HochschulschriftOperationelles RisikoUnternehmensbewertungWirtschaftsdeliktVerlustrechnungAktienkursBörsenkursGewinn- und VerlustrechnungStraftatWirtschaftskriminalitätBewertungBonitätFairness OpinionDue DiligenceRisiko
Das Ziel der Arbeit ist die Untersuchung der Auswirkungen von unternehmensinternen Verhaltensrisiken auf den Kapitalmarkt. Zu diesen Verhaltensrisiken gehören interne betrügerische Handlungen oder Verstöße gegen Regeln in Bezug auf Kunden, Produkte oder Geschäftsgepflogenheiten. Solches Fehlverhalten kann zur Verhängung von Sanktionen für Unternehmen führen und somit negative Aktienkurs- und Reputationseffekte hervorrufen. Zur Untersuchung dieser Effekte werden im Rahmen einer Ereignisstudie insbesondere die unerwarteten Verhaltenskosten, definiert als Differenz zwischen den tatsächlichen und erwarteten Verhaltenskosten, herangezogen.
The aim of this work is to examine the effects of internal corporate conduct risks on capital markets. These conduct risks include internal fraud or violations of rules relating to clients, products or business practices. Such misconduct can lead to the imposition of sanctions on companies and thus have negative share price and reputation effects. To investigate these effects an event study uses in particular the unexpected conduct costs, defined as the difference between actual and expected conduct costs.
Motiviert durch Anwendungen in der Betrugsdetektion beschäftigt sich die Dissertation mit der Modellwahl in prädiktiven Modellen, in denen das korrekte Ranking von Beobachtungen vorhergesagt werden soll. Hierzu beweist die Arbeit zunächst die asymptotische Linearität einer ganzen Familie regularisierter M-Schätzer, die u.A. das Lasso abdeckt. Mit dem in der Dissertation entwickelten Verfahren ,,SingBoost'' gelingt es, trotz unstetiger Verlustfunktion auch im Rankingproblem ein Gradienten-Boosting in Erweiterung des L2-Boostings bereitzustellen. Wir beweisen: Dieser Algorithmus besitzt entsprechende Konsistenz-Eigenschaften wie das L2-Boosting. Für eine stabile Modellwahl wird eine verlustbasierte Stabilitätsselektion entwickelt. Auf simulierten Daten verbessert SingBoost verbunden mit dieser Stabilitätsselektion die Performance für das harte stetige Rankingproblem strikt. Die hierzu entwickelte Stabilitätsselektion ist dabei universell, für beliebige Verlustfunktionen, einsetzbar.
Motivated by applications in fraud detection, this dissertation is concerned about model selection in predictive models where the correct ranking of observations has to be predicted. For this, the thesis starts by proving the asymptotic linearity of a whole family of regularized M-estimators which covers for example the Lasso. With the algorithm ''SingBoost'' developed in this dissertation, we succeed in providing a Gradient Boosting algorithm as an extension of L2-Boosting, even though the loss function is non-continuous. We prove: This algorithm has analogous consistency properties as L2-Boosting. As to stable model selection, we develop a loss-based Stability Selection. In combination with this Stability Selection, SingBoost strictly improves the performance for the hard ranking problem on simulated data. The loss-based Stability Selection that we provide is universally applicable, i.e., for arbitrary loss functions.
Dissertation Carl von Ossietzky Universität Oldenburg 2020
HochschulschriftMarkov-ModellStochastischer ProzessAlgorithmusStochastikStochastisches Modell
Variable Length Markov Chains (VLMC) sind eine Unterklasse von Markov-Prozessen. Diese Modelle können eine zeithomogene Abhängigkeitsstruktur in Daten erkennen und vollständig wiedergeben, ohne dass zeitgleich ihre Komplexität explodiert. Leider basiert das VLMC-Kalkül aber auf Annahmen, welche im Versicherungskontext klar verletzt sind. Zum Beispiel können VLMC zeitliche Abhängigkeiten nicht auf natürliche Art und Weise modellieren. Wir verallgemeinern das VLMC-Kalkül und entwickeln eine neue Modellklasse: time-inhomogeneous Variable Length Markov Chains (tiVLMC). Wir konstruieren und implementieren einen Algorithmus zur Modellanpassung von tiVLMC an unzensierte als auch an zensierte Daten. Wir diskutieren die Berechnung von Deckungsrückstellungen und stellen konkrete tiVLMC-Modelle für zwei verschiedene Datensätze vor. Außerdem entwickeln wir Verfahren zur Glättung von tiVLMC-Modellen und stellen so die Erklärbarkeit der Modelle sicher.
Variable Length Markov Chains (VLMC) are a subclass of Markov processes. They are able to fully display dependencies in time-homogeneous data while being less complex than a Markov process of sufficiently large order. But VLMC fail to meet requirements of insurance applications, e.g. they cannot display time-dependencies in a natural way. In order to meet those requirements we extend the concept of VLMC and introduce a new class of models: time-inhomogeneous Variable Length Markov Chains (tiVLMC). We propose and implement a fitting algorithm for tiVLMC within an uncensored and a censored data setting. The calculation of prospective reserves is discussed and we train and tune tiVLMC-models on two real life data sets. We also develop smoothing procedures for tiVLMC-models that ensure their interpretability.
