Benutzer: Gast  Login
Mehr Felder
Einfache Suche
Dokumenttyp:
Masterarbeit
Autor(en):
Heger, Julia
Titel:
Modeling, Decomposing and Forecasting Credit Spreads using Machine Learning Methodology
Abstract:
Due to their ease of interpretability, linear models enjoy great popularity for many practical applications. However, these models force their predictions to be linear combinations of the features and thus are often not able to describe complex relationships appropriately. One popular example where linear models are incapable to adequately capture the problem due to their lack of complexity are Credit Spreads. In general, the Credit Spread is the difference between a Bond Yield and a risk-free r...     »
übersetzter Abstract:
Aufgrund ihrer einfachen Interpretierbarkeit erfreuen sich lineare Modelle in vielen Anwendungsbereichen großer Beliebtheit. Allerdings erfordern diese Modelle, dass ihre Vorhersagen Linearkombinationen der Kovariablen sind. Daher sind sie oft nicht in der Lage, komplexe Zusammenhänge angemessen zu beschreiben. Ein Beispiel, bei dem lineare Modelle das Problem aufgrund ihrer mangelnden Komplexität nur unzureichend erfassen können, sind Credit Spreads. Credit Spreads beschreiben die Differenz zwi...     »
Aufgabensteller:
Prof. Dr. Rudi Zagst
Betreuer:
PD Dr. Aleksey Min & Dr. rer. nat. Thomas Töpfer (ERGO)
Kooperationspartner:
ERGO Center of Excellence in Insurance
Jahr:
2020
Hochschule / Universität:
Technische Universität München
Fakultät:
Fakultät für Mathematik
TUM Einrichtung:
Lehrstuhl für Finanzmathematik
Bearbeitungsbeginn:
01.05.2020
 BibTeX