¿Qué medida de riesgo es "mejor"?

Aunque el VaR y el CVaR son similares (¡y solo tienen una letra diferente!), suele ocurrir que el CVaR es la medida de riesgo preferida para la gestión del riesgo. Una razón es que se ve afectado por la cola de la distribución de pérdidas, mientras que el VaR es un valor estático.

Pregunta: ¿Cómo incorpora el CVaR información de la cola de la distribución de pérdidas?

Este ejercicio forma parte del curso

Gestión cuantitativa de riesgos en Python

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empieza el ejercicio

Este ejercicio forma parte del curso

Gestión cuantitativa de riesgos en Python

AvanzadoNivel de habilidad

4.8+

Comienza el curso gratis

La gestión del riesgo empieza por comprender el riesgo y la rentabilidad. Recapitularemos cómo se relacionan entre sí el riesgo y la rentabilidad, identificaremos los factores de riesgo y los utilizaremos para volver a familiarizarnos con la teoría del portafolio moderna aplicada a la crisis financiera mundial de 2007-2008.

Exercise 1: ¡Te damos la bienvenida!Exercise 2: Rentabilidades del portafolio durante la crisis Exercise 3: Covarianza de los activos y volatilidad del portafolio Exercise 4: Factores de riesgo y crisis financiera Exercise 5: Manual de remuestreo de frecuencia Exercise 6: Visualización de la correlación de los factores de riesgo Exercise 7: Modelo factorial de mínimos cuadrados Exercise 8: Teoría del portafolio moderna Exercise 9: Práctica con PyPortfolioOpt: rentabilidades Exercise 10: Práctica con PyPortfolioOpt: covarianza Exercise 11: Desglose de la crisis financiera Exercise 12: La frontera eficiente y la crisis financiera

Ahora es el momento de ampliar tus herramientas de optimización del portafolio con medidas del riesgo como el valor en riesgo (VaR) y el valor en riesgo condicional (CVaR). Para ello utilizarás bibliotecas especializadas de Python, como pandas, scipy y pypfopt. También aprenderás a mitigar la exposición al riesgo utilizando el modelo de Black-Scholes para cubrir un portafolio de opciones.

Exercise 1: Medición del riesgo Exercise 2: VaR para la distribución normal Exercise 3: Comparación de CVaR y VaR Exercise 4: ¿Qué medida de riesgo es "mejor"?

Ejercicio actual

Exercise 5: Exposición al riesgo y pérdida Exercise 6: ¿Cuál es tu apetito por el riesgo?Exercise 7: VaR y exposición al riesgo Exercise 8: CVaR y exposición al riesgo Exercise 9: Gestión del riesgo mediante VaR y CVaR Exercise 10: VaR de una distribución ajustada Exercise 11: Minimización del CVaR Exercise 12: La gestión del riesgo del CVaR y la crisis Exercise 13: Cobertura del portafolio: compensación del riesgo Exercise 14: Valoración de opciones de Black-Scholes Exercise 15: La valoración de opciones y el activo subyacente Exercise 16: Uso de las opciones como cobertura

En este capítulo, calcularás medidas del riesgo utilizando la estimación paramétrica y datos históricos reales. A continuación, descubrirás cómo la simulación Montecarlo puede ayudarte a prever la incertidumbre. Y, por último, aprenderás cómo la crisis financiera mundial señaló que la propia aleatoriedad estaba cambiando, comprendiendo qué son las rupturas estructurales y cómo identificarlas.

Exercise 1: Estimación paramétrica Exercise 2: Estimación paramétrica: normal Exercise 3: Estimación paramétrica: normal sesgada Exercise 4: Simulación histórica y Montecarlo Exercise 5: Simulación histórica Exercise 6: Simulación Montecarlo Exercise 7: Rupturas estructurales Exercise 8: Ruptura estructural de la crisis: I Exercise 9: Ruptura estructural de la crisis: II Exercise 10: Ruptura estructural de la crisis: III Exercise 11: Volatilidad y valores extremos Exercise 12: Volatilidad y rupturas estructurales Exercise 13: Valores extremos y backtesting

Es hora de explorar herramientas más generales de gestión de riesgos. Estas técnicas avanzadas son fundamentales cuando se intenta comprender eventos extremos, como las pérdidas sufridas durante la crisis financiera, y distribuciones de pérdidas complicadas que pueden desafiar las técnicas de estimación tradicionales. También descubrirás cómo pueden implementarse redes neuronales para aproximar distribuciones de pérdidas y realizar optimización del portafolio en tiempo real.

Exercise 1: Teoría de valores extremos Exercise 2: Máximo por bloques Exercise 3: Eventos extremos durante la crisis Exercise 4: Estimación del riesgo GEV Exercise 5: Estimación de la densidad de Kernel Exercise 6: KDE de una distribución de pérdidas Exercise 7: ¿Qué distribución?Exercise 8: CVaR y selección de cobertura de pérdidas Exercise 9: Gestión de riesgos mediante redes neuronales Exercise 10: Redes neuronales monocapa Exercise 11: Previsión del precio de los activos Exercise 12: Gestión de riesgos en tiempo real Exercise 13: Resumen y pasos siguientes