In this chapter, you will learn how to form return series, aggregate them over longer periods and plot them in different ways. You will look at examples using the qrmdata package.

Willkommen im Kurs!

Zeitreihen von Risikofaktoren erkunden: Aktienindizes

Risikofaktor-Zeitreihen erkunden: einzelne Aktien

Risikofaktordaten erkunden: Wechselkurse

Risikofaktor-Renditen

Renditereihen untersuchen

Verschiedene Arten, Risiko­faktoren- und Renditereihen zu plotten

Log-Renditen aggregieren

Log-Renditeserien aggregieren

Ein Test zur Aggregation von Log-Renditen

Weitere Arten von Risikofaktoren erkunden

Rohstoffdaten

Zinsdaten

Exploring Market Risk-Factor Data

In this chapter, you will learn about graphical and numerical tests of normality, apply them to different datasets, and consider the alternative Student t model.

The normal distribution

Graphical methods for assessing normality

Testing for normality

Q-Q plots for assessing normality

Skewness, kurtosis and the Jarque-Bera test

Numerical tests of normality

Testing normality for longer time horizons

Overlapping returns

Reviewing knowledge of normal distributions and returns

The Student t distribution

Fitting t distribution to data

Testing FX returns for normality

Testing interest-rate returns for normality

Testing gold price returns for normality

Real World Returns are Riskier Than Normal

In this chapter, you will learn about volatility and how to detect it using act plots. You will learn how to apply Ljung-Box tests for serial correlation and estimate cross correlations.

Characteristics of volatile return series

Spotting a volatile time series

Estimating serial correlations

Using acf plots to reveal volatility

The Ljung-Box test

Applying Ljung-Box tests to return data

Applying Ljung-Box tests to longer-interval returns

Looking at the extremes in volatile return series

Extreme values in volatile time series

Cross correlations between risk-factor return series

The stylized facts of return series

Volatility and correlation of FX returns

Volatility and correlation of interest-rate data

Reviewing knowledge of volatility and correlation

Real World Returns are Volatile and Correlated

In this chapter, the concept of value-at-risk and simple methods of estimating VaR based on historical simulation are introduced.

Value-at-risk and expected shortfall

Computing VaR and ES for normal distribution

International equity portfolio

Examining risk factors for international equity portfolio

Historical simulation

Estimating VaR and ES

Option portfolio and Black Scholes

Compute Black-Scholes price of an option

Equity and implied volatility risk factors

Historical simulation for the option example

Historical simulation of losses for option portfolio

Estimating VaR and ES for option portfolio

Computing VaR for weekly losses

Wrap-up

Estimating Portfolio Value-at-Risk (VaR)

Im Quantitativen Risikomanagement (QRM) erstellst du Modelle, um die Risiken von Finanzportfolios zu verstehen. Das ist in den Bereichen Banken, Versicherungen und Asset Management eine zentrale Aufgabe. Der erste Schritt im Modellierungsprozess ist, Daten zu den zugrunde liegenden Risikofaktoren zu sammeln, die den Portfoliowert beeinflussen, und ihr Verhalten zu analysieren. In diesem Kurs lernst du, wie du mit Renditereihen von Risikofaktoren arbeitest, die empirischen Eigenschaften bzw. sogenannten „stylized facts“ dieser Daten untersuchst – einschließlich ihrer typischen Nicht-Normalverteilung und Volatilität – und den Value-at-Risk für ein Portfolio schätzt.

Manipulating Time Series Data in R

In diesem Kurs arbeiten Sie mit Risikofaktor-Renditen, untersuchen deren Eigenschaften und schätzen das Value-at-Risk eines Portfolios.

Quantitatives Risikomanagement in R

In diesem Kurs arbeitest du mit Renditereihen von Risikofaktoren, untersuchst empirische Eigenschaften und schätzt den Value-at-Risk. 

Angewandte Finanzen in R

Quantitativer Analyst  in R