Risikotheorie und -management
WS 2009/2010, 2 VO
(501.776)
Graphiken
-
Beispiel 1: Ansprüche an eine Brandschutzversicherung (pdf)
-
Histogramm der logarithmierten Daten aus Beispiel 1 (pdf)
-
Quantil-Quantil Plot basierend auf Daten aus Beispiel 1 (pdf)
-
Hill Plot basierend auf Daten aus Beispiel 1 (pdf)
-
Empirische durchschnittliche Überschußfunktion für Stichproben aus der
Normal- bzw. Exponentialverteilung. (pdf)
- Empirische durchschnittliche Überschußfunktion für eine
Stichprobe aus der Pareto(1)-Verteilung bzw. für die Brandschutzversicherungsdaten
aus Beispiel 1.
(pdf)
-
ML-Schätzer für γ abhängig von der Anzahl der realisierten Überschüße für die Daten der Brandschutzversicherung aus Beispiel 1 (pdf)
-
Empirischer Tail der Brandschutzversicherungsdaten aus Beispiel 1 verglichen zum Tail der dazugehörigen
Approximation geschätzt mit POT (pdf)
-
Die geschätzten Risikomaße VaR und CVaR abhängig von der Anzahl der realisierten Überschüße für die Daten der Brandschutzversicherung aus Beispiel 1 (pdf)
-
Scatter Plots der logarithmierten realisierten Rendite
der Wechselkurse GBP/USD, JPY/USD, CHF/USD, DEM/USD (paarweise). (pdf)
-
Scatter Plots der logarithmierten Rendite
der obengenannten Wechselkurse simuliert aus bivariaten Normalverteilungen mit empirisch geschätztem Durchschnittsvektor bzw. empirisch geschätzter Kovarianzmatrix (paarweise). (pdf)
-
Scatter Plots der logarithmierten realisierten Rendite
von BMW und Siemens Aktien . (pdf)
-
Zwei bivariate Verteilungen mit lineare Korrelation ρ=0.8 und standard normale Randverteilungen. Die bivariate Verteilung links hat Tail-Abhängigkeit
λ_U=λ_L=0.49. Die bivariate Verteilung rechts hat Tail-Abhängigkeit
λ_U=λ_L=0. (pdf)
-
Simulation aus einer Spherischen Verteilung X basierend auf der stochastischen Darstellung X=RS. Zuerst werden n Samples s1,...,sn aus der Gleichverteilung auf dem Einheitskreis simuliert. Dann werden n Samples r1,...,rn aus der Verteilung von R simuliert und die Samples xk=skrk erzeugt.
(pdf)
-
Simulation aus einer Elliptischen Verteilung X basierend auf der stochastischen Darstellung X=μ+RAS, wobei der Vektor μ und die Matrix A vorgegebene Konstanten sind. Zuerst werden n Samples s1,...,sn aus der Gleichverteilung auf dem Einheitskreis simuliert. Dann wird jeder Sample mit der Matrix A multipliziert. Dann werden n Samples r1,...,rn aus der Verteilung von R simuliert und dann die Samples xk=μ+ rkAsk erzeugt.
(pdf)
-
Schranken für den Koeffizienten der linearen Korrelation; Graphische Darstellung der Ergebnisse von
Beispiel 11 aus der Vorlesung).
(pdf)
-
Samples aus zwei bivariaten Verteilungen mit Gamma(3,1) Randverteilungen und Koeffizienten der linearen Korrelation gleich 0.5
aber unterschiedlichen Abhängigkeitsstrukturen: Gumbel Copula links und Clayton Copula rechts.
(pdf)
-
Das Bild links oben zeigt ein Scatter-Plot der logarithmierten Tagesrendite von BMW und Siemens Aktien zwischen 1989 und 1996. Die anderen Bilder zeigen Samples von Daten, die aus unterschiedlichen bivariaten Verteilungen suimuliert wurden. Dabei ist der Kendall' tau jeder bivariaten Verteilung ist gleich 0.8 und die Komponenten jeder bivariaten Verteilung sind t4-verteilt.
(pdf)
-
Samples aus zwei bivariaten Verteilungen mit Standard Normalverteilten Komponenten
und Koeffizienten der linearen Korrelation gleich 0.8
aber unterschiedlichen Abhängigkeitsstrukturen: Gauss'sche Copula links und t2 Copula rechts.
(pdf)
cela@opt.math.tu-graz.ac.at.
Zurück zur Hauptseite der
Lehrveranstaltung
Letzte Änderung:
Jänner 2010