Refine
Year of publication
- 2017 (17) (remove)
Document Type
- Working Paper (8)
- Report (3)
- Book (2)
- Conference Proceeding (2)
- Article (1)
- Preprint (1)
Has Fulltext
- yes (17)
Keywords
- Forschungsbericht (2)
- Krisenmanagement (2)
- Optimization (2)
- Risikomanagement (2)
- Solvency II (2)
- 3D Printing (1)
- Algorithm Tuning (1)
- Alternativer Risikotransfer (1)
- Barwert (1)
- Basisrisiko (1)
- Bewertete Markov-Kette (1)
- Bewertung (1)
- Bewertungsportale (1)
- Big Data (1)
- Charakteristische Funktion (1)
- Collateralized Reinsurance (1)
- Combined simulation (1)
- Computational fluid dynamics (1)
- Conditional inference tree (1)
- Consumer Information (1)
- Decision tree (1)
- Design of Experiments (1)
- Digitalisierung (1)
- Disaster Risk Reduction (1)
- Embedded Value (1)
- Event Detection (1)
- Evolutionary Robotics (1)
- Faserverbundwerkstoffe (1)
- Forschung (1)
- Forschungsstelle FaRis (1)
- Forschungsstelle Versicherungsmarkt (1)
- Forschungsstelle Versicherungsrecht (1)
- Health condition monitoring (1)
- Hochschule (1)
- Institut für Versicherungswesen (1)
- Insurance Linked Securities (ILS) (1)
- Knowledge extraction (1)
- Konsumenteninformation (1)
- Kölner Forschungsstelle Rückversicherung (1)
- Lessons learned (1)
- Machine Learning (1)
- Machine learning (1)
- Markov-Kette (1)
- Massendaten (1)
- Metamodel (1)
- Modeling (1)
- Neural Networks (1)
- Online Information Review (1)
- Parameter Tuning (1)
- Predictive Analytics (1)
- Present Value (1)
- Priced Markov Chain (1)
- R (1)
- Research Report (1)
- Rückversicherung (1)
- SPOT (1)
- Signalanalyse (1)
- Simulation (1)
- Social Learning (1)
- Stacking (1)
- Structural Health Monitoring (1)
- Surrogate Models (1)
- Test function generator (1)
- Trinkwasser (1)
- Versicherung (1)
- Versicherungswesen (1)
- Versicherungswirtschaft (1)
- Wirtschaftswissenschaften (1)
- Word-of-Mouth (1)
- Ökonomisches Kapital (1)
Das prinzipienorientierte Aufsichtssystem von Solvency II erkennt als zentralen Grundsatz, dass nach dem Prinzip „Substanz über Form“ die ökonomische Wirkung eines Risikotransferinstrumentes und nicht die formale Einbettung desselben als Entscheidungskriterium der Berücksichtigungsfähigkeit gilt. Dieser Grundsatz trägt den Entwicklungen auf dem Rückversicherungsmarkt insoweit Rechnung, da dadurch auch alternative Formen des vt. Risikotransfers grundsätzlich Anerkennung finden können, wenn sie den Anerkennungsvoraussetzungen der aufsichtsrechtlichen Vorgaben entsprechen. Dabei zeigt sich, dass der Aufbau und die Mechanik dieser alternativen Formen des vt. Risikotransfer insbesondere eine (ökonomisch) abweichende Bewertung hinsichtlich des vt. Basisrisikos und Ausfallrisikos bedingen können. Kern der vorliegenden Arbeit ist deshalb die Prüfung, inwieweit die Vorgaben von Solvency II diese Unterschiedlichkeit zur Berücksichtigung von vt. Basisrisiko ökonomisch adäquat abbilden. Dabei wird dargestellt, dass insbesondere eine nach Solvency II im Vergleich zum Marktverständnis weit gefasste Definition der Begrifflichkeit sowie eine uneinheitliche Anwendung innerhalb der Gesetzestexte der einheitlichen Berücksichtigung potentiell zuwiderlaufen oder uneinheitliche Prüfungserfordernisse an ökonomisch gleich wirkende Instrumente stellen. Darüber wird hergeleitet, dass die Vorgaben nach Solvency II Regelungen enthalten, welche die ökonomische Wirkung des vt. Basisrisikos (z. B. aus Währungsinkongruenzen) inadäquat widerspiegeln.
Mit der „IVW Privat AG“ liegt ein relativ durchgängiges Datenmodell eines Schadenversicherungs-unternehmens vor, mit dem in vorangegangenen Publikationen eine Vielzahl von Solvency II Anwen-dungen illustriert werden konnten. Ergänzend dazu sollen in dieser Publikation unterschiedliche Bewertungsansätze für das verfügbare Kapital vorgestellt und miteinander verglichen werden – ausgehend vom sicherheitsorientierten HGB Kapital bis hin zum Marktkonsistenten Embedded Value (MCEV).
Bewertungsportale, in denen man seine Meinung zu Gütern oder Dienstleistungen äußern kann, sind seit einiger Zeit bekannt und verbreitet. Kann durch sie die Nachfrageseite eine neue, informationsgestützte Machtposition erlangen? Ein Projektteam des Instituts für Versicherungswesen an der TH Köln (ivwKöln) hat sich dieser Frage gewidmet und zunächst kontrastierende Hypothesen aus der Gegenüberstellung des informationsökonomischen und des diffusionstheoretischen Ansatzes entwickelt. Eine Hypothesengruppe bezog sich auf die Frage, von welchen Faktoren die Nachfrage und Wertschätzung von Bewertungsportalen abhängig ist, eine andere unterstellte, dass globale Produkteigenschaften auf der Dimension Such-, Erfahrungs-, Vertrauenseigenschaften sich auf die Nutzung von Portalen auswirkten. Untersucht wurden deshalb sehr unterschiedliche Portale, für Kleidung, Restaurants, Ärzte und Versicherungen. Empirische Grundlage war eine online-gestützte Befragung mit einem Convenience-Sample von 114 Befragten. Neben Studierenden des ivwKöln wurden Angestellte und Personen im Rentenalter zur Teilnahme motiviert, um eine breite Altersstreuung zu erreichen. Die Ergebnisse zur ersten Hypothesengruppe sprechen eindeutig für den diffusionstheoretischen Ansatz. Bei den beiden analysierbaren Portalen (Restaurants und Ärzte) ergibt sich: Entscheidende Faktoren für den Besuch von Restaurantportalen sind Internetaffinität, Alter, Produktinvolvement und Meinungsführerschaft; für den Besuch von Ärzteportalen sind es Internetaffinität und Produktinvolvement. Damit ist auch klar, dass sich die Machtposition der Nachfrager durch die Nutzung von Portalen allenfalls selektiv verstärkt. Die zweite Hypothese, dass Portalnutzung auch von globalen Produkteigenschaften abhängig sei, ließ sich nicht bestätigen.
Big Data für Versicherungen. Proceedings zum 21. Kölner Versicherungssymposium am 3.11.2016 in Köln
(2017)
Aufgrund der schnellen technologischen Entwicklungen und den damit einhergehenden erweiterten Möglichkeiten hat für den Begriff „Big Data“ eine starke Begriffserweiterung stattgefunden – insbesondere im Dreiklang Digitalisierung / Big Data / Cloud Computing (DBC). „Big Data“ im weiteren Sinn umfasst inzwischen mindesten die Themenfelder IT & Prozesse, Methoden & Modellierung, Produktentwicklung & Kundenmanagement sowie Recht & Datenschutz.
Wegen der hohen Bedeutung haben die Forschungsbereiche des ivwKöln für 2016 „Big Data“ als übergreifendes Forschungsthema gewählt. Im 21. Kölner Versicherungs-symposium wurde daher das Themenfeld in seiner Vielschichtigkeit von Referenten aus mehreren
Fachrichtungen skizziert.
As the amount of data gathered by monitoring systems increases, using computational tools to analyze it becomes a necessity.
Machine learning algorithms can be used in both regression and classification problems, providing useful insights while avoiding the bias and proneness to errors of humans. In this paper, a specific kind of decision tree algorithm, called conditional inference tree, is used to extract relevant knowledge from data that pertains to electrical motors. The model is chosen due to its flexibility, strong statistical foundation, as well as great capabilities to generalize and cope with problems in the data. The obtained knowledge is organized in a structured way and then analyzed in the context of health condition monitoring. The final
results illustrate how the approach can be used to gain insight into the system and present the results in an understandable, user-friendly manner
Mit diesem Bericht dokumentiert das Institut für Versicherungswesen (ivwKöln) seine Forschungsaktivitäten des vergangenen Jahres. Wir geben damit gegenüber der Öffentlichkeit und insbesondere den Freunden und Förderern des Instituts Rechenschaft über die geleistete Forschungsarbeit. Darüber hinaus wollen wir in diesem Forschungsbericht auch darlegen, welche Forschungsziele wir am Institut verfolgen und welche Aktivitäten derzeit geplant sind.
The performance of optimization algorithms relies crucially on their parameterizations. Finding good parameter settings is called algorithm tuning. Using
a simple simulated annealing algorithm, we will demonstrate how optimization algorithms can be tuned using the Sequential Parameter Optimization Toolbox (SPOT). SPOT provides several tools for automated and interactive tuning. The underlying concepts of the SPOT approach are explained. This includes key techniques such as exploratory fitness landscape analysis and response surface methodology. Many examples illustrate
how SPOT can be used for understanding the performance of algorithms and gaining insight into algorithm behavior. Furthermore, we demonstrate how SPOT can be used as an optimizer and how a sophisticated ensemble approach is able to combine several meta models via stacking.
Das Institut für Rettungsingenieurwesen und Gefahrenabwehr der Technischen Hochschule Köln veranstaltet seit November 2014 die abendliche Vortragsreihe „Risky Monday“, in der Experten aus Wissenschaft und Praxis verschiedene Ansätze, Themen und Denkweisen des interdisziplinären Risiko- und Krisenmanagements präsentieren So erlangen unsere Zuhörer neben Einblicke in gesellschaftliche und technische Aspekte des nationalen Bevölkerungsschutzes und der internationalen humanitären Hilfe, auch Wissen über die zugrunde liegenden konzeptionellen und wissenschaftlichen Ansätze. Die vorliegende Ausgabe bietet einen Überblick über die bis zum Wintersemester 2015/2016 stattgefundenen Vorträge, die beruflichen Hintergründe der Vortragenden und Möglichkeiten für Kooperationen im Rahmen von Bachelor- oder Masterarbeiten. Darüber hinaus finden sich in dieser Ausgabe Diskussionsbeiträge der Vortragenden zu Notfall- und Krisenmanagement in Verwaltungsbehörden, psychosozialer Unterstützung und Stakeholder-Beteiligung in der Katastrophenvorsorge.
Social learning enables multiple robots to share learned experiences while completing a task. The literature offers examples where robots trained with social learning reach a higher performance compared to their individual learning counterparts. No explanation has been advanced for that observation. In this research, we present experimental results suggesting that a lack of tuning of the parameters in social learning experiments could be the cause. In other words: the better the parameter settings are tuned, the less social learning can improve the system performance.