共分散はポートフォリオ運用のさまざまな場面で使われます。GARCH モデルを用いると、ボラティリティの時間変動性を取り込むために動学的共分散を計算できます。さらに、近代ポートフォリオ理論(MPT)では、共分散は異なる種類の資産を組み合わせることで得られる分散効果(ダイバーシフィケーション)の利点を示します。
次の記述のうち、誤っているものはどれですか。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
GARCHモデルとは何か、何に使われるのか、そしてPythonでどのように実装するのか。第1章を終えると、これらの疑問に自信を持って答えられるようになります。
通常のGARCHモデルは、しばしば厚い裾、歪度、非対称ショックを示す実際の金融データを十分に表現できません。この章では、より現実的な前提でGARCHモデルを定義し、改善する方法を学びます。また、ローリングウィンドウ手法を使って、より高度なボラティリティ予測を行う方法も身につけます。
この章では、データサイエンスのモデリングにおけるKISS原則を紹介します。p値やt統計量を用いてモデル設定を簡素化し、ACFプロットやLjung-Box検定でモデルの前提を検証し、尤度と情報量基準を用いてモデル選択を行う方法を学びます。
最終章では、これまでに学んだGARCHモデルを実務の金融シナリオに適用する方法を学びます。リスク管理におけるVaR、資産配分における動学的共分散、ポートフォリオ運用における動学的ベータに慣れながら、実践的なスキルを磨いていきます。
現在の演習