Quel est votre appétit pour le risque?

La gestion du risque évalue l'exposition en fonction de l'appétit (ou la tolérance) au risque de l'investisseur. Laquelle des activités suivantes feriez-vous si vos préférences étaient aversion au risque?

Cette activité fait partie du cours

Gestion quantitative des risques en Python

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Gestion quantitative des risques en Python

SkillTag.level.advancedSkillTag.label

4.8+

Commencer le cours gratuitement

La gestion des risques commence par la compréhension du risque et du rendement. Nous ferons un rappel de leurs liens, repérerons les facteurs de risque et les utiliserons pour nous réapproprier la théorie moderne du portefeuille appliquée à la crise financière mondiale de 2007‑2008.

Exercise 1: Bienvenue !Exercise 2: Rendements du portefeuille pendant la crise Exercise 3: Covariance des actifs et volatilité du portefeuille Exercise 4: Les facteurs de risque et la crise financière Exercise 5: Introduction au rééchantillonnage des fréquences Exercise 6: Visualiser la corrélation des facteurs de risque Exercise 7: Modèle factoriel des moindres carrés Exercise 8: La théorie moderne du portefeuille Exercise 9: Pratique avec PyPortfolioOpt : rendements Exercise 10: S'exercer avec PyPortfolioOpt : covariance Exercise 11: Décomposer la crise financière Exercise 12: La frontière efficiente et la crise financière

Il est maintenant temps d'enrichir votre trousse d'optimisation de portefeuille avec des mesures de risque comme la Value at Risk (VaR) et la Conditional Value at Risk (CVaR). Pour ce faire, vous utiliserez des bibliothèques Python spécialisées, notamment pandas, scipy et pypfopt. Vous apprendrez aussi à atténuer l'exposition au risque en utilisant le modèle de Black‑Scholes pour couvrir un portefeuille d'options.

Exercise 1: Mesurer le risque Exercise 2: VaR pour la loi Normale Exercise 3: Comparer le CVaR et le VaR Exercise 4: Quelle mesure de risque est « meilleure »?Exercise 5: Exposition au risque et perte Exercise 6: Quel est votre appétit pour le risque?

Exercice en cours

Exercise 7: VaR et exposition au risque Exercise 8: CVaR et exposition au risque Exercise 9: Gestion du risque avec la VaR et la CVaR Exercise 10: VaR à partir d'une distribution ajustée Exercise 11: Minimiser la CVaR Exercise 12: Gestion du risque par CVaR et la crise Exercise 13: Couverture de portefeuille : compenser le risque Exercise 14: Évaluation d'options avec Black‑Scholes Exercise 15: Évaluation des options et actif sous-jacent Exercise 16: Utiliser les options pour se couvrir

Dans ce chapitre, vous estimerez des mesures de risque à l'aide d'une estimation paramétrique et de données historiques réelles. Vous découvrirez ensuite comment la simulation de Monte‑Carlo peut vous aider à prévoir l'incertitude. Enfin, vous verrez comment la crise financière mondiale a révélé que l'aléa lui‑même changeait, en comprenant les ruptures structurelles et la façon de les déceler.

Exercise 1: Estimation paramétrique Exercise 2: Estimation des paramètres : Normale Exercise 3: Estimation des paramètres : loi normale asymétrique Exercise 4: Simulation historique et de Monte Carlo Exercise 5: Simulation historique Exercise 6: Simulation de Monte-Carlo Exercise 7: Ruptures structurelles Exercise 8: Rupture structurelle liée à la crise : I Exercise 9: Rupture structurelle de la crise : II Exercise 10: Rupture structurelle de la crise : III Exercise 11: Volatilité et valeurs extrêmes Exercise 12: Volatilité et ruptures structurelles Exercise 13: Valeurs extrêmes et rétroaction

Il est temps d'explorer des outils plus généraux de gestion des risques. Ces techniques avancées sont cruciales pour comprendre les événements extrêmes, comme les pertes subies pendant la crise financière, et les distributions de pertes complexes qui peuvent échapper aux méthodes d'estimation traditionnelles. Vous découvrirez aussi comment les réseaux neuronaux peuvent être utilisés pour approximer les distributions de pertes et effectuer l'optimisation de portefeuille en temps réel.

Exercise 1: Théorie des valeurs extrêmes Exercise 2: Maxima par blocs Exercise 3: Événements extrêmes pendant la crise Exercise 4: Estimation du risque avec la GEV Exercise 5: Estimation par noyau de la densité Exercise 6: KDE d'une distribution de pertes Exercise 7: Quelle distribution?Exercise 8: CVaR et choix de la couverture des pertes Exercise 9: Gestion du risque avec les réseaux de neurones Exercise 10: Réseaux de neurones à une seule couche Exercise 11: Prédiction du prix d'un actif Exercise 12: Gestion des risques en temps réel Exercise 13: Bilan et prochaines étapes