Seberapa besar selera risiko Anda?

Manajemen risiko menilai eksposur risiko sesuai dengan selera risiko (atau toleransi risiko) investor. Aktivitas mana berikut ini yang mungkin Anda lakukan jika preferensi risiko Anda adalah menghindari risiko (risk-averse)?

Latihan ini merupakan bagian dari kursus

Manajemen Risiko Kuantitatif dengan Python

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Manajemen Risiko Kuantitatif dengan Python

SkillTag.level.advancedSkillTag.label

4.8+

Mulai Kursus Gratis

Manajemen risiko dimulai dari pemahaman tentang risiko dan imbal hasil. Kita akan meninjau kembali bagaimana risiko dan imbal hasil saling berkaitan, mengidentifikasi faktor risiko, dan menggunakannya untuk mengulas kembali Teori Portofolio Modern yang diterapkan pada krisis keuangan global 2007–2008.

Exercise 1: Selamat datang!Exercise 2: Imbal hasil portofolio selama krisis Exercise 3: Kovarians aset dan volatilitas portofolio Exercise 4: Faktor risiko dan krisis keuangan Exercise 5: Pengantar resampling frekuensi Exercise 6: Memvisualisasikan korelasi faktor risiko Exercise 7: Model faktor least-squares Exercise 8: Teori portofolio modern Exercise 9: Latihan dengan PyPortfolioOpt: return Exercise 10: Latihan dengan PyPortfolioOpt: kovarians Exercise 11: Menguraikan krisis keuangan Exercise 12: Efficient frontier dan krisis keuangan

Sekarang saatnya memperluas perangkat optimasi portofolio Anda dengan ukuran risiko seperti Value at Risk (VaR) dan Conditional Value at Risk (CVaR). Untuk melakukannya, Anda akan menggunakan pustaka Python khusus termasuk pandas, scipy, dan pypfopt. Anda juga akan mempelajari cara mengurangi eksposur risiko menggunakan model Black–Scholes untuk melakukan lindung nilai pada portofolio opsi.

Exercise 1: Mengukur Risiko Exercise 2: VaR untuk distribusi Normal Exercise 3: Membandingkan CVaR dan VaR Exercise 4: Ukuran risiko mana yang "lebih baik"?Exercise 5: Eksposur risiko dan kerugian Exercise 6: Seberapa besar selera risiko Anda?

Latihan Saat Ini

Exercise 7: VaR dan eksposur risiko Exercise 8: CVaR dan eksposur risiko Exercise 9: Manajemen risiko menggunakan VaR & CVaR Exercise 10: VaR dari distribusi terestimasi Exercise 11: Meminimalkan CVaR Exercise 12: Manajemen risiko CVaR dan krisis Exercise 13: Lindung nilai portofolio: mengimbangi risiko Exercise 14: Penetapan harga opsi Black-Scholes Exercise 15: Penetapan harga opsi dan aset dasar Exercise 16: Menggunakan opsi untuk lindung nilai

Dalam bab ini, Anda akan mengestimasi ukuran risiko menggunakan estimasi parametrik dan data historis dunia nyata. Anda kemudian akan menemukan bagaimana simulasi Monte Carlo dapat membantu memprediksi ketidakpastian. Terakhir, Anda akan mempelajari bagaimana krisis keuangan global memberi sinyal bahwa kerandoman itu sendiri berubah, dengan memahami structural break dan cara mengidentifikasinya.

Exercise 1: Estimasi Parametrik Exercise 2: Estimasi parameter: Normal Exercise 3: Estimasi parameter: Skewed Normal Exercise 4: Simulasi Historis dan Monte Carlo Exercise 5: Simulasi Historis Exercise 6: Simulasi Monte Carlo Exercise 7: Pemutusan struktural Exercise 8: Pemutusan struktural krisis: I Exercise 9: Pemutusan struktural krisis: II Exercise 10: Patah struktural saat krisis: III Exercise 11: Volatilitas dan nilai ekstrem Exercise 12: Volatilitas dan break struktural Exercise 13: Nilai ekstrem dan backtesting

Saatnya mengeksplorasi alat manajemen risiko yang lebih umum. Teknik tingkat lanjut ini sangat penting ketika berupaya memahami kejadian ekstrem, seperti kerugian selama krisis keuangan, dan distribusi kerugian yang rumit yang mungkin tidak sesuai dengan teknik estimasi tradisional. Anda juga akan menemukan bagaimana neural network dapat diterapkan untuk mendekati distribusi kerugian dan melakukan optimasi portofolio secara real time.

Exercise 1: Teori nilai ekstrem Exercise 2: Maksimum blok Exercise 3: Kejadian ekstrem selama krisis Exercise 4: Estimasi risiko GEV Exercise 5: Estimasi kepadatan kernel Exercise 6: KDE dari suatu distribusi kerugian Exercise 7: Sebaran yang mana?Exercise 8: CVaR dan pemilihan penutup kerugian Exercise 9: Manajemen risiko dengan neural network Exercise 10: Jaringan neural satu lapis Exercise 11: Prediksi harga aset Exercise 12: Manajemen risiko real-time Exercise 13: Ringkasan dan Langkah Selanjutnya