Jaký máš vztah k riziku?

Řízení rizik hodnotí míru rizikové expozice s ohledem na rizikovou apetenci (neboli toleranci rizika) investora. Která z následujících aktivit odpovídá rizikově averznímu chování?

Toto cvičení je součástí kurzu

Kvantitativní řízení rizik v Pythonu

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

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?

Aktuální cvičení

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 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