Jaki masz apetyt na ryzyko?

Zarządzanie ryzykiem ocenia ekspozycję na ryzyko w odniesieniu do apetytu na ryzyko (lub tolerancji ryzyka) inwestora. Które z poniższych działań podejmuje osoba o preferencjach awersyjnych wobec ryzyka?

To ćwiczenie jest częścią kursu

Ilościowe zarządzanie ryzykiem w Pythonie

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Ilościowe zarządzanie ryzykiem w Pythonie

SkillTag.level.advancedSkillTag.label

4.8+

Rozpocznij kurs za darmo

Zarządzanie ryzykiem zaczyna się od zrozumienia relacji między ryzykiem a zwrotem. Przypomnisz sobie, jak te dwa pojęcia są ze sobą powiązane, zidentyfikujesz czynniki ryzyka i wykorzystasz je do ponownego zapoznania się z Nowoczesną Teorią Portfela w kontekście globalnego kryzysu finansowego z lat 2007–2008.

Exercise 1: Witaj!Exercise 2: Zwroty portfela w trakcie kryzysu Exercise 3: Kowariancja aktywów i zmienność portfela Exercise 4: Czynniki ryzyka a kryzys finansowy Exercise 5: Wprowadzenie do próbkowania częstotliwości Exercise 6: Wizualizacja korelacji czynników ryzyka Exercise 7: Model czynnikowy metodą najmniejszych kwadratów Exercise 8: Nowoczesna teoria portfela Exercise 9: Ćwiczenie z PyPortfolioOpt: zwroty Exercise 10: Ćwiczenie z PyPortfolioOpt: kowariancja Exercise 11: Analiza kryzysu finansowego Exercise 12: Granica efektywna a kryzys finansowy

Czas rozszerzyć zestaw narzędzi do optymalizacji portfela o miary ryzyka, takie jak Value at Risk (VaR) i Conditional Value at Risk (CVaR). Skorzystasz w tym celu ze specjalistycznych bibliotek Pythona: pandas, scipy i pypfopt. Dowiesz się też, jak ograniczać ekspozycję na ryzyko, stosując model Blacka-Scholesa do zabezpieczania portfela opcji.

Exercise 1: Mierzenie ryzyka Exercise 2: VaR dla rozkładu normalnego Exercise 3: Porównanie CVaR i VaR Exercise 4: Która miara ryzyka jest „lepsza"?Exercise 5: Ekspozycja na ryzyko i straty Exercise 6: Jaki masz apetyt na ryzyko?

Bieżące ćwiczenie

Exercise 7: VaR i ekspozycja na ryzyko Exercise 8: CVaR i ekspozycja na ryzyko Exercise 9: Zarządzanie ryzykiem przy użyciu VaR i CVaR Exercise 10: VaR z dopasowanego rozkładu Exercise 11: Minimalizacja CVaR Exercise 12: Zarządzanie ryzykiem CVaR a kryzys finansowy Exercise 13: Hedging portfela: neutralizowanie ryzyka Exercise 14: Wycena opcji metodą Blacka-Scholesa Exercise 15: Wycena opcji i instrument bazowy Exercise 16: Wykorzystanie opcji do hedgingu

W tym rozdziale nauczysz się szacować miary ryzyka metodami estymacji parametrycznej i na podstawie historycznych danych rzeczywistych. Odkryjesz, jak symulacja Monte Carlo pomaga przewidywać niepewność. Na koniec zrozumiesz, w jaki sposób globalny kryzys finansowy pokazał, że sama losowość może się zmieniać – poznasz pojęcie przełomów strukturalnych i sposoby ich identyfikacji.

Exercise 1: Estymacja parametryczna Exercise 2: Estymacja parametrów: rozkład normalny Exercise 3: Estymacja parametrów: skośny rozkład normalny Exercise 4: Symulacja historyczna i Monte Carlo Exercise 5: Symulacja historyczna Exercise 6: Symulacja Monte Carlo Exercise 7: Przełomy strukturalne Exercise 8: Strukturalny przełom kryzysu: I Exercise 9: Strukturalny przełom kryzysu: II Exercise 10: Strukturalny przełom kryzysu: III Exercise 11: Zmienność i wartości ekstremalne Exercise 12: Zmienność i przełomy strukturalne Exercise 13: Wartości ekstremalne i backtesting

Czas poznać bardziej ogólne narzędzia zarządzania ryzykiem. Te zaawansowane techniki są kluczowe, gdy chcemy zrozumieć zdarzenia ekstremalne – takie jak straty poniesione podczas kryzysu finansowego – oraz złożone rozkłady strat, które mogą wymykać się tradycyjnym metodom estymacji. Dowiesz się też, jak sieci neuronowe można wykorzystać do aproksymowania rozkładów strat i przeprowadzania optymalizacji portfela w czasie rzeczywistym.

Exercise 1: Teoria wartości ekstremalnych Exercise 2: Maksima bloków Exercise 3: Zdarzenia ekstremalne podczas kryzysu Exercise 4: Szacowanie ryzyka metodą GEV Exercise 5: Estymacja jądra gęstości Exercise 6: KDE rozkładu strat Exercise 7: Który rozkład?Exercise 8: CVaR i dobór rezerwy na pokrycie strat Exercise 9: Zarządzanie ryzykiem z użyciem sieci neuronowych Exercise 10: Jednowarstwowe sieci neuronowe Exercise 11: Prognozowanie ceny aktywa Exercise 12: Zarządzanie ryzykiem w czasie rzeczywistym Exercise 13: Podsumowanie i kolejne kroki