25 Arbeiten
Dieser Artikel untersucht die Pareto-optimale Risikoteilung zwischen Agenten mit heterogenen, nicht notwendigerweise risikoscheuen Verzerrungsrisikomaßen und leitet unter milden Annahmen explizite Lösungen für die inf-Convolution sowie deren counter-monotone Variante ab, die sich durch eine Verallgemeinerung von Verzerrungsrisikomaßen darstellen lassen.
Diese Arbeit entwickelt ein kontinuierliches stochastisches Modell zur Optimierung von Cybersicherheitsinvestitionen unter Berücksichtigung von gehäuften Angriffen mittels eines Hawkes-Prozesses und zeigt, dass die Einbeziehung realistischer Bedrohungsdynamiken zu effektiveren Investitionsstrategien führt als statische oder Poisson-basierte Ansätze.
Diese Studie widerlegt die gängige Annahme, dass Diversifikation immer das Risiko senkt, indem sie zeigt, dass bei schweren Verteilungsschwänzen mit unendlichem Erwartungswert ein diversifiziertes Portfolio im Vergleich zu einem zufällig gewählten Einzelrisiko („One-Basket"-Benchmark) eine höhere Wahrscheinlichkeit für Verluste über beliebige Schwellenwerte aufweisen kann.
Die Arbeit stellt Slippage-at-Risk (SaR) als einen neuartigen, auf der aktuellen Orderbuch-Mikrostruktur basierenden Rahmen vor, der den Liquiditätsrisiko- und Liquidationsausführungsrisiko für Perpetual-Futures-Börsen proaktiv bewertet und durch empirische Analysen sowie eine Konzentrationanpassung die Optimierung der Kapitalanforderungen unterstützt.
Diese Arbeit stellt ein einheitliches Framework vor, das mithilfe von Bilanzzahlen die mehrschichtige Struktur der Wirtschaft rekonstruiert und die Ausbreitung von Schocks sowie systemische Risiken analysiert, um detaillierte Stresstests ohne Zugriff auf vertrauliche Netzwerkdaten zu ermöglichen.
Die Studie stellt eine effiziente Ensemble-Methode auf Basis der Gauß-Prozess-Regression vor, die für US-Aktien von 1962 bis 2016 sowohl statistisch als auch wirtschaftlich überlegene Renditevorhersagen liefert und durch die Einbeziehung von Unsicherheiten in ein mean-variance-optimiertes Portfolio eine signifikante Outperformance gegenüber dem S&P 500 ermöglicht.
Dieses Papier entwickelt einen nichtstandardanalytischen Rahmen für kohärente Risikomaße und deren Schätzer, der hyperendliche Darstellungen, diskrete Kusuoka-Formeln und asymptotische Eigenschaften wie Konsistenz, Bootstrap-Gültigkeit und asymptotische Normalität vereint, um eine transparente Verbindung zwischen Wahrscheinlichkeitstheorie und Statistik herzustellen.
Die Arbeit stellt Calibrated Credit Intelligence (CCI) vor, ein Framework, das Bayesianische neuronale Netze, fairheitsbeschränkte Gradient Boosting-Modelle und eine schiftbewusste Fusionsstrategie kombiniert, um unter sich ändernden Datenverteilungen zuverlässige, gut kalibrierte und faire Kreditrisikobewertungen zu gewährleisten.
Der Artikel stellt Generative Adversarial Regression (GAR) vor, ein Framework, das durch eine Minimax-Formulierung und die Ausrichtung auf nachgelagerte Risikofunktionale wie VaR und ES realistische, bedingte Risikoszenarien generiert, die unter adversarisch ausgewählten Politiken robuster und genauer sind als herkömmliche Baselines.
Die Studie stellt ein hybrides Hidden-Markov-Modell vor, das diskrete Marktzustände mit einem Poisson-Sprungmechanismus kombiniert, um synthetische Aktienrenditen zu erzeugen, die sowohl die Verteilungseigenschaften als auch die zeitliche Struktur und Volatilitätsclustering realer Marktdaten besser abbilden als bestehende Ansätze wie GARCH oder Standard-HMMs.
Diese Arbeit stellt den gewichteten generalisierten Risikomaß (WGRM) und das gewichtete Risikoviereck (WRQ) vor, die heterogene Risikobewertungen synthetisieren, analytisch charakterisieren und durch Umformulierung in lineare Programme sowie empirische Tests an US-Aktienindizes eine robuste und rechnerisch effiziente Entscheidungsfindung ermöglichen.
Die Arbeit stellt ein zweistufiges stochastisches Kontrollmodell für Market-Making in RFQ-Märkten vor, das die Wechselwirkung zwischen schnellen Bestandsdynamiken und langsamen Promotions-Scores analysiert und dabei komplexe Phänomene wie Bistabilität sowie einen endogenen Wechsel zwischen Kampagnen- und Ernte-Strategien aufzeigt.
Diese Arbeit stellt neue Fourier-RQMC-Verfahren vor, die durch die Kombination von Fourier-Inversionstechniken und randomisierter Quasi-Monte-Carlo-Sampling die numerische Schätzung multivariater Shortfall-Risiken und optimaler Allokationen im Frequenzbereich effizienter und genauer machen als herkömmliche Monte-Carlo-Ansätze.
Dieses Papier entwickelt robuste obere und untere Schranken für funktionale der Lebensdauer unter Berücksichtigung von Lebenstabellenbeschränkungen, um die Unsicherheit bei der Bewertung von Lebensversicherungsverträgen infolge fehlender Informationen über die Sterblichkeit zwischen ganzen Altersstufen zu quantifizieren.
Diese Arbeit entwickelt arbitragefreie Prämien für Katastrophen-Rückversicherungsverträge mit einem zusammengesetzten dynamischen Kontagionsprozess, um die wachsenden Risiken durch Klimawandel, Cyberangriffe und Pandemien zu bewerten, und vergleicht diese numerisch mit anderen Modellen sowie durch Sensitivitätsanalysen.
Die Arbeit zeigt, dass die Subadditivität des Value-at-Risk für nicht-negative Zufallsvariablen nur im degenerierten Fall der perfekten Komonotonie möglich ist, und charakterisiert gleichzeitig Bedingungen für die vollständige Superadditivität durch negative Simplex-Abhängigkeit und Simplex-Dominanz.
Dieser Artikel untersucht die optimale, versicherungsmathematisch faire Risikoallokation in dezentralen Netzwerken, bei der nur verbundene „Freunde" Risiken teilen können, und charakterisiert dabei sowohl allgemeine lineare Teilungsregeln als auch einen speziellen Fall, der eine Verbindung zum Graph-Laplacian herstellt.
Dieses Papier vertieft die Diskussion um eine neue, auf dem klassischen Chain-Ladder-Verfahren basierende Perspektive für das individuelle Schadenreservierung, um eine praktikable und robuste Standardmethode für die Mikroebene zu etablieren.
Die Studie vergleicht verschiedene Überlebensmodelle zur Schätzung der zeitlichen Struktur von Kreditausfallrisiken unter IFRS 9 und stellt fest, dass das diskrete Hazard-Modell die anderen Zwei-Stufen-Modelle übertrifft, während ein einstufiges Modell aufgrund der spezifischen Verteilung der Ausfallverluste dennoch die besten Ergebnisse liefert.
Die Studie stellt zwei reinforcement-learning-basierte Rahmenwerke vor, die durch die Berücksichtigung von Ausfallwahrscheinlichkeiten die Effektivität des autonomen Options-Hedgings verbessern und nachweislich das Tail-Risiko sowie die finanzielle Stabilität in Stressszenarien erhöhen.