|
|
Archimedovské kopule
Vedyushenko, Anna ; Pešta, Michal (vedoucí práce) ; Omelka, Marek (oponent)
Práce se zabývá Archimedovskými kopulemi, které jsou v dnešní době velice popu- lární díky snadné konstrukci a zajímavým vlastnostem. Zaprvé zavádíme obecnou definici kopule a ukazujeme její základní vlastnosti, které jsou zapotřebí k pocho- pení látky dalších kapitol. Poté se věnujeme definici a vlastnostem Archimedovské kopule. Uvádíme rovněž některé nejpoužívanější rodiny Archimedovských kopulí. Dále ukazujeme několik způsobů odhadování parametrů takových kopulí. Na zá- věr provádíme studii dvou reálných datasetů, kde na základě popsaných postupů hledáme nejlepší aproximaci sdruženého rozdělení dat Archimedovskou kopulí. 1
|
|
|
Agregace závislých rizik
Asipenka, Anna ; Mazurová, Lucie (vedoucí práce) ; Omelka, Marek (oponent)
V této práce se zabýváme výpočtem ekonomického kapitálu pro celkovou ztrátu vzniklou součtem dílčích závislých ztrát, jejichž závislost je popsána ar- chimédovskými a hierarchickými archimédovskými kopulami. Nejdříve se zavádí pojem ekonomického kapitálu a způsoby jeho agregace. Poté se uvádějí základní definice a vlastnosti kopul, také definujeme míry závislosti. Potom se zabýváme archimédovskými kopulami a jejich simulací, uvádíme také nejrozšířenější rodiny archimédovských kopul. Dále jsou definovány hierarchické archimédovské kopuly spolu s algoritmem na jejich simulaci. Na závěr uvádíme metody odhadu parame- trů kopul a rekurzivní algoritmus odhadu struktury hierarchické archimédovské kopuly. V poslední kapitole provádíme simulační studie vybraných modelů s po- užitím hierarchických archimédovských kopul. 1
|
|
|
Archimedovské kopule
Vedyushenko, Anna ; Pešta, Michal (vedoucí práce) ; Omelka, Marek (oponent)
Práce se zabývá Archimedovskými kopulemi, které jsou v dnešní době velice popu- lární díky snadné konstrukci a zajímavým vlastnostem. Zaprvé zavádíme obecnou definici kopule a ukazujeme její základní vlastnosti, které jsou zapotřebí k pocho- pení látky dalších kapitol. Poté se věnujeme definici a vlastnostem Archimedovské kopule. Uvádíme rovněž některé nejpoužívanější rodiny Archimedovských kopulí. Dále ukazujeme několik způsobů odhadování parametrů takových kopulí. Na zá- věr provádíme studii dvou reálných datasetů, kde na základě popsaných postupů hledáme nejlepší aproximaci sdruženého rozdělení dat Archimedovskou kopulí. 1
|
|
|
A note on the use of copulas in chance-constrained programming
Houda, Michal
In this paper we are concentrated on a problem of linear chanceconstrained programming where the constraint matrix is considered random with a known distribution of the matrix rows. The rows are not considered to be independent; instead, we make use of the copula notion to describe the dependence of the matrix rows. In particular, the distribution of the rows is driven by so-called Archimedean class of copulas. We provide a review of very basic properties of Archimedean copulas and describe how they can be used to transform the stochastic programming problem into a deterministic problem of second-order cone programming. Also the question of convexity of the problem is explored and importance of the selected class of copulas is commented. At the end of the paper, we provide a simple example to illustrate the concept used.
|
|
|
Important Markov-Chain Properties of (1,lambda)-ES Linear Optimization Models
Chotard, A. ; Holeňa, Martin
Several recent publications investigated Markov-chain modelling of linear optimization by a (1,lambda)-ES, considering both unconstrained and linearly constrained optimization, and both constant and varying step size. All of them assume normality of the involved random steps. This is a very strong and specific assumption. The objective of our contribution is to show that in the constant step size case, valuable properties of the Markov chain can be obtained even for steps with substantially more general distributions. Several results that have been previously proved using the normality assumption are proved here in a more general way without that assumption. Finally, the decomposition of a multidimensional distribution into its marginals and the copula combining them is applied to the new distributional assumptions, particular attention being paid to distributions with Archimedean copulas.
|
|
|
Modelování přírodních katastrof v pojišťovnictví
Varvařovský, Václav ; Zimmermann, Pavel (vedoucí práce) ; Justová, Iva (oponent)
Kvantifikace rizik je jedním ze základních kamenů současného pojišťovnictví. Přírodní katastrofy a jejich modelování představuje jednu z nejdůležitějších částí neživotního pojištění v České republice. Jedním z podstatných vstupů modelů přírodních katastrof je prostorová závislostní struktura v portfoliu pojišťovny. Kopuly představují obecný pohled na závislostní strukturu a rozšiřují klasický přístup, který implicitně používá závislostní strukturu vícerozměrného normálního rozdělení. Cílem této práce je, vzhledem k absenci ucelených monografií v České republice, dát teoretický základ pro používání kopul. Zaměřuje se na obecné vlastnosti kopul a specifika dvou nejběžněji používaných rodin kopul -- Archimedovských a eliptických. Další cíl potom představuje kvantifikace rozdílu modelovaných škod z povodní v České republice mezi danou kopulou a klasickým přístupem, který využívá závislostní strukturu vícerozměrného normálního rozdělení. Výsledky do značné míry závisí na měřítku škod v jednotlivých oblastech. Mají-li oblasti přibližně "věžovitou" strukturu (tj. jedna oblast výrazně převyšuje ostatní), pohybuje se efekt změny závislostní struktury oproti klasickému přístupu mezi 5-10% (nahoru i dolu v závislosti na kopule) na 99,5 percentilu originálních škod (návratnost 1x za 200 let). V případě, že všechny oblasti jsou cca podobně rozdělené, může být rozdíl díky závislostní struktuře až 30%, což představuje docela podstatný rozdíl pro nákup nejpoužívanější formy zajištění -- zajištění škodového nadměrku. Klasický přístup má nespornou výhodu v jednoduchosti s jakým lze generovat data. Přestože Archimedovské kopuly mají jednoduchou formu, není již tolik jednoduché je generovat při růstu počtu dimenzí. Pro vyšší počet dimenzí značně narůstá složitost generování dat. Z výše uvedených důvodů stojí před aplikací obecných forem závislostí za zvážení zda jsou splněny podmínky alespoň 2 obdobně rozdělených proměnných a zda není dimenze problému příliš vysoká.
|
host ::
RSS.