Zusammenfassung
Das Marktpreisrisiko eines Portfolios besteht in potentiellen zukünftigen Vermögensverlusten durch Veränderungen der Marktpreise der in ihm enthaltenen Finanzinstrumente. Der Value- at-Risk quantifiziert eine Verlustschranke, die nach einem vorgegebenen Zeitraum mit einer vorgegebenen Wahrscheinlichkeit nicht überschritten wird. Die Schwierigkeit bei Portfolios mit nichtlinearer Verlustfunktion, insbes. mit Optionen, besteht darin, daß die gesuchte Verteilung, selbst bei Annahme multivariat normalverteilter Risikofaktoren, nicht analytisch bestimmt werden kann. Deshalb muß auf aufwendige Approximationen oder Simulationen unter teils restriktiven Annahmen zurückgegriffen werden. Künstliche Neuronale Netze sind bereits mehrfach zur Schätzung von Preisfunktionen für Optionen eingesetzt worden. Diese Ansätze, in erster Linie Punktschätzungen, werden aufgegriffen und zu Schätzungen der Verteilung von Optionspreisänderungen erweitert. Der Value-at-Risk wird schließlich auf Basis dieser prognostizierten Verlust vert eilung geschätzt.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
References
Bishop, C. M. (1994): Mixture Density Networks. Neural Computing Research Group, Department of Computer Science and Applied Mathematics, Aston University Birmingham.
Bishop, C. M. (1995): Neural Networks for Pattern Recognition. Clarendon Press, Oxford.
Britten-Jones, M. und Schaefer, S. M. (1999): Non-Linear Value-at-Risk. European Finance Review, 2:2, 161–187.
Christoffersen, P. F.(1998): Evaluating Interval Forecasts. International Economic Review, 39, 841–862.
Crnkovic, C. und Drachman, J.(1996): Quality Control. Risk Magazine, 9:9, 138–143.
Estrella, A. (1995): Taylor, Black and Scholes: Series Approximations and Risk Management Pitfalls. Federal Reserve Bank of New York, Research Paper 9501.
Herrmann, R. und Narr, A. (1997): Neural Networks and the Valuation of Derivatives — Some Insight into the Implied Pricing Mechanism of German Stock Index Options. Diskussionspapier Nr. 202, Institut für Entscheidungstheorie und Unternehmensforschung, Universität Karlsruhe.
Husmeier, D. (1999): Neural Networks for Conditional Probability Estimation — Forecasting Beyond Point Predictions. Springer, London, New York, Heidelberg.
Jordan, M. I. und Jacobs, R. A. (1994): Hierarchical Mixtures of Experts and the EM Algorithm. Neural Computation, 6, 181–214.
Patel, J. K. und Read, C. D. (1996): Handbook of the Normal Distribution. Marcel Dekker, New York.
Pichler, S. und Selitsch, K. (1999): A comparison of analytical VaR methodolodgies for portfolios that include options. Arbeitspapier, Technische Universität Wien.
Prinzler, R. (2000): Value-at-Risk-Schätzung mit Gauß’schen Mischverteilungen und künstlichen neuronalen Netzen. Dissertation, Technische Universität Dresden.
Zangari, P. (1996): A VaR Methodology for Portfolios that include Options. RiskMetrics Monitor, First Quarter, 4–12.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2001 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Locarek-Junge, H., Prinzler, R., Straßberger, M. (2001). Schätzung des Marktrisikos von Portefeuilles aus Aktien und Aktienoptionen. In: Fleischmann, B., Lasch, R., Derigs, U., Domschke, W., Rieder, U. (eds) Operations Research Proceedings. Operations Research Proceedings, vol 2000. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-56656-1_28
Download citation
DOI: https://doi.org/10.1007/978-3-642-56656-1_28
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-41587-9
Online ISBN: 978-3-642-56656-1
eBook Packages: Springer Book Archive