LGD i = (1 λ i )L i Bernoulli ZV X i : Status des Kreditnehmers i zum Zeitpunkt T { 1 Kreditnehmer i ist zahlungsunfähig X i = 0 Kreditnehmer i ist nicht zahlungsunfähig Es gilt p i = P(X i = 1) Gesamtverlust zum Zeitpunkt T: n L = X i LGD i =. i=1 n X i (1 λ i )L i Verteilung von L hängt von der Gesamtverteilung von (X 1,...,X n,λ 1,...,λ n ) T ab. i=1 2
3 Das einfachste Modell: L i = L 1, i recovery rates sind deterministisch und λ i = λ 1, i X i sind i.i.d. mit Wahrscheinlichkeit p Dann gilt L = LGD 1 N mit N = n i=1 X i Binomial(n,p). Modelle mit latenten Variablen Die Kreditnehmer werden in m + 1 homogene Kategorien geteilt; alle Kreditnehmer einer Gruppe haben dieselbe Wahrscheinlichkeit zahlungsunfähig zu werden (default Wahrscheinlichkeit). Historische Beobachtungen der Anzahl der Kreditnehmer einer Kategorie, die Zahlungsunfähig werden = Schätzung der Default Wahrscheinlichkeit für Kreditnehmer der entsprechenden Kategorie. Status Variable S = (S 1,S 2,...,S n ), S i {0,1,...,m}, S i = 0 entspricht der Zahlungsunfähigkeit S i = j {1,2,...,m} entspricht den unterschiedlichen Einteilungskategorien, könnten zb. Rating Klassen sein. { 0 Si 0 Dann gilt X i = 1 S i = 0 3
4 S = (S 1,S 2,...,S n ) T wird mit Hilfe der latenten Variablen Y = (Y 1,Y 2,...,Y n ) T modelliert. Y i könnte zb. der Wert der Aktien von Kreditnehmer i. Seien d ij, i = 1,2,...,n, j = 0,1,...,m+1 Schwellwerte, sodass d i,0 = und d i,m+1 =. Dann gilt: S i = j Y i (d i,j,d i,j+1 ]. Sei F i die Verteilungsfunktion von Y i Default Wahrscheinlichkeit: p i = F i (d i,1 ). Wahrsch., dass die ersten k Kreditnehmer zahlungsunfähig werden: p 1,2,...,k = P(Y 1 d 1,1,Y 2 d 2,1,...,Y k d k,1 ) = C(F 1 (d 1,1 ),F 2 (d 2,1 ),...,F k (d k,1 ),1,1,...,1) = C(p 1,p 2,...,p k,1,...,1) D.h. die Gesamt-default-Wahrscheinlichkeit hängt wesentlich von der Copula C ab. 4
5 Das KMV Modell (siehe auch Die Status Variablen S = (S 1,S 2,...,S n ) können nur zwei Werte 0 und 1 annehmen, d.h. m = 1. Die latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit dem Wert der Aktien der jeweiligen Firmen folgendermaßen zusammen. Das Modell von Merton Die Bilanz jeder Firma besteht aus 2 Positionen: Aktiva (Aktien) und Passiva (Verbindlichkeiten bzw. Schulden und Eigenkapital bzw. Stammkapital). V A,i (T): Wert der Aktien der Firma i zum Zeitpunkt T K i := K i (T): Wert der Schulden der Firma i zum Zeitpunkt T V E,i (T): Wert des Stammkapitals der Firma i zum Zeitpunkt T Annahme: Zukünftiger Wert der Aktien wird als geometrische Brown sche Bewegung modelliert 5
6 V A,i (T) = V A,i (t)exp {( µ A,i σ2 A,i 2 ) (T t)+σ A,i (W i (T) W i (t)) µ A,i ist die Drift, σ A,i ist die Volatilität und (W i (t):0 t T) ist eine Standard Brown sche Bewegung (Wiener Prozess). D.h. (W i (T) W i (t)) N(0,T t). Daraus folgt lnv A,i (T) ( N(µ,σ ) 2 ) mit µ = lnv A,i (t)+ µ A,i σ2 A,i (T t) und σ 2 = σ 2 2 A,i (T t). Weiters gilt: X i = I (,Ki )(V A,i (T)) }, Setze Y i = W i(t) W i (t) T t N(0,1). Dann gilt: X i = I (,Ki )(V A,i (T)) = I (, DDi )(Y i ) wobei DD i = lnv A,i(t) lnk i +(µ A,i σ2 A,i)(T t) 2 (1) σ A,i T t DD i heißt distance-to-default. 6
7 Berechnung des distance to default Schwierigkeit: V A,i (t) kann nicht beobachtet werden Aber V E,i (t) kann beobachtet werden. KMVs Auffassung: Die Geldgeber besitzen die Firma solange die Schulden seitens der Stammkapitalbesitzer (Equity holders) nicht vollständig bezahlt werden V E,i (T) ist daher der Preis einer Call Option über die Aktien der Firma mit Strike Price den Buchwert der Schulden zum Zeitpunkt T: V E,i (T) = max{v A,i (T) K i,0} Aus der Black-Scholes Formula (Optionspreistheorie): wobei V E,i (t) = C(V A,i (t),r,σ A,i ) = V A,i (t)φ(e 1 ) K i e r(t t) φ(e 2 ) (2) e 1 = ln(v A,i(t) lnk i +(r +σa,i 2 /2)(T t) σ A,i (T t) und e 2 = e 1 σ A,i (T t) φ ist die Verteilungsfunktion der Standard Normalverteilung und r ist der risikofreie Zinssatz. 7
8 Im KMV Modell gilt weiters: σ E,i = g(v A,i (t),σ A,i,r) (3) Beobachtung/Schätzung von V E,i (t) bzw. σ E,i aus historischen Beobachtungen Einsetzen in (2) und (3) und Lösung des Gleichungssystems V E,i (t) = C(V A,i (t),r,σ A,i ) (4) σ E,i = g(v A,i (t),σ A,i,r) um V A,i (t) und σ A,i zu ermitteln Verwendung dieser Werte zur Berechnung von DD i aus (1). 8
9 Die erwartete Häufigkeit der Zahlungsunfähigkeit (expected default frequency, EDF) KMV Modell evaluiert nicht direkt die Default Wahrscheinlichkeit p i = P(Y i < DD i ) Ermittlung von Firmen die historisch gesehen je einen distance-todefault von ca. DD i hatten. Ermittlung der Häufigkeit von Zahlungsunfähigkeit für diese Firmen als Schätzer für die Default-Wahrscheinlichkeit p i. Dieser Schätzer wird expected default frequency, (EDF) genannt. Zusammenfassung des univariaten KMV Modells zur Berechnung der Default Wahrscheinlichkeit für eine Firma: Ermittlung des Aktienwertes V A,i und dessen Volatilität σ A,i mit Hilfe der Beobachtungen über Marktwert und Volatilität der Equities (V E,i bzw. σ E,i ) sowie der Schulden K i als Lösung des Gleichungssystems (4). Berechnung der distance-to-default DD i aus (1) Berechnung der Default-Wahrscheinlichkeiten p i mit Hilfe einer empirischen Verteilung, die den Zusammenhang zwischen Default-Wahrscheinlichkeit und distance-to-default modelliert (zb. mit Hilfe von EDF) 9
Was 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.
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.
MehrDie latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit dem Wert der Aktien der jeweiligen Firmen folgendermaßen zusammen.
Das KMV Modell (siehe auch www.moodyskmv.com) Die Status Variablen S = (S 1,S 2,...,S n ) können nur zwei Werte 0 und 1 annehmen, d.h. m = 1. Die latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit
MehrV A,i (T) = V A,i (t)exp µ A,i σ2 A,i 2. T t. ist die Volatilität.
Das multivariate KMV Modell: Berechnung von multivariaten Default Wahrscheinlichkeiten Seien (W j(t): 0 t T,) unabhängige Standard Brown sche Bewegungen, j = 1,2,...,m. Grundlegendes Modell: ( ) V A,i
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
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
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
MehrKreditrisikomanagement in Banken unter besonderer Berücksichtigung ausgewählter Kreditrisikomodelle
Technische Universität Ilmenau Fakultät für Wirtschaftswissenschaften Institut für Betriebswirtschaftslehre Fachgebiet Finanzwirtschaft/Investition Prof. Dr. R. Trost Kreditrisikomanagement in Banken unter
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
MehrSei θ i = ˆθ. Empirische Verleitungsfunktion von ˆθ(x 1,x 2,...,x n ): I [ θ i, ) Fˆθ für N. Fˆθ. 1, x(i) 2,..., x(i) n, 1 i N. N := 1 N.
Ein nicht-parametrisches Bootstrapping Verfahren zu Ermittlung von Konfidenzintervallen der Schätzer Seien die ZV X 1,X 2,...,X n i.i.d. mit Verteilungsfunktion F und sei x 1,x 2,...x n eine Stichprobe
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
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
MehrTheorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x).
Theorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x). 2. Wahrscheinlichkeit-Transformation: Sei Y eine Zufallsvariable
MehrDas Black-Scholes Modell
Vathani Arumugathas Das Black-Scholes Modell 1 Das Black-Scholes Modell Vathani Arumugathas Seminar zu Finanzmarktmodellen in der Lebensversicherung, Universität zu Köln 10. Juni 016 Inhaltsverzeichnis
MehrDefinition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : ) 1/γ. G γ,ν,β = 1 (1 + γ x ν β
Die POT Methode (Peaks over Threshold) Definition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : G γ (x) = { 1 (1 + γx) 1/γ für γ 0 1 exp{ x} für γ = 0 wobei x D(γ) D(γ) = { 0
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
MehrValue at Risk. Sandra Radl Sandra Radl Value at Risk / 31
Value at Risk Sandra Radl 24.01.2018 Sandra Radl Value at Risk 24.01.2018 1 / 31 Inhaltsverzeichnis 1 Definition Zeithorizont 2 Berechnungsmethoden Historische Simulation Lineares Modell Quadratisches
MehrBeispiel 6 (Multivariate Normalverteilung)
Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrRisk analysis and valuation of life insurance contracts: Combining actuarial and financial approaches
Risk analysis and valuation of life insurance contracts: Combining actuarial and financial approaches Mario Knoll 5. Dezember 2012 Inhalt Einführung Einführung Produktmerkmal: Zinsgarantien 2 Haupttypen:
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
MehrWas Aktuare über Abhängigkeit wissen sollten
08.05.2017 Renditen BASF BMW Renditen BASF Gold Was wir brauchen Zufallsvariable und Zufallsvektoren uni- und multivariate Verteilungen Abhängigkeitskennziffern Simulationsmethoden Copulamodelle Verteilungen
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
MehrKompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse
Kompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P.
MehrDer Entscheidungsträger wählt aus einer Menge von Alternativen, dem Aktionenraum A = {a 1, a 2, a m }.
1 Grundlagen Entscheidungstheorie: Der Entscheidungsträger wählt aus einer Menge von Alternativen, dem Aktionenraum A = {a 1, a 2, a m }. Annahmen: Der Entscheidungsträger ist gezwungen, eine der betrachteten
Mehr1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung.
1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung. Sei N eine zufällige Variable, ist ein Poisson-Verteilung mit Parameter λ definiert
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrRisikomanagement in Banken Dominik Zeillinger, Oktober 2016
Risikomanagement in Banken Dominik Zeillinger, Oktober 2016 Aufbau von Kreditzinsen Gewinn/Weitere Kosten ZKB / Aufschlag / Spread Standardstück- Kosten Liquiditäts-Kosten Liquiditätsrisiko Kreditzins
MehrEinführung in das Kreditportfoliorisiko TEIL II. 12. September 2007 Verena Arendt
Einführung in das Kreditportfoliorisiko TEIL II 12. September 2007 Verena Arendt 1 1. Einführung 2. Modelle 3. Parameter a. Expected Loss b. Unexpected Loss c. Loss Distribution 4. Basel II 5. Conclusion
MehrTheorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0.
Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Korollar 2 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss
MehrKreditrisikomodelle: Bewertung von Kreditderivaten und Portfoliomodelle zur Kreditrisikomessung
Dissertation zur Erlangung des Doktorgrades (rerum politicarum) ander Wissenschaftlichen Hochschule für Unternehmensführung - Otto-Beisheim-Hochschule - Vallendar Kreditrisikomodelle: Bewertung von Kreditderivaten
Mehrerwartete Häufigkeit n=80 davon 50% Frauen fe=40 davon 50% Männer fe=40 Abweichung der beobachteten von den erwarteten Häufigkeiten:
Verfahren zur Analyse von Nominaldaten Chi-Quadrat-Tests Vier-Felder Kontingenztafel Mehrfach gestufte Merkmale Cramers V, Kontingenzkoeffizient, Phi-Koeffizient Muster aller Chi-Quadrat-Verfahren eine
MehrVergleich der Portfoliomodelle I Seminar Portfoliokreditrisiko
Vergleich der Portfoliomodelle I Seminar Portfoliokreditrisiko Manuel Molitor Agenda 1. WEF Kritik 2. 3. vs 4. in 5. in 6. 2 Eigenschaften Nur auf Ausfall-Ereignisse fokussiert Ausfälle sind Poisson-Verteilt
MehrMultivariate Verteilungen und Copulas
Multivariate Verteilungen und Copulas Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j
MehrKlassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion. Für n 1 definiere S n := n
Klassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion F. Für n 1 definiere S n := n i=1 X i, M n := max{x i :1 i n} Frage: Welche sind die möglichen (nicht
MehrCommercial Banking. Kreditgeschäft. Gestaltung der Vertragsbeziehung: Sicherheiten, Kündigungsrechte, Relationship Banking,...
Commercial Banking Kreditgeschäft Themen Rating, Ausfallrisiko erwarteter Verlust, unerwarteter Verlust, Pricing, Risikoabgeltung versus Kreditrationierung Gestaltung der Vertragsbeziehung: Sicherheiten,
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
MehrCERA - Klausur Quantitative Methoden des ERM
CERA - Klausur Quantitative Methoden des ERM 3.05.0 Hinweise: Als Hilfsmittel ist ein Taschenrechner zugelassen. Die Gesamtpunktzahl beträgt 0. Die Klausur ist bestanden, wenn mindestens 48 Punkte erreicht
MehrThomas Heidorn Christian Schäffler. Finanzmathematik. in der Bankpraxis. Vom Zins zur Option. 7. Auflage. ö Springer Gabler
Thomas Heidorn Christian Schäffler Finanzmathematik in der Bankpraxis Vom Zins zur Option 7. Auflage ö Springer Gabler Inhaltsverzeichnis 1 Grundlagen der Finanztheorie 3 1.1 Gegenwartswerte und Opportunitätskosten
MehrFinanzielles Risikomanagement
Tutorium Finanzielles Risikomanagement 10.07.2017 Nico Steyer Risikomanagement - Tutorium Folie 1 1. 10.07.2017 (16:00 17:30 Uhr): Grundlagen Value-at-Risk-Ansätze Kreditrisiken 2. 12.07.2017 (18:00 19:30
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:
Mehrf Z (z) = 0 sonst = 1
Lösungsvorschläge zu Blatt 8) Da das Teilchen sich mit konstanter Winkelgeschwindigkeit bewegt und zufällig gestoppt wird und da Z und Z + kπ, k Z, das gleiche X liefern, kann Z als eine auf [ π, π] gleichverteilte
Mehr2. Risikoparameter Ausfall, Verlustrate und Forderungshöhe bei Ausfall
2. Risikoparameter Ausfall, Verlustrate und Forderungshöhe bei Ausfall Kreditrisiko bezeichnet das Risiko, dass sich der Wert eines Kreditportfolios wegen unerwarteter Veränderungen der Kreditqualität
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
Mehrx p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!
Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrFinanzmathematik in der Bankpraxis
Thomas Heidorn Finanzmathematik in der Bankpraxis Vom Zins zur Option 6., überarbeitete und erweiterte Auflage GABLER Inhaltsverzeichnis 1 Grundlagen der Finanztheorie 3 1.1 Gegenwartswerte und Opportunitätskosten
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
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.
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrFINANZMATHEMATIK. Toker Claudia, Hackner Denise
FINANZMATHEMATIK Toker Claudia, Hackner Denise AKTIEN Aktien Ökonomische Grundlagen Graphische Darstellung von Aktienkursverläufen Aktienkurs und Aktienindex Die Rendite einer Aktie Statistik der Aktienmärkte
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrInhaltsverzeichnis. Teil I
Inhaltsverzeichnis Teil I Ein-Perioden-Wertpapiermärkte 3 1.1 Ein-Perioden-Modelle 4 1.2 Portfolios 7 1.3 Optionen und Forward-Kontrakte 9 1.3.1 Optionen 10 1.3.2 Forward-Kontrakte 12 1.4 Die Bewertung
MehrPortfoliotheorie, Risikomanagenient und die Bewertung von Derivaten
Jürgen Kremer Portfoliotheorie, Risikomanagenient und die Bewertung von Derivaten Zweite, vollständig überarbeitete und erweiterte Auflage 45J Springer Inhaltsverzeichnis Teill Ein-Perioden- Wertpapiermärkte
MehrW-Rechnung und Statistik für Ingenieure Übung 8
W-Rechnung und Statistik für Ingenieure Übung 8 Aufgabe 1 : Motivation Anhand von Daten soll eine Aussage über die voraussichtliche Verteilung zukünftiger Daten gemacht werden, z.b. die Wahrscheinlichkeit
MehrFinanzmathematik in der Bankpraxis
Finanzmathematik in der Bankpraxis Vom Zins zur Option Bearbeitet von Thomas Heidorn, Christian Schäffler 7. Auflage 2017. Buch. X, 330 S. Hardcover ISBN 978 3 658 13447 1 Format (B x L): 14,8 x 21 cm
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
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........................
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrModelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte. Normalverteilung N (µ, σ 2 ) mit Dichte
Statistik II für Wirtschaftswissenschaftler Folie 6.1 Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte I) Werte in (, ), Parameter µ (, ), σ 2 > 0 Normalverteilung
MehrSeminar "Quantitatives Risikomanagement"
Seminar "Quantitatives Risikomanagement" Kreditrisikomanagement I Tina Ruess Mathematisches Institut der Universität zu Köln Wintersemester 2009 Betreuung: Prof. Schmidli, J. Eisenberg Contents i Chapter
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Embrechts ETH Zürich Sommer 2015 Wahrscheinlichkeit und Statistik BSc D-INFK Name: Vorname: Stud. Nr.: Das Folgende bitte nicht ausfüllen! Aufg. Summe Kontr. Pkte.-Max. 1 10 2 10 3 10 4 10
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
MehrFinanzmathematik... was ist das?
Finanzmathematik... was ist das? The core of the subject matter of mathematical finance concerns questions of pricing of financial derivatives such as options and hedging covering oneself against all eventualities.
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
MehrGrundidee. χ 2 Tests. Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen. Grundidee. Annahme: Einfache Zufallsstichprobe (X 1,..., X n ).
Grundidee χ 2 -Anpassungstest χ 2 -Unabhängigkeitstest χ 2 -Homogenitätstest χ 2 Tests Grundidee Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen Annahme: Einfache Zufallsstichprobe (X 1,,
MehrRisikomanagement für Corporate Bonds
Reihe: Portfoliomanagement Band: 17 Hrsg.: Lutz Johanning, Raimond Maurer, Markus Rudolf 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrName: Aufgabe Summe. Maximale Rohpunktzahl
FernUniversität in Hagen Fakultät für Wirtschaftswissenschaft Matrikel-Nr.: Name: Vorname: Klausur: Kreditrisikomanagement Prüfer: Prof. Dr. Rainer Baule Semester: SS 2017 Termin: 07.09.2017, 09:00 11:00
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
MehrRisikomanagement an Landwirtschaftlichen Kreditkassen
Risikomanagement an Landwirtschaftlichen Kreditkassen Ergebnisse der 1. Projektetappe und Konzept für weiteres Vorgehen Ruedi Krummenacher suissemelio- Tagung vom 1.12.2009 in Olten 1 Definition Risikomanagement
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
MehrCase II: F is unknown Bootstrapping! The empirical distribution function of X i, 1 i n, is giben as. F n (x) = 1 n. For n large F n F holds.
Case II: F is unknown Bootstrapping! The empirical distribution function of X i, 1 i n, is giben as F n (x) = 1 n I [xi, )(x). n For n large F n F holds. i=1 Generate samples from F n be choosing n elementes
MehrBeurteilung der Bewertungsgrundsätze bezüglich Assets und Liabilities vor dem Hintergrund der aktuellen Finanzkrise
Beurteilung der Bewertungsgrundsätze bezüglich Assets und Liabilities vor dem Hintergrund der aktuellen Finanzkrise Andreas Würth Quantum Insurance Services Zürich 19. November 2009 1 / 26 2 / 26 Assets
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrParametrische und nichtparametrische Tests
XIII. Nichtparametrische Tests Seite 1 Parametrische und nichtparametrische Tests Parametrische Tests: Hier wird eine bestimmte Verteilung vorausgesetzt, und getestet, ob die gewählten Parameter passen.
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrAnhang Referenztabellen
Anhang Referenztabellen I n diesem Anhang finden Sie gebräuchliche Tabellen zur Ermittlung von Wahrscheinlichkeiten für drei wichtige Verteilungen: die Binomialverteilung, die Normalverteilung und die
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
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
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrMustererkennung. Bayes-Klassifikator. R. Neubecker, WS 2016 / Bayes-Klassifikator
Mustererkennung Bayes-Klassifikator R. Neubecker, WS 2016 / 2017 Bayes-Klassifikator 2 Kontext Ziel: Optimaler Klassifikator ( = minimaler Klassifikationsfehler), basierend auf Wahrscheinlichkeitsverteilungen
Mehr