Diplomarbeit als PDF-Dokument
Diplomarbeit als PDF-Dokument
Diplomarbeit als PDF-Dokument
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
- 43 -<br />
herleiten, für lange Laufzeiten können lediglich subjektive Wahrscheinlichkeitsverteilungen<br />
bestimmt werden, die natürlich auch auf Beobachtungen, Schätzungen und Annahmen<br />
beruhen (vgl. Kaninke 2004, S. 116). In finanzwirtschaftlichen Fragestellungen<br />
hat sich für Analysen wie Simulationen die Annahme einer Normalverteilung <strong>als</strong> gängigste<br />
Grundlage durchgesetzt (vgl. Poddig/Dichtl/Petersmeier 2003, S. 169). Abweichend<br />
davon können einzelne Renditeverteilungen, wie etwa die von Aktienindizes,<br />
auch <strong>als</strong> Student-t-Verteilung angenommen werden (vgl. Amenc/Géhin 2007, S. 23).<br />
Gründe für Alternativen zur Normalverteilungsannahme ergeben sich aus empirischen<br />
Betrachtungen, denen zu Folge insbesondere diskrete Renditen auch höhere statistische<br />
Momente aufweisen, da sie zum einen linksschief sind, <strong>als</strong>o eher negative <strong>als</strong> positive<br />
Ausreißer haben, und zum anderen leptokurtisch gewölbt sind, <strong>als</strong>o eher mehr Extremereignisse<br />
aufweisen und somit an den Rändern fetter sind, <strong>als</strong> es für eine Normalverteilung<br />
üblich wäre. Um dennoch eine Normalverteilung <strong>als</strong> Annahme nutzen zu können,<br />
wird empfohlen, mit stetigen statt diskreten Renditen zu arbeiten, weil damit die<br />
empirischen Diskrepanzen deutlich geringer ausfallen. Im Rahmen der Annahme normalverteilter<br />
stetiger Renditen sind <strong>als</strong> maßgebliche Parameter der Erwartungswert<br />
bzw. Drift und die Standardabweichung bzw. Volatilität zu bestimmen (vgl.<br />
Poddig/Dichtl/Petersmeier 2003, S. 171-172).<br />
Eine Monte-Carlo-Simulation erfolgt in mehreren Stufen. Zunächst werden die benötigten<br />
Zufallszahlen generiert, jeweils separat für alle betrachteten Einflussgrößen. Anschließend<br />
sind die Zufallszahlen so zu transformieren, dass sie dieselbe Verteilung und<br />
Korrelation wie die tatsächlichen Größen aufweisen. In einem dritten Schritt wird aus<br />
den einzelnen Faktoren der Wert des Problems bestimmt. Als nächsten erfolgt eine Wiederholung<br />
der ersten Schritte der Monte-Carlo-Simulation. Um eine große Zahl von<br />
Wertänderungen simulieren zu können, liegt die Wiederholungsanzahl üblicherweise<br />
zwischen 1000 und 10.000 (vgl. Poddig/Dichtl/Petersmeier 2003, S. 170-171). Nach einer<br />
bestimmten Zahl von Simulationsdurchläufen können <strong>als</strong>o dann die Verteilungen<br />
der gesuchten Endgrößen und deren statistische Parameter ermittelt werden. Eine grafische<br />
Aufbereitungen der Daten ist zudem hilfreich für die abschließende Interpretation<br />
der Ergebnisse (vgl. Kaninke 2004, S. 117).<br />
Um valide Ergebnisse liefern zu können, muss ein numerisches Verfahren theoretisch<br />
fundiert sein. Im Fall der Monte-Carlo-Simulation geschieht dies durch den Zentralen<br />
Grenzwertsatz der Statistik. Demzufolge konvergiert das Resultat einer additiven Verknüpfung<br />
von Zufallszahlen gegen eine analoge Verknüpfung der Erwartungswerte die-