Kompaktskript zur Vorlesung Stochastische Risikoanalyse
|
|
- Walter Schmitz
- vor 8 Jahren
- Abrufe
Transkript
1 Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester 2013
2 Inhaltsverzeichnis 1 Grundlagen Zufallsvariablen als Träger des Risikos Grundlagen der Entscheidungstheorie Erwartungsnutzentheorie Duale Nutzentheorie Erwartungswert-Varianz-Prinzip Risikoaversion Das Newsvendor Modell Stochastische Dominanz Stochastische Dominanz 1. Ordnung Hazard-Rate-Ordnung Stochastische Dominanz 2. Ordnung Konvexe Dominanzbeziehungen Risikomaße Kohärente Risikomaße Kohärente Akzeptanzmenge Definition und Eigenschaften Value-at-Risk (VaR) Definition VaR für normalverteilte Zufallsvariablen VaR und Dominanzbeziehungen Conditional Value-at-Risk (CVaR) Definition Alternative Darstellung des CVaR I Alternative Darstellung des CVaR II Allgemeine Definition des CVaR CVaR für normalverteilte Zufallsvariablen CVaR als Entscheidungskriterium CVaR und stochastische Dominanz Spektrale Risikomaße Spektrale Risikomaße Newsvendor-Problem unter Verwendung spektraler Risikomaße Konvexe Risikomaße Kennziffern und Abhängigkeitsstrukturen von Renditeverteilungen Grundlagen Parametrische Verteilungen Multivariate Normalverteilung Elliptische Verteilungen Copulas
3 1 Grundlagen 1.1 Zufallsvariablen als Träger des Risikos Wahrscheinlichkeitsraum Sei Ω Ergebnismenge E P Ereignismenge mit folgenden Eigenschaften: a) Ω E b) E E Ω\E E c) E 1, E 2,... E E i E i Wahrscheinlichkeitsfunktion mit P: E [0, 1] und a) P (Ω) = 1 b) P ( E i ) = P (E i ), falls E i E j =, i j i i (Ω, E, P ) heißt Wahrscheinlichkeitsraum. Definition 1.1 Gegeben sei ein Wahrscheinlichkeitsraum (Ω, E,P ). Die Abbildung X : Ω R ω X(ω) heißt Zufallsvariable, falls für I R gilt {ω X(ω) I} E. Definition 1.2 Gegeben sei eine auf (Ω, E, P ) definierte Zufallsvariable X : Ω R. Für I R gilt Speziell gilt für x R P (X I) = P ({ω Ω X(ω) I}) =: P X (I) P (X = x) = P ({ω Ω X(ω) = x}) =: P X (x) P X heißt Verteilung der Zufallsvariable X. Verschiedene Zufallsvariablen können dieselbe Verteilung besitzen. Bedingte Erwartung Diskreter Fall: X, Y bedingte Verteilung von Y gegeben X = x P (Y = y X = x) = P (X = x, Y = y) P (X = x) 1
4 bedingter Erwartungswert von Y gegeben X = x E(Y X = x) = y y P (Y = y X = x) bedingte Erwartung E(Y X) E(Y X) ist Zufallsvariable mit den Werten E(Y X=x) und der Verteilung P(X=x) Stetiger Fall (X, Y ) mit gemeinsamer Dichte f(x, y) bedingte Dichte von Y gegeben X = x f(y x) := f(x, y) f 1 (x) mit f 1 (x) = f(x, y)dy bedingter Erwartungswert von Y gegeben X = x E(Y X = x) = yf(y x)dy E(Y X) ist Zufallsvariable mit Werten E(Y X = x) und der Dichte f 1 (x). Es gilt: E(E(Y X)) = E(Y ). Bedingter Erwartungswert für normalverteilte Zufallsvariablen Für X N(µ, σ 2 ) gilt ( ) a µ E(X X a) = µ + σ λ σ mit λ(z) = ϕ(z) Φ(z) wobei ϕ(z): Dichte der Standardnormalverteilung und Φ(z): Verteilungsfunktion der Standardnormalverteilung. 2
5 1.2 Grundlagen der Entscheidungstheorie Erwartungsnutzentheorie Die Zufallsvariable X wird durch den erwarteten Nutzen bewertet Axiome: Axiom 1: Es existiert eine Präferenzrelation auf der Menge X aller betrachteten Zufallsvariablen. Axiom 2: X, Y mit F X = F Y X Y Axiom 3: X,Y,Z mit X Y Z (d.h. F X F Y F Z ). Es existiert ein β [0, 1] mit βf X + (1 β)f Z F Y Axiom 4: X,Y,Z, α [0, 1] F X F Y αf X + (1 α)f z αf Y + (1 α)f Z Satz 1.1 Es gelten die 4 Axiome Es existiert eine monoton wachsende Funktion U mit X Y E(U(X)) E(U(Y )) EU(X) = E(U(X)) = E(U X) = U(x)dF X (x) = U(x)f X (x)dx im stetigen Fall = U(x i )P (X = x i ) im diskreten Fall i Duale Nutzentheorie Begriff der verallgemeinerten unteren Inversen Sei F eine Verteilungsfunktion. Axiome: F (α) := inf{x R F (x) α} (0 α 1) Axiom 1: Es existiert eine Präferenzrelation auf der Menge X aller betrachteten Zufallsvariablen. Axiom 2: X und Y mit F X = F Y X Y 3
6 Axiom 3: F X F Y X Y Axiom 4: X,Y,Z mit X Y Z. Es existiert ein β [0, 1] mit βf X + (1 β)f Z F Y. Axiom 5: X,Y,Z, α [0, 1] FX FY αfx + (1 α)fz αfy + (1 α)fz Satz 1.2 Es gelten die 5 Axiome X Y genau dann, wenn 1 1 FX(t)dv(t) FY (t)dv(t) 0 0 mit einer monoton wachsenden Funktion v : [0, 1] [0, 1] mit v(0) = 0 und v(1) = Erwartungswert-Varianz-Prinzip X Y E(X) av ar(x) E(Y ) av ar(y ), für ein a > Risikoaversion Risikoaversion liegt vor, falls E(X) X für alle X mit V ar(x) > 0. Risikoaversion in der Erwartungsnutzentheorie Risikoaversion liegt vor, falls E(X) X EU(X) < U(E(X)) für alle X. Definition 1.3 (Jensen sche Ungleichung) EU(X) U(E(X)) für alle X U konkav Risikoaversion liegt vor U ist monoton wachsend und konkav (U 0, U 0) Risikoaversion in der Dualen Theorie X Y 1 F X(t)dvt 1 F Y (t)dv(t) Risikoaversion liegt vor, wenn 0 0 v(t) t, t [0, 1] 4
7 1.3 Das Newsvendor Modell X zufällige Nachfrage y Bestellmenge (Entscheidungsvariable) c Einkaufspreis (Kosten) p Verkaufspreis z Rücknahmepreis Es gilt p > c > z 0. Gewinn bei Bestellmenge y: { px cy + z(y X) X < y g(y, X) = py cy X y Optimierungsproblem: = (p c)y (p z) max(y X, 0) max E(g(y, X)) y Lösung: y = { F 1 X ( ) p c p z kleinster Wert, so dass gilt: F X (y ) p c p z, falls F 1 X existiert, falls F X diskret Dual Sourcing Newsvendor-Modell c Kosten offshore (Einkaufspreis) c+d Kosten onshore (Einkaufspreis) y Bestellmenge bei offshore Anbieter Es gilt: 0 z < c < c + d p Gewinn bei Bestellmenge y: { px + z(y X) cy g(y, X) = px cy (c + d)(x y), falls y > X, falls X y Lösung: ( ) y = F 1 d X d + c z 2 Stochastische Dominanz Basisliteratur: Müller, A., D. Stoyan: Comparison methods for stochastic models and risks. Wiley, New York,
8 2.1 Stochastische Dominanz 1. Ordnung Definition 2.1 Seien X und Y Zufallsvariablen mit zugehöriger Verteilungsfunktion F X, F Y. X dominiert Y stochastisch erster Ordnung, falls gilt: i. Z. X 1 Y. F X (t) F Y (t) für alle t R Satz 2.1 Folgende Aussagen sind äquivalent: a) X 1 Y b) Es existieren Zufallsvariablen X : Ω R, Ŷ : Ω R, mit so dass gilt F X = F X, FŶ = F Y, X(ω) Ŷ (ω) für alle ω Ω. Satz 2.2 Es gilt X 1 Y E(f(X)) E(f(Y )) für alle monoton wachsenden Funktionen f. Insbesondere gilt a) X 1 Y E(X) E(Y ). b) Erwarteter Nutzen von X ist größer oder gleich dem erwarteten Nutzen von Y für alle Nutzenfunktionen. 2.2 Hazard-Rate-Ordnung Definition 2.2 X dominiert Y in der Hazard-Rate-Ordnung, i. Z. X hr Y, falls die Funktion monoton wachsend ist. Satz 2.3 t 1 F X(t) 1 F Y (t) X hr Y X 1 Y X hr Y (X X > t) 1 (Y Y > t) für alle t X hr Y (X X > t) hr (Y Y > t) für alle t 6
9 Definition 2.3 Sei X eine stetige Zufallsvariable mit stetiger Dichtefunktion P (X t + ɛ X > t) r X (t) = lim = f X(t) ɛ 0 ɛ 1 F X (t) heißt hazard rate oder failure rate. Satz 2.4 Seien X und Y Zufallsvariablen mit stetigen Dichten. Dann gilt: X hr Y r X (t) r Y (t). 2.3 Stochastische Dominanz 2. Ordnung Definition 2.4 X dominiert Y stochastisch in 2. Ordnung, i. Z. X 2 Y, wenn gilt: Es gilt: Satz 2.5 t F X (z)dz t F Y (z)dz für alle t. X 1 Y X 2 Y. X 2 Y E(f(X)) E(f(Y )) für alle konkaven, monoton wachsenden Funktionen f. Satz 2.6 Es gilt X 2 Y E(min(X, t)) E(min(Y, t)) für alle t R. Satz 2.7 X 2 Y es existieren Zufallsvariablen X, Ŷ mit F X = F X, FŶ = F Y, so dass gilt: X E(Ŷ X). 2.4 Konvexe Dominanzbeziehungen Definition 2.5 X ist less dangerous als Y (i. Z. X D Y ), wenn gilt: a) Es existiert ein t 0 R mit b) E(X) E(Y ) F X (z) F Y (z) für z t 0 F X (z) F Y (z) für z > t 0. 7
10 Definition 2.6 X, Y Zufallsvariablen mit E(X) = E(Y ). Y heißt mean preserving spread von X, i. Z. X MP S Y, wenn Zahlen a, b existieren mit F Y (z) F X (z) ist monoton wachsend auf ], a[, ]b, + [ F Y (z) F X (z) ist monoton fallend auf [a, b]. Satz 2.8 X MP S Y X D Y Satz 2.9 X D Y E(f(X)) E(f(Y )) für alle konvexen monoton wachsenden Funktionen f. Definition 2.7 X ist less als Y bzgl. der konvexen Ordnung, i. Z. X cx Y, wenn gilt E(f(X)) E(f(Y )) für alle konvexen Funktionen f. X ist less als Y bzgl. der steigenden konvexen Ordnung, i. Z. X icx Y, wenn gilt E(f(X)) E(f(Y )) für alle konvexen monoton wachsenden Funktionen f. Satz 2.10 Satz 2.11 X MP S Y X D Y X icx Y X 2 Y X icx Y Satz 2.12 X icx Y E(X t) + E(Y t) + für alle t mit E((X t) + ) = (1 F X (z))dz t Satz 2.13 Satz 2.14 X MP S Y X cx Y X cx Y E(f(X)) E(f(Y )) für alle konkaven Funktionen f Folgerung X MP S Y EU(X) EU(Y ) für alle risikoaversen Nutzenfunktionen 8
11 3 Risikomaße Basisliteratur: Acerbi, C., Tasche, D. (2002): On the coherence of expected shortfall. Journal of Banking and Finance 26, Artzner, P., Delbaen, F., Eber, J.-M., Heath, D., (1999): Coherent measures of risk. Mathematical Finance 9 (3), Acerbi, C. (2002): Spectral measures of risk: A coherent representation of subjective risk aversion. Journal of Banking and Finance 26, Föllmer,H., Schied, A. (2011): Stochastic finance: an introduction in discrete time. De Gruyter, 3. rev. and extended ed. 3.1 Kohärente Risikomaße Kohärente Akzeptanzmenge Ω = Menge von Szenarien X : Ω R X = Menge aller (im endlichen Fall) Abbildungen von Ω nach R X(ω) Monetäres Ergebnis von X, falls Szenario ω eintritt. X ist durch X(ω 1 ), X(ω 2 ),...X(ω n ) eindeutig gekennzeichnet. A X Akzeptanzmenge X A wird vom Entscheider akzeptiert Definition 3.1 A X heißt kohärente Akzeptanzmenge, falls gilt i) {X X X(ω) 0 für alle ω Ω } A ii) {X X X(ω) < 0 für alle ω Ω } A = iii) A ist konvex iv) Für alle X A : λx A für λ 0 Definition 3.2 Risiko von X: ρ A (X) = inf{m X + m A} Sei X / A. Risiko von X ist der minimale Betrag m, so dass gilt: X + m A. ρ A (X) = 0 für alle X auf Rand von A 9
12 3.1.2 Definition und Eigenschaften Definition 3.3 ρ : X R heißt kohärentes Risikomaß, falls gilt: i) ρ(x + c) = ρ(x) c für alle c R ( ρ(x + ρ(x)) = 0) ii) ρ(λx) = λρ(x) für alle λ 0 iii) ρ(x + Y )) ρ(x) + ρ(y ) iv) X Y ρ(x) ρ(y ) Zusammenhang zwischen kohärenten Akzeptanzmengen und kohärenten Risikomaßen: A kohärente Akzeptanzmenge ist ein kohärentes Risikomaß. ρ kohärentes Risikomaß ρ A (X) = inf{m X + m A} = durch A induziertes Risikomaß ist eine kohärente Akzeptanzmenge. ρ Aρ = ρ A ρ := {X X ρ(x) 0} ε σ-algebra auf Ω P ist endlich additive Mengenfunktion, falls ( n ) P A i = i=1 n P (A i ) i=1 für alle A i, A j ε mit A i A j = (i j) Satz 3.1 ρ ist kohärentes Risikomaß es existiert eine Menge Q von endlich additiven Mengenfunktionen, so dass gilt 3.2 Value-at-Risk (VaR) Definition ρ(x) = max P Q E P ( X) Sei F die Verteilungsfunktion einer Zufallsvariablen X. Die Funktion F : ]0, 1[ R α sup{x R F (x) α} 10
13 heißt obere verallgemeinerte Inverse von F. Value at Risk (VaR) zum Konfidenzniveau p ]0, 1[ heißt: V ar p (X) := max(0, F (1 p)). Existiert die inverse Verteilungsfunktion F 1 an der Stelle (1 p), dann gilt: F (1 p) = F 1 (1 p). Im Folgenden wird von F (1 p) 0 ausgegangen VaR für normalverteilte Zufallsvariablen Sei X N(µ, σ 2 ), dann gilt für den VaR zum Konfidenzniveau p ]0, 1[ : V ar p (X) = σφ 1 (p) µ VaR und Dominanzbeziehungen Stochastische Dominanz 1. Ordnung Stochastische Dominanz 2. Ordnung Mean preserving spread X 1 Y V ar p (X) V ar p (Y ) X 2 Y V ar p (X) V ar p (Y ) Y MP S X es existiert ein t 0 mit F Y (t) F X (t) für t < t 0 F Y (t) F X (t) für t > t 0. Daher gilt Y MP S X, F Y (t 0 ) 1 p VaR p (Y ) VaR p (X). 3.3 Conditional Value-at-Risk (CVaR) Definition Sei X eine Zufallsvariable mit Dichte f und invertierbarer Verteilungsfunktion F und sei x 1 p = F 1 (1 p) 0 das (1 p)-quantil, dann ist der Conditional Value at Risk (CVaR) zum Konfidenzniveau p ]0, 1[ definiert durch: CV ar p (X) =E( X X x 1 p ) =E( X X V ar p (X)) x = 1 1 p xf(x)dx = 1 1 p 1 p x 1 p xdf (x). 11
14 3.3.2 Alternative Darstellung des CVaR I CV ar p (X) = 1 1 p 1 p 0 F 1 (t)dt Alternative Darstellung des CVaR II { } 1 CV ar p (X) = inf 1 p E(t X)+ t t R 1 t = inf F (x)dx t t R 1 p mit (t X) + = max (0, t X) Allgemeine Definition des CVaR CV ar p (X) = 1 1 p 1 p 0 F (t)dt Untere verallgemeinerte inverse Verteilungsfunktion von X: Es gilt: 1 1 p F (t) = inf{x R F (x) t} 1 p 0 F (t)dt = 1 1 p 1 p 0 F (t)dt CVaR für normalverteilte Zufallsvariablen Sei X N(µ, σ 2 ), dann gilt CV ar p (X) = µ + σ ϕ(z 1 p) 1 p mit z 1 p : (1 p)-quantil der Standardnormalverteilung ϕ : Dichte der Standardnormalverteilung. 12
15 3.3.6 CVaR als Entscheidungskriterium Bewertung von X, Y durch A) X Y CV ar p (X) CV ar p (Y ) B) X Y (1 λ)e(x) λcv ar p (X) (1 λ)e(y ) λcv ar p (Y ) für ein geg. λ [0, 1] C) X Y (1 λ)e(x X x 1 p ) + λe(x X x 1 p ) (1 λ)e(y Y y 1 p ) + λe(y Y y 1 p ) für λ [0, 1]; p ]0, 1[ Es gilt (1 λ)e(x X x 1 p )+λe(x X x 1 p ) = 1 λ p CVaR und stochastische Dominanz 3.4 Spektrale Risikomaße Spektrale Risikomaße X 2 Y CV ar p (X) CV ar p (Y ) E(X)+ 1 λ p p Definition 3.4 X und Y heißen komonoton, falls für alle ω, ω Ω gilt (X(ω) X(ω ))(Y (ω) Y (ω )) 0. CV ar p (X). Die Abbildung ρ : X R heißt spektrales Risikomaß, falls ρ die Axiome (A1 - A4) und A5 Verteilungsinvarianz: X, Y X mit den zugehörigen Verteilungsfunktionen F X und F Y F X = F Y ρ(x) = ρ(y ), A6 Komonotone Additivität: für alle komonotone Zufallsvariablen X, Y X, X + Y X gilt ρ(x + Y ) = ρ(x) + ρ(y ) erfüllt. Satz 3.2 Für jedes spektrale Risikomaß gilt ρ h (X) = mit einer Funktion h für die gilt 1. h F X(t)h(t)dt 13
16 h(t)dt = 1 3. h ist monoton fallend. Beispiel 3.1 Conditional Value at Risk h(t) = { 1 1 p Exponentielle spektrale Risikomaße h(t) = 0 t 1 p 0 1 p < t 1 a 1 e a e at für ein a > Newsvendor-Problem unter Verwendung spektraler Risikomaße Optimierungsproblem: max ρ h (g(y, X)) y Lösung: ( ( )) p c ys = F 1 H 1 p z mit H Stammfunktion von h, wobei gelten muss H(0) = 0 und H(1) = 1. Beispiel 3.2 Conditional Value at Risk CV ar p (X) mit α = 1 p ( )) p c ys = F (α 1 p z Exponentielle spektrale Risikomaße ln ys = F 1 ( 1 Beispiel 3.3 Standard Newsvendor Modell h(t) = 1 (0 t 1) H(p) = p (0 p 1) H 1 (t) = t (0 t 1) ( ) p c p z (1 e a ) a ( ) p c ys = F 1 p z ) 14
17 3.6 Konvexe Risikomaße Definition 3.5 A heißt konvexe Akzeptanzmenge, wenn i) A ist konvex ii) X A, Y X mit Y X Y A iii) X A, Y X {λ 0 λ 1, λx + (1 λ)y A} ist abgeschlossen. Definition 3.6 ρ : X R heißt konvexes Risikomaß, wenn gilt: i) ρ(x + c) = ρ(x) c ii) X, Y X, X Y ρ(x) ρ(y ) iii) ρ(λx + (1 λ)y ) λρ(x) + (1 λ)ρ(y ), (d. h. ρ ist konvex) Satz 3.3 P =Menge aller endlich additiven Mengenfunktionen auf der σ- Algebra E ρ ist konvex Es existiert eine Funktion β : P R {+ } ρ(x) = sup E p ( X) β(p) p P 4 Kennziffern und Abhängigkeitsstrukturen von Renditeverteilungen 4.1 Grundlagen K it Kurs Aktie i zum Zeitpunkt t D it = K i,t K i,t 1 R it = ln K i,t 1 ( Kit K i,t 1 ) diskrete Rendite stetige Rendite µ = (µ 1,..., µ J ) Erwartungswertvektor von (R 1t,..., R Jt ) Σ Varianz-Kovarianz-Matrix von (R 1t,..., R Jt ). Erwartungstreue und konsistente Schätzer für µ i, σi 2 und cov(r kt, R lt ) sind gegeben durch: r i := 1 n r it, n ŝ 2 i := â kl := t=1 1 n 1 1 n 1 n (r it r i ) 2 t=1 n (r kt r k )(r lt r l ). t=1 15
18 4.2 Parametrische Verteilungen Multivariate Normalverteilung Sei X = (X 1,..., X n ) eine n-dimensionale Zufallsvariable. Definition 4.1 µ R n, Σ positiv definite (n n)-matrix. X heißt normalverteilt mit µ, Σ i. Z. X N(µ, Σ), falls für die Dichte f gilt: f(x) = (2π) n 2 (detσ) 1 2 e 1 2 (x µ) 1 (x µ) (x R n ). Dabei gilt: E(X) = µ V ar(x) = Σ. Satz 4.1 X ist multivariat normalverteilt X N(µ, Σ) genau dann, wenn a 1 X a 2 X n normalverteilt für alle a 1,..., a n R ist. Es gilt σ ij = 0 X i und X j sind unabhängig Sei X = (X 1, X 2 ) mit X 1 = (X 1,..., X k ), X 2 = (X k+1,..., X n ), ( ) µ1 E(X) =, µ 2 ( ) Σ11 Σ Σ = 12, Σ 21 Σ 22 X 1 N (µ 1, Σ 11 ), X 2 N (µ 2, Σ 22 ), dann sind alle bedingten Verteilungen normalverteilt, mit (X 1 X 2 = x 2 ) N ( µ 1 + Σ 12 Σ 1 22 (x 2 µ 2 ); Σ 11 Σ 12 Σ 1 22 Σ 21) Transformation von X N(µ, Σ) mit der (n L)-Matrix A und b R L führt zu A X + b N ( A µ + b, A ΣA ) Elliptische Verteilungen Definition 4.2 X = (X 1,..., X n ) heißt elliptisch verteilt mit µ R n, Σ positiv definit, falls die Dichte von X gegeben ist f(x) = det(σ) 1 2 g ( (x µ) Σ 1 (x µ) ) mit einer Funktion g : R + R (i.z. X E(µ, Σ, g)). 16
19 4.3 Copulas (X,Y) mit Verteilungsfunktion F (X,Y ) (x, y) = P (X x, Y y) und Randverteilungen F X (x) = F (X,Y ) (x, ) = P (X x) F Y (y) = F (X,Y ) (, y) = P (Y y), wobei F X (x) und F Y (y) stetige Verteilungsfunktionen seien. Satz 4.2 (Sklar)(1959) Zu F (X,Y ) existiert eine eindeutig bestimmte Funktion Eigenschaften a) C(u, v) = F (X,Y ) (F 1 X C : [0, 1] 2 [0, 1] mit F (X,Y ) (x, y) = C(F X (x), F Y (y)), 1 (u), F (v)) b) U := F X X, V := F Y Y C ist die gemeinsame Verteilungsfunktion von (U,V): Y C(u, v) = P (U u, V v) (u, v [0, 1]) Es gilt: F (X,Y ) (x, y) = C(F X (x), F Y (y)) = C(u, v) mit u = F X (x), v = F Y (y). c) Es gilt: C(u, 1) = u C(1, v) = v C(0, v) = C(u, 0) = 0. d) Für u 1 u 2, v 1 v 2 gilt: P (u 1 U u 2, v 1 V v 2 ) = C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 )+C(u 1, v 1 ). Definition 4.3 Eine 2-dimensionale Copula ist eine auf [0, 1] 2 definierte 2- dimensionale Verteilungsfunktion, deren Randverteilungen Gleichverteilungen auf [0,1] sind. Bemerkung 4.1 Die nach dem Satz von Sklar existierende Funktion ist eine Copula. 17
20 Satz 4.3 Für alle Copulas C gilt max(u + v 1, 0) C(u, v) min(u, v). Speziell sind W (u, v) = max(u + v 1, 0) und M(u, v) = min(u, v) Copulas. Eigenschaft der Copula M F X,Y (x, y) = min (F X (x), F Y (y)) X = F 1 X (F Y Y ) X ist eine monoton wachsende Funktion von Y Eigenschaft der Copula W F X,Y (x, y) = max (F X (x) + F Y (y) 1, 0) X = F 1 X (1 F Y Y ) X ist eine monoton fallende Funktion von Y Gauss-Copula Φ 2ρ = Verteilungsfunktion einer 2-dimensionalen Normalverteilung mit µ x = µ y = 0, σ 2 x = σ 2 y = 1 und Korrelation ρ Definition 4.4 Die Gauss-Copula ist wie folgt definiert: Es gilt: C ρ (u, v) = Φ 2ρ (Φ 1 (u), Φ 1 (v)) (u, v [0, 1]). ρ=0 : C ρ (u, v) = u v ρ=+1 : C ρ (u,v) = M(u,v) ρ=-1 : C ρ (u,v) = W(u,v). 18
Kompaktskript zur Vorlesung Stochastische Risikoanalyse
Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
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
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.
MehrSolvency II und die Standardformel
Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs
MehrPräsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik
Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
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,
MehrRisiko und Versicherung - Übung
Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de
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
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrQuantitative Risk Management
Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
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
MehrQuantilsschätzung als Werkzeug zur VaR-Berechnung
Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
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
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
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrProf. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38
Prof. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38 Offene Fragen Warum ist ein ET bereit, für eine Feuerversicherung mit einer Versicherungshöhe von 1 Million und einer Jahreseintrittswahrscheinlichkeit
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrDefinition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat.
Die k/2 - Formel von Renate Vistorin Zentrales Thema dieses Vortrages ist die k/2 - Formel für meromorphe Modulformen als eine Konsequenz des Residuensatzes. Als Folgerungen werden danach einige Eigenschaften
MehrSeminar Versicherungsrisiko und Ruin Prof. Hanspeter Schmidli 21,04,2009. Nutzentheorie
Seminar Versicherungsrisiko und Ruin Prof. Hanspeter Schmidli 21042009 Xin Wang Nutzentheorie 2.1 Einführung Die Nutzentheorie hat viele Anwendungen inbesondere in den Wirtschaftswissenschaften.In diesem
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrVorlesung. Informationsökonomik und die Theorie der Firma
Vorlesung Informationsökonomik und die Theorie der Firma Ulrich Schwalbe Universität Hohenheim 5. Vorlesung 28.11.2007 Ulrich Schwalbe (Universität Hohenheim) Informationsökonomik 5. Vorlesung 28.11.2007
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrWie kann man Risiko messen?
Wie kann man Risiko messen? Karl Mosler Universität zu Köln Symposium DAGStat & BfR: Was bedroht unser Leben wirklich? Statistische Bewertung von Gesundheitsrisiken Berlin, 19. April 2013 Karl Mosler Universität
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
Mehr16 Risiko und Versicherungsmärkte
16 Risiko und Versicherungsmärkte Entscheidungen bei Unsicherheit sind Entscheidungen, die mehrere mögliche Auswirkungen haben. Kauf eines Lotterieloses Kauf einer Aktie Mitnahme eines Regenschirms Abschluss
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
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
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrSatz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die
Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die Rückwärtsgleichung P (t) = QP (t), P (0) = E eine minimale nicht negative Lösung (P (t) : t 0). Die Lösung bildet eine Matrix Halbgruppe, d.h. P (s)p
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrRisikoeinstellungen empirisch
Risikoeinstellungen empirisch Risk attitude and Investment Decisions across European Countries Are women more conservative investors than men? Oleg Badunenko, Nataliya Barasinska, Dorothea Schäfer http://www.diw.de/deutsch/soep/uebersicht_ueber_das_soep/27180.html#79569
MehrDie reellen Lösungen der kubischen Gleichung
Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrHierarchische Archimedische Copulas
Hierarchische Archimedische Copulas Bachelorarbeit im Studiengang Wirtschaftsmathematik am Fachbereich Mathematik und Informatik der Philipps-Universität Marburg eingereicht von Yuriy Pinkhasik Marburg,
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrÜberblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus
Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus Einleitung Ein Online-Algorithmus muss Ausgaben berechnen, ohne zukünftige Eingaben zu kennen. Für die Bewertung von
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrBestimmung des Conditional Value-at-Risk (CVaR) bei Normal- bzw. Lognormalverteilung
Mannheimer Manuskripte u Risikotheorie, Portfolio Management und Versicherungswirtschaft r. 4 Bestimmung des Conditional Value-at-Risk (CVaR bei ormal- bw. Lognormalerteilung on PETER ALBRECHT UD SVE KORYCIORZ
MehrVerteilungsmodelle. Verteilungsfunktion und Dichte von T
Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung
Mehr1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1
Konvexität und Operationen, die die Konvexität bewahren Seite 1 1 Konvexe Funktionen 1.1 Definition Eine Funktion f heißt konvex, wenn domf eine konvexe Menge ist und x,y domf und 0 θ 1: f(θx + (1 θ)y)
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
Mehr5.Unsicherheit. 5.1WahrscheinlichkeitundRisiko
1 5.Unsicherheit Bisher sind wir von vollständiger Planungssicherheit seitens der Entscheidungsträger ausgegangen. Dies trifft in vielen Fällen natürlich nicht den Kern eines Entscheidungsproblems.Wennz.B.eineEntscheidungfürdenKaufvonAktiengetroffen
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrKapitel 3: Etwas Informationstheorie
Stefan Lucks 3: Informationstheorie 28 orlesung Kryptographie (SS06) Kapitel 3: Etwas Informationstheorie Komplexitätstheoretische Sicherheit: Der schnellste Algorithmus, K zu knacken erfordert mindestens
Mehra n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n
Folgen und Reihen. Beweisen Sie die Beschränktheit der Folge (a n ) n N mit 2. Berechnen Sie den Grenzwert der Folge (a n ) n N mit a n := ( ) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 n +. 4 3. Untersuchen
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrMonte Carlo Simulation (Grundlagen)
Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen
MehrProgrammiersprachen und Übersetzer
Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch
Mehr(Lineare) stochastische Optimierung
(Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrComputational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
MehrStudiengang (Zutreffendes bitte ankreuzen):
Prof. Dr. Ulrich Schwalbe Sommersemester 2006 Klausur Mikroökonomik Matrikelnummer: Studiengang (Zutreffendes bitte ankreuzen): SozÖk Sozma AÖ WiPäd Wiwi Prof. Dr. Ulrich Schwalbe Sommersemester 2006 Klausur
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrKugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten
Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es
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
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrZ = 60! 29!31! 1,1 1017.
Aufgabe : Eine Hochzeitsgesellschaft besteht aus 60 Personen. a Wieviele verschiedene Möglichkeiten für Sitzordnungen gibt es? b Nehmen Sie nun an, dass 9 Gäste aus dem Familien- und Freundeskreis der
Mehr