Machine Learning in Empirical CAT Bond Pricing

By Eileen Witowski

Diese Dissertation befasst sich mit der Prognose von CAT-Bond-Risikopr mien. Sowohl auf dem Prim rmarkt als auch auf dem Sekund rmarkt werden zu diesem Zweck klassische lineare Regressionsmodelle mit verschiedenen fortgeschrittenen Verfahren des maschinellen Lernens verglichen. Die Unterschiede in der Prognoseg te zwischen den unterschiedlichen Verfahren werden mittels Diebold-Mariano-Test auf Signifikanz berpr ft. Auf beiden M rkten liefert ein Random Forest Ansatz die pr zisesten Prognoseergebnisse. Fortgeschrittene Methoden des maschinellen Lernens haben gegen ber der traditionellen linearen Regression den Nachteil, dass sie oft als Blackbox angesehen werden. F r institutionelle Anleger kann ein Mangel an Transparenz die Anwendbarkeit von Methoden zur Preisprognose einschr nken, da sie verpflichtet sind interpretierbare und erkl rbare 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 Erkl rbarkeit der Ergebnisse, so ist die Anwendung eines autoregressiven Modells zur Prognose von CAT-Bond-Sekund rmarktpr mien ausreichend.

• Format: Paperback
• Language: English
• ISBN: 3689520061
• ISBN13: 9783689520069
• Release Date: May 2024
• Publisher: Cuvillier
• Length: 158 Pages
• Weight: 0.43 lbs.
• Dimensions: 0.3" x 5.8" x 8.3"