Prüfung der Risikomethodik

Name: Fabi´an P´erez L´opez.

Datum: 26. Januar 2019.
Anweisungen:

■ Die Prüfung muss in weniger als 60 Minuten abgeschlossen werden.

■ Beantworten Sie, was in jedem Punkt verlangt wird, einschließlich aller verwendeten Annahmen. Wenn Sie
keine Definition für die Fragen 4 und 5 kennen, erfinden Sie sie, definieren Sie sie und verwenden Sie sie
entsprechend ihrer Definition.

■ Eine Zahl ist keine Antwort wert, wenn die verwendete Logik nicht enthalten ist.

Frage 1 Formale Definition der Ableitung einer Funktion f. Die Funktion f ist in einem if differenzierbar

f(a+h) -f(a) lım

h→0 H existiert
.
In diesem Fall wird der Grenzwert mit f (a) bezeichnet und als Ableitung von f in a bezeichnet. Wir sagen auch,
0

dass f differenzierbar ist, wenn f für alle a im Definitionsbereich von f in a differenzierbar ist.

Frage 2 Was stellt die zweite Ableitung einer Funktion intuitiv (nicht formal) dar? Als informelle Übersicht sagen
wir, dass eine Funktion f auf einem Intervall konvex ist, wenn für alle a und b dieses Intervalls das geradlinige
Segment, das (a, f (a)) mit (b, f (b)) verbindet, ist über dem Graphen von f (∪-förmiger Graph); Die Funktion f ist
konkav, wenn das geradlinige Segment unter dem Graphen von f liegt (∩-förmiger Graph). Wenn also f > 0, 00

bedeutet dies, dass f zunimmt, und nach den Sätzen der Elementarrechnung ist f konvex. Andernfalls, wenn f
0 00

< 0, nimmt f ab und daher ist f konkav. Dies ist, was die zweite Ableitung einer Funktion f darstellt. Eine wichtige
0

Verwendung der zweiten Ableitung bei der Ermittlung von Maxima und Minima ist der folgende Satz, den wir
formal formulieren.
Angenommen, f (a) = 0. Wenn f (a) > 0, dann hat f ein lokales Minimum bei a; wenn f (a) < 0, dann hat f ein
0 00 00

lokales Maximum bei a.

Frage 3 Was ist eine Wahrscheinlichkeitsfunktion und wozu dient sie bei der Parameterschätzung? Vor der
Antwort wird der Leser in einen Kontext gestellt, um die Definition, die in Kürze gegeben wird, besser zu
verstehen.
Ein F-statistisches Modell ist eine Reihe von Verteilungen (oder Dichten oder Regressionsfunktionen). Ein
parametrisches Modell ist eine Menge F, die durch eine endliche Anzahl von Parametern parametrisiert werden
kann. Nehmen wir beispielsweise an, dass die Daten aus einer Nor-Verteilung stammen falsch, dann ist das
Modell

F = f (x; µ, σ) = σ√2π exp - 2σ (x-µ)

2
2
: µ ∈ R, σ > 0 .

Dies ist ein Zwei-Parameter-Modell. Wir haben die Dichte als f (x; µ, σ) geschrieben, um zu zeigen, dass x ein
Wert der Zufallsvariablen ist, während µ und σ Parameter sind. Im Allgemeinen nimmt ein parametrisches Modell
die Form an

F = {f(x; θ) : θ ∈ Θ}

wobei θ ein unbekannter Parameter (oder Parametervektor) ist, der Werte im Parameterraum Θ annehmen kann.

1
Im Wesentlichen geht das Maximum-Likelihood-Prinzip davon aus, dass die Stichprobe repräsentativ für die
Grundgesamtheit ist, und wählt als Schätzer den Wert des Parameters, der die Wahrscheinlichkeitsdichtefunktion
(im Folgenden pdf) f(x; θ) maximiert. Nachfolgend geben wir die Definition der Likelihood-Funktion an.
Sei (X 1 , . . . , X n ) ein Zufallsvektor mit pdf f (x 1 , . . . , x n ; θ), θ ∈ Θ. Die Funktion

L(θ; x 1 , . . . , x n ) = f(x 1 , . . . , x n ; θ)

Als Funktion von θ betrachtet, wird sie Wahrscheinlichkeitsfunktion genannt.

Wenn X 1, . . . , X sind unabhängig und identisch verteilt (im Folgenden iid) mit pdf f (x; θ), die
n

Wahrscheinlichkeitsfunktion ist

L(θ; x 1 , . . . , x n ) = f(x i ; θ).

i=1

Sei andererseits Θ ⊆ R und X = (X , . . . , X ). Die Likelihood-Funktion wird verwendet, um daraus einen

k
1 n

Schätzer Θ(X) zu finden, der sie maximiert, d. h. eine Funktion Θ ˆ : R → R , die erfüllt
n k

L(θ; x , . . . , x ) = sup L(θ; x , . . . ,x ).

1 n 1 n (1)
θ∈Θ

Konstanten werden als Schätzer nicht unterstützt. Wenn ein θ existiert, das (1) erfüllt, nennen wir es Maximum-
Likelihood-Schätzer (im Folgenden MLE).

Frage 4 Sie haben ein Kreditportfolio, das Portfolio besteht zu einem bestimmten Stichtag f 1 nur aus 3 Krediten
und Sie wissen, dass alle Kredite entweder eine Laufzeit kleiner oder gleich einem Jahr haben; Dieses Portfolio
wird in den 12 Monaten nach dem Stichtag überwacht und folgende Verteilung der Ausfälle beobachtet:

■ Kredit 1 gerät nicht in Verzug,

■ Kredit 2 Ausfälle im Monat 11,

■ Kredit 3 fällt in den Monaten 4 und 9 aus (Ausfälle 2 Mal im Jahr).

Erhalten Sie mit den oben genannten Informationen die bestmögliche Schätzung der Wahrscheinlichkeit, dass ein
Kredit im nächsten Jahr ausfällt.
Wie in Problem 3 erwähnt, geht das Maximum-Likelihood-Prinzip davon aus, dass die Stichprobe repräsentativ
für die Grundgesamtheit ist, und wählt als Schätzer den Wert des Parameters, der af (x; θ) maximiert. Es wird
davon ausgegangen, dass die monatlichen Zahlungen jedes Kredits unabhängig sind.
Betrachten Sie die Zufallsvariable X ij = 0, wenn der Kredit i im Monat j ausfällt (i = 1, . . . , 3, j = 1, . . . , 12) oder X
ij = 1, wenn Kredit i im Monat j fällig ist; Sei p die Wahrscheinlichkeit der Erfüllung oder Zahlung. Dann schreiben

wir die Wahrscheinlichkeitsfunktion entsprechend der Stichprobe von Auszahlungen, die das Problem liefert (X =
(X 11 . . . , X 3 12 )).

2
 3 12
L(p,X) = YY p x ij
(1 - p) 1-x ij

i=1 j=1
= S. (1 – S.) S. (1 – S.) S. (1 – S.)
12 0 11 1 10 2

= p (1 - p) . 33 3

Beachten Sie, dass die Maximierung von L(p, X) äquivalent zur Maximierung von log(L(p,

log(L(p, X)) = log(p (1 - p) ) 33 3

= 33 log(p) + 3 log(1 - p).

daher
d
(log(L(p,X)))= 33 - 3

dp S. 1 - S (2)

Also
D
d
(log(L(p, X))) = dp
↔ 0
33 3
P 1S
↔
p= 0
1S
↔
33
p=
3

Daher ist die Wahrscheinlichkeit, dass ein Kredit im nächsten Jahr 11

.
ausfällt, höher 12
11 1
1-p=1- .
12 12
Um zu bestätigen, dass p = 1
ein Maximum für die Likelihood-Funktion ist und unter Berufung auf den am
1
1
2

Ende von Aufgabe 2 erwähnten Satz, leiten wir Gleichung (2) noch einmal ab.

d
2
33 3
(log(L(p, X))) dp
S. (1 - p)
2 2

= - / 33 3N
S. 2
(1 - p) 2

< 0 ∀p ∈ (0, 1).

Insbesondere ist diese Ableitung für p = negativ, was bestätigt, dass dieser Wert ein Maximum für die zuvor
1
1
1
2

angegebene Wahrscheinlichkeitsfunktion ist.

Frage 5 Es ist bekannt, dass die Wahrscheinlichkeit sinkt, dass ein Kredit mit einer Laufzeit von 6 Monaten
aufgenommen wird pla in den nächsten 6 Monaten ist p 1 (0 < p 1 < 1), wie hoch ist die Wahrscheinlichkeit, dass
dieser Kredit im nächsten Jahr ausfällt?

Frage 5 Es ist bekannt, dass die Wahrscheinlichkeit, dass ein Kredit mit einer Laufzeit von 6 Monaten in den
nächsten 6 Monaten ausfällt, p (0 < p < 1) ist. Wie groß ist die Wahrscheinlichkeit, dass dieser Kredit im nächsten
Jahr ausfällt?

3
Ich vermute, dass es mit Fragen der Ausfallwahrscheinlichkeit zu tun hat; Es war mir nicht möglich, es als solches
zu modellieren.

Frage 6 Wir haben zwei Vektoren x und y, so dass

[x 1 , . . . , x n ] [y , . . . , und ]
1 m

wobei m und n unterschiedliche positive ganze Zahlen sind, sind beide Vektoren so geordnet, dass x ≤ x 2 ≤ . . .
1

≤ x n yy 1 ≤ y 2 ≤ . . . ≤ und m . Erstellen Sie einen Pseudocode, um beide Vektoren zu einem einzigen Vektor w zu
verbinden, der beide Vektoren in aufsteigender Reihenfolge enthält, d. h. w = [w 1 , w 2 , . . . , w m+n ], sodass w i
ein Element von x oder i ein Element von y ist. Darüber hinaus muss der Vektor w Folgendes erfüllen: w ≤ w 1 2

≤ . . . w . Hinweis: Nutzt die Tatsache, dass beide Vektoren geordnet sind.

m+n

Definieren und initialisieren Sie den Vektor w der Länge m+n

w = (0,...,0)

Initialisieren Sie die Zähler i und j

i=1
j=1

while(i <= Länge(x) und j <= Länge(y))

{
if(x[i] <= y[j])
{
w[i+j-1] = x[i] Weisen Sie dem Eingang i+j-1 einen Wert zu
i = i + 1 Zähler erhöhen

ansonsten

w[i+j-1] = y[j] j=j+1

Die möglicherweise übriggebliebenen Werte werden zu w addiert, da die beiden Vektoren x und y unterschiedlich
lang sind. Da die x- und y-Vektoren bereits sortiert waren, müssen diese verbleibenden Werte nicht mehr sortiert
werden.

while(i <= Länge(x))

{
w[i+j-1] = x[i] i=i+1
}

while(j <= Länge(y))

{
w[i+j-1] = y[j]
j=j+1

4
}