Portfolio-Hedging: Risiken ausgleichen

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.

Diese Übung ist Teil des Kurses

Quantitative Risk Management in Python

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

150 reviews

Kurs kostenlos starten

Risikomanagement beginnt mit dem Verständnis von Risiko und Rendite. Wir frischen auf, wie Risiko und Rendite zusammenhängen, identifizieren Risikofaktoren und nutzen sie, um uns mit der Modernen Portfoliotheorie im Kontext der globalen Finanzkrise 2007–2008 wieder vertraut zu machen.

Exercise 1: Willkommen!Exercise 2: Portfolioerträge während der Krise Exercise 3: Asset-Kovarianz und Portfoliovolatilität Exercise 4: Risikofaktoren und die Finanzkrise Exercise 5: Einstieg ins Frequenz-Resampling Exercise 6: Korrelation von Risikofaktoren visualisieren Exercise 7: Kleinste-Quadrate-Faktormodell Exercise 8: Moderne Portfoliotheorie Exercise 9: Übung mit PyPortfolioOpt: Renditen Exercise 10: Übung mit PyPortfolioOpt: Kovarianz Exercise 11: Die Finanzkrise aufschlüsseln Exercise 12: Die effiziente Frontier und die Finanzkrise

Jetzt erweiterst du deinen Werkzeugkasten zur Portfoliooptimierung um Risikokennzahlen wie Value at Risk (VaR) und Conditional Value at Risk (CVaR). Dazu verwendest du spezialisierte Python-Bibliotheken wie pandas, scipy und pypfopt. Außerdem lernst du, wie du mithilfe des Black-Scholes-Modells das Risikopotenzial durch Absicherung eines Optionsportfolios reduzierst.

Exercise 1: Risiko messen Exercise 2: VaR für die Normalverteilung Exercise 3: CVaR und VaR vergleichen Exercise 4: Welche Risikokennzahl ist „besser“?Exercise 5: Risikoposition und Verlust Exercise 6: Wie groß ist dein Risikoappetit?Exercise 7: VaR und Risikoexponierung Exercise 8: CVaR und Risikoexponierung Exercise 9: Risikomanagement mit VaR & CVaR Exercise 10: VaR aus einer angepassten Verteilung Exercise 11: CVaR minimieren Exercise 12: CVaR-Risikomanagement und die Krise Exercise 13: Portfolio-Hedging: Risiken ausgleichen

Aktuelle Übung

Exercise 14: Optionsbewertung nach Black-Scholes Exercise 15: Optionsbewertung und der Basiswert Exercise 16: Optionen zum Hedging nutzen

In diesem Kapitel schätzt du Risikokennzahlen mithilfe parametrischer Verfahren und historischer Realweltdaten. Anschließend entdeckst du, wie dir die Monte-Carlo-Simulation helfen kann, Unsicherheit vorherzusagen. Zum Schluss lernst du, wie die globale Finanzkrise zeigte, dass sich die Zufälligkeit selbst veränderte – durch das Verständnis struktureller Brüche und deren Identifikation.

Exercise 1: Parametrische Schätzung Exercise 2: Parameterschätzung: Normalverteilung Exercise 3: Parameterschätzung: Schiefe Normalverteilung Exercise 4: Historische und Monte-Carlo-Simulation Exercise 5: Historische Simulation Exercise 6: Monte-Carlo-Simulation Exercise 7: Strukturelle Brüche Exercise 8: Struktureller Bruch in der Krise: I Exercise 9: Strukturbruch in der Krise: II Exercise 10: Struktureller Bruch in der Krise: III Exercise 11: Volatilität und Extremwerte Exercise 12: Volatilität und Strukturbrüche Exercise 13: Extreme Werte und Backtesting

Jetzt ist es Zeit, allgemeinere Werkzeuge des Risikomanagements zu erkunden. Diese fortgeschrittenen Techniken sind entscheidend, um extreme Ereignisse – wie Verluste während der Finanzkrise – und komplexe Verlustverteilungen zu verstehen, die sich herkömmlichen Schätzverfahren entziehen können. Du entdeckst außerdem, wie neuronale Netze eingesetzt werden können, um Verlustverteilungen zu approximieren und eine Portfoliooptimierung in Echtzeit durchzuführen.

Exercise 1: Extremwerttheorie Exercise 2: Blockmaxima Exercise 3: Extreme Ereignisse während der Krise Exercise 4: GEV-Risikoeinschätzung Exercise 5: Kerndichteschätzung Exercise 6: KDE einer Verlustverteilung Exercise 7: Welche Verteilung?Exercise 8: CVaR und Auswahl der Verlustdeckung Exercise 9: Risikomanagement mit neuronalen Netzen Exercise 10: Neuronale Netze mit einer Schicht Exercise 11: Prognose von Asset-Preisen Exercise 12: Risikomanagement in Echtzeit Exercise 13: Abschluss und nächste Schritte