Die fortschreitende Digitalisierung im Versicherungs- und Finanzmarkt umfasst Chancen und Risiken, die wir in dem Forschungsfeld SDFA aus mathematischer und statistischer Sicht modellieren, vorhersagen und kontrollieren möchten.

Das Forschungsfeld verknüpft stochastische Modellierung und Statistik der Finanzmathematik mit Methoden des Maschinellen Lernens, insbesondere dem Statistical Learning. Zusammenhänge in großen Datenmengen sollen erkannt und modelliert werden, prädiktive Analysen werden durchgeführt.

Berücksichtigung finden Einflussfaktoren wie

• Datenvolumen – welches Modell ist bei welcher Datenmenge einsetzbar?
• Datenqualität – welche Datensätze können in die Modelle eingehen? Was für Abhängigkeiten bestehen?
• Parameterunsicherheiten – wie sensitiv ist das Modell und wie kann eine Kalibrierung erfolgen?
• Erklärbarkeit – welche Methoden und Modelle können entwickelt werden, die Zusammenhänge nicht nur aufzeigen, sondern auch analysieren und interpretieren können?

Ein Zusammenspiel von Methoden der Statistik, Stochastik, Optimierung und Numerik bringt Lösungen zu Fragen der Portfoliooptimierung und Asset Allokation, des Risikomanagements und aktuarwissenschaftlichen Fragen.

• Prof. Dr. Torsten Becker
• Prof. Dr. Beate Bergter
• Prof. Dr. Christina Erlwein-Sayer
• Prof. Dr. Dietmar Hillebrand
• Prof. Dr. Manfred-Erich Jäger-Ambrozewicz
• Mai Phan
• Dr. Alla Petukhina
• Prof. Dr. Oliver Rinne
• Prof. Dr. Nataliya Togobytska

• Modelling of credit spreads through  regime-switching in neural networks
• Sustainable Finance: ESG ratings in portfolio optimisation
• Forecasting electricity spot prices in switching LSTMs
• Regimes and sentiments in crypto currency markets
• Robustifying Markowitz
• Robustified Markowitz approach for cryptocurrencies
• ESG and Credit ratings: dynamics for various market regimes 
• Portfolio Diversification based on Risk Profile Clustering
• COVaR portfolios with digital assets
• Modelling Term Structure
• Bermuda-Swaption
• Implied Probability Densities