Andere Kunden interessierten sich auch für
![Prozessmanagement im Software Asset Management]( "Prozessmanagement im Software Asset Management")
Prozessmanagement im Software Asset Management39,99 €![Entwicklung eines Leitfadens für das Software-Asset-Management in mittelständischen und Großunternehmen mit Schwerpunkt auf dem korrekten Umgang mit Softwarelizenzen]( "Entwicklung eines Leitfadens für das Software-Asset-Management in mittelständischen und Großunternehmen mit Schwerpunkt auf dem korrekten Umgang mit Softwarelizenzen")
Entwicklung eines Leitfadens für das Software-Asset-Management in mittelständischen und Großunternehmen mit Schwerpunkt auf dem korrekten Umgang mit Softwarelizenzen47,95 €![Plant Asset Management unterstützt durch empirische Datenanalyse]( "Plant Asset Management unterstützt durch empirische Datenanalyse")
Plant Asset Management unterstützt durch empirische Datenanalyse49,00 €![Itil V3 Guide to Software Asset Management Book]( "Itil V3 Guide to Software Asset Management Book")
Itil V3 Guide to Software Asset Management Book84,99 €![Knowledge Asset Management]( "Knowledge Asset Management")
Knowledge Asset Management117,99 €![Knowledge Asset Management]( "Knowledge Asset Management")
Knowledge Asset Management75,99 €![Optimale ressourcenbeschränkte Projektplanung mit überlappenden Ereignissen]( "Optimale ressourcenbeschränkte Projektplanung mit überlappenden Ereignissen")
Optimale ressourcenbeschränkte Projektplanung mit überlappenden Ereignissen15,95 €
Diplomarbeit aus dem Jahr 1999 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,0, Universität Ulm (Unbekannt), Sprache: Deutsch, Abstract: Inhaltsangabe:Einleitung:
Aktive und quantitative Banksteuerung wird vor dem Hintergrund sinkender Margen und zunehmender Marktvolatilitäten immer wichtiger. Während das Instrumentarium zur Messung von Wert, Ertrag und Risiko auch mit Blick auf Softwarelösungen vielfältig ist, sind quantitative Methoden zur Findung der richtigen Steuerungsmaßnahmen bisher vernachlässigt worden. Die Mehrzahl der in der Praxis eingesetzten Techniken sind konzeptionell sehr einfach und ignorieren wichtige dynamische Elemente des Portfoliomanagements.
Die Studie von Michael Hänselmann (Universität Ulm) setzt an diesem Punkt an. In einer kurzen Einführung werden die Aufgaben und Anforderungen skizziert, die ein Asset-Liability Management Modell idealerweise erfüllen sollte. Das Problem wird mit Hilfe eines mehrstufigen stochastischen Entscheidungsmodells dargestellt, wobei die zukünftigen Szenarien aus dem Ho/Lee-Zinsstrukturmodell generiert werden.
Im Zentrum der Arbeit werden drei Lösungsansätze vorgeschlagen, wobei neben der klassischen linearen Optimierung ein Aggregationsalgorithmus, der das Größenwachstum der Szenarienbäume reduziert, und ein Genetischer Algorithmus zur Anwendung kommen.
An einer konkreten Modellbank wird gezeigt wie die Lösungsansätze mittels eigener C-Programme umgesetzt werden können und wie sensitiv die optimale Lösung auf eine Veränderung wichtiger Steuerungsparameter reagiert.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Einleitung1
2.Asset-Liability Management3
2.1Notwendigkeit des ALM3
2.2Risikoursachen und Risikomessung5
2.2.1Unternehmensziele und -risiken5
2.2.2Risikofaktoren6
2.3ALM-Techniken7
3.Das ALM -Modell10
3.1Modellbeschreibung10
3.2Notation13
3.3Modelleigenschaften15
3.3.1Arbitragefreie Szenarien15
3.3.2Benötigte Inputdaten17
3.3.3Größenordnung des ALM-Programms18
4.Lösungsansätze19
4.1Lineare Optimierung mit CPLEX19
4.1.1Das Zinsstrukturmodell nach Ho und Lee19
4.2Aggregationsmethoden24
4.2.1Zustands-Aggregation24
4.2.2Zeit-Aggregation27
4.2.3Das aggregierte ALM-Modell28
4.2.4Disaggregationsalgorithmus32
4.3Genetische Algorithmen33
4.3.1Genetischer Code33
4.3.2Genetische Operatoren34
4.3.3Das Schemata-Konzept41
4.3.4Bewertung Genetischer Algorithmen43
4.3.5Genetische Algorithmen und das ALM-Modell44
5.Anwendungsbeispiel45
5.1Modellvoraussetzungen45
5.1.1Bestimmung der Zinsstruktur46
5.1.2Bestimmungsgrößen der Bilanzstruktur48
5.1.3Eigenschaften der Bilanzposten im Modell52
5.1.4Bilanzstrukturveränderungen im Zeitablauf54
5.1.5Zahlungsverpflichtungen der Bank56
5.1.6Rechtliche Rahmenbedingungen57
5.1.7Bankinterne Restriktionen58
5.2Simulationsergebnisse60
5.2.1CPLEX60
5.2.2Genetische Algorithmen67
5.2.3Aggregationsmethoden72
6.Zusammenfassung und Ausblick74
A.Optionspreisbestimmung76
B.Anwendungsbeispiel78
B.1Zinsstrukturentwicklung für T = 378
B.2Bilanzentwicklung80
Literaturverzeichnis82
Aktive und quantitative Banksteuerung wird vor dem Hintergrund sinkender Margen und zunehmender Marktvolatilitäten immer wichtiger. Während das Instrumentarium zur Messung von Wert, Ertrag und Risiko auch mit Blick auf Softwarelösungen vielfältig ist, sind quantitative Methoden zur Findung der richtigen Steuerungsmaßnahmen bisher vernachlässigt worden. Die Mehrzahl der in der Praxis eingesetzten Techniken sind konzeptionell sehr einfach und ignorieren wichtige dynamische Elemente des Portfoliomanagements.
Die Studie von Michael Hänselmann (Universität Ulm) setzt an diesem Punkt an. In einer kurzen Einführung werden die Aufgaben und Anforderungen skizziert, die ein Asset-Liability Management Modell idealerweise erfüllen sollte. Das Problem wird mit Hilfe eines mehrstufigen stochastischen Entscheidungsmodells dargestellt, wobei die zukünftigen Szenarien aus dem Ho/Lee-Zinsstrukturmodell generiert werden.
Im Zentrum der Arbeit werden drei Lösungsansätze vorgeschlagen, wobei neben der klassischen linearen Optimierung ein Aggregationsalgorithmus, der das Größenwachstum der Szenarienbäume reduziert, und ein Genetischer Algorithmus zur Anwendung kommen.
An einer konkreten Modellbank wird gezeigt wie die Lösungsansätze mittels eigener C-Programme umgesetzt werden können und wie sensitiv die optimale Lösung auf eine Veränderung wichtiger Steuerungsparameter reagiert.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Einleitung1
2.Asset-Liability Management3
2.1Notwendigkeit des ALM3
2.2Risikoursachen und Risikomessung5
2.2.1Unternehmensziele und -risiken5
2.2.2Risikofaktoren6
2.3ALM-Techniken7
3.Das ALM -Modell10
3.1Modellbeschreibung10
3.2Notation13
3.3Modelleigenschaften15
3.3.1Arbitragefreie Szenarien15
3.3.2Benötigte Inputdaten17
3.3.3Größenordnung des ALM-Programms18
4.Lösungsansätze19
4.1Lineare Optimierung mit CPLEX19
4.1.1Das Zinsstrukturmodell nach Ho und Lee19
4.2Aggregationsmethoden24
4.2.1Zustands-Aggregation24
4.2.2Zeit-Aggregation27
4.2.3Das aggregierte ALM-Modell28
4.2.4Disaggregationsalgorithmus32
4.3Genetische Algorithmen33
4.3.1Genetischer Code33
4.3.2Genetische Operatoren34
4.3.3Das Schemata-Konzept41
4.3.4Bewertung Genetischer Algorithmen43
4.3.5Genetische Algorithmen und das ALM-Modell44
5.Anwendungsbeispiel45
5.1Modellvoraussetzungen45
5.1.1Bestimmung der Zinsstruktur46
5.1.2Bestimmungsgrößen der Bilanzstruktur48
5.1.3Eigenschaften der Bilanzposten im Modell52
5.1.4Bilanzstrukturveränderungen im Zeitablauf54
5.1.5Zahlungsverpflichtungen der Bank56
5.1.6Rechtliche Rahmenbedingungen57
5.1.7Bankinterne Restriktionen58
5.2Simulationsergebnisse60
5.2.1CPLEX60
5.2.2Genetische Algorithmen67
5.2.3Aggregationsmethoden72
6.Zusammenfassung und Ausblick74
A.Optionspreisbestimmung76
B.Anwendungsbeispiel78
B.1Zinsstrukturentwicklung für T = 378
B.2Bilanzentwicklung80
Literaturverzeichnis82