Varianzminimierung in stochastischen Modellen
Lösungsansätze
Versandkostenfrei!
Versandfertig in 6-10 Tagen
49,00 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Bei der Portfolioerstellung wird der normale Investorversuchen seinen erwarteten Ertrag zu maximieren,während er gleichzeitig versucht sein Risiko, das oftdurch einen Varianzterm dargestellt wird, zuminimieren. Bei dualen Entscheidungsproblemen kanndie Unsicherheit, die durch einen Varianztermcharakterisiertwerden kann, entscheidend durch aktives Lernengemindert werden. Zwar trifft man bei praktischenAnwendungen immer wieder aufVarianzminimierungsprobleme, aber dieVarianzminimierung ist bei der Optimierung einbekanntes Problem. Dies ist auf die Eigenschaften derNichtkonvexität und Nichtsepar...
Bei der Portfolioerstellung wird der normale Investor
versuchen seinen erwarteten Ertrag zu maximieren,
während er gleichzeitig versucht sein Risiko, das oft
durch einen Varianzterm dargestellt wird, zu
minimieren. Bei dualen Entscheidungsproblemen kann
die Unsicherheit, die durch einen Varianzterm
charakterisiert
werden kann, entscheidend durch aktives Lernen
gemindert werden. Zwar trifft man bei praktischen
Anwendungen immer wieder auf
Varianzminimierungsprobleme, aber die
Varianzminimierung ist bei der Optimierung ein
bekanntes Problem. Dies ist auf die Eigenschaften der
Nichtkonvexität und Nichtseparabilität
zurückzuführen. Die traditionelle stochastische
Entscheidungstheorie beschäftigt
sich mit einem einzigen zu minimierenden Objekt, dem
Erwartungswert der Zielfunktion. In diesem Buch wird
ein neuartiger Lösungsansatz für
Varianzminimierungsprobleme
vorgestellt. Es werden Konvexitäts- und
Seperationsschemata benutzt, um die analytischen und
rechnerischen Schwierigkeiten in der
Varianzminimierung zu umgehen.
Dieses Buch richtet sich an Portfolioanalysten und
Risikocontroller, die mit den Grundlagen des
Operations Research und der Statistik vertraut sind.
versuchen seinen erwarteten Ertrag zu maximieren,
während er gleichzeitig versucht sein Risiko, das oft
durch einen Varianzterm dargestellt wird, zu
minimieren. Bei dualen Entscheidungsproblemen kann
die Unsicherheit, die durch einen Varianzterm
charakterisiert
werden kann, entscheidend durch aktives Lernen
gemindert werden. Zwar trifft man bei praktischen
Anwendungen immer wieder auf
Varianzminimierungsprobleme, aber die
Varianzminimierung ist bei der Optimierung ein
bekanntes Problem. Dies ist auf die Eigenschaften der
Nichtkonvexität und Nichtseparabilität
zurückzuführen. Die traditionelle stochastische
Entscheidungstheorie beschäftigt
sich mit einem einzigen zu minimierenden Objekt, dem
Erwartungswert der Zielfunktion. In diesem Buch wird
ein neuartiger Lösungsansatz für
Varianzminimierungsprobleme
vorgestellt. Es werden Konvexitäts- und
Seperationsschemata benutzt, um die analytischen und
rechnerischen Schwierigkeiten in der
Varianzminimierung zu umgehen.
Dieses Buch richtet sich an Portfolioanalysten und
Risikocontroller, die mit den Grundlagen des
Operations Research und der Statistik vertraut sind.
Andere Kunden interessierten sich für
