Refine
Year of publication
Document Type
- Working Paper (86)
- Report (54)
- Conference Proceeding (28)
- Book (20)
- Article (10)
- Other (9)
- Preprint (7)
- Doctoral Thesis (3)
Language
- German (161)
- English (52)
- Multiple languages (4)
Has Fulltext
- yes (217)
Keywords
- Versicherungswirtschaft (36)
- Forschungsbericht (20)
- Optimierung (20)
- Hochschuldidaktik (17)
- Risikomanagement (17)
- Optimization (13)
- Versicherungsmathematik (13)
- Forschung (11)
- Modellierung (9)
- Soft Computing (9)
Institute
- Fakultät 04 / Institut für Versicherungswesen (77)
- Fakultät für Informatik und Ingenieurwissenschaften (F10) (31)
- Fakultät 04 / Schmalenbach Institut für Wirtschaftswissenschaften (26)
- Zentrum für Lehrentwicklung (20)
- Fakultät 10 / Institut für Informatik (16)
- Fakultät 09 / Institut für Rettungsingenieurwesen und Gefahrenabwehr (12)
- Fakultät 05 / Institut für Baugeschichte und Denkmalpflege (8)
- Fakultät 07 / Institut für Nachrichtentechnik (5)
- Fakultät 01 / Institut für Sozialpolitik und Sozialmanagement (4)
- Fakultät 10 / Institut für Data Science, Engineering, and Analytics (4)
Computational intelligence methods have gained importance in several real-world domains such as process optimization, system identification, data mining, or statistical quality control. Tools are missing, which determine the applicability of computational intelligence methods in these application domains in an objective manner. Statistics provide methods for comparing algorithms on certain data sets. In the past, several test suites were presented and considered as state of the art. However, there are several drawbacks of these test suites, namely: (i) problem instances are somehow artificial and have no direct link to real-world settings; (ii) since there is a fixed number of test instances, algorithms can be fitted or tuned to this specific and very limited set of test functions; (iii) statistical tools for comparisons of several algorithms on several test problem instances are relatively complex and not easily to analyze. We propose a methodology to overcome these difficulties. It is based on standard ideas from statistics: analysis of variance and its extension to mixed models. This paper combines essential ideas from two approaches: problem generation and statistical analysis of computer experiments.
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.
Aufgrund der rasanten 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 & Marketing sowie Recht & Datenschutz. Aufgrund der enormen Bedeutung und Vielschichtigkeit des Themas hat sich die Forschungsstelle aktuarielles Risikomanagement (FaRis) bei ihrem 10. FaRis & DAV Symposium mit den quantitativen Aspekten des Begriffs auseinandergesetzt.
BLANK ist formuliert um direkte Zusammenhänge von Theorie als Inspiration für gestalterische (als auch künstlerische) Konzeption und daraus resultierenden praktischen Ergebnissen herauszustellen. Zu diesem Zweck ist die Rezeptionsästhetik als Grundlage herangezogen worden. Fotografische Arbeiten werden innerhalb des Bildbands, BLANK in Beziehung gesetzt um theoretische Aspekte von Rezeption wahrzunehmen.
When using machine learning techniques for learning a function approximation from given data it is often a difficult task to select the right modeling technique.
In many real-world settings is no preliminary knowledge about the objective function available. Then it might be beneficial if the algorithm could learn all models by itself and select the model that suits best to the problem.
This approach is known as automated model selection. In this work we propose a
generalization of this approach.
It combines the predictions of several into one more accurate ensemble surrogate model. This approach is studied in a fundamental way, by first evaluating minimalistic ensembles of only two surrogate models in detail and then proceeding to ensembles with three and more surrogate models.
The results show to what extent combinations of models can perform better than single surrogate models and provides insights into the scalability and robustness of the approach. The study focuses on multi-modal functions topologies, which are important in surrogate-assisted global optimization.
This paper introduces CAAI, a novel cognitive architecture for artificial intelligence in cyber-physical production systems. The goal of the architecture is to reduce the implementation effort for the usage of artificial intelligence algorithms. The core of the CAAI is a cognitive module that processes declarative goals of the user, selects suitable models and algorithms, and creates a configuration for the execution of a processing pipeline on a big data platform. Constant observation and evaluation against performance criteria assess the performance of pipelines for many and varying use cases. Based on these evaluations, the pipelines are automatically adapted if necessary. The modular design with well-defined interfaces enables the reusability and extensibility of pipeline components. A big data platform implements this modular design supported by technologies such as Docker, Kubernetes, and Kafka for virtualization and orchestration of the individual components and their communication. The implementation of the architecture is evaluated using a real-world use case.
In diesem Artikel schlagen wir die Verwendung eines genetischen Algorithmus (GA) zur Kalibrierung eines Stochastischen Prozesses an eine empirische Dichte von Aktienrenditen vor. Anhand des Heston Models zeigen wir wie eine solche Kalibrierung durchgeführt werden kann. Neben des Pseudocodes für einen einfachen aber leistungsfähigen GA präsentieren wir zudem auch Kalibrierungs-ergebnisse für den DAX und den S&P 500.
Dieser Schlussbericht beschreibt die im Projekt „CI-basierte mehrkriterielle Optimierungsverfahren für Anwendungen in der Industrie“ (CIMO) im Zeitraum von November 2011 bis einschließlich Oktober 2014 erzielten Ergebnisse. Für aufwändige Optimierungsprobleme aus der Industrie wurden geeignete Lösungsverfahren entwickelt. Der Schwerpunkt lag hierbei auf Methoden aus den Bereichen Computational Intelligence (CI) und Surrogatmodellierung. Diese bieten die Möglichkeit, wichtige Herausforderung von aufwändigen, komplexen Optimierungsproblemen zu lösen. Die entwickelten Methoden können verschiedene konfliktäre Zielgrößen berücksichtigen, verschiedene Hierarchieebenen des Problems in die Optimierung integrieren, Nebenbedingungen beachten, vektorielle aber auch strukturierte Daten verarbeiten (kombinatorische Optimierung) sowie die Notwendigkeit teurer/zeitaufwändiger Zielfunktionsberechnungen reduzieren. Die entwickelten Methoden wurden schwerpunktmäßig auf einer Problemstellung aus der Kraftwerkstechnik angewendet, nämlich der Optimierung der Geometrie eines Fliehkraftabscheiders (auch: Zyklon), der Staubanteile aus Abgasen filtert. Das Optimierungsproblem, das diese FIiehkraftabscheider aufwerfen, führt zu konfliktären Zielsetzungen (z.B. Druckverlust, Abscheidegrad). Zyklone können unter anderem über aufwändige Computational Fluid Dynamics (CFD) Simulationen berechnet werden, es stehen aber auch einfache analytische Gleichungen als Schätzung zu Verfügung. Die Verknüpfung von beidem zeigt hier beispielhaft wie Hierarchieebenen eines Optimierungsproblems mit den Methoden des Projektes verbunden werden können. Neben dieser Schwerpunktanwendung konnte auch gezeigt werden, dass die Methoden in vielen weiteren Bereichen Erfolgreich zur Anwendung kommen können: Biogaserzeugung, Wasserwirtschaft, Stahlindustrie. Die besondere Herausforderung der behandelten Probleme und Methoden bietet viele wichtige Forschungsmöglichkeiten für zukünftige Projekte, die derzeit durch die Projektpartner vorbereitet werden.
Collective Defined Contribution Plans – Backtesting Based on German Capital Market Data 1950 - 2022
(2022)
Using historical capital market data for Germany (1950-2022) we analyze and compare (individual) defined contribution (IDC-) and collective defined contribution (CDC) pension plans. To this end we define simple asset liability management rules that govern a CDC pension plan and compare these to IDC-plans with the same asset allovation. Our main result is, that the CDC pension plans allow for a significant improvement of the risk return profile compared to individual pension plans. Hereby we consider different risk measures. This empirical study affirms the theoretical results based on stochastic CDC-models.
The availability of several CPU cores on current computers enables
parallelization and increases the computational power significantly.
Optimization algorithms have to be adapted to exploit these highly
parallelized systems and evaluate multiple candidate solutions in
each iteration. This issue is especially challenging for expensive
optimization problems, where surrogate models are employed to
reduce the load of objective function evaluations.
This paper compares different approaches for surrogate modelbased
optimization in parallel environments. Additionally, an easy
to use method, which was developed for an industrial project, is
proposed. All described algorithms are tested with a variety of
standard benchmark functions. Furthermore, they are applied to
a real-world engineering problem, the electrostatic precipitator
problem. Expensive computational fluid dynamics simulations are
required to estimate the performance of the precipitator. The task
is to optimize a gas-distribution system so that a desired velocity
distribution is achieved for the gas flow throughout the precipitator.
The vast amount of possible configurations leads to a complex
discrete valued optimization problem. The experiments indicate
that a hybrid approach works best, which proposes candidate solutions
based on different surrogate model-based infill criteria and
evolutionary operators.
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
Benchmark experiments are required to test, compare, tune, and understand optimization algorithms. Ideally, benchmark problems closely reflect real-world problem behavior. Yet, real-world problems are not always readily available for benchmarking. For example, evaluation costs may be too high, or resources are unavailable (e.g., software or equipment). As a solution, data from previous evaluations can be used to train surrogate models which are then used for benchmarking. The goal is to generate test functions on which the performance of an algorithm is similar to that on the real-world objective function. However, predictions from data-driven models tend to be smoother than the ground-truth from which the training data is derived. This is especially problematic when the training data becomes sparse. The resulting benchmarks may not reflect the landscape features of the ground-truth, are too easy, and may lead to biased conclusions.
To resolve this, we use simulation of Gaussian processes instead of estimation (or prediction). This retains the covariance properties estimated during model training. While previous research suggested a decomposition-based approach for a small-scale, discrete problem, we show that the spectral simulation method enables simulation for continuous optimization problems. In a set of experiments with an artificial ground-truth, we demonstrate that this yields more accurate benchmarks than simply predicting with the Gaussian process model.
In facing recent natural and man-made disasters Disaster Risk Reduction (DRR) and Climate Change Adaption (CCA) calls for integrative thinking and learning across cultures, disciplines and institutions. In times of increasing complexity, insecurity and uncertainty thinking outside the box becomes essential. This first volume of “Integrative Risk and Security Research” presents related research contributions developed in the context of the 2013 DAAD Alumni Summer School "Coping with Disasters and Climate Extremes - Challenges & Cooperation Potential". It invites the reader to look beyond common perspectives of DRR and CCA and relates climate change and natural disasters with interdisciplinary and bottom-up policy making.
This volume addresses the topics of Disaster Risk Reduction (DRR) and Climate Change Adaption (CCA) from the perspective of participants of the DAAD Alumni Summer School 2013. Contributions from 16 countries are gathered in this volume, thereby sharing specific knowledge on climate extremes, disasters, adaptation and prevention measures as well as current strategies in a range of different national contexts. The DAAD Alumni Summer School opened up a forum for integrative thinking and learning across cultures, disciplines and institutions. This volume is directly linked to the first volume of the series and presents a further outcome of the Summer School 2013. It invites the reader to look beyond common perspectives of DRR and CCA and relates climate change and natural disasters with interdisciplinary and bottom-up policy making. The outcomes presented in the two volumes are a starting point for further international & transdisciplinary knowledge exchange activities planned for the upcoming years.
Das Rathaus Rodenkirchen im Kölner Süden wurde 1967 nach einem Entwurf des Kölner Architekten Walther Ruoff (1914-1991) erbaut. Er war 1962 als Gewinner aus einem Wettbewerb für ein neues repräsentatves Rathaus der damals eigenständigen Gemeinde hervorgegangen. Es steht bis zuletzt als bauliches Zeugnis von Wachstum und Selbstbewusstsein in der Architektursprache des Brutalismus. 2005 wurde nach langen Debatten der Abriss des Hauses beschlossen. Die Publikation beschäftigt sich mit der Architektur und Bauidee des Rathauses, wie auch mit der Rezeptionsgeschichte, die letztendlich zum bedauerlichen Abbruch führte.
Data pre-processing is a key research topic in data mining because it plays a
crucial role in improving the accuracy of any data mining algorithm. In most
real world cases, a significant amount of the recorded data is found missing
due to most diverse errors. This loss of data is nearly always unavoidable.
Recovery of missing data plays a vital role in avoiding inaccurate data
mining decisions. Most multivariate imputation methods are not compatible
to univariate datasets and the traditional univariate imputation techniques
become highly biased as the missing data gap increases. With the current
technological advancements abundant data is being captured every second.
Hence, we intend to develop a new algorithm that enables maximum
utilization of the available big datasets for imputation. In this paper, we
present a Seasonal and Trend decomposition using Loess (STL) based
Seasonal Moving Window Algorithm, which is capable of handling patterns
with trend as well as cyclic characteristics. We show that the algorithm is
highly suitable for pre-processing of large datasets.
Interne Modelle in der Schadenversicherung gehen üblicherweise vom ökonomischen Kapital nach einem Jahr als zugrunde gelegter stochastischer Zielfunktion aus. Dieses basiert auf der sofortigen Realisation aller Aktiva und Passiva zu Marktpreisen, was nicht immer eine realistische Hypothese darstellt. Beim Embedded Value (der in der Schadenversicherung noch nicht so etabliert ist wie in der Lebensversicherung) werden die Werte der Aktiva und Passiva erst über die Zeit realisiert. Sinnvoll angewendet kann dieses Konzept somit einen deutlich realistischeren Ansatz für ein internes Modell in der Schadenversicherung liefern als die Modellierung auf Basis des ökonomischen Kapitals.
Mit dem Konzept des „Embedded Values“ soll der Langfristigkeit von Lebensversicherungsverträgen Rechnung getragen werden, wobei in der operativen Anwendung erste Schwachstellen des Konzeptes ersichtlich geworden sind. In der Schadenversicherung ist dieses Konzept im Rahmen der Risikosteuerung derzeit noch nicht etabliert, findet aber bereits im Rahmen der integrierten Gesamtsteuerung auf Gruppenebene erste Anwendung. Insofern ist es konsequent, zumindest im Hinblick auf mittelfristige Entwicklungsperspektiven den MCEV auch bei der wertorientierten Unternehmenssteuerung in der Nichtlebensversicherung in Betracht zu ziehen. Dadurch gibt sich im Hinblick auf die Risikosteuerung auf Gruppenebene ein insgesamt stimmiges Bild, das aber durchaus kritisch zu hinterfragen ist.
Das vernetzte Automobil bezeichnet die Möglichkeit, über Mobilfunknetze (oder auch WLAN) aus einem Fahrzeug heraus Daten z.B. zum aktuellen Betriebszustand des Fahrzeugs, zur aktuellen Position oder zur Fahrweise an unterschiedlichste Empfänger weiterzuleiten. Auf Basis dieser Technik sind ein automatisches Notrufsystem sowie zahlreiche Mehrwertdienste rund um Service und Verkehrs-steuerung realisierbar. Bisherige, kostenpflichtige Angebote konnten sich im Markt noch nicht breit durchsetzen. Die von der EU-Kommission für 2015 geplante verpflichtende Neueinführung des automatischen Notrufsystems „eCall“ wird der Verbreitung dieser Systeme aber einen deutlichen Schub geben. Mit der Hoffnung auf sinkende Zahlen von Unfallopfern gehen allerdings Bedenken einher bezüglich Datenschutz. Hinzu kommt die Sorge von Verbraucherschützern und einigen Marktteilnehmern (z.B. Pannendiensten, freien Werkstätten, Teilehändlern und Versicherern) vor einer gewissen „Monopolisierung“ der Kfz-Hersteller im After-Sales-Market, soweit alleine diese Zugriff auf die mobilen Daten erhalten. Vor diesem Hintergrund untersucht diese Studie die derzeitige Kenntnis und Akzeptanz des automatischen Notrufsystems „eCall“ sowie die Akzeptanz darüber hinausgehender Mehrwertdienste. Dazu wurde eine annähernd repräsentative Stichprobe von 1.021 privaten PKWHaltern in Deutschland befragt. Die Ergebnisse zeigen, dass eCall als Notfallsystem zwar noch wenig bekannt ist, aber nach kurzer Erläuterung hohe Akzeptanz findet und nach Ansicht der großen Mehrheit der Befragten automatisch in allen Neufahrzeugen installiert werden sollte. Die damit verbundenen Mehrkosten beim Autokauf werden in Kauf genommen. Bedeutsamer erscheint dagegen der Schutz der persönlichen Daten. Als Empfänger der gesendeten Information werden im Falle eines Unfalls vorrangig Rettungsdienste, aber auch Polizei und Pannendienste gewünscht. Zudem könnten sich viele Fahrzeughalter die Weiterleitung an ihren Versicherer oder eine Verkehrsleitzentrale vorstellen. Deutlich zurückhaltender zeigen sich die Autofahrer aber, wenn es um die Übermittlung von Daten jenseits von Unfällen geht. Insbesondere eine automatische Übermittlung von Informationen erreicht hier durchgehend nur geringe Akzeptanzwerte. Die Option, die Datenübermittlung selbst zu beeinflussen, sei es durch Voreinstellung oder fallweise Aktivierung, erhöht die Akzeptanz zwar deutlich, dennoch fanden sich außerhalb des Unfallszenarios keine Anlässe, in denen die Mehrheit eine Datenweitergabe befürwortete. Diese Zurückhaltung gilt auch für den Austausch mit Werkstätten und Kfz-Herstellern. Insbesondere eine automatische Datenübermittlung wird von den meisten Autofahrern abgelehnt. Wahlfreiheit erhöht auch hier die Akzeptanz, insbesondere Daten zum Betriebszustand des Fahrzeuges zu übertragen. Die Akzeptanz-Unterschiede zwischen verschiedenen Bevölkerungsgruppen - sei es nach Alter, Status oder Autotypen - sind insgesamt eher gering. Auch die generelle politische Orientierung schlägt sich nur bedingt in der Akzeptanz von eCall und Mehrwertdiensten wieder. Insgesamt wird deutlich: Wenn es nicht unmittelbar um die Sicherheit geht, braucht es überzeugender Argumente, um die Mehrheit der Autofahrer von weiteren Anwendungen zu überzeugen. Wahlfreiheit ist ein wichtiger Parameter zur Erhöhung der Akzeptanz. Ebenso bedeutsam ist ein überzeugender Datenschutz. Allerdings zeigt ein Auseinanderklaffen zwischen hohen datenschutzbezogenen Erwartungen einerseits und dem tatsächlichem Umgang mit datensensiblen Diensten in verschiedensten Lebensbereichen andererseits, dass ein erheblicher Teil der Bevölkerung bereit ist, ihr grundsätzliches Verlangen nach Anonymität zugunsten konkreter Vergünstigungen außer Acht zu lassen. Hier wären unter dem Aspekt des Verbraucherschutzes regulatorische Maßnahmen anzudenken.