VaR と CVaR は似ています（文字も 1 つ違うだけです）が、リスク管理では一般に CVaR のほうが好まれる指標です。理由のひとつは、CVaR は損失分布の「テール」の影響を受ける一方、VaR は静的な単一値だからです。
質問：CVaR は損失分布のテールからの情報をどのように取り込んでいますか？
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
リスク管理は、リスクとリターンの理解から始まります。リスクとリターンの関係を振り返り、リスク因子を特定し、それらを用いて2007〜2008年の世界金融危機に適用された近代ポートフォリオ理論を再確認します。
ここでは、Value at Risk（VaR）や Conditional Value at Risk（CVaR）といったリスク指標で、ポートフォリオ最適化のツールキットを広げます。そのために、pandas、scipy、pypfopt などの専門的な Python ライブラリを使用します。また、Black-Scholes モデルを用いてオプションポートフォリオをヘッジし、リスクエクスポージャを低減する方法も学びます。
現在の演習
この章では、パラメトリック推定と実際の歴史データを用いてリスク指標を推定します。次に、Monte Carlo シミュレーションが不確実性の予測にどのように役立つかを学びます。最後に、構造変化を理解し、その検出方法を学ぶことで、世界金融危機が「ランダム性」そのものの変化を示していたことを捉えます。
さらに一般的なリスク管理ツールを探究しましょう。これらの高度な手法は、金融危機時の損失のような極端事象や、従来の推定手法では扱いづらい複雑な損失分布を理解するうえで極めて重要です。ニューラルネットワークを用いて損失分布を近似し、リアルタイムでポートフォリオ最適化を行う方法についても学びます。
