StudierendeLehrende

Fama-French Three-Factor Model

Das Fama-French Three-Factor Model erweitert das traditionelle Capital Asset Pricing Model (CAPM), indem es zusätzlich zu den marktweiten Risiken zwei weitere Faktoren einführt, die die Renditen von Aktien beeinflussen. Diese Faktoren sind:

  1. Größenfaktor (SMB - Small Minus Big): Dieser Faktor misst die Renditedifferenz zwischen kleinen und großen Unternehmen. Historisch haben kleinere Unternehmen tendenziell höhere Renditen erzielt als größere Unternehmen.

  2. Wertfaktor (HML - High Minus Low): Dieser Faktor erfasst die Renditedifferenz zwischen Unternehmen mit hohen Buchwert-Marktwert-Verhältnissen (Wertaktien) und solchen mit niedrigen Buchwert-Marktwert-Verhältnissen (Wachstumsaktien). Auch hier zeigen historische Daten, dass Wertaktien oft bessere Renditen erzielen als Wachstumsaktien.

Die mathematische Darstellung des Modells lautet:

Ri−Rf=α+β(Rm−Rf)+s⋅SMB+h⋅HML+ϵR_i - R_f = \alpha + \beta (R_m - R_f) + s \cdot SMB + h \cdot HML + \epsilonRi​−Rf​=α+β(Rm​−Rf​)+s⋅SMB+h⋅HML+ϵ

Hierbei steht RiR_iRi​ für die Rendite des Wertpapiers, RfR_fRf​ für den risikofreien Zinssatz, RmR_mRm​ für die Marktrendite, und α\alphaα, β\betaβ, $

Weitere verwandte Begriffe

contact us

Zeit zu lernen

Starte dein personalisiertes Lernelebnis mit acemate. Melde dich kostenlos an und finde Zusammenfassungen und Altklausuren für deine Universität.

logoVerwandle jedes Dokument in ein interaktives Lernerlebnis.
Antong Yin

Antong Yin

Co-Founder & CEO

Jan Tiegges

Jan Tiegges

Co-Founder & CTO

Paul Herman

Paul Herman

Co-Founder & CPO

© 2025 acemate UG (haftungsbeschränkt)  |   Nutzungsbedingungen  |   Datenschutzerklärung  |   Impressum  |   Jobs   |  
iconlogo
Einloggen

Lebesgue-Maß

Das Lebesgue-Maß ist ein Konzept aus der Maßtheorie, das eine Erweiterung der intuitiven Idee von Länge, Fläche und Volumen auf allgemeinere Mengen im Raum darstellt. Es wurde von dem Mathematiker Henri Léon Lebesgue entwickelt und ermöglicht die Messung von nicht-messbaren Mengen, die mit herkömmlichen Methoden nicht erfasst werden können. Das Lebesgue-Maß ist besonders wichtig in der Analysis und der Wahrscheinlichkeitstheorie, da es die Grundlage für die Definition von Lebesgue-Integralen bildet.

Das Maß einer Menge A⊂RnA \subset \mathbb{R}^nA⊂Rn wird durch die kleinste Summe der Volumina von offenen Kugeln verwendet, die AAA abdecken. Das Lebesgue-Maß kann für verschiedene Dimensionen definiert werden, beispielsweise ist das Lebesgue-Maß einer beschränkten, offenen Menge im R2\mathbb{R}^2R2 gleich der Fläche dieser Menge. Formal wird das Lebesgue-Maß oft mit m(A)m(A)m(A) bezeichnet und erfüllt Eigenschaften wie Translationalität und σ-Additivität.

Aho-Corasick-Automat

Der Aho-Corasick-Algorithmus ist ein effizienter Suchalgorithmus, der verwendet wird, um mehrere Muster in einem Text gleichzeitig zu finden. Er basiert auf einem Trie (Präfixbaum), der aus den zu suchenden Mustern konstruiert wird. Der Algorithmus erweitert den Trie um zusätzliche Strukturen, um Übergänge zu definieren, die es ermöglichen, bei einem Fehlschlag nicht zum Anfang zurückzukehren, sondern einen bestimmten Zustand weiter zu verfolgen. Dies geschieht durch die Einführung von Fail-Zeigern, die eine Art "Backup"-Verbindung darstellen, falls der aktuelle Pfad im Trie nicht erfolgreich ist.

Die Hauptvorteile des Aho-Corasick-Algorithmus sind seine Effizienz und Schnelligkeit, da er in linearer Zeit O(n+m+z)O(n + m + z)O(n+m+z) arbeitet, wobei nnn die Länge des Textes, mmm die Gesamtlänge der Muster und zzz die Anzahl der gefundenen Übereinstimmungen ist. Diese Eigenschaften machen ihn besonders nützlich in Anwendungen wie der Textverarbeitung, Intrusion Detection und Virus-Scanning, wo viele Suchmuster gleichzeitig verarbeitet werden müssen.

Transformer Self-Attention Scaling

Die Self-Attention-Mechanik in Transformern ermöglicht es dem Modell, verschiedene Teile einer Eingabesequenz miteinander zu gewichten und zu vergleichen, um den Kontext besser zu erfassen. Bei der Berechnung der Aufmerksamkeit wird ein Skalierungsfaktor eingeführt, um die Ergebnisse der Dot-Produkt-Operation zu stabilisieren. Dieser Faktor ist normalerweise der Quadratwurzel der Dimension der Schlüssel-Vektoren, also dk\sqrt{d_k}dk​​. Ohne diese Skalierung könnten die Dot-Produkte sehr große Werte annehmen, was zu einer extremen Aktivierung der Softmax-Funktion führen würde und somit die Lernstabilität beeinträchtigen könnte. Durch die Skalierung wird sichergestellt, dass die Aufmerksamkeit gleichmäßig verteilt wird und das Modell somit effektiver lernen kann. Die Formel für den Selbstaufmerksamkeitsmechanismus kann dann wie folgt dargestellt werden:

Attention(Q,K,V)=softmax(QKTdk)V\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)VAttention(Q,K,V)=softmax(dk​​QKT​)V

Hierbei sind QQQ, KKK und VVV die Abfragen, Schlüssel und Werte der Eingabe.

Dünnfilmspannungsmessung

Die Messung von Spannungen in Dünnschichten (Thin Film Stress Measurement) ist ein wichtiger Prozess in der Materialwissenschaft und der Mikroelektronik, da die mechanischen Eigenschaften dünner Filme entscheidend für die Leistung von Bauteilen sind. Diese Spannungen können durch verschiedene Faktoren verursacht werden, wie z.B. Temperaturänderungen, chemische Reaktionen oder die Abscheidungstechniken, die zur Herstellung der Filme verwendet werden.

Zur Messung der Spannungen werden häufig Techniken wie die Wafer-Biegemethode oder die X-ray Diffraction (XRD) angewendet. Bei der Wafer-Biegemethode wird die Krümmung eines Substrats gemessen, das eine dünne Schicht enthält, und die resultierende Biegung kann verwendet werden, um die interne Spannung zu berechnen. Mathematisch kann die Beziehung zwischen der Krümmung κ\kappaκ und der Spannung σ\sigmaσ durch die Formel

σ=E(1−ν)⋅κ\sigma = \frac{E}{(1 - \nu)} \cdot \kappa σ=(1−ν)E​⋅κ

beschrieben werden, wobei EEE der Elastizitätsmodul und ν\nuν die Poisson-Zahl ist. Eine präzise Messung dieser Spannungen ist entscheidend, um die Zuverlässigkeit und Lebensdauer von Halbleiterbauelementen zu gewährleisten.

Hedging-Strategien

Hedging-Strategien sind Finanzinstrumente oder -techniken, die eingesetzt werden, um das Risiko von Preisbewegungen in Vermögenswerten zu minimieren. Diese Strategien zielen darauf ab, potenzielle Verluste in einem Investment durch Gewinne in einem anderen auszugleichen. Zu den häufigsten Hedging-Methoden gehören Terminkontrakte, Optionen und Swaps. Durch den Einsatz dieser Instrumente können Investoren und Unternehmen ihre Exposition gegenüber verschiedenen Risiken, wie z.B. Wechselkursrisiken oder Rohstoffpreisschwankungen, steuern. Ein einfaches Beispiel wäre der Kauf einer Verkaufsoption auf eine Aktie, um sich gegen einen Preisverfall abzusichern. In der Mathematik wird oft die folgende Formel verwendet, um das Hedging-Verhältnis zu bestimmen:

H=ΔPΔSH = \frac{\Delta P}{\Delta S}H=ΔSΔP​

wobei HHH das Hedging-Verhältnis, ΔP\Delta PΔP die Änderung des Preises des gesicherten Vermögenswertes und ΔS\Delta SΔS die Änderung des Preises des Hedge-Instruments sind.

Hydraulisches Modellieren

Hydraulic Modeling ist ein wichtiges Werkzeug in der Ingenieurwissenschaft, das verwendet wird, um das Verhalten von Flüssigkeiten in verschiedenen Systemen zu simulieren und zu analysieren. Diese Modelle können sowohl physikalisch als auch numerisch sein und helfen Ingenieuren, die Strömung von Wasser in Flüssen, Kanälen oder städtischen Abwassersystemen zu verstehen. Durch die Anwendung von mathematischen Gleichungen, wie der Bernoulli-Gleichung oder den Navier-Stokes-Gleichungen, können verschiedene Szenarien untersucht werden, um die Auswirkungen von Änderungen in der Geometrie oder den Betriebsbedingungen zu bewerten.

Zu den häufigsten Anwendungen von Hydraulic Modeling gehören:

  • Hochwassermanagement: Vorhersage von Überflutungen und Entwicklung von Schutzmaßnahmen.
  • Wasserverteilungssysteme: Optimierung der Druckverhältnisse und Identifizierung von Leckagen.
  • Umweltstudien: Untersuchung der Auswirkungen von menschlichen Aktivitäten auf natürliche Wasserressourcen.

Durch die Verwendung von hydraulischen Modellen können Ingenieure fundierte Entscheidungen treffen und die Effizienz sowie die Sicherheit von Wassersystemen verbessern.