Zusammenfassung
Zur Bestimmung des Marktrisikos eines Portfolios existieren verschiedene statistische Verfahren. Mögliche Verluste aus dem Portfolio werden häufig in Form des Value-at-Risk ausgedrückt. Der vorliegende Beitrag hat zum Ziel, die Einsatzmöglichkeiten Künstlicher Neuronaler Netze (KNN) bei der Bestimmung des Value-at-Risk aufzuzeigen. KNN verfügen über weitreichende approximative Fähigkeiten und stellen eine sinnvolle Erweiterung des bestehenden statistischen Instrumentariums dar. Anhand eines Fremdwährungs-Portfolios soll die Leistungsfähigkeit eines konnektionistischen Value-at-Risk-Modells untersucht werden. Die dabei erzielten Ergebnisse werden mit anderen Value-at-Risk-Modellen verglichen.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Basler Ausschuß für Bankenaufsicht (1996a): Überblick über die Rahmenbedingungen der Eigenkapitalvereinbarung zur Einbeziehung der Marktrisiken. Basel
Basler Ausschuß für Bankenaufsicht (1996b): Aufsichtsrechtliches Rahmenkonzept für Backtesting (Rückvergleiche) bei der Berechnung des Eigenkapitalbedarfs zur Unterlegung des Marktrisikos mit bankeigenen Modellen. Basel
Bishop, C.M. (1994): Mixture Density Networks. Technical Report NCRG/94/004, Neural Computing Research Group, Aston University, Birmingham
Bishop, C.M. (1995): Neural Networks for Pattern Recognition. Clarendon Press, Oxford
Bollerslev, T.; Chow, R.; Kroner, K. (1992): ARCH-Modeling in Finance: A Review of the Theory and Empirical Evidence. Journal of Economics 52 (1–2): 5–59
Butler, J.S.; Schachter, B. (1996): Improving Value-at-Risk Estimates by Combining Kernel Estimation with Historical Simulation. Vanderbilt University, Nashville, TN/Controller of the Currency, Washington DC
Büning, H.; Trenkler, G. (1994): Nichtparametrische statistische Methoden. 2. Aufl., Walter de Gruyter, Berlin
Engle, R. (1982): Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation.Econometrica 50 (4)
Fallon, W.(1996): Calculating Value-at-Risk. Wharton Financial Institutions Center, No. 96–46
Hendricks, D. (1996): Evaluation of Value-at-Risk Models Using Historical Data. Economic Policy Review: 39–70
Hsieh, D.A. (1993): Implications of Nonlinear Dynamics for Financial Risk Management. Journal of Financial and Quantitative Analysis 28 (1): 39–70
Homik, K.; Stinchcombe, M.; White, H. (1989): Multilayer Feed-forward Networks are Universal Approximators. Neural Networks 2: 359–368
Jorion, P. (1996): Risk2: Measuring the Risk in Value-at-Risk.Financial Analysts Journal: 47–56
Jorion, P. (1997): Value at Risk: The new Benchmark for Controlling Market Risk. Irwin, Chicago/London/Singapore
Kupiec, P. (1995): Techniques for Verifying the Accuracy of Risk Measurement Methods. Jorunal of Derivatives 2: 73–84
Morgan, J.P.; Reuters (1996): RiskMetricsTM-Technical Document. 4. Aufl., Morgan Guaranty Trust Company, Reuters Ltd. New York
Ridder, T (1996): Quantilschätzer zur Analyse des Value-at-Risk. Preprint, SGZ-Bank, Frankfurt a.M./Karlsruhe
Shiller, R.J. (1989): Market Volatility. The MIT Press, Cambridge/Massachusetts
White, H. (1989): Learning in Artifical Neural Networks: A Statistical Perspective. Neural Computation 1: 425–464
Williams, P.M. (1996): Using Neural Networks to Model Conditional Multivariate Densities. Neural Computation 8: 843–854
Author information
Authors and Affiliations
Editor information
Rights and permissions
Copyright information
© 1998 Friedr. Vieweg & Sohn Verlagsgesellschaft mbH, Braunschweig/Wiesbaden
About this chapter
Cite this chapter
Locarek-Junge, H., Prinzler, R. (1998). Die Beurteilung von Marktrisiken mit Künstlichen Neuronalen Netzen. In: Biethahn, J., Hönerloh, A., Kuhl, J., Leisewitz, MC., Nissen, V., Tietze, M. (eds) Betriebswirtschaftliche Anwendungen des Soft Computing. Computational Intelligence. Vieweg+Teubner Verlag. https://doi.org/10.1007/978-3-322-86843-5_7
Download citation
DOI: https://doi.org/10.1007/978-3-322-86843-5_7
Publisher Name: Vieweg+Teubner Verlag
Print ISBN: 978-3-528-05596-7
Online ISBN: 978-3-322-86843-5
eBook Packages: Springer Book Archive