TY - RPRT A1 - Barth, Simon A1 - Benecken, Gerd A1 - Betz, Andreas A1 - Binninger, Karsten A1 - Graule, Verena A1 - Hack, Andreas A1 - Haegele, Rainer A1 - Hartmann, Markus A1 - Hauck-Bauer, Eva A1 - Haut, Sandra A1 - Jäger, Johannes A1 - Kagerl, Andreas A1 - Karlinger, Peter A1 - Konle, Elke A1 - Köster, Heinrich A1 - Krause, Harald A1 - Krommes, Sandra A1 - Meissner, Thomas A1 - Michanickl, Andreas A1 - Sandor, Viktor A1 - Schanda, Ulrich A1 - Schemme, Michael A1 - Sebald, Daniela A1 - Spindler, Uli A1 - Stauss, Kilian A1 - Strobl, Thomas A1 - Sussmann, Monika A1 - Versen, Martin A1 - Voit, Johann A1 - Wambsganß, Mathias A1 - Wellisch, Ulrich A1 - Zauner, Johannes T1 - Forschungsbericht 2015 N2 - Mit dem jährlich erscheinenden Forschungsbericht möchte die Hochschule Rosenheim einen Einblick in ihre vielfältigen Projekte und Aktivitäten der angewandten Forschung und Entwicklung geben. Im Forschungsbericht 2015 wird über Vorhaben im Jahr 2015 berichtet. T3 - Schriftenreihen - Forschungsbericht - 4 KW - Forschung Y1 - 2016 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:861-opus4-12304 ER - TY - RPRT A1 - Sandor, V. A1 - Schalk, D. A1 - Sussmann, M. A1 - Wellisch, Ulrich T1 - Statistische Datenanalyse und Modellierung - Einsatzmöglichkeiten von Machine Learning Verfahren. Forschungsbericht 2016 Hochschule Rosenheim KW - Statistische Datenanalyse KW - Statistische Modellierung KW - Machine Learning Y1 - 2016 ER - TY - BOOK A1 - Becker, T. A1 - Herrmann, R. A1 - Sandor, V. A1 - Wellisch, Ulrich T1 - Stochastische Risikomodellierung und statistische Methoden N2 - Aktuare treffen, genauso wie Finanzmathematiker und Risikomanager, jeden Tag Einschätzungen über Risiken. Unter Risiken verstehen sie dabei Objekte, an denen sich zufällige Phänomene realisieren, und die sich somit einer sicheren Einschätzung entziehen. Dabei bedienen sich die Aktuare stochastischer Risikomodelle, um � Erklärungsmuster für historische Beobachtungen der Risiken zu finden, � Zukunftsvorhersagenbezüglich der Risiken zu treffen und � die Genauigkeit der getroffenen Einschätzungen und Prognosen zu bewerten. Stochastische Risikomodelle sind mithin ein Instrument, um die Einschätzung von Risiken zu objektivieren. Risikomodelle werden in der Regel mit statistischen Methoden an Beobachtungsdaten angepasst. Aus einem Modell heraus getroffene Aussagen werden spätestens hierdurch zu Einschätzungen, die – um mit Descartes zu sprechen – lediglich „wahrscheinlich“ korrektsind. Hier kannein stochastisches Modell helfen, die Wahrscheinlichkeit zu quantifizieren, mit der eine gegebene Einschätzung falsch ist, und die Wahl einer geeigneten statistischen Methode zur Modellanpassung kann helfen, diese Wahrscheinlichkeit zu reduzieren. Stochastische Risikomodelle und statistische Methoden erlauben somit einen wissenschaftlich korrekten Umgang mit dem von Descartes aufgezeigten Dilemma. Allerdings: Risikomodelle sind künstlich – sie leben von den Annahmen, die ihnen zugrunde liegen. Für eine seriöse Modellbildung ist daher das Verständnis und die Validierung der Modellannahmen unverzichtbar, wie auch ein Überblick über mögliche alternative Modelle. Das vorliegendeBuchmöchte daherdie wichtigsten stochastischen Risikomodelle, die derzeit in der aktuariellen Praxis Anwendung finden,in einem Band zusammenfassen. Dabei wird Wert auf eine mathematisch fundierte,aber dennoch für Theoretiker und Praktiker gut verständliche und interessante Darstellung der Modelle mit ihren Eigenschaften und Annahmen gelegt. Gleichzeitig werden die statistischen Methoden zur Modellanpassung bereitgestellt. Die behandelten Modelle und Methoden sind auch die Grundlage, auf denen zahlreiche Anwendungen in Finanzmathematik und quantitativem Risikomanagement aufbauen. KW - Stochastik KW - Risikomodellierung KW - statistische Methoden Y1 - 2016 PB - Springer CY - Berlin ER - TY - JOUR A1 - Frey, C. A1 - Schönfelder, F. A1 - Wellisch, Ulrich T1 - Anwendung von maschinellem Lernen in der Tarifierung JF - Der Aktuar KW - Maschinelles Lernen KW - Aktuarwissenschaften Y1 - 2016 ER - TY - RPRT A1 - Wellisch, Ulrich T1 - Erarbeitung von Prüfverfahren zur Vereinheitlichung der energetischen Bewertung von großformatigen, transparenten Bausystemen unter in situ Randbedingungen. Teilprojekt Hochschule Rosenheim: Analyseverfahren und Mitarbeit im IEA ECBCS Annex 58 „Reliable building performande characterisation and prediction based on full scale dynamic measurements“, Hochschule Rosenheim, 2016 KW - Bausysteme KW - Energetische Bewertung KW - in situ Randbedingungen Y1 - 2018 ER - TY - RPRT A1 - Sandor, V. A1 - Schalk, D. A1 - Sussmann, M. A1 - Wellisch, Ulrich T1 - Statistische Datenanalyse und Modellierung - Machine Learning in der Versicherung, Risikomodelle auf dem Prüfstand. Forschungsbericht 2016 Hochschule Rosenheim KW - Statistische Datenanalyse KW - Risikomodellierung KW - Machine Learning Y1 - 2016 ER -