ISBN: 9783689520069 - machine learning in empirical cat bond pricing (8 Ergebnisse)

Zustand: New.

Zustand: New. In English.

PAP. Zustand: New. New Book. Shipped from UK. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000.

PAP. Zustand: New. New Book. Delivered from our UK warehouse in 4 to 14 business days. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000.

Taschenbuch. Zustand: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 158 pp. Englisch.

Taschenbuch. Zustand: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Diese Dissertation befasst sich mit der Prognose von CAT-Bond-Risikoprämien. Sowohl auf dem Primärmarkt als auch auf dem Sekundärmarkt werden zu diesem Zweck klassische lineare Regressionsmodelle mit verschiedenen fortgeschrittenen Verfahren des maschinellen Lernens verglichen. Die Unterschiede in der Prognosegüte zwischen den unterschiedlichen Verfahren werden mittels Diebold-Mariano-Test auf Signifikanz überprüft. Auf beiden Märkten liefert ein Random Forest Ansatz die präzisesten Prognoseergebnisse. Fortgeschrittene Methoden des maschinellen Lernens haben gegenüber der traditionellen linearen Regression den Nachteil, dass sie oft als Blackbox angesehen werden. Für institutionelle Anleger kann ein Mangel an Transparenz die Anwendbarkeit von Methoden zur Preisprognose einschränken, da sie verpflichtet sind interpretierbare und erklärbare Methoden zu verwenden. Vor diesem Hintergrund werden in dieser Arbeit Verfahren zur Interpretation der aus dem Random Forest ableitbaren Variablenwichtigkeiten angewendet. Liegt kein Gewicht auf der Erklärbarkeit der Ergebnisse, so ist die Anwendung eines autoregressiven Modells zur Prognose von CAT-Bond-Sekundärmarktprämien ausreichend.…

Taschenbuch. Zustand: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Diese Dissertation befasst sich mit der Prognose von CAT-Bond-Risikoprämien. Sowohl auf dem Primärmarkt als auch auf dem Sekundärmarkt werden zu diesem Zweck klassische lineare Regressionsmodelle mit verschiedenen fortgeschrittenen Verfahren des maschinellen Lernens verglichen. Die Unterschiede in der Prognosegüte zwischen den unterschiedlichen Verfahren werden mittels Diebold-Mariano-Test auf Signifikanz überprüft. Auf beiden Märkten liefert ein Random Forest Ansatz die präzisesten Prognoseergebnisse. Fortgeschrittene Methoden des maschinellen Lernens haben gegenüber der traditionellen linearen Regression den Nachteil, dass sie oft als Blackbox angesehen werden. Für institutionelle Anleger kann ein Mangel an Transparenz die Anwendbarkeit von Methoden zur Preisprognose einschränken, da sie verpflichtet sind interpretierbare und erklärbare Methoden zu verwenden. Vor diesem Hintergrund werden in dieser Arbeit Verfahren zur Interpretation der aus dem Random Forest ableitbaren Variablenwichtigkeiten angewendet. Liegt kein Gewicht auf der Erklärbarkeit der Ergebnisse, so ist die Anwendung eines autoregressiven Modells zur Prognose von CAT-Bond-Sekundärmarktprämien ausreichend. 158 pp. Englisch.…

Taschenbuch. Zustand: Neu. Machine Learning in Empirical CAT Bond Pricing | Eileen Witowski | Taschenbuch | Englisch | 2024 | Cuvillier | EAN 9783689520069 | Verantwortliche Person für die EU: Cuvillier Verlag, Nonnenstieg 8, 37075 Göttingen, info[at]cuvillier[dot]de | Anbieter: preigu Print on Demand.…