Machine Learning in Empirical CAT Bond Pricing

Diese Dissertation befasst sich mit der Prognose von CAT-Bond-Risikoprämien. Sowohl auf dem Primärmarkt als auch auf dem Sekundärmarkt werden zu diesem Zweck klassische lineare Regressionsmodelle mit verschiedenen fortgeschrittenen Verfahren des maschinellen Lernens verglichen. Die Unterschiede in der Prognosegüte zwischen den unterschiedlichen Verfahren werden mittels Diebold-Mariano-Test auf Signifikanz überprüft. Auf beiden Märkten liefert ein Random Forest Ansatz die präzisesten Prognoseergebnisse. Fortgeschrittene Methoden des maschinellen Lernens haben gegenüber der traditionellen linearen Regression den Nachteil, dass sie oft als Blackbox angesehen werden. Für institutionelle Anleger kann ein Mangel an Transparenz die Anwendbarkeit von Methoden zur Preisprognose einschränken, da sie verpflichtet sind interpretierbare und erklärbare Methoden zu verwenden. Vor diesem Hintergrund werden in dieser Arbeit Verfahren zur Interpretation der aus dem Random Forest ableitbaren Variablenwichtigkeiten angewendet. Liegt kein Gewicht auf der Erklärbarkeit der Ergebnisse, so ist die Anwendung eines autoregressiven Modells zur Prognose von CAT-Bond-Sekundärmarktprämien ausreichend.