Historická simulace a simulace Monte Carlo

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Kvantitativní řízení rizik v Pythonu

SkillTag.level.advancedSkillTag.label

4.8+

Začněte kurz zdarma

Řízení rizik začíná pochopením vztahu mezi rizikem a výnosem. Zopakujeme si, jak spolu tyto pojmy souvisejí, identifikujeme rizikové faktory a s jejich pomocí se znovu setkáme s moderní teorií portfolia v kontextu globální finanční krize v letech 2007–2008.

Exercise 1: Vítej!Exercise 2: Výnosy portfolia během krize Exercise 3: Kovariance aktiv a volatilita portfolia Exercise 4: Rizikové faktory a finanční krize Exercise 5: Převzorkování frekvencí – základy Exercise 6: Vizualizace korelace rizikových faktorů Exercise 7: Faktorový model metodou nejmenších čtverců Exercise 8: Moderní teorie portfolia Exercise 9: Procvičení s PyPortfolioOpt: výnosy Exercise 10: Práce s PyPortfolioOpt: kovariance Exercise 11: Rozbor finanční krize Exercise 12: Efektivní hranice a finanční krize

Teď je čas rozšířit tvoji sadu nástrojů pro optimalizaci portfolia o míry rizika, jako jsou Value at Risk (VaR) a Conditional Value at Risk (CVaR). Využiješ k tomu specializované knihovny Pythonu, včetně pandas, scipy a pypfopt. Také se naučíš, jak snižovat rizikovou expozici pomocí Black-Scholesova modelu při zajišťování opčního portfolia.

Exercise 1: Měření rizika Exercise 2: VaR pro normální rozdělení Exercise 3: Porovnání CVaR a VaR Exercise 4: Která míra rizika je „lepší"?Exercise 5: Riziková expozice a ztráta Exercise 6: Jaký máš vztah k riziku?Exercise 7: VaR a riziková expozice Exercise 8: CVaR a riziková expozice Exercise 9: Řízení rizik pomocí VaR a CVaR Exercise 10: VaR z odhadnutého rozdělení Exercise 11: Minimalizace CVaR Exercise 12: Řízení rizika pomocí CVaR a krize Exercise 13: Hedging portfolia: jak snížit riziko Exercise 14: Oceňování opcí pomocí Black-Scholesova modelu Exercise 15: Oceňování opcí a podkladové aktivum Exercise 16: Zajištění portfolia pomocí opcí

V této kapitole se naučíš odhadovat míry rizika pomocí parametrické estimace a skutečných historických dat. Pak zjistíš, jak ti simulace Monte Carlo pomůže předvídat nejistotu. Nakonec pochopíš, jak globální finanční krize ukázala, že se mění samotná náhodnost – a to prostřednictvím strukturálních zlomů a metod jejich identifikace.

Exercise 1: Parametrická estimace Exercise 2: Odhad parametrů: normální rozdělení Exercise 3: Odhad parametrů: Zešikmené normální rozdělení Exercise 4: Historická simulace a simulace Monte Carlo

Aktuální cvičení

Exercise 5: Historická simulace Exercise 6: Simulace Monte Carlo Exercise 7: Strukturální zlomy Exercise 8: Strukturální zlom v období krize: I Exercise 9: Strukturální zlom v době krize: II Exercise 10: Strukturální zlom v době krize: III Exercise 11: Volatilita a extrémní hodnoty Exercise 12: Volatilita a strukturální zlomy Exercise 13: Extrémní hodnoty a backtesting

Čas prozkoumávat obecnější nástroje pro řízení rizik. Tyto pokročilé techniky jsou klíčové při snaze porozumět extrémním událostem – například ztrátám vzniklým během finanční krize – a složitým distribucím ztrát, které mohou vzdorovat tradičním metodám estimace. Zjistíš také, jak lze neuronové sítě využít k aproximaci distribucí ztrát a optimalizaci portfolia v reálném čase.

Exercise 1: Teorie extrémních hodnot Exercise 2: Bloková maxima Exercise 3: Extrémní události během krize Exercise 4: Odhad rizika pomocí GEV Exercise 5: Odhad hustoty jádrem Exercise 6: KDE rozdělení ztrát Exercise 7: Které rozdělení?Exercise 8: CVaR a výběr krytí ztrát Exercise 9: Řízení rizik pomocí neuronových sítí Exercise 10: Jednovrstvé neuronové sítě Exercise 11: Předpověď ceny aktiva Exercise 12: Řízení rizik v reálném čase Exercise 13: Shrnutí a další kroky