Strukturerhaltende Integrationsverfahren für stochastische Differentialgleichungen in der Modellierung von Zinsderivaten
|
|
- Hartmut Roth
- vor 6 Jahren
- Abrufe
Transkript
1 Strukturerhaltende Integrationsverfahren für stochastische Differentialgleichungen in der Modellierung von Zinsderivaten Michael Günther, Christian Kahl und Thilo Roßberg Bergische Universität Wuppertal Lehrstuhl für Angewandte Mathematik / Numerische Analysis & ABN AMRO Financial Markets Quantitative Analysis Group, London
2 Inhalt Modellierung von Zinsderivaten Ein Beispiel: Zinsänderungsrisiko beim Hauskauf Libor-Market Modelle Positivitätserhaltende stochastische Integration Numerische Ergebnisse Ausblick
3 Modellierung von Zinsderivaten I
4 Modellierung von Zinsderivaten II ( Nullkouponanleihen: B(t, T ) =E exp [ T t ]) r τ dτ
5 Modellierung von Zinsderivaten II ( Nullkouponanleihen: B(t, T ) =E exp [ T t ]) r τ dτ Spotrate (EURIBOR, LIBOR,...): (1 + (T t)l(t, T ))B(t, T ) = 1 L(t, T ) = 1 B(t, T ) (T t)b(t, T )
6 Modellierung von Zinsderivaten II ( Nullkouponanleihen: B(t, T ) =E exp [ T t ]) r τ dτ Spotrate (EURIBOR, LIBOR,...): (1 + (T t)l(t, T ))B(t, T ) = 1 L(t, T ) = 1 B(t, T ) (T t)b(t, T ) Laufzeiten T 0 < T 1 <... < T N < T N+1 = T, δ k = T k+1 T k
7 Modellierung von Zinsderivaten II ( Nullkouponanleihen: B(t, T ) =E exp [ T t ]) r τ dτ Spotrate (EURIBOR, LIBOR,...): (1 + (T t)l(t, T ))B(t, T ) = 1 L(t, T ) = 1 B(t, T ) (T t)b(t, T ) Laufzeiten T 0 < T 1 <... < T N < T N+1 = T, δ k = T k+1 T k Forward-Zinssätze: (1 + δ k F k (t))/b(t, T k ) = 1/B(t, T k+1 ) F k (t) = 1 ( ) B(t, Tk ) δ k B(t, T k+1 ) 1, insb. F k (T k ) = L(T k, T k+1 )
8 Modellierung von Zinsderivaten II ( Nullkouponanleihen: B(t, T ) =E exp [ T t ]) r τ dτ Spotrate (EURIBOR, LIBOR,...): (1 + (T t)l(t, T ))B(t, T ) = 1 L(t, T ) = 1 B(t, T ) (T t)b(t, T ) Laufzeiten T 0 < T 1 <... < T N < T N+1 = T, δ k = T k+1 T k Forward-Zinssätze: (1 + δ k F k (t))/b(t, T k ) = 1/B(t, T k+1 ) F k (t) = 1 ( ) B(t, Tk ) δ k B(t, T k+1 ) 1, insb. F k (T k ) = L(T k, T k+1 ) Caplet Europäische Option auf Spotraten (EURIBOR) mit Auszahlungsfunktion C(T k ) = (L(T k, T k+1 ) K) + = (F k (T k ) K) +.
9 Inhalt Modellierung von Zinsderivaten Ein Beispiel: Zinsänderungsrisiko beim Hauskauf Libor-Market Modelle Positivitätserhaltende stochastische Integration Numerische Ergebnisse Ausblick
10 Ein Beispiel Zinsänderungsrisiko beim Hauskauf I Das Szenario Festdarlehen über EUR , ; Laufzeit: 30 Jahre; 360 nachschüssige Zinsraten K i zum Zeitpunkt T i = 1,..., 360 Monaten: K i = min(4.5%, 1.5% + F i 1 (T i 1 ) ); }{{} (1+δ i F i (t))=1/b(t i,t i+1 )
11 Ein Beispiel Zinsänderungsrisiko beim Hauskauf I Das Szenario Festdarlehen über EUR , ; Laufzeit: 30 Jahre; 360 nachschüssige Zinsraten K i zum Zeitpunkt T i = 1,..., 360 Monaten: K i = min(4.5%, 1.5% + F i 1 (T i 1 ) ); }{{} (1+δ i F i (t))=1/b(t i,t i+1 ) Absicherung gegen Zinsänderungsrisiko der maximale Zinssatz K i für die Zahlung im i-ten Monat soll 7 % betragen oder der maximale Zinssatz K i soll durch den rollierenden Durchschnitt der bisherigen Euribor-Zinssätze F i 1 (T i 1 ) begrenzt sein, d.h. durch ( { K i = min 4.5%, 1.5% + min F i 1 (T i 1 ), 1 i i j=1 }) F j 1 (T j 1 ).
12 Ein Beispiel Zinsänderungsrisiko beim Hauskauf II Absicherung gegen Zinsänderungsrisiko der maximale Zinssatz K i für die Zahlung im i-ten Monat soll 7 % betragen oder der maximale Zinssatz K i soll durch den rollierenden Durchschnitt der bisherigen Euribor-Zinssätze F i 1 (T i 1 ) begrenzt sein, d.h. durch ( { K i = min 4.5%, 1.5% + min F i 1 (T i 1 ), 1 i i j=1 }) F j 1 (T j 1 ).
13 Ein Beispiel Zinsänderungsrisiko beim Hauskauf II Absicherung gegen Zinsänderungsrisiko der maximale Zinssatz K i für die Zahlung im i-ten Monat soll 7 % betragen oder der maximale Zinssatz K i soll durch den rollierenden Durchschnitt der bisherigen Euribor-Zinssätze F i 1 (T i 1 ) begrenzt sein, d.h. durch ( { K i = min 4.5%, 1.5% + min F i 1 (T i 1 ), 1 i Fairer Preis für eine Zinsoption ( V (t, r, N, τ) = E Nτ = Nτ 360 i=1 360 i=1 i j=1 }) F j 1 (T j 1 ). B(t, T i ) (F i 1 (T i 1 ) K i ) + ) E ( B(t, T i ) (F i 1 (T i 1 ) K i ) +)
14 Inhalt Modellierung von Zinsderivaten Ein Beispiel: Zinsänderungsrisiko beim Hauskauf Libor-Market Modelle Positivitätserhaltende stochastische Integration Numerische Ergebnisse Ausblick
15 Libor-Market Modelle für Forward Rates Forderung an Modelle für Forward-Zinssätze: Arbitragefreiheit & Fit mit gemessenen Daten! Eine Möglichkeit: Libor-Market-Modelle mit stochastischer Volatilität df k (t) = σ k (t) V (t)f k (t) α k db T k+1 mit t < T k dv (t) = κ(ϑ V (t))dt + ɛv (t) β dz SDE nicht geschlossen lösbar Numerische Approximation nötig Ziel: Approximation soll Positivität erhalten!
16 Libor-Market Modelle für Forward Rates Forderung an Modelle für Forward-Zinssätze: Arbitragefreiheit & Fit mit gemessenen Daten! Eine Möglichkeit: Libor-Market-Modelle mit stochastischer Volatilität df k (t) = σ k (t) V (t)f k (t) α k db T k+1 mit t < T k dv (t) = κ(ϑ V (t))dt + ɛv (t) β dz SDE nicht geschlossen lösbar Numerische Approximation nötig Ziel: Approximation soll Positivität erhalten! { β > 1/2 F k > 0 für α k 1/2 V > 0 für β = 1/2 und κϑ > ε 2 /2 F k 0 für 0 < α k < 1/2 V 0 für β = 1/2 und κϑ ε 2 /2
17 Inhalt Modellierung von Zinsderivaten Ein Beispiel: Zinsänderungsrisiko beim Hauskauf Libor-Market Modelle Positivitätserhaltende stochastische Integration Numerische Ergebnisse Ausblick
18 Positivitätserhaltende stochastische Integration I dx t = a(x t )dt + b(x t )db t, X(0) = X 0 Numerische Approximation: X i X ti mit Schrittweiten h i :=: t i+1 t i Forderung: ( ) P ({X t > 0 t 0}) = 1 P ({X i+1 > 0 X i > 0}) = 1
19 Positivitätserhaltende stochastische Integration I dx t = a(x t )dt + b(x t )db t, X(0) = X 0 Numerische Approximation: X i X ti mit Schrittweiten h i :=: t i+1 t i Forderung: ( ) P ({X t > 0 t 0}) = 1 P ({X i+1 > 0 X i > 0}) = 1 Abschwächung: Fordere ( ) für Klasse von SDEs, etwa (positive) Mean-Reverting-Prozesse dx t = (α βx t )dt + σx p t db t, α, β, σ > 0 geometrische Brownsche Bewegung: α = 0, p = 1
20 Positivitätserhaltende stochastische Integration II Stochastisches Euler-Verfahren: / X i+1 = X i + h i a(x i ) + b(x i ) B i
21 Positivitätserhaltende stochastische Integration II Stochastisches Euler-Verfahren: / X i+1 = X i + h i a(x i ) + b(x i ) B i Balanced Implizites-(Euler)-Verfahren [Schurz 1996]: +/(+ ε ) X i+1 = X i + h i a(x i ) + b(x i ) B i + (X i X i+1 )C i (X i ) C i (X i ) = c 0 (X i )h i + c 1 (X i ) B i.
22 Positivitätserhaltende stochastische Integration II Stochastisches Euler-Verfahren: / X i+1 = X i + h i a(x i ) + b(x i ) B i Balanced Implizites-(Euler)-Verfahren [Schurz 1996]: +/(+ ε ) X i+1 = X i + h i a(x i ) + b(x i ) B i + (X i X i+1 )C i (X i ) C i (X i ) = c 0 (X i )h i + c 1 (X i ) B i. Milstein-Verfahren: (+ h )/ X i+1 = X i + h i a(x i ) + b(x i ) B i b(x i)b (X i )(( B i ) 2 h i )
23 Positivitätserhaltende stochastische Integration II Stochastisches Euler-Verfahren: / X i+1 = X i + h i a(x i ) + b(x i ) B i Balanced Implizites-(Euler)-Verfahren [Schurz 1996]: +/(+ ε ) X i+1 = X i + h i a(x i ) + b(x i ) B i + (X i X i+1 )C i (X i ) C i (X i ) = c 0 (X i )h i + c 1 (X i ) B i. Milstein-Verfahren: (+ h )/ X i+1 = X i + h i a(x i ) + b(x i ) B i b(x i)b (X i )(( B i ) 2 h i ) Drift-implizites Milstein-Verfahren: +/(+ h ) X i+1 = X i + h i a(x i+1 ) + b(x i ) B i b(x i)b (X i )(( B i ) 2 h i )
24 Inhalt Modellierung von Zinsderivaten Ein Beispiel: Zinsänderungsrisiko beim Hauskauf Libor-Market Modelle Positivitätserhaltende stochastische Integration Numerische Ergebnisse Ausblick
25 Numerische Testergebnisse: Preisen von Caplets Libor-Market Modell für Forward Rates (α = 1/2 bzw. α = 3/2) df k (t) = σ k (t) V (t)f k (t) α k db T k+1 mit t < T k Test auf schwache Konvergenz δk B(t, T k+1 )E [ (F k (T k ) K) +] δ }{{} k B(t, T k+1 )E [ (Fk N (T k ) K) +] C(t) Error vs. Computational time Error vs. Computational time Euler Milstein Log Euler Euler Milstein Log Euler 10 0 Error Error Time (seconds) Time (seconds)
26 Mean Reverting: dx t = (1 X t )dt X t db t, X 0 = 1 Euler BIM Milstein impl. Milstein Zeit Schrittweite Fehler Negativ Fehler Negativ Fehler Negativ Fehler Negativ t = % % % % T = 1 t = % % % % t = % % % % t = % % % % T = 2 t = % % % % t = % % % % t = % % % % T = 4 t = % % % % t = % % % %
27 Inhalt Modellierung von Zinsderivaten Ein Beispiel: Zinsänderungsrisiko beim Hauskauf Libor-Market Modelle Positivitätserhaltende stochastische Integration Numerische Ergebnisse Ausblick
28 Ausblick Mean-Reverting Prozesse & Balanced Milstein-Verfahren (BMM) dv (t) = κ(ϑ V (t))dt + ɛv (t) β dz BMM Milstein + Term: +d 0 (V i )h i + d 1 (V i )(( B i ) 2 h i ) mit d 0 (x) = ακ ɛ2 p x 2p 2, d 1 (x) = 0 und Schrittweitenbegrenzung h i < 2p 1 2pκ(1 α) Zwei-Faktoren Modelle (korreliert: db t dz t = ρdt): ds t = µ(t)s t dt + V p t db t dv t = a(v t )dt + b(v t )dz t Ziel: schnelles (hohe Ordnung) und strukturerhaltendes Verfahren aber: nur eine Simulation von db t und dz t, keine Doppelintegrale!
Euler-Approximation. Leonie van de Sandt. TU Dortmund Prof. Dr. Christine Müller. 5. Juni 2012
Euler-Approximation Leonie van de Sandt TU Dortmund Prof. Dr. Christine Müller 5. Juni 2012 Leonie van de Sandt (TU Dortmund) Euler-Approximation 5. Juni 2012 1 / 26 Inhaltsverzeichnis 1 Einleitung Leonie
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
MehrStrukturerhaltende Approximationen von Wurzel-Diffusionsgleichungen
Strukturerhaltende Approximationen von Wurzel-Diffusionsgleichungen Bachelorarbeit 2. September 211 vorgelegt von Kirsten Bernhard Geb. am: 7. August 1987 in: Frankfurt am Main Matrikelnummer: 36849 Studienrichtung:
MehrVorlesung im Rahmen des Studienschwerpunktes Finanzen. Derivate 1
Vorlesung im Rahmen des Studienschwerpunktes Finanzen Derivate 1 gelehrt von Prof. Dr. Christian Schlag und Dipl. Math. Angelika Esser Professur für Derivate und Financial Engineering Fachbereich Wirtschaftswissenschaften
MehrBewertung Amerikanischer Optionen mit stochastischer Volatilität
Bewertung Amerikanischer Optionen mit stochastischer Volatilität Mathias Weigler Universität zu Köln 1. Mai 2014 Ziel dieses Vortrags: Modellierung und Einführung in die Theorie der Optionspreisbewertung
MehrDifferentialgleichungen
Differentialgleichungen Viele physikalische Probleme können mathematisch als gewöhnliche Differentialgleichungen formuliert werden nur eine unabhängige Variable (meist t), z.b. Bewegungsgleichungen: gleichmäßig
Mehr- Numerik in der Physik - Simulationen, DGL und Co. Max Menzel
- Numerik in der Physik - Simulationen, DGL und Co. Max Menzel 4.1.2011 1 Übersicht Differenzialgleichungen? Was ist das? Wo gibt es das? Lösen von Differenzialgleichungen Analytisch Numerisch Anwendungen
MehrZinsratentheorie in der Versicherung
Zinsratentheorie in der Versicherung Julia Eisenberg 04.05.2010 Gliederung 1 Bewertung durch Diversifikation Gesetz der großen Zahl Zinssatz, Aufzinsungs- und Diskontierungsfaktoren Verluste und Äquivalenzprinzip
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
Mehr1D-Transportgleichung
Analytische Lösungen der Transportgleichung 1-Transportgleichung Wenn ein gelöster Stoff sich sowohl advektiv, als auch diffusiv in einer Flüssigkeit bewegt, dann gilt folgende Gleichung ( nc t + x x &
MehrITWM Workshopserie 2012: Mehrfaktor-Zinsmodelle und ihre Implementation
ITWM Workshopserie 2012: Mehrfaktor-Zinsmodelle und ihre Implementation Aspekte des 2-Faktor-Hull-White-Modells 8. November 2012 Inhalt Weshalb ein Mehrfaktor Modell? 2-Faktor-Modelle Das ursprüngliche
MehrZur Modellierung der Zinsdynamik wird ein verallgemeinertes Zwei-Faktor-Vasicek-Modell für die Entwicklung der risiko-neutralen Short-Rate
Seite 1 von 6 Disclaimer Das folgende Basismodell für die Simulation des Kapitalmarkts wurde im Auftrag der Altersvorsorge (PIA) vom Fraunhofer Institut für Techno- und Wirtschaftsmathematik (Fraunhofer
MehrTECHNISCHE UNIVERSITÄT BERLIN BACHELORARBEIT. Theorie und Simulation einer zweidimensionalen stochastischen Differentialgleichung.
TECHNISCHE UNIVERSITÄT BERLIN Fakultät II Institut für Mathematik BACHELORARBEIT im Studiengang Mathematik über das Thema Theorie und Simulation einer zweidimensionalen stochastischen Differentialgleichung
MehrStochastic Volatility and Jumps
Seminar SoSe 2010: Warum wir falsch liegen und trotzdem weitermachen Stochastic Volatility and Jumps Anja Kipke 28. Mai 2010 Betreuung: Rupert Hughes-Brandl, Ulrich Nögel Gliederung 1 2 3 4 5 Stochastic
MehrDiffusionsprozesse und lineare stochastische DGL
Diffusionsprozesse und lineare stochastische DGL Michele Bieber TU Dortmund - Fakultät Statistik 15. Mai 2012 Inhaltsverzeichnis 1 Einleitung 2 Diffusionsprozesse Stochastische DGL eines Diffusionsprozesses
MehrNumerik III trifft inverse Probleme
Numerik III trifft inverse Probleme Michael Hönig Heinrich-Heine-Universität Düsseldorf Bad Neuenahr-Ahrweiler, Juli 2009 Inverse Probleme Schließen von einer beobachteten Wirkung auf deren Ursache Beispiel:
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 204 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Gewöhnliche Differentialgleichungen Prof.
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
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
MehrEin-Faktor-Zinsmodelle
Ein-Faktor-Zinsmodelle M. Gruber 14. 05 2014 Zusammenfassung Beispiel mit Realdaten (Euro Libor overnight, Euribor 3 weeks), Vasicek-Modell mit Simulation, Cox-Ingersoll-Ross-Modell mit Simulation, Hull-White-Modell.
MehrStochastische Finanzmathematik I
Notizen zu der Vorlesung Stochastische Finanzmathemati I 1 Zum Ein-perioden-Modell 1.1 Beispiel: Zwei-wertiges Modell: π 0 = 1, S 0 =, { b Wahrs. p S 1 = a Wahrs. 1 p Arbitrage frei: Es gibt p 0, 1) mit
MehrEinige parametrische Familien für stochastische Prozesse
Technische Universität Dortmund Fakultät Statistik Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen Einige parametrische Familien für stochastische Prozesse Ausarbeitung Dozentin:
MehrLösung zu den Testaufgaben zur Mathematik für Chemiker II (Analysis)
Universität D U I S B U R G E S S E N Campus Essen, Mathematik PD Dr. L. Strüngmann Informationen zur Veranstaltung unter: http://www.uni-due.de/algebra-logic/struengmann.shtml SS 7 Lösung zu den Testaufgaben
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrModerne Finanztheorie in der Steuerlehre oder umgekehrt?
Moderne Finanztheorie in der Steuerlehre oder umgekehrt? Ein Beispiel aus der Erbschaftsteuer Prof. Dr. Markus Diller, Dipl.-Kfm. Thomas Späth Frühjahrstagung der Kommission Betriebswirtschaftliche Steuerlehre,
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrVDAX-NEW : Innovatives Indexkonzept und standardisierte Terminkontrakte erschließen eine neue Asset-Klasse
VDAX-NEW : Innovatives Indexkonzept und standardisierte Terminkontrakte erschließen eine neue Asset-Klasse Dr. Hartmut Graf Head of Section, Issuer Data & Analytics Frankfurt, 2. Februar 2006 Die Volatilitätsoberfläche:
MehrEinige parametrische Familien für stochastische Prozesse
Einige parametrische Familien für stochastische Prozesse Seminar: Grundlagen der und Statistik von dynamischen Systemen 26. November 2014 Inhaltsverzeichnis 1 Einleitung 2 3 4 5 Einleitung Ziel des Vortrages:
MehrProf. Dr. Georg Schlüchtermann Ludwig-Maximilians Universität München und Hochschule München
Finanzmärkte und Mathematik tik Prof. Dr. Georg Schlüchtermann Ludwig-Maximilians Universität München und Hochschule München Inhalt Bewertung von Finanzprodukten Welche mathematischen Modelle werden verwendet?
MehrTheorie der Wärme Musterlösung 11.
Theorie der Wärme Musterlösung. FS 05 Prof. Thomas Gehrmann Übung. Edelgas im Schwerefeld Berechne den Erwartungswert der Energie eines monoatomaren idealen Gases z. B. eines Edelgases in einem zylindrischen
MehrHerleitung der Porous Medium Equation mit Hilfe der Modellelierung durch interagierende Vielteilchensysteme
Herleitung der Porous Medium Equation mit Hilfe der Modellelierung durch interagierende Vielteilchensysteme Felix Lucka felix lucka@gmx.net 4. November 2008 Seminar Nichtlineare Diffusion WWU Münster WS08/09
MehrGrundlagen der Differentialrechnung: Anwendungsbeispiele aus Physik und Technik
Grundlagen der Differentialrechnung: Anwendungsbeispiele aus Physik und Technik István Pál Email: inpal@gmx.de 15. Okt. 2014 Gliederung Bekannte Grundbegriffe Geschichte der Differentialrechnung Anwendungsgebiete
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrBewertung von Finanzderivaten
Bewertung von Finanzderivaten am Beispiel von LIBOR Zinsmodellen Christian Fries 31.10.2003 www.christian-fries.de/finmath (Version 1.1 - Revision 2 (31.10.2003) - First Version 24.07.2003) 1 Modellierung
MehrReaktionskinetik. Maximilian Erlacher. Quelle: Mathematical Biology: I. An Introduction, Third Edition J.D. Murray Springer
Reaktionskinetik Maximilian Erlacher Quelle: Mathematical Biology: I. An Introduction, Third Edition J.D. Murray Springer Themen: 1 Basisenzymreaktion 2 Michaelis-Menten-Analyse 3 Selbstauslöschende Kinetik
Mehrdifferenzierbare Funktionen
Kapitel IV Differenzierbare Funktionen 18 Differenzierbarkeit und Rechenregeln für differenzierbare Funktionen 19 Mittelwertsätze der Differentialrechnung mit Anwendungen 20 Gleichmäßige Konvergenz von
MehrMolekulare Maschinen als Brownsche Motoren
Molekulare Maschinen als Brownsche Motoren Gernot Faulseit 10. Juli 2003 Power Stroke vs. Brownsche Ratsche 10. Juli 2003 Power Stroke vs. Brownsche Ratsche gängige Vorstellung bei der Muskelkontraktion:
MehrVorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
Univ. Leipzig Mathematisches Institut Vertretung Professur Stochastische Prozesse Max v. Renesse email: mrenesse@math.tu-berlin.de Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
MehrWechselkurse und Finanzmarkt-Indizes
8. Mai 2008 Inhaltsverzeichnis 1 Wechselkurse Einführung Wechselkurs US Dollar - Deutsche Mark Statistischer Prozess 2 Reinjektion Eigenschaften der Fluktuationen von x(τ) 3 Diffusion auf Finanzmärkten
Mehrvon Hans Rau-Bredow, Würzburg 1. Einführung
Heath, Jarrow, Morton Made Easy: Zur präferenzfreien Bewertung von Swaptions. Anmerkungen zu dem gleichnamigen Beitrag von Markus Rudolf, erschienen in: Finanzmarkt und Portfolio Management, 12. Jahrgang
MehrIntegral- und Differentialrechnungen für USW Lösungen der Beispiele des 10. Übungsblatts
Integral- und Differentialrechnungen für USW Lösungen der Beispiele des. Übungsblatts. Flächeninhalt unter einer Kurve: (a) Das bestimmte Integral von y(x) x zwischen x und x ist x dx x + + x ( ) x / (b)
MehrMaster Seminar Mathematik Monte-Carlo Integration. Stephan Napierala 06. Juli 2017
Master Seminar Mathematik Stephan Napierala 12 Inhaltsverzeichnis 1. Geschichtlicher Hintergrund 2. Stochastische Grundbegriffe 3. 4. Vorteile gegenüber anderen Verfahren 5. Konvergenzbeschleunigung Geschichtlicher
MehrSeite 1. sin 2 x dx. b) Berechnen Sie das Integral. e (t s)2 ds. (Nur Leibniz-Formel) c) Differenzieren Sie die Funktion f(t) = t. d dx ln(x + x3 ) dx
Seite Aufgabe : a Berechnen Sie das Integral b Berechnen Sie das Integral +x x+x dx. π sin x dx. c Differenzieren Sie die Funktion ft = t e t s ds. Nur Leibniz-Formel a + x x + x dx = d dx lnx + x dx =
Mehr1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differentialgleichungssysteme Prof. Dr. Wandinger
MehrEinführung in die Boltzmann-Gleichung. Flavius Guiaş Universität Dortmund
Einführung in die Boltzmann-Gleichung Flavius Guiaş Universität Dortmund Antrittsvorlesung, 19.04.2007 INHALT 1 Herleitung der Boltzmann-Gleichung 2 Boltzmann-Ungleichung und Maxwell-Verteilung 3 H-Theorem
MehrFokker-Planck Gleichung
Fokker-Planck Gleichung Max Haardt WWU Münster 21. November 2008 Inhalt 1 Einleitung Langevin Gleichung Fokker-Planck Gleichung 2 Herleitung Mastergleichung Kramers-Moyal Entwicklung Fokker-Planck Gleichung
Mehr1. Zeta-Funktion und Euler-Produkt
. Zeta-Funktion und Euler-Produkt. Zeta-Funktion und Euler-Produkt.. Die Riemannsche Zeta-Funktion ist für s C mit Re s > definiert durch ζ(s) := n= n s. Traditionell schreibt man s = σ + it mit σ, t R.
Mehr7 Der Satz von Girsanov
7 Der Satz von Girsanov Der Satz von Girsanov wird uns eine neue Perspektive auf die Rolle des Drifts liefern. Die Prozesse Brownsche Bewegung B t, Brownsche Bewegung mit Drift X t = B t + µt haben wir
Mehrd(x, z) = z x = y x + z y y x + z y = d(x, y) + d(y, z). d(x, y) = 0, falls x = y.
Metrische Räume K bezeichnet entweder den Körper R oder den Körper C. Genauer bedeutet dies: K wird in denjenigen Situationen verwendet, in denen die Ersetzung von K sowohl durch R als auch durch C einen
MehrItô s Lemma. Sandro Grunert. SS 09 Seminar Finanzmathematik Technische Universität Chemnitz. Kiyosi Itô
Itô s Lemma Sandro Grunert SS 9 Seminar Finanzmathematik Technische Universität Chemnitz Kiyosi Itô Quelle: www.math.ru/history/people/portrait/99.thumb.jpg. Kurzbiographie: Itô wurde am 7. September 1915
MehrDynamische Portfolio-Optimierung mit partieller Information und beschränktem Ausfallrisiko
1 / 36 Dynamische Portfolio-Optimierung mit partieller Information und beschränktem Ausfallrisiko Ralf Wunderlich Brandenburgische Technische Universität Cottbus gemeinsam mit Jörn Sass (TU Kaiserslautern)
MehrMaximum-Likelihood-Schätzung für das Black-Scholes-Mertonund das Cox-Ingersoll-Ross-Modell
Maximum-Likelihood-Schätzung für das Black-Scholes-Mertonund das Cox-Ingersoll-Ross-Modell Vortrag im Seminar Grundlagen der Simulation und Statistik von dynamischen Systemen Philipp Aschersleben Fakultät
MehrModellierung der Zinsstruktur mit Mehrfaktor Short-Rate Modellen
Masterarbeit Modellierung der Zinsstruktur mit Mehrfaktor Short-Rate Modellen Modelling of the termstructure by Multifactor Short-Rate Models Fachbereich 0 - Mathematik und Informatik Institut für Mathematische
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
Mehr= (1 τ ) + ()( ) τ = (1 τ) + 1 τ := 1 = (1 τ ) ()/ + ()( )/ := (1 τ) = () ()( ) { (1 τ ) + ( ) = α()( ) (1 τ ) + ( ) α()( ) < lifetime wealth 24 26 28 30 32 34 V (1 t)w ERA NRA SRA 55 56 57 58 59 60 61
MehrVorkurs Mathematik Übungsaufgaben. Dozent Dr. Arne Johannssen
Vorkurs Mathematik Übungsaufgaben 2 Dozent Dr. Arne Johannssen Lehrstuhl für Betriebswirtschaftslehre, insbesondere Mathematik und Statistik in den Wirtschaftswissenschaften Neues Logo: ie gesamte Universität
MehrOtto-von-Guericke-Universität Magdeburg. Studienarbeit. Simulation der Euler- und Milsteinapproximation
Otto-von-Guericke-Universität Magdeburg Studienarbeit Simulation der Euler- und Milsteinapproximation Anja Schulze 8. Oktober 22 Inhaltsverzeichnis 1 Einleitung 1 2 Ein spezieller zeitstetiger Prozess:
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrNumerik und Simulation in der Geoökologie
1/49 Rekapitulation Das Euler-Verfahren für ODE-IVP Eigenschaften von Einschrittverfahren Numerik und Simulation in der Geoökologie Sylvia Moenickes VL 2 WS 2007/2008 2/49 Rekapitulation Das Euler-Verfahren
MehrÜber short-rate Modelle zur Beschreibung von Rentenmärkten
Über short-rate Modelle zur Beschreibung von Rentenmärkten Diplomarbeit vorgelegt von Laura Maria Boven Betreuer: Privatdozent Dr. Volkert Paulsen Mathematisches Institut für Statistik Fachbereich - Mathematik
MehrVF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrHörsaalübung 2 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 2016/2017 Dr. Hanna Peywand Kiani Hörsaalübung 2 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Elementare Lösungsmethoden für
MehrZinssätze. Georg Wehowar. 4. Dezember 2007
4. Dezember 2007 Grundlagen der Zinsrechnung Verschiedene Anleihen Forward Rate Agreement Forward Zinsen Allgemeines Allgemeine Grundlagen K 0... Anfangskapital K t... Kapital nach einer Zeitspanne t Z
MehrKLAUSUR ZUR MATHEMATIK FÜR PHYSIKER MODUL MATHB
KLAUSUR ZUR ATHEATIK FÜR PHYSIKER ODUL ATHB In jeder Aufgabe können Punkte erreicht werden Es zählen die 9 bestbewerteten Aufgaben Die Klausur ist mit 45 Punkten bestanden Die Bearbeitungszeit beträgt
MehrMonte-Carlo-Simulation zur Optionsbewertung
Monte-Carlo-Simulation zur Optionsbewertung Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Bachelorthesis zur Erlangung des akademischen Grades Bachelor of Science vorgelegt von
MehrBewertung von Forwards, Futures und Optionen
Bewertung von Forwards, Futures und Optionen Olaf Leidinger 24. Juni 2009 Olaf Leidinger Futures und Optionen 2 24. Juni 2009 1 / 19 Überblick 1 Kurze Wiederholung Anleihen, Terminkontrakte 2 Ein einfaches
MehrNorm Kondtition. Norm und Kondition. Metin Tapirdamaz
29.04.2011 Inhaltsverzeichnis 1 Vektornorm Eigenschaften von Vektornormen Matrixnorm 2 Vektornorm Eigenschaften von Vektornormen Matrixnorm Vektornorm Eine definiert auf einem Vektorraum eine Längenfunktion.
MehrBlatt 1. Kinematik- Lösungsvorschlag
Fakultät für Physik der LMU München Lehrstuhl für Kosmologie, Prof. Dr. V. Mukhanov Übungen zu Klassischer Mechanik (T1) im SoSe 011 Blatt 1. Kinematik- Lösungsvorschlag Aufgabe 1.1. Schraubenlinie Die
MehrFinite Elemente Methode für elliptische Differentialgleichungen
Finite Elemente Methode für elliptische Differentialgleichungen Michael Pokojovy 8. Oktober 2007 Das Ritzsche Verfahren Sei R n ein beschränktes offenes Gebiet mit abschnittsweise glattem Rand S. Betrachte
MehrKonvergenz und Stetigkeit
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 12. Dezember 2007 Konvergenz Definition Fourierreihen Obertöne Geometrische Reihe Definition: Eine Funktion f : D R d heißt beschränkt, wenn
MehrLaplace-Transformation
Laplace-Transformation Gegeben: Funktion mit beschränktem Wachstum: x(t) Ke ct t [, ) Definition: Laplace-Transformation: X(s) = e st x(t) dt = L{x(t)} s C Re(s) >c Definition: Inverse Laplace-Transformation:
Mehr9. Die Laplace Transformation
H.J. Oberle Differentialgleichungen I WiSe 212/13 9. Die Laplace Transformation Die Laplace Transformation gehört zur Klasse der so genannten Integraltransformationen. Diese ordnen einer vorgegebenen Funktion
Mehr12.6 Aufgaben zur Laplace-Transformation
292 12. Aufgaben zu linearen Gleichungen 12.6 Aufgaben zur Laplace-Tranformation A B C D Man löe die folgenden Anfangwertprobleme durch Laplace-Tranformation: 1) ẍ ẋ x = ; x() = ẋ() = 1 2) x (3) 6ẍ + 12ẋ
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrTarget Volatility & Risk Control Indizes. Ulrich Stoof (Bloomberg LP) & Christian Menn (RIVACON & FH Mainz)
Target Volatility & Risk Control Indizes Ulrich Stoof (Bloomberg LP) & Christian Menn (RIVACON & FH Mainz) Agenda Einleitung/Motivation Der Risk Control Mechanismus Exkurs: Varianz- und Volatilitätsschätzer
Mehrtun, sondern nur mit der Reaktion auf verschiedene Anfangswerte.
2.3 Stabilität Eine wichtige Rolle spielt das Stabilitätsverhalten dynamischer Systeme. Wie üblich sei Φ die Fundamentalmatrix des linearen Systems ẋ = A(t)x + u. Im weiteren sei t fixiert, später wird
MehrD-ITET Analysis II FS 13 Prof. Horst Knörrer. Musterlösung 1. 3xy 2 = 2 x 2. y y. 3 y y. 3 x v x + v = 2 3 v v.
D-ITET Analysis II FS 3 Prof. Horst Knörrer Musterlösung. a) Es gilt: dy d 3 + y 3 3y 3 y + y 3. Dies ist eine homogene Differentialgleichung, das heisst y hängt nur von y ab. Setze v : y y() v() y v +
MehrDifferentialgleichungen und Hilberträume Sommersemester 2014 Übungsblatt 11
Institut für Analysis Prof. Dr. Wolfgang Reichel Dipl.-Math. Anton Verbitsky Aufgabe 1 Differentialgleichungen und Hilberträume Sommersemester 14 Übungsblatt 11 5 Punkte In dieser Aufgabe geht es um die
Mehr,Faltung. Heavisidefunktion σ (t), Diracimpuls δ (t) Anwendungen. 1) Rechteckimpuls. 2) Sprungfunktionen. 3) Schaltvorgänge
Heavisidefunktion σ (t), Diracimpuls δ (t),faltung Definition Heavisidefunktion, t > 0 σ ( t) = 0, t < 0 Anwendungen ) Rechteckimpuls, t < T r( t) = = σ ( t + T ) σ ( t T ) 0, t > T 2) Sprungfunktionen,
MehrAufgaben für die 14. Übung zur Vorlesung Mathematik 2 für Informatiker: Analysis Sommersemester 2010
Aufgaben für die 4. Übung zur Vorlesung Mathematik für Informatiker: Analysis Sommersemester 4. Bestimmen Sie den Flächeninhalt der dreiblättrigen Kleeblattkurve γ für ein Kleeblatt. Die Polarkoordinaten-
MehrHandy, Börse und Kristalle
Handy, Börse und Kristalle Neues aus der Welt der Analysis Seite 1 Handy, Börse und Kristalle Neues aus der Welt der Analysis Was empfängt ein Handy? Eine mathematische Lupe Ein Blick in die Börse... und
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
MehrLösungsvorschläge zu Blatt 1 1) ZV X := Produkt der Augenzahlen bei einem Wurf mit 2 Würfeln. des Produktes Wurfergebnis P (X = k) 1 (1, 1) 1/36
Lösungsvorschläge zu Blatt ) ZV X := Produkt der Augenzahlen bei einem Wurf mit Würfeln Mögl. Werte k des Produktes Wurfergebnis P X = k), ) /6, ),, ) /6, ),, ) /6, ),, ),, ) /6 5, 5), 5, ) /6 6, 6),,
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
MehrKonvergenz und Stetigkeit
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 10. Dezember 2008 Konvergenz Definition Fourierreihen Obertöne Geometrische Reihe Definition: Eine Funktion f : D R d heißt beschränkt, wenn
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester Musterlösung zu Blatt 10. f(z) f(z) dz
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6. MATHEMATIK Prof. Dr. Roland Speicher M.Sc. Tobias Mai Übungen zur Vorlesung Funktionentheorie Sommersemester 0 Musterlösung zu Blatt 0 Aufgabe. Berechnen Sie
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
MehrAnalysis II für M, LaG/M, Ph 12. Übungsblatt
Analysis II für M, La/M, Ph. Übungsblatt Fachbereich Mathematik WS / Prof. Dr. Christian Herrmann 8.. Vassilis regoriades Horst Heck ruppenübung Aufgabe. erechnen Sie das ebietsintegral sin (x y) d, wobei
MehrSkript zur Vorlesung: Numerik stochastischer Differentialgleichungen
Skript zur Vorlesung: Numerik stochastischer Differentialgleichungen Prof. Dr. P.E. Kloeden Fachbereich Mathematik Johann Wolfgang Goethe Universität Zimmer 11, Robert-Mayer-Straße 1 Telefon: 69) 798 28622
MehrTU-Berlin. An einem Wintertag begann es am Vormittag zu Schneien. Der Schnee fiel
Winterrätsel aus Übungsheft Gewöhnliche Differentialgleichungen Teil II TU-Berlin An einem Wintertag begann es am Vormittag zu Schneien. Der Schnee fiel gleichmäßig den ganzen, weiteren Tag über. Um Uhr
MehrHinreichende Bedingungen für Optimalsteuerungsprobleme mit nichtglatten Zuständen
Hinreichende Bedingungen für Optimalsteuerungsprobleme mit nichtglatten Zuständen Ricki Rosendahl Schwerpunkt Optimierung und Approximation Department Mathematik - Universität Hamburg Hamburg, 10. April
MehrÜbungen zu Meteorologische Modellierung Teil 'Grundlagen der Numerik'
Übungen zu Meteorologische Modellierung Teil 'Grundlagen der Numerik' 1. Diskretisierung in der Zeit: Die Evolutionsgleichung Kurzzusammenfassung Zur Erprobung der Verfahren zur zeitlichen Diskretisierung
MehrBrownsche Bewegung Seminar - Weiche Materie
Brownsche Bewegung Seminar - Weiche Materie Simon Schnyder 11. Februar 2008 Übersicht Abbildung: 3 Realisationen des Weges eines Brownschen Teilchens mit gl. Startort Struktur des Vortrags Brownsches Teilchen
MehrAnalysis II. 8. Klausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis II 8. Klausur mit en 1 2 Aufgabe 1. Definiere die folgenden kursiv gedruckten) Begriffe. 1) Eine Metrik auf einer Menge M. 2) Die Kurvenlänge
MehrMathematik und Computational Science in Regensburg
Mathematik und Computational Science in Regensburg Fakultät für Mathematik Oktober 2014 Wahlbereich Mathematik Pflichtveranstaltungen Analysis 1 Analysis 2 Analysis 3 (Maß- und Funktionentheorie) Lineare
Mehr