1. Aprender
    2. /
  2. Cursos
    3. /
  3. Gestión cuantitativa de riesgos en Python
  • 1

    Resumen de riesgos y rentabilidades

    Gratuito

    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 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.

  • 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 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.

Initializing

Exercicio

Manual de remuestreo de frecuencia

Los modelos de factores de riesgo suelen basarse en datos con frecuencias diferentes. Un ejemplo típico es utilizar datos macroeconómicos trimestrales, como precios, tasas de desempleo, etc., con datos financieros, que a menudo son diarios (o incluso intradiarios). Para utilizar ambas fuentes de datos en el mismo modelo, hay que volver a muestrear los datos de mayor frecuencia para que coincidan con los datos de menor frecuencia.

Los objetos Pandas DataFrame y Series tienen un método .resample() integrado que especifica la frecuencia inferior. Este método se encadena con un método para crear el estadístico de frecuencia más baja, como .mean() para la media de los datos dentro del nuevo periodo de frecuencia, o .min() para el mínimo de los datos.

En este ejercicio practicarás la conversión de datos diarios de returns a frecuencia semanal y trimestral.

Instruções

100 XP
  • Convierte returns a returns_q medias de frecuencia trimestral utilizando los métodos .resample() y .mean().
  • Examina el encabezado de returns_q, observando que el método .resample() se encarga del índice de fechas por ti.
  • Ahora convierte returns a returns_w mínimas de frecuencia semanal, utilizando el método .min().
  • Examina el encabezado de returns_w.