Lerninhalte finden
Features
Entdecke
© StudySmarter 2024, all rights reserved.
Angenommen, wir untersuchen die maximalen monatlichen Verluste eines Investmentportfolios über einen Zeitraum von mehreren Jahren. Diese maximalen monatlichen Verluste können als Extremwertverteilungen modelliert werden, um zukünftige Risiken zu quantifizieren. Verwenden wir die Typ-I- (Gumbel), Typ-II- (Fréchet) und Typ-III- (Weibull) Verteilungen, um das Verhalten dieser extremen finanziellen Ereignisse zu beschreiben und vorherzusagen.
Gegeben sei die Verteilungsfunktion der Typ-I- (Gumbel) Extremwertverteilung: \[ F(x) = e^{-e^{-(x-\beta)/\tau}} \]
Lösung:
Um den Quantilwert für ein Konfidenzniveau von 95% (\( x_{0.95} \)) zu berechnen, nehmen wir die gegebene Verteilungsfunktion der Typ-I- (Gumbel) Extremwertverteilung:
Gegebene Verteilungsfunktion:
\[ F(x) = e^{-e^{-(x-\beta)/\tau}} \]
Gegebene Parameter:
\[ F(x) = 0.95 \]
\[ 0.95 = e^{-e^{-(x - \beta)/\tau}} \]
\[ \text{ln}(0.95) = -e^{-(x - \beta)/\tau} \]
\[ -e^{-(x - \beta)/\tau} = \text{ln}(0.95) \]
\[ e^{-(x - \beta)/\tau} = -\text{ln}(0.95) \]
\[ -(x - \beta)/\tau = \text{ln}(-\text{ln}(0.95)) \]
\[ -(x - 2)/1.5 = \text{ln}(-\text{ln}(0.95)) \]
\[ (x - 2)/1.5 = -\text{ln}(-\text{ln}(0.95)) \]
\[ x - 2 = 1.5 \times -\text{ln}(-\text{ln}(0.95)) \]
\[ x = 2 + 1.5 \times -\text{ln}(-\text{ln}(0.95)) \]
\[ \text{ln}(0.95) = -0.05129329438755058 \]
\[ \text{ln}(-\text{ln}(0.95)) = \text{ln}(0.05129329438755058) = -2.970195249042857 \]
\[ 1.5 \times -2.970195249042857 = -4.455292873564286 \]
\[ x = 2 + -4.455292873564286 = -2.455292873564286 \]
Daher ist der Quantilwert für ein Konfidenzniveau von 95%:
\[ x_{0.95} = -2.455292873564286 \]
Für den Typ-III (Weibull) Extemwertverteilung: \[ F(x) = \begin{cases} e^{-(\tau - x)^\beta} & x \le \tau \ 1 & x > \tau \end{cases} \] Sei angenommen, dass \(\beta = 1.2\) und \(\tau = 30\).
Lösung:
Um die Wahrscheinlichkeit zu bestimmen, dass der monatliche Verlust größer als 25 ist (\( P(X > 25) \)), verwenden wir die gegebene Verteilungsfunktion der Typ-III (Weibull) Extremwertverteilung:
Gegebene Verteilungsfunktion:
\[ F(x) = \begin{cases} e^{-(\tau - x)^\beta} & x \le \tau \ 1 & x > \tau \end{cases} \]
Gegebene Parameter:
Da 25 kleiner als 30 ist (\( 25 \le 30 \)), verwenden wir den ersten Teil der Verteilung:
\[F(25) = e^{-(30 - 25)^{1.2}}\]
\[ 30 - 25 = 5 \]
\[ 5^{1.2} \]
\[ 5^{1.2} \, \approx \, 6.777 \]
Setze dies in die Exponentialfunktion ein:
\[ e^{-6.777} \, \approx \, 0.0011 \]
\[ P(X > 25) = 1 - F(25) \]
\[ P(X > 25) = 1 - 0.0011 \, \approx \, 0.9989 \]
Die Wahrscheinlichkeit, dass der monatliche Verlust größer als 25 ist, beträgt:
\[ P(X > 25) = 0.9989 \, = \, 99.89\text{\textpercent} \]
Ein Unternehmen analysiert die extremen täglichen Preisänderungen einer bestimmten Aktie über einen Zeitraum von 5 Jahren. Die Daten müssen modelliert werden, um Risiken und mögliche Versicherungsmittel zu bestimmen. Zu diesem Zweck soll die Extremwertverteilung ermittelt und auf Basis der Gumbel-, Fréchet- und Weibull-Verteilungen angewendet werden. Angenommen, die empirischen Daten der maximalen täglichen Preisänderungen folgen einer dieser Verteilungen.
a) Berechne die Verteilungsfunktion der Fréchet-Verteilung für die gegebenen maximalen täglichen Preisänderungen. Angenommen, der Parameter \( \beta \) beträgt 2. Zeichne außerdem das Verteilungsdiagramm für verschiedene Werte von x.
Lösung:
Lösung:
Um die Verteilungsfunktion der Fréchet-Verteilung zu berechnen, betrachten wir die Definition der Fréchet-Verteilung. Die Verteilungsfunktion (CDF) der Fréchet-Verteilung mit dem Parameter \( \beta \) lautet:
\[ F(x; \beta) = \begin{cases} e^{-x^{-\beta}} & x > 0 \ 0 & x \leq 0 \end{cases} \]
Wenn wir \( \beta = 2 \) annehmen, wird die Verteilungsfunktion:
\[ F(x; 2) = \begin{cases} e^{-x^{-2}} & x > 0 \ 0 & x \leq 0 \end{cases} \]
Wir können nun einige Werte für \( x \) berechnen:
Um das Verteilungsdiagramm für verschiedene Werte von \( x \) zu zeichnen, können wir Python verwenden. Hier ist der Code, um das Diagramm darzustellen:
import numpy as npimport matplotlib.pyplot as pltdef frechet_cdf(x, beta): return np.where(x > 0, np.exp(-x**(-beta)), 0)x = np.linspace(0.1, 5, 100)beta = 2y = frechet_cdf(x, beta)plt.plot(x, y, label='\( \beta = 2 \)')plt.xlabel('x')plt.ylabel('F(x; \beta)')plt.title('Fréchet-Verteilungsfunktion')plt.legend()plt.grid(True)plt.show()
Dieser Code erzeugt ein Diagramm der Fréchet-Verteilungsfunktion für \( \beta = 2 \). Das Diagramm zeigt die Wahrscheinlichkeit der extremen täglichen Preisänderungen auf Basis der Fréchet-Verteilung.
b) Leite die Wahrscheinlichkeitsdichtefunktion der Weibull-Verteilung aus der gegebenen Verteilungsfunktion ab. Berechne die Dichte für die parameterisierten Werte \( \beta = 1.5 \) und \( \tau = 1 \).
Lösung:
Lösung:
Die Weibull-Verteilung ist eine der häufig verwendeten Extremwertverteilungen in der Risikomodellierung. Bevor wir die Wahrscheinlichkeitsdichtefunktion (PDF) herleiten, beginnen wir mit der Verteilungsfunktion (CDF) der Weibull-Verteilung.
Die Verteilungsfunktion der Weibull-Verteilung mit den Parametern \( \beta \) und \( \tau \) lautet:
\[ F(x; \beta, \tau) = 1 - e^{-(x/\tau)^{\beta}} \]
Um die Wahrscheinlichkeitsdichtefunktion (PDF) der Weibull-Verteilung abzuleiten, differenzieren wir die Verteilungsfunktion nach \( x \):
\[ f(x; \beta, \tau) = \frac{d}{dx} F(x; \beta, \tau) \]
Das ergibt:
\[ f(x; \beta, \tau) = \frac{d}{dx} \left( 1 - e^{-(x/\tau)^{\beta}} \right) \]
Da \( 1 \) eine Konstante ist, bleibt nur der derivative Teil:
\[ f(x; \beta, \tau) = - \frac{d}{dx} \left( e^{-(x/\tau)^{\beta}} \right) \]
Kettenregel anwenden:
\[ f(x; \beta, \tau) = - e^{-(x/\tau)^{\beta}} \frac{d}{dx} \left( -(x/\tau)^{\beta} \right) \]
Der innere Term differenzieren:
\[ \frac{d}{dx} \left( -(x/\tau)^{\beta} \right) = - \beta (x/\tau)^{\beta - 1} \frac{1}{\tau} \]
Einsetzen ergibt:
\[ f(x; \beta, \tau) = e^{-(x/\tau)^{\beta}} \beta \frac{x^{\beta - 1}}{\tau^{\beta}} \]
Also lautet die Wahrscheinlichkeitsdichtefunktion (PDF) der Weibull-Verteilung:
\[ f(x; \beta, \tau) = \beta \frac{x^{\beta - 1}}{\tau^{\beta}} e^{-(x/\tau)^{\beta}} \]
Nun berechnen wir die Dichte für die parameterisierten Werte \( \beta = 1.5 \) und \( \tau = 1 \). Wir setzen \( \beta = 1.5 \) und \( \tau = 1 \) in die PDF ein:
\[ f(x; 1.5, 1) = 1.5 \frac{x^{0.5}}{1.0^{1.5}} e^{-(x/1.0)^{1.5}} \]
Dies vereinfacht sich zu:
\[ f(x; 1.5, 1) = 1.5 x^{0.5} e^{-x^{1.5}} \]
Um nun die Dichte für einen bestimmten Wert von \( x \) zu berechnen, setzen wir die gewünschten \( x \)-Werte in die Gleichung ein.
Diese Ergebnisse zeigen die Wahrscheinlichkeitsdichte für die Weibull-Verteilung bei den gegebenen Parametern \( \beta = 1.5 \) und \( \tau = 1 \).
c) Modelliere die Daten mit der Gumbel-Verteilung und berechne die geschätzte extremste Preisänderung, die in den nächsten 10 Jahren auftreten könnte. Stelle die entsprechenden Wahrscheinlichkeiten grafisch dar.
Lösung:
Lösung:
Zur Modellierung der Daten mit der Gumbel-Verteilung und zur Berechnung der geschätzten extremsten Preisänderung in den nächsten 10 Jahren müssen wir zunächst die Gumbel-Verteilung definieren.
Die Wahrscheinlichkeitsdichtefunktion (PDF) der Gumbel-Verteilung für maximale Werte lautet:
\[ f(x; \mu, \beta) = \frac{1}{\beta} e^{-\left(\frac{x - \mu}{\beta} + e^{-\left(\frac{x - \mu}{\beta}\right)}\right)} \]
Die Verteilungsfunktion (CDF) lautet:
\[ F(x; \mu, \beta) = e^{-e^{-\left(\frac{x - \mu}{\beta}\right)}} \]
Für die Schätzung der extremsten Preisänderung in den nächsten 10 Jahren nutzen wir das Quantil der Verteilung. Nehmen wir an, dass wir die Parameter \( \mu \) und \( \beta \) aus den historischen Daten geschätzt haben. Beispielsweise seien \( \mu = 0 \) und \( \beta = 1 \). Dann suchen wir das Quantil für eine extrme Wahrscheinlichrierenz, sagen wir beim 99.9%-Quantil.
Das Quantil \( q \) wird für eine gegebene Wahrscheinlichkeit \( p \) wie folgt berechnet:
\[ q = \mu - \beta \ln(-\ln(p)) \]
Für \( p = 0.999 \):
Das bedeutet, die extremste Preisänderung, die in den nächsten 10 Jahren auftreten könnte, ist ungefähr 6.907. Wir können nun die entsprechenden Wahrscheinlichkeiten grafisch darstellen. Hier ist der Python-Code zur Visualisierung:
import numpy as npimport matplotlib.pyplot as pltfrom scipy.stats import gumbel_rmu = 0beta = 1x = np.linspace(-5, 20, 1000)y = gumbel_r.cdf(x, loc=mu, scale=beta)# Grafische Darstellungplt.plot(x, y, label='Gumbel CDF')plt.axvline(x=6.907, color='r', linestyle='--', label='99.9%-Quantil')plt.xlabel('Preisänderung')plt.ylabel('Wahrscheinlichkeit')plt.title('Gumbel CDF der extremen täglichen Preisänderungen')plt.legend()plt.grid(True)plt.show()
Dieser Code zeigt die Wahrscheinlichkeitsverteilung der Extremwert-Gumbel-Verteilung und markiert das 99,9%-Quantil für die Modellierung extremster Preisänderungen in den nächsten 10 Jahren.
d) Diskutiere, welche der drei Verteilungen – Gumbel, Fréchet oder Weibull – am besten geeignet ist, um die extremen täglichen Preisänderungen in Finanzmärkten zu modellieren. Begründe Deine Wahl anhand der Eigenschaften und Parameter der Verteilungen.
Lösung:
Lösung:
Bei der Diskussion darüber, welche der drei Verteilungen – Gumbel, Fréchet oder Weibull – am besten geeignet ist, um extreme tägliche Preisänderungen in Finanzmärkten zu modellieren, müssen wir die Merkmale und spezifischen Eigenschaften jeder Verteilung in Betracht ziehen.
Wahl der besten Verteilung:
Bei der Wahl zwischen den drei Verteilungen für die Modellierung extremer täglicher Preisänderungen in Finanzmärkten kommt es auf die Eigenschaften der betrachteten Daten an:
Da Finanzmärkte oft starke und selten auftretende Ausreißer (wie z.B. Finanzkrisen) aufweisen, könnte die Fréchet-Verteilung am besten geeignet sein, um sehr schwere Tails und extreme Ereignisse in den Daten zu modellieren. Für weniger ausgeprägte Tails oder häufig auftretende extreme Werte könnten die Gumbel- oder Weibull-Verteilungen geeigneter sein.
In dieser Aufgabe sollst Du den Blockmaxima-Ansatz und den Peaks-over-Threshold (POT)-Ansatz in der Extremwertstatistik mit Anwendungen in Finanz- und Versicherungsmärkten näher untersuchen. Die Daten wurden aus Finanzmärkten über mehrere Jahre gesammelt, und die Extremereignisse sollen modelliert und analysiert werden. Dabei stehen Dir zum einen der Blockmaxima-Ansatz, bei dem die Daten in Zeitblöcke unterteilt und die Maxima in jedem Block analysiert werden, und zum anderen der POT-Ansatz zur Verfügung, bei dem ein Schwellenwert gesetzt wird und alle Werte darüber analysiert werden.
Erläutere den Unterschied zwischen dem Blockmaxima-Ansatz und dem Peaks-over-Threshold-Ansatz. Welche mathematischen Verteilungen werden jeweils verwendet, und welche Ergebnisse konvergieren sie im Grenzfall?
Lösung:
Unterschied zwischen dem Blockmaxima-Ansatz und dem Peaks-over-Threshold (POT)-Ansatz
Gegeben seien folgende Monats-Maximum-Renditen von Aktien über ein Jahr: 0.05, 0.07, 0.02, 0.09, 0.04, 0.10, 0.03, 0.08, 0.06, 0.11, 0.01, 0.12. Teile die Daten in Quartalsblöcke und berechne die Blockmaxima für jeden Block. Bestimme anschließend die Verteilung, gegen die diese Blockmaxima konvergieren sollen, und begründe Deine Wahl.
Lösung:
Schritt 1: Daten in Quartalsblöcke unterteilen
Schritt 2: Blockmaxima berechnen
Die Blockmaxima sind somit: 0.07, 0.10, 0.08, 0.12.
Schritt 3: Bestimmung der Verteilung
Daher konvergieren die Blockmaxima gegen eine Generalisierte Extremwertverteilung, wobei im Kontext von Finanzmarktdaten oft eine Fréchet-Verteilung angenommen wird.
Nehmen wir an, dass ein Schwellenwert von 0.07 gewählt wird, um Extremereignisse in den oben genannten Monatsrückgaben zu modellieren. Bestimme die Werte, die über dem Schwellenwert liegen, und passe eine Generalisierte Pareto-Verteilung (GPD) diesen Daten an. Welche Parameter der GPD sind zu schätzen, und wie würdest Du dies tun?
Lösung:
Schritt 1: Werte über dem Schwellenwert identifizieren
Die Werte, die über dem Schwellenwert liegen, sind somit: 0.09, 0.10, 0.08, 0.11, 0.12.
Schritt 2: Anpassung einer Generalisierten Pareto-Verteilung (GPD)
Schritt 3: Schätzung der Parameter der GPD
f(x; σ, ξ) = \frac{1}{σ} \bigg(1 + ξ \frac{x - u}{σ}\bigg)^{-1/ξ - 1} \text{ für } x ≥ u \text{ und } \bigg(1 + ξ \frac{x - u}{σ}\bigg) > 0
f(x; σ) = \frac{1}{σ} e^{-\frac{x - u}{σ}} \text{ für } x ≥ u
Die Schätzung dieser Parameter durch MLE liefert die am besten passende Generalisierte Pareto-Verteilung für die gegebenen Daten.
Vergleiche die Anwendbarkeit des Blockmaxima-Ansatzes und des POT-Ansatzes für die Risikoabschätzung in der Versicherungsbranche. Diskutiere Vor- und Nachteile beider Ansätze und gib jeweils ein Beispiel, wann welcher Ansatz besser geeignet wäre.
Lösung:
Vergleich der Anwendbarkeit des Blockmaxima-Ansatzes und des Peaks-over-Threshold (POT)-Ansatzes für die Risikoabschätzung in der Versicherungsbranche
Zusammenfassung: Beide Ansätze haben ihre Stärken und Schwächen, und die Wahl hängt von der spezifischen Anwendung ab. Der Blockmaxima-Ansatz ist einfacher und kann für sehr große Zeitrahmen nützlich sein, während der POT-Ansatz eine detailliertere und präzisere Analyse der extremen Ereignisse ermöglicht, die häufiger auftreten.
Die Identifikation extremer Ereignisse in finanziellen Zeitreihen ist von entscheidender Bedeutung, um das Risiko plötzlicher und erheblicher Marktbewegungen abzuschätzen. Hierzu wird die Extremwerttheorie (EVT) eingesetzt, um die Randverteilungen solcher Ereignisse zu analysieren. Zwei der wichtigsten Methoden in der EVT sind die Block-Maxima-Methode und die Peak-Over-Threshold (POT)-Methode. Während die Block-Maxima-Methode die maximalen Werte in Blöcken analysiert und Modelle wie die Gumbel-, Fréchet- und Weibull-Verteilungen verwendet, konzentriert sich die POT-Methode auf Werte oberhalb eines bestimmten Schwellenwertes (Threshold). Ein besonders wichtiges Maß im Risikomanagement ist der Value-at-Risk (VaR), welcher das Quantil bei einem bestimmten Konfidenzniveau angibt, genauso wie der Expected Shortfall (ES), der den durchschnittlichen Verlust oberhalb des VaR beschreibt. Die folgende Übung beinhaltet sowohl theoretische als auch praktische Aspekte der EVT zur Identifizierung und Quantifizierung extremer finanzieller Ereignisse.
a) Angenommen, die täglichen Renditen eines bestimmten Finanzinstruments folgen einer unbekannten Verteilung. Du entscheidest Dich, die Block-Maxima-Methode zu verwenden, um die extremen Renditen über monatliche Intervalle zu analysieren.
Lösung:
Aufgabe Die Identifikation extremer Ereignisse in finanziellen Zeitreihen ist von entscheidender Bedeutung, um das Risiko plötzlicher und erheblicher Marktbewegungen abzuschätzen. Hierzu wird die Extremwerttheorie (EVT) eingesetzt, um die Randverteilungen solcher Ereignisse zu analysieren. Zwei der wichtigsten Methoden in der EVT sind die Block-Maxima-Methode und die Peak-Over-Threshold (POT)-Methode. Während die Block-Maxima-Methode die maximalen Werte in Blöcken analysiert und Modelle wie die Gumbel-, Fréchet- und Weibull-Verteilungen verwendet, konzentriert sich die POT-Methode auf Werte oberhalb eines bestimmten Schwellenwertes (Threshold). Ein besonders wichtiges Maß im Risikomanagement ist der Value-at-Risk (VaR), welcher das Quantil bei einem bestimmten Konfidenzniveau angibt, genauso wie der Expected Shortfall (ES), der den durchschnittlichen Verlust oberhalb des VaR beschreibt. Die folgende Übung beinhaltet sowohl theoretische als auch praktische Aspekte der EVT zur Identifizierung und Quantifizierung extremer finanzieller Ereignisse. a) Angenommen, die täglichen Renditen eines bestimmten Finanzinstruments folgen einer unbekannten Verteilung. Du entscheidest Dich, die Block-Maxima-Methode zu verwenden, um die extremen Renditen über monatliche Intervalle zu analysieren.
Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.
Kostenloses Konto erstellenDu hast bereits ein Konto? Anmelden