Seminar Risikomanagement Themen Lst. Buhl
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Universität Augsburg
Prof. Dr. Hans Ulrich Buhl
Kernkompetenzzentrum
Finanz- & Informationsmanagement
Seminar Projektgruppe Wirtschaftsinformatik
des Fraunhofer FIT
Risikomanagement Lehrstuhl für BWL, Wirtschaftsinformatik,
Informations- & Finanzmanagement
Themen Lst. Buhl Elitenetzwerk-Studiengang
Finanz- & Informationsmanagement
www.fim-rc.de
www.fit.fraunhofer.de/wi
Thema 1
Steuerung von strategischem Risiko im
Innovationsmanagement
Hintergrund:
• Die zunehmende Digitalisierung und technologische Entwicklung sowie ein sich wandelndes Nutzer- und Kundenverhalten
bewirken eine Veränderung der vorherrschenden Marktparadigmen (Disruption).
• Diese Veränderungen bedrohen etablierte Geschäftsmodelle und zwingen Unternehmen zur Anpassung an die dynamischen
Rahmenbedingungen.
• Das stellt Unternehmen vor die Herausforderungen, die resultierenden Disruptionsrisiken individuell zu bewerten und somit
sinnvolle Maßnahmen zur Steigerung der Innovationsfähigkeit abzuleiten.
Mögliche Fragestellungen:
• Wie lässt sich das Risiko einer Disruption für Marktteilnehmer klassifizieren und bewerten?
• Welche Maßnahmen zur Sicherung der Zukunftsfähigkeit von Geschäftsmodellen lassen sich für die jeweiligen Risiken
ableiten?
• Wie können Investitionsentscheidungen in innovative Technologien unter Berücksichtigung von Disruptions-Risiken bewertet
werden?
Literaturvorschläge:
• Nechaev et al., 2017. Analysis of risk management in innovation activity process. Proceedings of the 2017 International
Conference "Quality Management, Transport and Information Security, Information Technologies"
• Lindgren, 2019. Disruptive, Radical and Incremental Multi Business Model Innovation. 6th Global Wireless Summit
• Häckel et al., 2018. Determining optimal Strategies for Investments in an Emerging IT Innovation. ECIS 2018
• Herstatt and Verworn, 2007. Management der frühen Innovationsphasen.
Betreuer: Bastian Stahl
2 • Seminar Risikomanagement •Themen Lst. Buhl WS 2019/2020 © FIM KernkompetenzzentrumThema 2
Risiken digitaler, datenbasierter Geschäftsmodelle in
Industrieunternehmen
Hintergrund:
• Durch die Digitalisierung werden mittels Sensoren und Vernetzung von Objekten große Datenmengen erzeugt, welche die
Basis für digitale, datenbasierte Services und Geschäftsmodelle darstellen.
• „Traditionelle“ Industrieunternehmen entwickeln basierend auf digitalen Technologien zusätzlich zu den bisherigen
physischen Produktangeboten datenbasierte Services (z.B. Predicitve Maintenance), wodurch hybride Produkte im Rahmen
digitaler Geschäftsmodelle entstehen.
• Durch den Wandel zur digitalen, hybriden Wertschöpfung resultieren neue Risiken für Industrieunternehmen wie bspw. IT-
Security Risiken.
Mögliche Fragestellungen:
• Welche Chance ergeben sich für Industrieunternehmen durch die Entwicklung digitale, datenbasierte Geschäftsmodelle?
• Was sind Herausforderungen bei der Entwicklung digitaler, datenbasierter Geschäftsmodelle und welche Risiken entstehen
dabei? Wie lassen sich diese Risiken strukturieren und klassifizieren?
• Was sind geeignete Ansätze aus dem Risikomanagement, um mit diesen Risiken zielgerichtet umzugehen?
Literaturvorschläge:
• Iansiti and Lakhani (2014) Digital Ubiquity - How Connections, Sensors, and Data are Revolutionizing Business. Harvard
Business Review 92(11), pp.90-99.
• Fraunhofer IAO (2010) Management Hybrider Wertschöpfung – Potenziale, Perspektiven und praxisorientierte Beispiele.
• Fleisch et al. (2015) Geschäftsmodelle im Internet der Dinge. Zfbf 67, pp.444-464.
• Tupa et al. (2017) Aspects of Risk Management Implementation for Industry 4.0. Procedia Manufacturing 11, pp. 1223–1230.
Betreuer: Christian Ritter
3 • Seminar Risikomanagement •Themen Lst. Buhl WS 2019/2020 © FIM KernkompetenzzentrumThema 3
Energieeffizienzversicherungen – Entwicklung von
Maßnahmen gegen Moral Hazard und Adverse Selection
Hintergrund:
• Die Politik hat sich u.a. im Rahmen des Pariser Übereinkommens zu ambitionierten Klimaschutzzielen für 2050 verpflichtet. Um diese zu erreichen müssen
insbesondere auch im Gebäudesektor Investitionen in Energieeffizienzmaßnahmen (u.a. Dachsanierung, Außenwanddämmung, etc.) getätigt werden.
• Aktuell liegen die Investitionen jedoch deutlich unter den Anforderungen. Grund hierfür ist, dass verschiedenen Einflussfaktoren wie Wetter und
Energiepreis das ökonomische Potenzial schwer vorhersagbar machen.
• Subjektiven Risikowahrnehmung und Risikoaversion führen dann zur Ablehnung von Energieeffizienzmaßnahmen. Um dem entgegenzuwirken, bieten sich
innovative Energieeffizienzversicherungen an. Diese ermöglichen einen Risikotransfer, da Finanzdienstleister dem Versicherungsnehmer einen
Mindestlevel an jährlichen Einsparungen garantieren.
• Eine solche Versicherung ist jedoch besonders interessant für Haushalte mit überdurchschnittlichem Energieverbrauch. Außerdem neigen
Versicherungsnehmer zu einem höheren Energieverbrauch nach Abschluss einer Energieeffizienzversicherung. Diese beiden Phänomene sind bekannt als
Moral Hazard und Adverse Selection und führen wiederum seitens der Versicherer zu einem erhöhten Risiko finanzieller Verluste.
Fragestellungen:
• Welche verschiedene Arten von Energieeffizienzversicherung gibt es aktuell in der Literatur?
• Welchen Einfluss hat eine Energieeffizienzversicherung auf die Investitionsentscheidung in Energieeffizienzmaßnahmen?
• Welchen Einfluss hat eine Energieeffizienzversicherung auf das Konsumverhalten und den Energieverbrauch?
• Wie könnten Maßnahmen gegen Adverse Selection und Moral Hazard in diesem Zusammenhang konzipiert sein?
Literaturvorschläge:
• Mai, M. et al. (2014): Transaktionskosten bei Energieeffizienz-Investitionen in Unternehmen. In: Zeitschrift für Energiewirtschaft 38 (4), S. 269-279.
• Mills, E. (2003): Risk transfer via energy-savings insurance. In: Energy Policy 31 (3), S. 273-281.
• Baltuttis, D. et al (2019): Managing the risks of energy efficiency measures: An actuarial diversification approach. In: International review of financial
analysis 31 (12), S. 1257-1272.
• Grubel, H.G. (1971): Risk Uncertainty and Moral Hazard. In: The Journal of Risk and Insurance, S. 99-106.
• Akerlof, G.A. (1978): The market for “lemons”. Quality uncertainty and the market mechanism. In: Uncertainty in Economics, S. 235-251
Betreuer: Christian Wiethe
4 • Seminar Risikomanagement •Themen Lst. Buhl WS 2019/2020 © FIM KernkompetenzzentrumSeminar Risikomanagement
Wintersemester 2019/20
Seminar Risikomanagement
Themen des LSt. für Statistik
Prof. Dr. Yarema Okhrin
WiSe 19/20Thema 4: Shrinkage-Verfahren in der
Portfoliooptimierung: Eine empirische Out-of-
Sample-Studie
Hintergrund: „Optimale“ Portfolios, welche auf Basis der Markowitz‘schen Mean-Variance (MV)-Optimierung konstruiert werden, sind
durch verschiedene Autoren wie Michaud (1989) wegen ihrer Anfälligkeit für Schätzfehler kritisiert worden. Eine Folge von
Portfoliogewichten, welche mit Unsicherheit geschätzt werden, sind stark fluktierende Portfoliogewichte im Zeitverlauf, welche die Rendite
des Investors negativ beeinträchtigen. Michaud (1989) bezeichnet die MV-Optimierung daher plakativ als „error maximizer“. Da die
Varianz-Kovarianzmatrix die Basis des „optimalen“ Portfolios bildet, ist folglich zu hinterfragen, ob hier den Daten vollkommen vertraut
werden soll. Einen Verbesserungsansatz bieten Shrinkage-Ansätze wie jene von Ledoit und Wolf (2003 und 2004), welche daran ansetzen,
die Kovarianzmatrix für die Portfoliooptimierung auf Basis eines gewichteten Durchschnitts der Kovarianzmatrix des Single-Index-Model
von Sharpe (1963) und der aus der MV-Optimierung resultierenden Kovarianzmatrix.
Fragestellungen:
• Das Portfolio auf Basis der MV-Optimierumg (Minimum-Varianz) muss mit Portfolios, welche den Shrinkage-Ansatz von Ledoit und Wolf
(2003, 2004) verwenden und einem 1/N-Portfolio verglichen und theoretisch sowie empirisch vorgestellt werden
• Hierbei muss eine Expanding- oder Rolling-Window-Methodik in der Statistiksprache R eingesetzt werden
• Verglichen werden müssen sowohl die Portfoliogewichte, ein Vermögensverlauf als auch die echte Out-of-Sample-Performance der
betrachteten Portfolios
• Die Out-of-Sample-Performance der Portfolios muss hierbei mit Hilfe verschiedener geeigneter Kennzahlen verglichen werden
• Die empirischen Teile der Arbeit müssen in der Programmiersprache R umgesetzt werden (Hierbei können natürlich existente Pakete
von R genutzt werden)
Literatur:
• Ledoit, O., Wolf, M., 2003. Improved estimation of the covariance matrix of stock returns with an application to portfolio selection,
Journal of Empirical Finance 10, 603-621.
• Ledoit, O., Wolf, M., 2004. Honey, I Shrunk the Sample Covariance Matrix, The Journal of Portfolio Management 30 (4), 110-119.
• Michaud, R. O., 1989. The Markowitz Optimization Enigma: Is ‘Optimized’ Optimal?, Financial Analysts Journal 45 (1), 31-42.
• R-Pakete “RiskPortfolios“, „Portfolio Analytics“, „tawny“ und weitere selbst recherchierte Pakete
• Ein geeigneter, langjähriger multivariater Datensatz (Minimum 300 Datenpunkte, monatliche Frequenz) ist selbständig zu wählen
• Eigene Recherche
Betreuer: Sebastian HeidenThema 5: Copulas – Schätzverfahren,
Anpassungstests und VaR
Hintergrund:
• Eine häufige Annahme in der Finanzmarktökonometrie ist, dass Renditen verschiedener Assets mittels
der multivariaten Normalverteilung beschrieben werden können.
• Copulas stellen eine flexiblere Methode zur Modellierung multivariater Abhängigkeiten dar.
Fragestellungen:
• Es sind zunächst die Grundlagen der Copula-Theorie sowie die verschiedenen Copula-Familien darzustellen.
• Für verschiedene empirische Daten sind Copulas zu schätzen und anzupassen. Die Güte der Anpassung ist mittels der
multivariaten Erweiterung des Kolmogorov-Smirnoff-Tests zu testen.
• Die geschätzten Copulas sind für die Monte-Carlo-Simulation des VaR für diverse Portfolios zu verwenden.
• Die empirischen Teile der Arbeit müssen in der Programmiersprache R umgesetzt werden (Hierbei können natürlich
existente Pakete von R genutzt werden).
Literatur:
• Embrechts, P., McNeil, A., Straumann, D. (2002). Correlation and dependence in risk management: properties
and pitfalls. Risk management: value at risk and beyond, S. 176-223.
• Nelsen, R. B. (1999). An Introduction to Copulas, Springer, New York.
• Eigene Recherche
Betreuer:
Eugen IvanovThema 6: Risikomanagement bei
extremen Risiken
Hintergrund: Bei der Modellierung extremer und selten beobachtbarer Änderungen (z.B. bei Krisen, Umweltkatastrophen,
usw.) ist die klassische Normalverteilungsannahme in einigen Anwendungsfällen unzutreffend, da sie die Wahrscheinlichkeit für
das Auftreten der extremen Risiken unterschätzt (vgl. z.B. „schwere Ränder der Renditeverteilung“). Eine alternative
Modellbildung wird durch das seltene Auftreten extremer Beobachtungen erschwert. Die Extremwerttheorie liefert Modelle, mit
denen das Verhalten an den Rändern des Verteilungsbereichs beschrieben werden kann und die auch bei geringer Fallzahl
geschätzt werden können.
Fragestellungen:
• Welche Modelle gibt es zur Modellierung der extremen Werte?
• Wie können diese Modelle zur Risikoeinschätzung verwendet werden?
• Die empirischen Teile der Arbeit müssen in der Programmiersprache R umgesetzt werden. Hierbei können existente R-
Pakete genutzt werden.
Literatur:
• Embrechts, P., Resnick, S., Samorodnitsky, G., 1999, Extreme Value Theory as a Risk Management Tool, North American
Actuarial Journal Society of Actuaries, S. 30-41
• Franke, J, Härdle, W., Hafner, C., 2019 Einführung in die Statistik der Finanzmärkte, Springer, Kap.18
• McNeil, A., 1999, Extreme Value Theory for Risk Managers, Arbeitsbericht, ETH Zürich
• Danielsson, J., 2011, Financial Risk Forecasting, Wiley Finance, Kap.9
• Eigene Recherche
Betreuerin: Ellena NachbarThema 7: Wetterderivate im
Risikomanagement
Hintergrund:
• Wetterderivate verwenden meteorologische Daten (Niederschlagsmengen, Sonnenscheindauer oder
Durchschnittstemperatur) als Basiswert und dienen der Absicherung gegen Wetterrisiken.
• Essentiell dafür ist folglich die zukünftige Entwicklung des jeweiligen Basiswertes.
Fragestellungen:
• Es sind zunächst die Besonderheiten von Wetterderivaten gegenüber anderen derivaten Finanzinstrumenten
herauszuarbeiten.
• Zur Modellierung der zugrundeliegenden Basiswerte sind verschiedene Modelle zu verwenden, die die Eigenschaften der
Daten (Saisonalitäten, Volatilitätscluster,…) miteinbeziehen. Diese Modelle sind auf Basis ihrer Prognosegüte mittels
diverser Kennzahlen (MAE,MSE,…) und Tests (z. B. Diebold-Mariano-Test) zu vergleichen.
• Die empirischen Teile der Arbeit müssen in der Programmiersprache R umgesetzt werden. Hierbei können existente R-
Pakete genutzt werden.
Literatur:
• Diebold, F. X., Mariano, R. S. (2002). Comparing predictive accuracy. Journal of Business & economic statistics 20 (1), S.
253-263.
• Campbell, Sean D., Diebold, F. X. (2005). "Weather forecasting for weather derivatives." Journal of the American
Statistical Association 100, S. 6-16.
• Eigene Recherche
Betreuer: Dominik SchnellerSie können auch lesen
