- 158 pages
- English
- PDF
- Available on iOS & Android
About this book
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 Prognosegßte zwischen den unterschiedlichen Verfahren werden mittels Diebold-Mariano-Test auf Signifikanz ßberprßft. Auf beiden Märkten liefert ein Random Forest Ansatz die präzisesten Prognoseergebnisse. Fortgeschrittene Methoden des maschinellen Lernens haben gegenßber der traditionellen linearen Regression den Nachteil, dass sie oft als Blackbox angesehen werden. Fßr 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.
Frequently asked questions
- Essential is ideal for learners and professionals who enjoy exploring a wide range of subjects. Access the Essential Library with 800,000+ trusted titles and best-sellers across business, personal growth, and the humanities. Includes unlimited reading time and Standard Read Aloud voice.
- Complete: Perfect for advanced learners and researchers needing full, unrestricted access. Unlock 1.4M+ books across hundreds of subjects, including academic and specialized titles. The Complete Plan also includes advanced features like Premium Read Aloud and Research Assistant.
Please note we cannot support devices running on iOS 13 and Android 7 or earlier. Learn more about using the app.
Information
Table of contents
- List of Figures
- List of Tables
- List of Symbols
- 1 Introduction
- 1.1 Motivation and Aims of the Thesis
- 1.2 Course of Investigation
- 2 Scientific Background
- 2.1 CAT Bonds
- 2.2 Machine Learning
- 3 Improving CAT Bond Pricing Models via AdvancedMachine Learning in the Primary Market
- 3.1 Introduction
- 3.2 Data
- 3.3 Empirical Analysis
- 3.4 Interim Conclusion
- 4 Forecasting Accuracy of Advanced Machine Learningand Linear Regression â Evidence from the SecondaryCAT Bond Market
- 4.1 Introduction
- 4.2 Data
- 4.3 Empirical Analysis
- 4.4 Interim Conclusion
- 5 Superior Forecasting with simple AR(1) Models in alow-volatility Environment: Evidence from the CATBond Market
- 5.1 Introduction
- 5.2 Procedure
- 5.3 Empirical Analysis
- 5.4 Interim Conclusion
- 6 Conclusion
- Bibliography