Modul FRA2: Fortgeschrittene Risikoanalyse 2 - Cheatsheet.pdf

Modul FRA2: Fortgeschrittene Risikoanalyse 2 - Cheatsheet
Modul FRA2: Fortgeschrittene Risikoanalyse 2 - Cheatsheet Definition und Grundlagen quantitativer Risikomodelle Definition: Teilgebiet der Finanzmathematik; verwendet mathematische Modelle zur Quantifizierung und Analyse von Risiken. Details: Quantitative Risikomodelle nutzen Wahrscheinlichkeitsverteilungen und statistische Methoden. Häufig verwendete Modelle: Value at Risk (VaR), Expected Shortfa...

© StudySmarter 2024, all rights reserved.

Modul FRA2: Fortgeschrittene Risikoanalyse 2 - Cheatsheet

Definition und Grundlagen quantitativer Risikomodelle

Definition:

Teilgebiet der Finanzmathematik; verwendet mathematische Modelle zur Quantifizierung und Analyse von Risiken.

Details:

  • Quantitative Risikomodelle nutzen Wahrscheinlichkeitsverteilungen und statistische Methoden.
  • Häufig verwendete Modelle: Value at Risk (VaR), Expected Shortfall (ES), und Credit Risk Modelle.
  • Modellannahmen und Parameter müssen sorgfältig validiert werden.
  • Integration von Marktdaten und historischen Daten notwendig.
  • Beispiele für Verteilungen: Normalverteilung, Lognormalverteilung, Pareto-Verteilung.
  • Ziele: Risikokontrolle, Kapitalallokation, Erfüllung regulatorischer Anforderungen.

Monte-Carlo-Simulation: Grundlagen und Implementierung

Definition:

Monte-Carlo-Simulation: Numerische Methode zur Abschätzung von Wahrscheinlichkeiten und Erwartungswerten durch zufällige Stichproben.

Details:

  • Grundprinzip: Wiederholte Zufallsexperimente zur näherungsweisen Bestimmung von Verteilungskennwerten
  • Implementierung: Generierung von Zufallszahlen (z.B. mit \texttt{numpy.random})
  • Berechnung: Aggregation der Simulationsergebnisse (z.B. Mittelwert, Varianz)
  • Anwendung: Bewertung komplexer Risiko- und Unsicherheitsmodelle
  • Formeln: \[\text{Erwartungswert} = \frac{1}{N} \sum_{i=1}^N X_i\]\[\text{Varianz} = \frac{1}{N} \sum_{i=1}^N (X_i - E[X])^2\]

Identifikation und Klassifizierung von Risiken im Risikomanagement

Definition:

Prozess zur Bestimmung und Kategorisierung potenzieller Risiken in einem System oder Projekt.

Details:

  • Risikomatrix: Darstellung der Risiken nach Eintrittswahrscheinlichkeit und Schadenspotenzial
  • SWOT-Analyse: Stärken, Schwächen, Chancen und Bedrohungen identifizieren
  • Delphi-Methode: Befragung von Experten zur Risikovorsorge
  • FMEA: Fehler-Möglichkeits- und Einflussanalyse zur Identifikation und Bewertung von Fehlern
  • Quantitative und qualitative Methoden zur Risikobewertung
  • Risikokategorien: operativ, strategisch, finanziell, Compliance

Stochastische Prozesse: Wiener-Prozess und Poisson-Prozess

Definition:

Wiener-Prozess: Standardmodell für Brownsche Bewegungen, stetige Pfade, normalverteilt. Poisson-Prozess: Modell für zählbare Ereignisse über feste Zeiträume, diskrete Sprungprozesse.

Details:

  • Wiener-Prozess:
  • Startwert: 0, d.h., W(0) = 0
  • Unabhängige Zuwächse: W(t) - W(s) für t > s unabhängig von Vergangenheit
  • Normalverteilung: Zuwachs W(t) - W(s) \sim N(0, t-s)
  • Stetige Pfade: Trajektorien sind fast sicher stetig
  • Formel: \[ W(t) \sim N(0, t) \]
  • Poisson-Prozess:
  • Startwert: 0, d.h., N(0) = 0
  • Unabhängige Zuwächse: N(t) - N(s) für t > s unabhängig von Vergangenheit
  • Ganzzahlig und nicht abnehmend: Anzahl der Ereignisse
  • Exponentielle Zwischenzeiten: Zeitabstände zwischen aufeinanderfolgenden Ereignissen sind exponentialverteilt
  • Formel: \[ P(N(t) = k) = \frac{(\lambda t)^k e^{-\lambda t}}{k!} \]

Finanzmathematik: Bewertung und Preisfindung von Finanzinstrumenten

Definition:

Bewertung und Preisfindung von Finanzinstrumenten im Kontext von Finanzmathematik.

Details:

  • Bewertung: Bestimmung des beizulegenden Wertes oder Marktwertes eines Finanzinstruments
  • Preisfindung: Ermittlung des Preises basierend auf Marktmechanismen und Bewertungsmodellen
  • Gängige Modelle: Black-Scholes, Binomialmodelle, Monte-Carlo-Simulationen
  • Zentrale Konzept: Arbitragefreiheit und Risikoneutralbewertung
  • Formeln: Pricing eines europäischen Call-Options unter Black-Scholes-Modell: \(C = S_0N(d_1) - Xe^{-rt}N(d_2)\) mit \(d_1 = \frac{{\ln(\frac{S_0}{X}) + (r + \frac{\sigma^2}{2})t}}{{\sigma\sqrt{t}}}\), \(d_2 = d_1 - \sigma\sqrt{t}\)
  • Diskontierungsfaktor: \(e^{-rt}\)
  • Risikolose Zinsrate: \(r\)

Regulatorische Anforderungen im Risikomanagement

Definition:

Regulatorische Anforderungen im Risikomanagement - Rahmenbedingungen und Verpflichtungen, die Finanzinstitute zur Steuerung von Risiken einhalten müssen

Details:

  • Basel III: neues globales Regulierungsrahmenwerk für die Eigenkapital- und Liquiditätsanforderungen
  • Solvency II: Vorgaben zur Eigenmittelausstattung von Versicherungen
  • MaRisk: Mindestanforderungen an das Risikomanagement in Deutschland
  • Stress-Tests: regelmäßige Überprüfungen zur Bewertung der Resilienz bei außergewöhnlichen wirtschaftlichen Entwicklungen
  • Reporting: umfassende Berichtspflichten an Aufsichtsbehörden

Verwendung von Zufallsalgorithmen zur Risikobewertung

Definition:

Verwendung von Zufallsalgorithmen zur Risikobewertung: Nutzung stochastischer Methoden und Monte-Carlo-Simulation zur Schätzung und Analyse von Risiken.

Details:

  • Zufallsalgorithmen: Algorithmen die Zufallszahlen nutzen.
  • Monte-Carlo-Simulation: Oft verwendet für Risikobewertungen, simuliert viele Szenarien um Wahrscheinlichkeiten zu bestimmen.
  • Vorteil: Kann komplexe und unsichere Systeme modellieren.
  • Nachteile: Rechenintensiv und erfordert viele Simulationen für Genauigkeit.
  • Anwendungen: Finanzmarktanalysen, Projektmanagementrisiken, Instabilitätsprognosen.
  • Beispiel Formel: \[ E[X] = \frac{1}{N} \sum_{i=1}^{N} X_i \] Durchschnittswert einer Zufallsvariablen über N Simulationen.

Mathematische Optimierung im Portfoliomanagement

Definition:

Optimierung der Portfoliozusammensetzung zur Maximierung der Rendite und Minimierung des Risikos unter gegebenen Randbedingungen. Verwendung von mathematischen Modellierungs- und Lösungstechniken.

Details:

  • Zielfunktion: \max E[R_p] - \frac{\lambda }{2} \sigma_p^2
  • Erwartungswert: \E[R_p] = \sum_{i=1}^{n} w_i \mu_i
  • Varianz: \sigma_p^2 = \sum_{i=1}^{n} \sum_{j=1}^{n} w_i w_j \sigma_{ij}
  • Mittler-Varianzanalyse (Markowitz-Modell)
  • Randbedingungen: \sum_{i=1}^{n} w_i = 1, \quad w_i \geq 0
  • Lösungsverfahren: Quadratische Programmierung, Monte-Carlo-Simulation
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden