Uni-Logo
Sections
You are here: Home Studium und Lehre Sommersemester 2019 Seminar nichtlineare und robuste Stochastik SS 2019
Document Actions

Informationen zum Seminar nichtlineare und robuste Stochastik (SS 2019)

Dozent: Prof. Dr. Thorsten Schmidt

Assistent: Marc Weber

Zeit, Ort: Mi 14-16, SR 125, Ernst-Zermelo-Straße 1

Bei Interesse wenden Sie sich bitte per E-Mail an Prof. Dr. Schmidt.

 

Aktuelles

 

  • Das Seminar wird vermutlich als Blockseminar mit zwei Terminen stattfinden.

 

Inhalt

In diesem Seminar wird eine Reihe wissenschaftlicher Ausarbeitungen näher beleuchtet. Zunächst wird die Theorie nichtlinearer Erwartungen erarbeitet und auf zufällige Erwartungen erweitert. Ziel des Seminars ist es, die aktuelle Arbeit 'Reduced-form framework under model uncertainty' von Francesca Biagini und Yinglin Zhang zu verstehen und ein tieferes Verständnis von robustem Superhedging zu erhalten.

Die Inhalte des Seminars sind hochaktuell und in Zeiten großer Unsicherheit von großer Relevanz. Die Anwendung und Fortführung dieser Theorie bietet viele Möglichkeiten in Wirtschaft, Industrie und Forschung. Das Seminar eignet sich ideal als Einstieg für eine Masterarbeit.

 

Vorkenntnisse

Wahrscheinlichkeitstheorie sowie Stochastische Prozesse. Stochastische Integration sowie Kentnisse in der Finanzmathematik sind hilfreich. Das Seminar kann parallel zur Vorlesung 'Stochastische Integration und Finanzmathematik' besucht werden.

 

Literatur

 

  • Peng, S. (2007a), `G-Brownian motion and dynamic risk measure under volatility uncertainty', Lecture Notes .

  • Peng, S. (2007b), `G-expectation, G-Brownian motion and related stochastic calculus of Ito type', Stochastic Analysis and Applications 2, 541-567.

  • Nutz, M. and van Handel, R. (2013), `Constructing sublinear expectations on path space', Stochastic Processes and their Applications 123(8), 3100-3121.

  • Nutz, M. (2013), `Random G-Expectations', Ann. Appl. Probab. 23, No. 5, 1755-1777

  • Biagini, F. and Zhang, Y. (2018), `Reduced-form framework under model uncertainty', Annals of Applied Probability

Personal tools