News

Preis für gute Lehre der Fachschaft Mathematik

Die Studierendenvertretung der Fachschaft Mathematik hat, basierend auf den Lehrevaluationen, Herrn Prof. Zagst und Herrn Dr. Wahl für die Vertiefungsvorlesung Applied Risk Management, Frau Dr. Fernandez für den Übungsbetrieb zu Insurance Mathematics sowie Herrn Kschonnek für den Übungsbetrieb zu Fixed Income Markets für besonders gelungene Lehre im Sommersemester 2021 ausgezeichnet. Herzlichen Glückwunsch!

Facets of Insurance @ERGO Düsseldorf

Du interessierst Dich für Versicherungsmathematik und möchtest mehr über die akademischen und praktischen Problemstellungen dieses Fachbereichs erfahren? Du tauschst dich gerne mit Mitstudierenden aus und willst Kontakte mit anderen Mathematiker*innen knüpfen? Dann ist der Workshop "Facets of Insurance @ERGO Düsseldorf" genau das Richtige für Dich! Hier hast Du am 2. und 3. Dezember 2021 die Gelegenheit, spannenden Vorträgen zu unterschiedlichen Aspekten der Versicherungsmathematik beizuwohnen und dabei den Hauptsitz von ERGO in Düsseldorf näher kennenzulernen. Zusätzlich zu den Einblicken in die praktische und akademische Arbeit von Versicherungsmathematiker*innen, die die Vortragenden von ERGO und TUM ermöglichen werden, erläutern Prof. Dr. Torsten Kleinow (Heriot Watt University, Edinburgh) und Prof. Dr. Axel Bücher (HHU Düsseldorf) aktuelle und zukünftige Perspektiven im Bereich Life bzw. Non-Life Insurance. Darüberhinaus bietet sich in entspannter Atmosphäre eine herausragende Gelegenheit, engere Kontakte zu ERGO zu knüpfen und Düsseldorf zu entdecken. Alle weiteren Infos findest Du auf unserem Flyer. Für Fragen sind wir jederzeit unter experience.m13.ma@tum.de zu erreichen.

Andreas Lichtenstern erhält GAUSS-Nachwuchspreis für herausragende Doktorarbeit

Die Deutsche Gesellschaft für Versicherungs- und Finanzmathematik e.V. (DGVFM) und die Deutsche Aktuarvereinigung e.V. (DAV) haben am 08. Juni 2021 den renommierten GAUSS-Preis und drei GAUSS-Nachwuchspreise für herausragende wissenschaftliche Arbeiten aus der Versicherungs- und Finanzmathematik verliehen. Das hochrangige Expertengremium aus Wissenschaft und Praxis kürt mit den Preisen Facharbeiten, die eine Brücke zwischen wissenschaftlicher Qualität und hoher Praxisrelevanz schlagen.

Andreas Lichtenstern wurde der GAUSS-Nachwuchspreis für seine Dissertation „Optimal Investment Strategies for Pension Funds“ verliehen. „Die besondere Innovation dieser Arbeit liegt darin, dass sie bislang offene mathematische Probleme zu optimalen Investitionsstrategien für Pensionsfonds löst und diese auf das als Nahles-Rente bekannt gewordene Sozialpartnermodell anwendet“, lobt Prof. Müller die Doktorarbeit.

Neu – Tandem Experience Stories

In einem neuen Tandem-Format geben Studierende und Doktorand:innen, sowie Mitarbeiter:innen von ERGO Einblicke in ihren Werdegang und teilen ihre gemeinsamen Erfahrungen, die sie als Teil des ERGO Center of Excellence machen durften. Die Tandem Interviews der verschiedenen Paare finden Sie hier

Fit for TUMorrow Day 2021 am 12. November 2021, 9 -17 Uhr

Einmal im Jahr findet der Fit for TUMorrow Day statt, wo sich unsere Kooperationspartner den Studierenden und Absolvent*innen präsentieren können. Die Unternehmensmesse ist die ideale Gelegenheit, um im direkten Kontakt mit Studierenden aus den Fächern Mathematik, Finanz- und Versicherungsmathematik sowie Wirtschaftsmathematik zu treten und über Abschlussarbeiten, Praktika und Jobperspektiven zu sprechen. In spannenden Workshops stellen Referent*innen aktuelle Themen und Herausforderungen der Wirtschaft vor und diskutieren mit den Studierenden.

Stellenausschreibung studentische Hilfskraft

Master Thesis in cooperation with ERGO: Natural Catastrophe Modelling for Marine insurance

Masterarbeit am ERGO Center of Excellence mit 2. SCOR Preis für Aktuarwissenschaften 2020 ausgezeichnet

Die von Frau Bassant Abed verfasste Masterarbeit „Customer Churn Prediction In The Insurance Sector Using Machine Learning Methods“ wurde im Wettbewerb um die deutschen SCOR Preise für Aktuarwissenschaften 2020 mit einem 2. Preis ausgezeichnet.

Die SCOR in Deutschland verleiht jedes Jahr renommierte Preise für hervorragende Arbeiten zur Förderung des aktuarwissenschaftlichen Nachwuchses. In Zusammenarbeit mit der Universität Ulm werden Arbeiten prämiert, die sich mit relevanten aktuarwissenschaftlichen Themen in der Personen- und Sachversicherung beschäftigen. Aufgrund der besonderen Umstände fand die Preisverleihung 2020 virtuell statt (https://www.scor.com/en/press-release/scor-supports-actuarial-science-presenting-actuarial-awards-five-countries-2020).

Im Rahmen ihrer Abschlussarbeit befasst sich Frau Abed mit der Weiterentwicklung traditioneller Storno-Vorhersagemodelle durch Methoden des maschinellen Lernens, um hohe Vorhersagekraft und potenziell verbesserte Interpretierbarkeit zu kombinieren. In einer Fallstudie wird ein umfangreicher realer Datensatz geeignet vorverarbeitet, bevor mehrere Klassen von Vorhersagemodellen implementiert und anhand geeigneter Performance-Metriken verglichen werden. Darüber hinaus wird ein Einblick in einsetzbare Maßnahmen und Interpretierbarkeitsmethoden gegeben, sodass Versicherer aufbauend auf der Modellierung effektive Maßnahmen zur Storno-Reduktion ergreifen können. So können die vorgestellten Modelle zur Kundenbindung beitragen, indem relevante Storno-Treiber rechtzeitig identifiziert und anschließend die vorgeschlagenen Maßnahmen angewendet werden, um die Abwanderung von Kunden zu verhindern.

Die Arbeit von Frau Abed wurde von Prof. Dr. Matthias Scherer (Professor for Risk and Insurance) und Gabriela Zeller am ERGO Center of Excellence betreut und erscheint als Teil der zweiten Ausgabe der „ERGO Master Series“. Besonderer Dank gebührt außerdem den Praxisexperten der ERGO Group AG, welche die Arbeit von Frau Abed durch die Bereitstellung eines umfangreichen realen Datensatzes unterstützten.

Master´s thesis about Vuong test for model selection and its application to Machine Learning

The famous Vuong test (Vuong 1989) has been extensively used in Econometrics. It is a model comparison test, where both competing models are allowed to depend on estimated parameters. Using the properties of the Kullback-Leibler information criterion it compares the expected log-likelihood ratio of the two optimal competing models to decide if one model should be preferred over the other to describe a given set of independent observations of some experiment. In recent years (Shi 2015, Schennach and Wilhelm 2017, Liao and Shi 2020) its main weakness, the necessity of a pre-test for equality of both models, has been overcome.

So far, the Vuong test only been applied to quite simple models and its applications to more sophisticated methods have not been investigated yet. The first part of this master’s thesis is aimed at summarizing the recent developments in the literature about the improvements of the Vuong test. The second part of this master’s thesis is aimed at applying the Vuong test to model selection of support vector machines, a novel approach for model selection in this field. This part will be based on the results of (Jiang, Zhang, Cai 2008), who derived the asymptotic normality of many kernel estimators.

For more information students can contact florian.brueck@tum.de.

If you are interested in writing your masters thesis about this topic you can send your application to bettina.haas@tum.de. The usual requirements for a master’s thesis at the Chair of Mathematical Finance apply.

1.    Quang H. Vuong; “Likelihood Ratio Tests for Model Selection and Non-Nested Hypotheses” ; Econometrica, 1989
2.    Schennach, Susanne M and Wilhelm, Daniel; “A simple parametric model selection test” ; Journal of the American Statistical Association ; 2017
3.    Shi, Xiaoxia ; “A nondegenerate Vuong test” ; Quantitative Economics ; 2015
4.    Liao, Zheng and Shi, Xiaoxia ; “A nondegenerate Vuong test and post selection confidence intervals for semi/nonparametric models” ; Quantitative Economics ; 2020
5.    Jiang, Bo and Zhang, Xuegong and Cai, Tianxi ; “Estimating the confidence interval for prediction errors of support vector machine classifiers”; Journal of Machine Learning Research ; 2008
 

PDF-Version