1. Learn
    2. /
  2. Courses
    3. /
  3. Gestión cuantitativa del riesgo en Python
  • 1

    Resumen de riesgos y beneficios

    Free

    La gestión del riesgo empieza por comprender el riesgo y el rendimiento. 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 Moderna de Carteras 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 Black-Scholes para cubrir un portafolio de opciones.

  • 3

    Estimar e identificar el riesgo

    En este capítulo, estimarás las medidas de riesgo utilizando la estimación paramétrica y los datos históricos del mundo real. A continuación, descubrirás cómo la simulación de Montecarlo puede ayudarte a predecir la incertidumbre. Por último, aprenderás cómo la crisis financiera mundial señaló que la propia aleatoriedad estaba cambiando, comprendiendo 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 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

Manual básico de remuestreo de frecuencia

Risk factor models often rely upon data that is of different frequencies. A typical example is when using quarterly macroeconomic data, such as prices, unemployment rates, etc., with financial data, which is often daily (or even intra-daily). To use both data sources in the same model, higher frequency data needs to be resampled to match the lower frequency data.

The DataFrame and Series Pandas objects have a built-in .resample() method that specifies the lower frequency. This method is chained with a method to create the lower-frequency statistic, such as .mean() for the average of the data within the new frequency period, or .min() for the minimum of the data.

In this exercise you'll practice converting daily returns data to weekly and quarterly frequency.

Instructions

100 XP
  • Convert returns to quarterly frequency average returns_q using the .resample() and .mean() methods.
  • Examine the header of returns_q, noting that the .resample() method takes care of the date index for you.
  • Now convert returns to weekly frequency minimum returns_w, using the .min() method.
  • Examine the header of returns_w.