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