1. Learn
    2. /
  2. Courses
    3. /
  3. Gestión de riesgos cuantitativos en Python
  • 1

    Resumen de riesgos y beneficios

    Free

    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.

  • 2

    Gestión de riesgos orientada a objetivos

    Ahora es el momento de ampliar tus herramientas de optimización del portafolio con medidas de 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.

  • 3

    Cálculo e identificación del riesgo

    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.

  • 4

    Gestión avanzada de riesgos

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

Initializing

Exercise

Rentabilidad del portafolio durante la crisis

El primer paso para cuantificar los efectos de la incertidumbre en una cartera financiera es examinar el rendimiento de la cartera. Considerarás una cartera de cuatro valores de bancos de inversión, que fueron tanto instigadores como víctimas de la crisis financiera mundial.

Los bancos son Citibank, Goldman Sachs, JP Morgan y Morgan Stanley. Los precios de cierre de las acciones para el periodo 2005 - 2010 están en el DataFrame disponible portfolio. Te servirá para examinar los drásticos cambios de precios durante el punto álgido de la crisis, 2008 - 2009. También verás lo volátiles que eran las portfolio_returns resultantes, suponiendo una cartera de igual ponderación con pesos almacenados en la lista weights.

En éste y en todos los ejercicios futuros, numpy, pandas y matplotlib.pyplot están disponibles como np, pd, y plt respectivamente.

Instructions 1/2

undefined XP
    1
    2
  • Crea un subconjunto de la serie temporal portfolio DataFrame para el periodo 2008-2009 utilizando .loc[], y colócalo en asset_prices.
  • Traza el asset_prices durante este tiempo.

Recuerda que puedes examinar el DataFrame portfolio directamente en la consola.