Skip to main content
main-content

Über dieses Buch

Optionen, Futures, Swaps, strukturierte Investments - auf den heutigen Finanzmärkten werden eine Fülle so genannter derivativer (abgeleiteter) Finanzinstrumente gehandelt. Deren Bewertung und Risikomanagement sind Gegenstand der modernen Finanzmathematik. Dieses Buch führt an entsprechende Fragestellungen, Denkweisen und Lösungskonzepte heran und legt dabei besonderes Augenmerk auf praxisrelevante Aspekte und Modelle. Die algorithmische Umsetzung der Lösungskonzepte wird in zahlreichen Beispielen mit dem Software-Paket "UnRisk" illustriert. Dieses wird Dozenten und Studierenden (zeitlich begrenzt) zur Verfügung gestellt und bietet über die Plattform "Mathematica" eine graphisch ansprechende Oberfläche.

Die vorliegende Einführung ist speziell für Veranstaltungen in Bachelor-Studiengängen konzipiert.

Inhaltsverzeichnis

Frontmatter

I. Elementare Zinsrechnung, Zinskurven

Jeder von uns hat schon Erfahrungen mit Zinsen gemacht: Wenn man einen Kredit aufnimmt oder einen negative Kontostand hat, muss man nicht nur die ausgeliehene Summe, sondern auch Zinsen dafür bezahlen, dass die andere Vertragspartei (die Bank) Geld zur Verfügung stellt, damit man das Haus, das Auto oder Konsungüter zu einem Zeitpunkt kaufen kann, zu dem das eigene vorhandene Geld dafür nicht ausreicht.

II. Finanzinstrumente: Underlyings und Derivate

In Kapitel I haben wir bereits Anleihen als wichtige Finanzgüter (engl. assets) kennengelernt. Die Emittentin begibt im Normalfall eine Anleihe, um Liquidität zu bekommen, und bezahlt dafür Zinsen und am Ende der Laufzeit den Nominalbetrag zurück. In der Bilanz der Emittentin scheint die Anleihe auf der Passivseite auf, beim Investor auf der Aktivseite. Der Investor muss diese Anleihe nicht direkt bei der Emittentin kaufen, sondern kann während der Laufzeit an einer Börse weitere Stücke kaufen oder Stücke aus seinem Besitz verkaufen. Die Börse fungiert dabei als Vermittlerin zwischen kauf- und verkaufswilligen Anleiheinvestoren. Börsen sind also—vereinfacht gesprochen—Marktplätze für Finanzinstrumente. Was wird noch an Börsen gehandelt?

III. Das No-Arbitrage-Prinzip

Als Arbitrage bezeichnen wir einen risikolosen Profit beim Handel mit Finanzgütern. Sei π t der Wert eines Porfolios zum Zeitpunkt t und gelte π0=0. Eine Arbitrage-Möglichkeit lässt sich formal als Strategie beschreiben, für welche
$$ \mathbb{P}\left( {\pi _t \geqslant 0} \right) = 1 sowie \mathbb{P}\left( {\pi _t > 0} \right) > 0 $$
für ein positives t gilt. Es ist naheliegend, dass Preise, für Finanzgüter, die für einen Marktteilnehmer Arbitrage erlauben, nicht „fair“ sein können (in Kapitel I haben wir das Arbitrage-Kriterium zur Festsetzung des Preises eines Vanilla Floaters bereits implizit verwendet)1. Betrachten wir folgendes einfache Beispiel.

IV. Europäische und amerikanische Optionen

Wie wir in Kapitel II gesehen haben, stellt eine Option für den Käufer ein Recht dar, welches zu einem finanziellen Vorteil führen kann und beinhaltet keinerlei Verpflichtungen. Dieses Recht muss also etwas kosten und es stellt sich die Frage: Wie viel?

V. Das binomiale Optionspreismodell

Wir wollen uns in den nun folgenden Kapiteln der stochastischen Modellierung von Preisbewegungen zuwenden. Dabei konzentrieren wir uns zunächst in den Kapiteln V–VIII auf Aktienpreise1 und in Kapitel IX auf Zinsbewegungen.

VI. Das Black-Scholes-Modell

Obwohl das im letzten Kapitel behandelte Binomialmodell und dessen Replikations-Strategien sehr anschaulich sind, vereinfacht es die Realität zu sehr, um unmittelbar relevant zu sein. In diesem Kapitel wollen wir nun ein allgemeineres zeitstetiges Modell betrachten, das heutzutage als klassisches Modell der Finanzmathematik gilt.

VII. Die Formel von Black-Scholes

Für das im letzten Kapitel vorgestellte Black-Scholes-Modell ist es nun möglich, eine explizite Formel für den No-Arbitrage-Preis einer europäischen Call- bzw. Put-Option herzuleiten. Dies kann auf mehrere unterschiedliche Arten geschehen; wir wollen hier zwei Methoden nachvollziehen.

VIII. Allgemeinere Aktienmarkt-Modelle

Wir haben in Kapitel VII gesehen, dass sich im Black-Scholes-Modell der Preis von europäischen Call-und Put-Optionen explizit berechnen lässt und die Annahme normalverteilter Log-Returns über den Zentralen Grenzwertsatz auch eine anschauliche Interpretation hat. Empirische Studien zeigen jedoch, dass Log-Returns tatsächlich gehandelter Aktien oder Indizes typischerweise nicht normalverteilt sind, sondern unsymmetrisch (also schief) sind und fettere Tails haben (also eine höhere Wahrscheinlichkeit für besonders große bzw. kleine Werte aufweisen) als die Normalverteilung. Abb. 36.1 illustriert dies am Beispiel des S&P 500, wobei die empirischen Log-Returns über den Zeitraum von Jänner 1999 bis Dezember 20081 (also 10 Jahre) mit einem Normalverteilungs-Fit verglichen werden. Neben der offensichtlichen Verschiedenheit der Dichten ergeben sich hier für den Schiefekoeffizienten bzw. für die Kurtosis2 der empirischen Verteilung Werte von −0.156658 bzw. 10.6682, die deutlich von den Werten der Normalverteilung (0 bzw.3) abweichen.

IX. Zinsmodelle und Bewertung von Zinsderivaten

Bisher haben wir meist angenommen, dass Zinssätze entweder konstant sind oder einer deterministischen Zeitabhängigkeit folgen. Tatsächlich zeigen aber auch Zinssätze stochastisches Verhalten (vgl. Grafik auf S. 5). Während diese Variabilität bei der Behandlung von Aktienderivaten oft nur eine untergeordnete Rolle spielt, ist sie bei der Bewertung von Zinsderivaten natürlich das zentrale zu modellierende Phänomen.

X. Einige numerische Verfahren

In diesem Kapitel stellen wir nach einer Beschreibung von Algorithmen mit binomialen und trinomialen Bäumen auch einige Verfahren vor, mit denen partielle Differentialgleichungen der Finanzmathematik, wie wir sie etwa in den Kapiteln VII, VIII und IX kennengelernt haben, numerisch gelöst werden können.

XI. Simulationsverfahren

In vielen Situationen der Finanzmathematik ist die Dynamik zu komplex, um exakte Lösungen bzw. Formeln zu erhalten. Auch Bestimmungs(differential) gleichungen, welche dann numerisch gelöst werden können (wie beispielsweise im Kapitel X beschrieben), sind oft nicht verfügbar. In solchen Fällen kann man Pfade der beteiligten stochastischen Prozesse „simulieren“ und damit eine alternative (und oft einfache und effiziente) numerische Approximation der benötigten Größen erhalten. In diesem Kapitel wollen wir einige solche Simulationstechniken behandeln.

XII. Kalibrieren von Modellen —Inverse Probleme

Wir haben in den bisherigen Kapiteln einige Modelle für die Stochastik von Aktienkursen und von Zinsen kennengelernt, deren Ausprägungen dann natürlich von den sie beschreibenden Parametern abhängen. Bei der Bewertung eines Derivats beeinflussen diese Parameter den sich daraus ergebenden Preis und die Griechen ganz wesentlich. Anders als bei physikalischen Aufgabenstellungen, bei denen etwa über die wahre Wärmeleitfähigkeit von Kupfer bei Zimmer temperatur weitestgehende Übereinstimmung herrscht, gibt es auf den Finanzmärkten a priori keine einhellige Meinung über die Wahrscheinlichkeitsverteilung zukünftiger Entwicklungen, sondern — in liquiden Märkten — ein ökonomisches Gleichgewicht, zu dem Finanzinstrumente und Derivate gehandelt werden. Wenn wir beispielsweise an Aktienoptionen denken, so ist die in der Praxis häufig quotierte implizierte Black-Scholes-Volatilität ja nichts anderes als eine einfache Möglichkeit, den Preis einer ganz konkreten Option (Laufzeit, Ausübungspreis) anzugeben. Mit welcher Volatilität und nach welcher Dynamik sich die Aktie dann tatsächlich bewegen wird, hat mit der quotierten implizierten Volatilität (die ja ein common sense der Händler ist) also a priori nichts zu tun.

XIII. Fallstudien: Exotische Derivate

In der Praxis gibtes eine Vielzahl komplexer Finanzprodukte. In diesem Kapitel wollen wir dies anhand einiger konkreter strukturierter Finanzinstrumente illustrieren und Möglichkeiten zu ihrer Bewertung aufzeigen. Die Übungsaufgaben am Ende des Kapitels gehen dann jeweils detaillierter auf die vorgestellten Derivate ein.

XIV. Portfolio-Optimierung

In der Optionspreis-Theorie ging es um die Bestimmung eines Portfolios, das den Payoff der Option repliziert und somit das mit dem Besitz des Derivats verbundene Risiko eliminiert. Es gibt jedoch viele Marktteilnehmer, deren Ziel nicht das Hedgen ist, sondern die durch den Kauf und Verkauf von am Markt zur Verfügung stehenden Wertpapieren einen höheren Ertrag erzielen wollen als durch Anlegen des Kapitals in eine risikolose Anleihe zu erhalten wäre. Dies ist dann natürlich mit dem Risiko eines möglichen Verlustes verbunden. Die „Optimalität“ einer Anlagestrategie hängt somit von der definierten Zielfunktion und den gegebenen Nebenbedingungen bezüglich Ertrag und Risiko ab. In den folgenden Abschnitten werden wir zunächst einfache klassische Ansätze zur Mittelwert-Varianz-Optimierung in einperiodischen Modellen und schließlich auch ein (ebenfalls klassisches) Portfolio-Optimierungs-Problem in einem zeitstetigen Modell betrachten.

XV. Einführung in die Kreditrisikomodellierung

Eines der ureigensten Geschäftsfelder von Banken ist das Verleihen von liquiden Mitteln an Schuldner geknüpft an die Bedingung, dass der Schuldner zusätzlich zur Begleichung der Schuld zu einem späteren Zeitpunkt (laufend oder aber endfällig) Zinszahlungen leistet. Wir wenden uns nun einer Frage zu, die bereits in Kapitel I gestellt wurde, nämlich warum verschiedene Schuldner unter den gleichen Rahmenbedingungen unterschiedlich hohe Zinsen bezahlen müssen. Hierzu betrachten wir einen allgemeinen Kredit, der charakterisiert ist durch die Höhe der Nominalschuld N, sowie ein geplantes Rück- und Zinszahlungsschema, das dem Schuldner vorschreibt, zu bestimmten Zeitpunkten t i (i=1,...,n) Zahlungen c i zu leisten (hierbei wird T=t n Laufzeit des Kredits genannt). Nun besteht die Möglichkeit, dass der Schuldner zu einem bestimmten Zeitpunkt τ nicht in der Lage ist, seinen Zahlungsverpflichtungen nachzukommen1. In diesem Fall spricht man von einem Ausfall des Schuldners und nennt τ Ausfallszeitpunkt. Falls der Schuldner ausfällt, erleidet die kreditgebende Institution (im Folgenden als Bank bezeichnet) einen finanziellen Nachteil, da die eingeplanten Zahlungen c i für t i ≥τ nicht mehr geleistet werden. Um uns auf die Modellierung des Kreditrisikos selbst zu konzentrieren, unterstellen wir für den Rest dieses Kapitels eine konstante risikolose Zinsrate r. Damit ergibt sich der Barwert dieser entgangenen Zahlungen zum Ausfallszeitpunkt τ<T als
$$ X\tau = \sum\limits_{i = d}^n {e^{ - r\left( {t_i - \tau } \right)} c_i ,} $$
(72.1)
wobei d:=min{i:t i ≥τ}.

Backmatter

Weitere Informationen

Premium Partner

BranchenIndex Online

Die B2B-Firmensuche für Industrie und Wirtschaft: Kostenfrei in Firmenprofilen nach Lieferanten, Herstellern, Dienstleistern und Händlern recherchieren.

Whitepaper

- ANZEIGE -

Blockchain-Effekte im Banking und im Wealth Management

Es steht fest, dass Blockchain-Technologie die Welt verändern wird. Weit weniger klar ist, wie genau dies passiert. Ein englischsprachiges Whitepaper des Fintech-Unternehmens Avaloq untersucht, welche Einsatzszenarien es im Banking und in der Vermögensverwaltung geben könnte – „Blockchain: Plausibility within Banking and Wealth Management“. Einige dieser plausiblen Einsatzszenarien haben sogar das Potenzial für eine massive Disruption. Ein bereits existierendes Beispiel liefert der Initial Coin Offering-Markt: ICO statt IPO.
Jetzt gratis downloaden!

Bildnachweise